Sistemas de Aprendizaje Adaptativo: revisión sistemática de técnicas y tendencias

• Vargas Peña, Leonardo ^[1]
  1. [1] Universidad Autónoma Gabriel René Moreno

     Universidad Autónoma Gabriel René Moreno

     Bolivia

     
• Localización: Revista 3i: Ingeniería, Innovación, Investigación, ISSN-e 3078-6703, Vol. 4, Nº. 1, 2025 (Ejemplar dedicado a: Revista 3i (Diciembre 2025)), págs. 156-169
• Idioma: español
• Títulos paralelos:
  • Adaptive Learning Systems: A Systematic Review of Techniques and Trends
• Enlaces
  • Texto completo
• Resumen
  • español

    OBJETIVO: sintetizar el estado del arte del aprendizaje adaptativo en e-learning, identificando técnicas de inteligencia artificial, parámetros de adaptación y usos frecuentes. METODOLOGÍA: revisión sistemática de literatura académica (2020–2025) y obras de referencia, analizando contribuciones clave sobre Teoría de Respuesta al Ítem (IRT), lógica difusa, redes bayesianas, sistemas expertos, redes neuronales y sistemas multi-agentes, así como parámetros de usuario y itemización. RESULTADOS: IRT se consolida como técnica central por su robustez y eficiencia; se observa la creciente viabilidad de redes neuronales y sistemas multi-agentes en arquitecturas con computación en la nube. Los parámetros más reiterados para la adaptación son la interacción del estudiante, el nivel actual, las características de los ítems y la velocidad de aprendizaje. La adaptatividad se emplea principalmente en evaluación de conocimientos, presentación de contenidos, generación dinámica de tests y rutas de aprendizaje, y retroalimentación personalizada. CONCLUSIÓN: los avances en IA y la infraestructura cloud potencian la personalización y escalabilidad de los sistemas adaptativos, aunque persisten desafíos en privacidad, equidad algorítmica y consideración sistemática del feedback estudiantil.

  • English

    OBJECTIVE: to synthesize the state of the art of adaptive learning in e-learning, identifying AI techniques, adaptation parameters, and common uses. METHODS: systematic review of academic literature (2020–2025) and reference works, analyzing key contributions on Item Response Theory (IRT), fuzzy logic, Bayesian networks, expert systems, neural networks, and multi-agent systems, as well as user and item parameters. RESULTS: IRT stands out as a central technique due to robustness and efficiency; there is increasing feasibility of neural networks and multi-agent systems within cloud-based architectures. Frequently reported parameters include student–system interaction, current knowledge level, item characteristics, and learning speed. Adaptivity is mainly applied to knowledge assessment, content presentation, dynamic test and learning path generation, and personalized feedback. CONCLUSION: advances in AI and cloud infrastructure enhance personalization and scalability of adaptive systems, while challenges remain regarding privacy, algorithmic equity, and systematic incorporation of student feedback.