Sistemas de Aprendizaje Adaptativo: revisión sistemática de técnicas y tendencias

Abstract

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.