Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
https://doi.org/10.62574/rmpi.v5iEducativa.451
74
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento
académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance
among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
vivian.cabezas@iess.gob.ec
Red de investigación Koinonía, Portoviejo, Manabí, Ecuador
https://orcid.org/0009-0006-2385-3964
María Beatriz Yuquilema-Cortez
myuquilemac@unemi.edu.ec
Universidad Estatal de Milagro, Milagros, Guayas, Ecuador
https://orcid.org/0000-0003-2196-1954
María Agustina León-Miski
maria-leon2009@hotmail.com
Red de investigación Koinonía, Portoviejo, Manabí, Ecuador
https://orcid.org/0009-0004-3302-2588
Amanda Abigail Villafuerte-Fernández
avillafuertef@unemi.edu.ec
Universidad Estatal de Milagro, Milagros, Guayas, Ecuador
https://orcid.org/0000-0003-3541-6957
RESUMEN
La transformación digital en educación superior latinoamericana enfrenta desafíos vinculados con
masificación educativa, diversificación estudiantil y restricciones presupuestarias, demandando
alternativas tecnológicas que potencien procesos formativos sin comprometer equidad institucional. La
investigación tiene por objetivo diseñar un modelo de aprendizaje adaptativo con inteligencia artificial para
mejorar el rendimiento académico en universitarios ecuatorianos. Se empleó un diseño descriptivo
documental mediante análisis sistemático de dieciséis referencias bibliográficas publicadas entre 2022-
2025, seleccionadas por pertinencia temática y rigor metodológico, aplicando análisis categorial en cuatro
fases secuenciales. Los resultados evidenciaron consenso conceptual sobre sistemas adaptativos y
beneficios en retención estudiantil. Se diseñó un modelo contextualizado que integra cinco componentes
interrelacionados: sistema de diagnóstico integral multidominio, motor algorítmico de personalización
pedagógica, repositorio modular de contenidos adaptativos, sistema de retroalimentación inmediata y
módulo de evaluación continua con analítica predictiva. La propuesta ofrece un marco tecnopedagógico
adaptable a particularidades ecuatorianas, requiriendo validación empírica mediante estudios de
implementación.
Descriptores: inteligencia artificial; enseñanza superior; tecnología educacional. (Fuente: Tesauro
UNESCO).
ABSTRACT
Digital transformation in Latin American higher education faces challenges related to educational
massification, student diversification, and budgetary constraints, demanding technological alternatives that
enhance educational processes without compromising institutional equity. The research aims to design an
adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian
university students. A descriptive documentary design was used through systematic analysis of sixteen
bibliographic references published between 2022 and 2025, selected for their thematic relevance and
methodological rigour, applying categorical analysis in four sequential phases. The results showed
conceptual consensus on adaptive systems and benefits in student retention. A contextualised model was
designed that integrates five interrelated components: a comprehensive multi-domain diagnostic system,
an algorithmic engine for pedagogical personalisation, a modular repository of adaptive content, an
immediate feedback system, and a continuous assessment module with predictive analytics. The proposal
offers a techno-pedagogical framework adaptable to Ecuadorian particularities, requiring empirical
validation through implementation studies.
Descriptors: artificial intelligence; higher education; educational technology. (Source: UNESCO
Thesaurus).
Recibido: 13/10/2025. Revisado: 18/10/2025. Aprobado: 30/10/2025. Publicado: 22/11/2025.
Sección artículos de investigación
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
75
INTRODUCCIÓN
Es consecuente tener en consideración que la transformación digital en la educación superior
latinoamericana enfrenta desafíos estructurales que demandan respuestas innovadoras y
contextualizadas. En Ecuador, las universidades atraviesan un proceso de reconfiguración
pedagógica donde convergen exigencias de calidad académica, diversificación estudiantil y
restricciones presupuestarias que limitan la atención personalizada; esta tensión entre
masificación educativa y diferenciación curricular configura un escenario propicio para explorar
alternativas tecnológicas que potencien los procesos formativos sin comprometer la equidad ni
la pertinencia institucional.
Dentro de este panorama, la inteligencia artificial emerge como un campo tecnológico con
aplicaciones prometedoras en contextos educativos, tal como plantean Bernik et al. (2025), los
sistemas computacionales dotados de capacidades de procesamiento avanzado permiten
automatizar tareas evaluativas, personalizar secuencias didácticas y generar analíticas
predictivas sobre trayectorias académicas. Estas funcionalidades trascienden la mera
incorporación instrumental de tecnología para configurar ecosistemas de aprendizaje donde las
variables individuales del estudiante interactúan con arquitecturas algorítmicas capaces de
ajustar dinámicamente contenidos, ritmos y estrategias pedagógicas.
Las investigaciones sobre aprendizaje adaptativo revelan transformaciones sustantivas en la
relación pedagógica tradicional; en palabras de Aparicio-Gómez y Aparicio-Gómez (2024), los
sistemas adaptativos redefinen los roles docentes al trasladar parte de las funciones
instruccionales hacia plataformas inteligentes que monitorizan, diagnostican y prescriben
acciones formativas diferenciadas. Esta redistribución de responsabilidades educativas no
implica la sustitución del profesorado, sino la reconfiguración de sus competencias
profesionales hacia dimensiones de acompañamiento, tutoría especializada y diseño curricular
estratégico.
En el contexto ecuatoriano, diversos estudios documentan problemáticas vinculadas al
rendimiento académico universitario, conforme señalan Almache-Sanisaca et al. (2025), las
instituciones de educación superior del país evidencian tasas de deserción que oscilan entre el
22% y el 35% durante los dos primeros años de formación, asociadas principalmente a
desajustes entre capacidades previas del estudiantado y exigencias curriculares de los
programas. Asimismo, las brechas en competencias básicas de razonamiento lógico,
comprensión lectora y pensamiento crítico se manifiestan como limitantes estructurales que
condicionan las posibilidades de éxito académico en distintas áreas disciplinares.
De ese modo; Ma et al. (2014) reportan que los sistemas tutores inteligentes generan
incrementos promedio de 0.42 desviaciones estándar en resultados de aprendizaje
comparados con metodologías convencionales, con efectos particularmente significativos en
disciplinas de ciencias exactas y áreas procedimentales, este resultado sugiere que las
tecnologías adaptativas poseen potencial para incidir positivamente en trayectorias formativas,
especialmente cuando se diseñan considerando perfiles estudiantiles específicos y objetivos
curriculares bien definidos. No obstante, la transferencia acrítica de modelos tecnológicos
desarrollados en otros contextos presenta limitaciones evidentes, en este orden, es necesario
tener en cuenta que Fajardo-Aguilar et al. (2023), comentan que las condiciones
infraestructurales, culturales y pedagógicas de las universidades ecuatorianas difieren
sustancialmente de aquellas presentes en instituciones de Norteamérica, Europa o Asia donde
se han implementado mayoritariamente estas innovaciones. En este sentido; as restricciones
de conectividad, la heterogeneidad en alfabetización digital del profesorado y las resistencias
institucionales ante cambios metodológicos constituyen variables contextuales que condicionan
la viabilidad y sostenibilidad de cualquier propuesta tecnopedagógica.
Ante este panorama, resulta imprescindible desarrollar propuestas que articulen rigurosidad
conceptual con factibilidad operativa, de ese modo; el objetivo de esta investigación consiste en
diseñar un modelo de aprendizaje adaptativo con inteligencia artificial para mejorar el
rendimiento académico en universitarios ecuatorianos.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
76
MÉTODO
Este trabajo es un documento descriptivo en el que se utilizó el enfoque descriptivo
documental; para su diseño se dispuso un análisis sistemático de bibliografía en Aprendizaje
Adaptativo e Inteligencia Artificial aplicada a la educación actual. El esquema metodológico
trabajó en la interpretación de la literatura académica referenciada para obtener fundamentos
teóricos para construir la propuesta presentada la sección resultados.
La población de estudio estuvo constituida por 16 referencias bibliográficas publicadas entre
2022 y 2025, seleccionadas mediante criterios de pertinencia temática, rigor metodológico y
relevancia académica. Los criterios de inclusión contemplaron: (a) publicaciones en revistas
indexadas con revisión por pares, (b) abordaje específico de inteligencia artificial en educación
superior, (c) disponibilidad de texto completo, y (d) idioma español o inglés. Se excluyeron
documentos de divulgación general, textos sin sustento empírico y publicaciones anteriores a
2022 para garantizar la actualidad de los referentes teóricos.
El proceso de análisis de contenido se desarrolló en cuatro fases secuenciales. En primer
lugar, se realizó una lectura exploratoria de cada documento para identificar ejes temáticos
recurrentes y categorías emergentes relacionadas con sistemas adaptativos. Posteriormente,
se ejecutó un análisis categorial donde se clasificaron los contenidos según dimensiones
predefinidas: fundamentos teóricos, arquitecturas tecnológicas, resultados empíricos,
metodologías de implementación y desafíos contextuales. La tercera fase contempló la
construcción de matrices de análisis comparativo que permitieron identificar convergencias,
divergencias y vacíos en la literatura revisada. En última instancia, se procedió a la síntesis
interpretativa orientada al diseño del modelo de aprendizaje adaptativo contextualizado para
universidades ecuatorianas.
El procedimiento de diseño del modelo siguió una lógica inductivo-deductiva donde los datos
del análisis documental se integraron con principios pedagógicos fundamentales y
consideraciones pragmáticas del contexto ecuatoriano. Se prestó especial atención a variables
de viabilidad técnica, sostenibilidad financiera, aceptabilidad cultural y alineación con marcos
normativos vigentes en el sistema de educación superior del país.
RESULTADOS
Resulta claro, mediante el análisis de literatura, el consenso conceptual en la naturaleza de los
Aprendizajes Adaptativos, de acuerdo con lo expresado en los trabajos de Gligorea et al.
(2023), se pueden definir estas estructuras según sus aptitudes para modificar dinámicamente
parámetros instructivos, en función de los datos recopilados con respecto a los rendimientos,
preferencias, y aptitudes individuales de cada alumno, con lo cual se superan enfoques
diferenciales tradicionales en educación, dado el proceso de computacional masivo permitiendo
durante el tiempo real y en escala institucional los ajustes necesarios.
La inteligencia artificial ofrece tres habilidades únicas a los entornos de aprendizaje adaptativo.
Según lo expresa Ahmed et al. (2024), tales tecnologías permiten lo siguiente: (a) el pronóstico
de trayectorias académicas mediante el uso de algoritmos de aprendizaje supervisado que
detectan tempranamente patrones de riesgo o éxito, (b) el pronóstico de acciones educativas
diferenciadas en función de perfiles de aprendizajes modelados estadísticamente, y (c) la
automatización de procesos evaluativos que permiten al educador liberar tiempo para tareas de
mayor complejidad cognitiva. Por lo tanto; la combinación de los tres propósitos define
entonces una propuesta educativa donde la tecnología complementa, sino que potencia, las
habilidades del educador.
De acuerdo con las investigaciones citadas, hay beneficios relacionados con la implementación
de sistemas adaptativos; en su estudio de revisión sistemática Gutiérrez-Castillo et al. (2025),
encuentran mejores medidas de retención de estudiantes, satisfacción con procesos de
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
77
desarrollo de estudiantes para lograr autonomía académica y metas de desarrollo de logros de
aprendizaje. Éstas tienen efecto de manera más intensa cuando están implementadas de
acuerdo con diseños curriculares institucionales y cuando este acompañamiento tiene un
tratamiento asistido de manera crítica de sistemas curriculares, mostrando, así como la
tecnología no tiene efecto sin un marco curricular.
Sin embargo, se señalan carencias y riesgos potenciales, Dave y Patel (2023), explican que los
sistemas que funcionan con inteligencia artificial pueden perpetuar, mediante mecanismos de
discriminación algorítmica, prejuicios que afecten a estudiantes que sean parte de algún perfil
demográfico concreto, reproduciendo así desigualdades ya preestablecidas dentro del
escenario educativo. Por otro lado, recoger innecesariamente grandes cantidades de datos con
connotaciones individuales esconde cuestiones concernientes a los límites y principios de la
privacidad, consentimiento informado y uso gubernamental o institucional.
Arquitecturas tecnológicas y componentes operativos
La evaluación de propuestas implementadas a escala internacional permite detectar factores
arquitectónicos comunes a sistemas de aprendizaje adaptativo. Al continuar el desarrollo
realizado por Wang (2025), para estos sistemas existe una integración entre los siguientes
cinco módulos funcionales interconectados: (a) sistema de diagnóstico inicial para la evaluación
del conocimiento previo, estilos de aprendizaje y aptitudes transversales; (b) motor de
personalización algorítmica para el procesamiento de datos, que produce caminos de formato
para el aprendiz; (c) sistema de depósito de contenidos módulos clasificados por coeficiente de
complejidad y dominio; (d) sistema de interfaz intuitivo para el aprendiz, diseñado para la
navegación guiada y seguimiento del progreso; (e) sistema de informes tanto de métricas
cuantitativas como de seguimiento institucional del estudiante.
El motor de personalización es el corazón de estos sistemas, aunque el desarrollo de estos
motores es una compleja tarea de investigación. Entendemos la elección de estos motores a
través de una descripción proporcionada por Orji y Vassileva (2022), plantean que los
algoritmos más efectivos combinan técnicas de aprendizaje automático supervisado como
árboles de decisión, máquinas de vectores de soporte y redes neuronales con modelos
probabilísticos que estiman las posibilidades de que los estudiantes dominen determinados
contenidos. Estos algoritmos se nutren de datos históricos generados por estudiantes previos,
identificando correlaciones entre diversos indicadores de interacción (duración de las sesiones
de estudio, tipos de errores cometidos, secuencias de navegación) y los resultados de
aprendizaje alcanzados. La precisión predictiva de estos sistemas se incrementa
progresivamente conforme se acumula mayor volumen de información histórica (Orji y
Vassileva, 2022).
Por otro lado, la calidad de la información educativa es un factor importante que condiciona la
efectividad de estos sistemas; en consonancia con Cortez Granizo (2025) al abordar estos
requisitos para los repositorios adaptativos, la preparación de materiales didácticos granulares
es importante ya que deben tratarse de una formación innovadora concebida exclusivamente
para facilitar la secuencialidad. Esta modalidad implica significativos desafíos en la producción
académica. Otra característica esencial en cuanto a arquitectura del curso es el feedback.
Según Gordon et al. (2024), los buenos sistemas de aprendizaje suministran respuestas
inmediatas, específicas y útiles a los estudiantes para que puedan comprender sus errores en
el área de los conocimientos, así como perfeccionar sus estrategias de estudio. El feedback
supera a las meras puntuaciones que se otorgan a los estudiantes. Contiene información
descriptiva, enunciando pasos procedimentales, remitiendo a recursos suplementarios y
ofreciendo orientaciones metacognitivas que permiten al estudiante reflexionar sobre su
proceso de aprendizaje y ajustar sus estrategias de estudio de manera autónoma y efectiva.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
78
Experiencias empíricas y evidencias de efectividad
A partir de los registros en la literatura, existen numerosos estudios con resultados variados en
cuanto a experiencias de implementación, en el contexto latinoamericano, Almache-Sanisaca,
Rodríguez-Castro y Wang (2025) presentan una implementación llevada a cabo en tres
universidades de Ecuador. Se implementó una plataforma adaptativa en los cursos básicos de
matemáticas, cuyos resultados muestran incrementos del 18% en la tasa de aprobación, en
comparación con secciones que emplearon metodología tradicional. Asimismo, los tiempos
promedio requeridos para dominar los contenidos se redujeron en un 23% con respecto a las
secciones precedentes, estos aportes resultaron estadísticamente significativos y consistentes
a través de las tres instituciones participantes.
Las investigaciones sobre factores mediadores revelan que la efectividad de estos sistemas
depende críticamente de variables contextuales, tal como plantean Bolaño-García y Duarte-
Acosta (2024), las instituciones que logran mejores resultados comparten características
comunes: compromiso directivo con la innovación pedagógica, capacitación sistemática del
profesorado, infraestructura tecnológica confiable y culturas institucionales que valoran la
experimentación educativa, por el contrario, implementaciones que carecen de estos factores
tienden a generar resultados marginales o incluso efectos contraproducentes asociados a
resistencias y frustraciones.
El metaanálisis de Ma et al. (2014) aporta evidencia robusta sobre magnitudes de efecto, los
autores reportan tamaños de efecto promedio de d=0.42 (intervalo de confianza 95%: 0.31-
0.53) para sistemas tutores inteligentes comparados con instrucción convencional, con efectos
superiores en dominios procedimentales (d=0.51) respecto a conceptuales (d=0.35). Esta
variabilidad sugiere que la inteligencia artificial resulta particularmente efectiva para desarrollar
competencias algorítmicas, mientras que dominios que requieren pensamiento crítico complejo
demandan complementación con estrategias pedagógicas de mayor mediación humana.
Las investigaciones también documentan efectos diferenciados según perfiles estudiantiles, en
concordancia con Vieriu y Petrea (2025), los estudiantes con menores niveles de competencias
previas tienden a beneficiarse más significativamente de sistemas adaptativos, posiblemente
porque estas plataformas proporcionan andamiajes personalizados que compensan
deficiencias formativas anteriores, este dato posee implicaciones de equidad educativa,
sugiriendo que las tecnologías adaptativas podrían contribuir a reducir brechas académicas si
se implementan con intencionalidad inclusiva.
Propuesta de modelo de aprendizaje adaptativo para universidades ecuatorianas
A partir del análisis realizado, se propone un modelo de aprendizaje adaptativo contextualizado
que articula cinco componentes interrelacionados, diseñados considerando las particularidades
institucionales, culturales y tecnológicas del sistema universitario ecuatoriano.
Componente 1: Sistema de diagnóstico integral multidominio
El primer componente trata sobre el proceso inicial de evaluación de tres aspectos del perfil
estudiantil, en lo que respecta al Componente Cognitivo, hay evaluación del conocimiento
disciplinario previo mediante prueba adaptativa computarizada, que cambia automáticamente el
nivel de dificultad obteniendo información sobre las respuestas entregadas. En el Componente
Motivacional, hay evaluación sobre intereses educativos, expectativas educativas, percepción
sobre autoeficacia, realizada mediante forma validada psicométricamente. Por último, el
Componente Estratégico investiga hábitos de aprendizaje, hábitos de estudio, habilidad básica
digital, que condicionan uso efectivo de herramientas TIC.
Los datos obtenidos alimentan un perfil dinámico del alumno, que se actualiza
permanentemente con su progresión en su trayectoria formativa; por tanto, el perfil combina
datos cuantitativos (resultados, tiempos de respuesta, patrón de navegación) con datos
cualitativos (reflexiones metacognitivas, preguntas al claustro, participación colaborativa en
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
79
actividades), con objeto de lograr una representación multidimensional orientada al
cumplimiento de objetivos algorítmicos.
Componente 2: Motor algorítmico de personalización pedagógica
El núcleo tecnológico del modelo se basa en algoritmos de aprendizaje automático supervisado
para elaborar rutas de formación individualizadas, específicamente, se plantea una propuesta
híbrida que combine árboles de decisión para el clasificador inicial de los estudiantes en tipos
de aprendizaje con redes neuronales profundas para la predicción continua de trayectorias. Por
consiguiente; la aplicación informática se basa en el procesamiento de vectores de
características estudiantiles para recetar rutas óptimas de contenidos, tiempos recomendados
para la aplicación y estrategias didácticas diferenciadas.
De ese modo; el algoritmo funciona a través de ciclos de optimización iterativos. Primero,
repone caminos formativos teniendo en cuenta modelos entrenados a partir de datos históricos
de cohortes de cursos pasados, a medida que avanza el estudiante, viene controlando señales
de indicación de rendimiento y compromiso, que optimiza de forma dinámica al descarriar del
camino predicho. De esta forma, dicha optimización constante permite un grado de
personalización cada vez mayor, equilibrado entre descubrimiento de caminos alternativos y
aprovechamiento de metodologías que habían demostrado eficacia.
De manera específica en el Ecuador, se podría entrenar el modelo predictivo en al menos tres
cohortes anteriores de cada programa de estudio de forma que se garantice la
representatividad de la diversidad estudiantil de la universidad. A los algoritmos se les deberían
calcular variables contextuales específicas que condicionan las carreras académicas en el
Ecuador.
Componente 3: Repositorio modular de contenidos adaptativos
Este componente contempla la producción de materiales educativos granulares organizados
según una taxonomía multinivel, en el nivel macro, los contenidos se estructuran por unidades
temáticas alineadas con resultados de aprendizaje curriculares. En el nivel meso, cada unidad
se desagrega en objetivos específicos de aprendizaje con sus correspondientes recursos
didácticos: textos explicativos, videotutoriales, simulaciones interactivas, ejercicios de práctica y
evaluaciones formativas. En el nivel micro, cada recurso se etiqueta con metadatos que
especifican nivel de complejidad, prerrequisitos conceptuales, tiempo estimado de dedicación y
modalidades de presentación.
Los contenidos se diseñan siguiendo principios de accesibilidad universal y diseño instruccional
basado en evidencia, se privilegian explicaciones multimodales que integran representaciones
verbales, gráficas y procedimentales para atender diferentes estilos de procesamiento de
información. Asimismo, se incorporan estrategias de andamiaje cognitivo que proporcionan
apoyos temporales progresivamente reducidos conforme el estudiante desarrolla autonomía.
Para contextos ecuatorianos, se propone priorizar la producción de contenidos en áreas
disciplinares que presentan mayores índices de dificultad académica: matemáticas, física,
química, estadística y metodología de investigación. Esta focalización estratégica permite
optimizar inversiones institucionales concentrándolas donde se anticipan mayores impactos
formativos.
Componente 4: Sistema de retroalimentación inmediata y multimodal
El feedback es un elemento pedagógico muy importante y funciona en múltiplos niveles; en
términos intelectuales, ofrece información exhaustiva acerca de los errores cometidos en
conceptos y puntos mal entendidos. También indica materiales adicionales para resolver
dificultades. Desde su vertiente metacognitiva, ofrece estadísticas personalizadas con respecto
a comportamientos de aprendizaje y contribuye valiosamente a mejorar la autorregulación de
aprendizajes entre los alumnos.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
80
La retroalimentación está adaptada a perfiles estudiantiles. Para los estudiantes que tienen
baja autoeficacia, el sistema destaca logros parciales y brinda estímulos motivacionales. Para
estudiantes avanzados, la retroalimentación está orientada hacia misiones de mayor
complejidad, estando la diferenciación emocional complementaria para la personalización
cognitiva, conocida como parte integrante del aprendizaje, tomando en cuenta que las
dimensiones emocionales condicionan la continuidad del aprendizaje o estudio. Dada la
situación específica en Ecuador, donde existen barreras lingüísticas inherentes a una literatura
académica dominada por el idioma inglés, se recomiendan herramientas de Traducción
Automática que incorporen conceptos de uso de términos explicativos de textos especializados.
Componente 5: Módulo de evaluación continua y analítica predictiva
El quinto componente es la integración de capacidades de evaluación formativa con analítica
predictiva para lograr intervenciones tempranas, de ese modo; el sistema monitorea
continuamente indicadores de riesgo académico, tales como baja participación, tasas
inconsistentes de compromiso y acumulación de déficits conceptuales, generando alertas
cuando se detectan niveles elevados de probabilidad de fracaso o deserción. Estas alertas
activan procesos de apoyo diferenciado, que involucran tanto al personal docente como a los
servicios institucionales de acompañamiento académico. El sistema permite generar informes
específicos sobre la naturaleza de las dificultades identificadas en los estudiantes, así como
estrategias de intervención pedagógica pertinentes.
Simultáneamente, el módulo proporciona analítica agregada a nivel institucional que facilita
procesos de mejora curricular, por tanto, los responsables de la gestión académica acceden a
reportes sobre los contenidos que presentan mayor dificultad para los estudiantes, las
secuencias instruccionales más efectivas y los perfiles estudiantiles que requieren
diferenciación. De esta manera, el ciclo de retroalimentación de la innovación pedagógica
transforma datos operativos en conocimiento para la gestión académica.
DISCUSIÓN
Por consiguiente, los resultados del análisis documental se articulan con enfoques teóricos
actuales relacionados con la personalización del proceso educativo mediante el uso de
tecnologías emergentes, y la propuesta formulada se inscribe en una perspectiva
constructivista que subraya la necesidad de adecuar las experiencias formativas a las
particularidades del estudiantado, al tiempo que integra recursos tecnológicos capaces de
operar esta diferenciación a nivel institucional. De acuerdo con lo planteado por Aparicio-
Gómez y Aparicio-Gómez (2024), la inteligencia artificial no debe ser concebida como una
disrupción de los principios pedagógicos fundamentales, sino como una vía para potenciar
capacidades educativas que históricamente han estado condicionadas por limitaciones
estructurales, tanto en lo temporal como en lo material y cognitivo, especialmente en lo que
respecta a la labor docente.
A continuación, el análisis de la evidencia empírica revisada permite sostener que los sistemas
adaptativos generan mejoras consistentes, aunque de magnitud moderada, en los resultados
de aprendizaje, siendo estos efectos comparables con los obtenidos mediante otras estrategias
de innovación educativa ampliamente reconocidas, como lo son el aprendizaje colaborativo
estructurado o la retroalimentación formativa de carácter sistemático. Aunque el impacto
registrado no alcanza niveles transformadores, su valor práctico adquiere relevancia cuando se
proyecta sobre cohortes estudiantiles numerosas o procesos formativos de largo plazo,
circunstancia que incrementa sustancialmente su alcance institucional.
Por otra parte, las experiencias recopiladas en diversos entornos latinoamericanos, en
particular aquellas sistematizadas por Almache-Sanisaca et al. (2025), ponen de manifiesto una
notable variabilidad en los resultados observados según el contexto institucional, lo que
refuerza la necesidad de considerar con detenimiento los factores culturales y organizacionales
que condicionan la eficacia de estas herramientas. En este sentido, no puede asumirse que las
plataformas adaptativas constituyan soluciones homogéneas ni replicables de forma universal,
pues su efectividad depende de cómo se integren en los ecosistemas institucionales concretos,
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
81
lo cual exige modelos de implementación sensibles a las realidades locales y alejados de
transferencias mecánicas de esquemas externos.
Seguidamente, la propuesta de modelo aquí expuesta intenta establecer un equilibrio entre el
desarrollo tecnológico y las particularidades contextuales que definen las condiciones reales de
implementación, y se enmarca dentro de lo expuesto por Fajardo-Aguilar et al. (2023), quienes
destacan que las universidades ecuatorianas presentan una infraestructura limitada y
capacidades institucionales dispares que influyen de forma directa en su potencial para adoptar
procesos de innovación. Con base en este diagnóstico, el diseño presentado opta por priorizar
funcionalidades esenciales, recomendar una aplicación progresiva por áreas del conocimiento
previamente delimitadas y resaltar la necesidad de fomentar procesos de apropiación cultural,
más allá de perseguir exclusivamente niveles elevados de complejidad algorítmica.
Desde una perspectiva ética, las implicaciones que surgen de esta propuesta se entrelazan con
discusiones actuales en torno a la justicia aplicada a entornos educativos mediados por
tecnología, y en particular con las observaciones formuladas por Dave y Patel (2023), quienes
advierten que, en ausencia de una orientación explícita hacia la equidad, los sistemas
apoyados en inteligencia artificial pueden terminar reforzando desigualdades estructurales ya
existentes. Esta advertencia cobra una dimensión aún más relevante en el contexto
ecuatoriano, caracterizado por persistentes brechas de acceso y permanencia vinculadas a
factores socioeconómicos, trayectorias escolares previas y pertenencias étnicas, por lo que
resulta imprescindible que las herramientas tecnológicas respondan al principio de
democratización del aprendizaje, evitando contribuir a procesos de segmentación o exclusión
académica.
Asimismo, el componente diagnóstico contemplado en la propuesta se apoya en los
planteamientos de Orji y Vassileva (2022), quienes insisten en la necesidad de contar con
caracterizaciones amplias y diversas del estudiantado, ya que las evaluaciones centradas
únicamente en conocimientos disciplinares no reflejan la complejidad de los perfiles reales. La
inclusión de dimensiones motivacionales y estratégicas en la recolección de datos permite
enriquecer el funcionamiento de los algoritmos, aumentando así la probabilidad de generar
intervenciones pedagógicas más efectivas y pertinentes a las necesidades individuales de cada
estudiante.
Por otro lado, la arquitectura algorítmica planteada adopta un enfoque híbrido que busca
combinar lo mejor de distintas metodologías, integrando por una parte la capacidad explicativa
de los árboles de decisión, fundamentales para dotar de transparencia a los procesos que
sustentan la personalización del aprendizaje, y por otra, el poder predictivo de las redes
neuronales, especialmente útil para captar relaciones complejas y no lineales entre múltiples
variables. Esta sinergia responde a lo señalado por Ahmed et al. (2024), quienes recomiendan
el desarrollo de soluciones tecnológicas que logren articular rigor técnico con claridad
operativa, favoreciendo su aceptación e integración en entornos educativos reales.
En cuanto a la selección de contenidos, se ha optado por focalizar la intervención en las áreas
correspondientes a las ciencias básicas, decisión respaldada tanto por la evidencia empírica
recogida por Ma et al. (2014), que sugiere una mayor eficacia de los sistemas adaptativos en
dominios disciplinares específicos, como por datos locales que identifican mayores dificultades
académicas en estas asignaturas dentro del sistema universitario ecuatoriano. Esta orientación
estratégica permite concentrar esfuerzos en espacios con alta demanda formativa, optimizando
los recursos disponibles sin comprometer las metas de innovación educativa integral.
Respecto a las funcionalidades de retroalimentación, la propuesta incorpora un enfoque
coherente con los desarrollos recientes sobre autorregulación del aprendizaje, en concordancia
con lo desarrollado por Gordon et al. (2024), quienes sostienen que una retroalimentación
significativa no se limita a señalar errores, sino que promueve activamente el desarrollo de
habilidades metacognitivas y de aprendizaje autónomo. El sistema ha sido diseñado para
ofrecer orientaciones que incidan tanto en el plano cognitivo como en el metacognitivo,
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
82
favoreciendo así la consolidación de competencias duraderas que trascienden la adquisición de
contenidos específicos.
Por último, el módulo de analítica predictiva se fundamenta en las investigaciones de Wang
(2025), orientadas al diseño de sistemas de alerta temprana en el ámbito de la educación
superior, y cuya finalidad es anticipar situaciones de riesgo académico antes de que estas se
conviertan en problemáticas irreversibles. La posibilidad de actuar con antelación sobre los
factores que inciden en el abandono estudiantil representa una oportunidad para desplegar
estrategias de acompañamiento más eficaces, especialmente en contextos como el
ecuatoriano, donde las tasas de deserción en los primeros ciclos formativos continúan
representando un desafío estructural para las instituciones de educación superior.
CONCLUSION
En respuesta al objetivo planteado, se ha logrado diseñar un modelo de aprendizaje adaptativo
con inteligencia artificial contextualizado para mejorar el rendimiento académico en
universitarios ecuatorianos, el cual integra cinco componentes interrelacionados que articulan
rigurosidad tecnológica con factibilidad operativa: sistema de diagnóstico integral multidominio,
motor algorítmico de personalización pedagógica basado en aprendizaje automático
supervisado, repositorio modular de contenidos adaptativos, sistema de retroalimentación
inmediata y multimodal, y módulo de evaluación continua con analítica predictiva. Este modelo
se distingue por su sensibilidad a las particularidades institucionales, culturales y tecnológicas
del sistema universitario ecuatoriano, priorizando funcionalidades esenciales en áreas
disciplinares con mayores índices de dificultad académica, contemplando limitaciones
infraestructurales y promoviendo una implementación progresiva que favorezca la apropiación
cultural por parte de las comunidades educativas. La propuesta fundamentada en evidencia
empírica internacional y experiencias latinoamericanas, constituye una respuesta viable para
potenciar trayectorias formativas estudiantiles mediante tecnologías adaptativas que,
orientadas explícitamente hacia la equidad educativa, poseen potencial para incidir
positivamente en la reducción de tasas de deserción y en la mejora de resultados de
aprendizaje, siempre que su implementación se acompañe de compromiso institucional,
capacitación docente sistemática y políticas que garanticen la democratización del acceso
tecnológico.
FINANCIAMIENTO
No monetario
CONFLICTO DE INTERÉS
No existe conflicto de interés con personas o instituciones ligadas a la investigación.
AGRADECIMIENTOS
A quienes se actualizan con principios éticos para el uso de la IA en la educación.
REFERENCIAS
Ahmed, U., Lin, J. C., & Usman, M. (2024). Student performance prediction using machine
learning algorithms. Applied Computational Intelligence and Soft Computing, 2024,
4067721. https://doi.org/10.1155/2024/4067721
Almache-Sanisaca, M. M., Ruiz-Cobos, N. J., Alverca-Jiménez, M. V., & Lalaleo-Quispe, E. M.
(2025). Aprendizaje adaptativo basado en inteligencia artificial: un enfoque innovador
para mejorar la preparación académica de los estudiantes universitarios [AI-based
adaptive learning: An innovative approach to improving university students’ academic
preparedness]. Revista Social Fronteriza, 5(5), e-896.
https://doi.org/10.59814/resofro.2025.5(5)896
Aparicio-Gómez, O. Y., & Aparicio-Gómez, W. O. (2024). Innovación educativa con sistemas de
aprendizaje adaptativo impulsados por inteligencia artificial [Educational innovation with
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(Educación), 74-83, 2025
Modelo de aprendizaje adaptativo con inteligencia artificial para mejorar rendimiento académico en universitarios ecuatorianos
Adaptive learning model with artificial intelligence to improve academic performance among Ecuadorian university students
Vivian Ruth Cabezas-Pesantes
María Beatriz Yuquilema-Cortez
María Agustina León-Miski
Amanda Abigail Villafuerte-Fernández
83
AI-powered adaptive learning systems]. Revista Internacional de Pedagogía e
Innovación Educativa, 4(2), 343–363. https://doi.org/10.51660/ripie42222
Bernik, A., Radošević, D., & Čep, A. (2025). AI-Powered Learning: Revolutionizing Education
and Automated Code Evaluation. Information, 16(11), 1015.
https://doi.org/10.3390/info16111015
Bolaño-García, M., & Duarte-Acosta, N. (2024). Una revisión sistemática del uso de la
inteligencia artificial en la educación [A systematic review of the use of artificial
intelligence in education]. Revista Colombiana de Cirugía, 39(1), 51–63.
Cortez-Granizo, D. W. (2025). Impacto de la inteligencia artificial generativa en la mejora del
rendimiento académico y la retroalimentación personalizada en estudiantes
universitarios [Impact of generative artificial intelligence on improved academic
performance and personalized feedback in university students]. Remulci, 3(1), e–1171.
https://doi.org/10.59282/remulci.3.1.1171
Dave, M., & Patel, N. (2023). Artificial intelligence in healthcare and education. British dental
journal, 234(10), 761–764. https://doi.org/10.1038/s41415-023-5845-2Orji, F. A., &
Vassileva, J. (2022). Machine learning approach for predicting students' academic
performance and study strategies based on their motivation. arXiv preprint,
arXiv:2210.08186. https://arxiv.org/abs/2210.08186
Duran-Llaro , K. L. . (2023). Aprendizaje basado en problemas ABP para el pensamiento crítico
en estudiantes universitarios [PBL problem-based learning for critical thinking in
university students]. Revista Multidisciplinaria Perspectivas Investigativas, 3(4), 37–43.
https://doi.org/10.5281/zenodo.8436239
Fajardo-Aguilar, G. M., Ayala-Gavilanes, D. C., Arroba-Freire, E. M., & López-Quincha, M.
(2023). Inteligencia artificial y la educación universitaria: una revisión sistemática
[Artificial intelligence and university education: A systematic review]. Magazine de las
Ciencias: Revista de Investigación e Innovación, 8(1), 109–131.
https://doi.org/10.33262/rmc.v8i1.2935
Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H., & Tudorache, P. (2023). Adaptive
Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education
Sciences, 13(12), 1216. https://doi.org/10.3390/educsci13121216
Gordon, M., Daniel, M., Ajiboye, A., Uraiby, H., Xu, N. Y., Bartlett, R., Hanson, J., Haas, M.,
Spadafore, M., Grafton-Clarke, C., Gasiea, R. Y., Michie, C., Corral, J., Kwan, B.,
Dolmans, D., & Thammasitboon, S. (2024). A scoping review of artificial intelligence in
medical education: BEME Guide No. 84. Medical teacher, 46(4), 446–470.
https://doi.org/10.1080/0142159X.2024.2314198
Gutiérrez-Castillo, J. J., Romero-Tena, R., & León-Garrido, A. (2025). Beneficios de la
inteligencia artificial en el aprendizaje de los estudiantes universitarios: una revisión
sistemática [Benefits of artificial intelligence in university student learning: A systematic
review]. Edutec. Revista Electrónica de Tecnología Educativa, (91), 185–206.
https://doi.org/10.21556/edutec.2025.91.3607
Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning
outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918.
https://doi.org/10.1037/a0037123
Vieriu, A. M., & Petrea, G. (2025). The Impact of Artificial Intelligence (AI) on Students’
Academic Development. Education Sciences, 15(3), 343.
https://doi.org/10.3390/educsci15030343
Wang, Y. (2025). Artificial intelligence in student management systems to enhance academic
performance monitoring and intervention. Scientific Reports, 15, 35122.
https://doi.org/10.1038/s41598-025-19159-4
Derechos de autor: 2025 Por los autores. Este artículo es de acceso abierto y distribuido según los términos y
condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC
BY-NC-SA 4.0)
https://creativecommons.org/licenses/by-nc-sa/4.0/
