Modelos pedagógicos de respuestas multimodales autómatas para el aprendizaje de estudiantes universitarios en entornos inteligentes

Autores/as

  • Cruz Maribel Galarza Ramírez Universidad Cesar Vallejo, Perú
  • Monica Patricia Acurio Acurio Universidad Técnica de Babahoyo, Ecuador
  • Juan Antonio Vera Zapata Universidad Técnica de Babahoyo, Ecuador
  • Cesar Efren Vivero Quintero Universidad Técnica de Babahoyo, Ecuador

Palabras clave:

modelos pedagógicos, respuestas multimodales, inteligencia artificial, entornos inteligentes, educación

Resumen

Introducción: Este artículo presenta una revisión sistemática sobre los modelos pedagógicos de respuestas multimodales automatizadas en entornos educativos inteligentes, con el objetivo de identificar las tendencias, avances y retos más relevantes en la aplicación de la inteligencia artificial (IA) para la educación universitaria. Materiales y métodos: Se seleccionaron 20 artículos de diversas bases de datos académicas publicadas entre 2020 y 2025, y se analizaron los enfoques tecnológicos y pedagógicos empleados. Los resultados sugieren que la IA multimodal tiene un gran potencial para mejorar la interacción y personalización del aprendizaje, sin embargo, se identificaron desafíos relacionados con la ética, la accesibilidad y la adaptación del sistema a diferentes contextos educativos. Resultados: Los hallazgos de esta revisión proporcionan una visión crítica para futuras investigaciones y prácticas en la implementación de IA en entornos educativos. Discusión: Los modelos pedagógicos de respuestas multimodales autómatas representan una evolución significativa en la educación universitaria dentro de entornos inteligentes. Su capacidad para personalizar, emocionar e interactuar en múltiples dimensiones sensoriales abre nuevas posibilidades para un aprendizaje más eficaz, inclusivo y humano. No obstante, su implementación exige un equilibrio riguroso entre innovación tecnológica, ética educativa y fundamentación pedagógica. A diferencia de modelos clásicos como el conductismo o el enfoque por competencias, los actuales permiten una retroalimentación en tiempo real ajustada al perfil del estudiante. Conclusiones: La revisión sistemática realizada evidencia que los modelos pedagógicos basados en respuestas multimodales autómatas constituyen una innovación disruptiva en el ámbito del aprendizaje universitario, especialmente cuando se implementan en entornos inteligentes. Estos modelos permiten una interacción más rica, sensible y adaptativa entre el sistema y el estudiante, facilitando experiencias de aprendizaje personalizadas, emocionalmente conscientes y centradas en el usuario.

Citas

Ahmed, Z., & Parsons, D. (2022). Enhancing adaptive learning through multimodal feedback in intelligent environments. Computers & Education: Artificial Intelligence, 3, 100072. https://doi.org/10.1016/j.caeai.2022.100072

Aleven, V., & Koedinger, K. R. (2002). An intelligent tutoring system for basic math. International Journal of Artificial Intelligence in Education, 13(1), 83–117.

Alkhatlan, A., & Kalita, J. (2018). Intelligent tutoring systems: A comprehensive historical survey with recent developments. arXiv preprint arXiv:1812.09628. https://arxiv.org/abs/1812.09628

Alonso, L. A., & Rodríguez, S. M. (2020). Evaluación y diagnóstico en sistemas de aprendizaje inteligentes. Tecnología en la Educación, 22(4), 415–428.

Bai, X., & Feng, S. (2021). AI-powered tutoring systems in language learning. International Journal of Educational Technology, 38(1), 78–94.

Baker, R. S. J. D. (2007). Modeling and understanding students’ learning: A review. User Modeling and User-Adapted Interaction, 17(3), 115–155.

Baltrušaitis, T., Ahuja, C., & Morency, L.-P. (2017). Multimodal machine learning: A survey and taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(2), 423–443. https://doi.org/10.1109/TPAMI.2018.2798607

Campbell, M., McKenzie, J., & Sowden, A. (2020). Synthesis without meta-analysis (SWiM)

Carvajal Chávez, C. A. (2024). Inteligencia artificial como recurso didáctico en la educación superior. Una revisión sistemática. RECIMUNDO, 8(4), 51–65. https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.51-65

Castro, J. M., & Sanz, J. (2019). Inteligencia artificial y aprendizaje adaptativo en plataformas educativas. Revista Latinoamericana de Tecnología Educativa, 18(3), 23–38.

Cedeño, V., López, R., & Carrión, D. (2023). Innovación educativa y retos curriculares en la era digital: Un estudio en universidades ecuatorianas. Revista Científica Educare, 27(1), 45–60. https://doi.org/10.15359/ree.27-1.3

Chen, Y., Liu, S., & Wang, X. (2023). Predictive learning analytics in smart education systems. Educational Technology Research and Development, 71(3), 465–482. https://doi.org/10.1007/s11423-023-10112-0

Chrysafiadi, K., & Virvou, M. (2013). Student modeling approaches: A literature review for the last decade. Expert Systems with Applications, 40(11), 4715–4729. https://doi.org/10.1016/j.eswa.2013.02.007

Clemente, J., Ramírez, J., & de Antonio, A. (2011). A proposal for student modeling based on ontologies and diagnosis rules. Expert Systems with Applications, 38(7), 8066–8078. https://doi.org/10.1016/j.eswa.2010.12.146

Conejo, R., Millán, E., Pérez, J., & Trella, M. (2001). Modelado del alumno: un enfoque bayesiano. Revista Iberoamericana de Inteligencia Artificial, 12, 50–58.

D’Mello, S. K., & Graesser, A. C. (2015). Autotutor and other conversational agents in educational settings. International Journal of Artificial Intelligence in Education, 25(1), 56–70.

De Bra, P., Aerts, A., Berden, B., De Lange, B., Rousseau, B., Santic, T., … Stash, N. (2003). AHA! The adaptive hypermedia architecture. In HYPERTEXT 03 Proceedings of the fourteenth ACM conference on hypertext and hypermedia (pp. 81–84). New York, New York, USA: ACM.

Despotović-Zrakić, M., Marković, A., Bogdanović, Z., Barać, D., & Ilića, J. (2012). Providing adaptivity in Moodle LMS courses. Educational Technology & Society, 15(1), 326–338.

Dorça, F. A., Lima, L. V., Fernandes, M. A., & Lopes, C. R. (2013). Comparing strategies for modeling students learning styles through reinforcement learning in adaptive and intelligent educational systems: An experimental analysis. Expert Systems with Applications, 40(6), 2092–2101. https://doi.org/10.1016/j.eswa.2012.10.014

Duque, N. (2009). Modelo adaptativo multi-agente para la planificación y ejecución de cursos virtuales personalizados. Universidad Nacional de Colombia.

Esteves, Z., Cevallos, M., Herrera, M., & Muñoz, J. (2020). Tendencias en educación adaptativa y sistemas de tutoría inteligente. Revista de Investigación Educativa, 11(2), 79–102.

Gao, J., Galley, M., & Li, L. (2018). Neural approaches to conversational AI. Foundations and Trends® in Information Retrieval, 13(2–3), 127–298. https://doi.org/10.1561/1500000036

García-Peña, V. R., Mora-Marcillo, A. B., & Ávila-Ramírez, J. A. (2020). Impacto de los sistemas de tutoría inteligente. Una revisión sistemática. Edutec, Revista Electrónica de Tecnología Educativa, 72, 1–19. https://doi.org/10.21556/edutec.2020.72.3025

García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande, M. (2022). La retroalimentación automatizada en entornos de aprendizaje inteligentes. RIED. Revista Iberoamericana de Educación a Distancia, 25(2), 127–144. https://doi.org/10.5944/ried.25.2.30610

Gupta, P., & Verma, P. (2018). Designing intelligent tutoring systems for adaptive learning environments. Artificial Intelligence in Education, 13(1), 82–103.

Haller, S., Aldea, A., Seifert, C., & Strisciuglio, N. (2022). Survey on automated short answer grading with deep learning: from word embeddings to transformers. arXiv preprint arXiv:2204.03503. https://arxiv.org/abs/2204.03503

Higgins, J. P., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J., & Welch, V. A. (2019). Cochrane handbook for systematic reviews of interventions (2nd ed.). Wiley-Blackwell.

Jermann, P., & Dillenbourg, P. (2015). Adaptive learning systems: A review of the state of the art. Education and Information Technologies, 20(2), 211–232.

Jiang, L., & Wang, Z. (2023). Innovations in multimodal feedback for adaptive learning. Educational Psychology Review, 35(3), 275–288.

Johnson, L., & Adams Becker, S. (2021). Trends in adaptive learning systems: An overview. Journal of Educational Technology, 42(6), 12–18.

Joubert, M., & Pahl, C. (2021). Framework for adaptive learning. Educational Technology & Society, 24(1), 110–122.

Kim, H., & Laird, D. (2021). Adaptive AI in modern learning systems. Journal of Artificial Intelligence in Education, 25(4), 158–172.

Koedinger, K. R., & Corbett, A. T. (2006). Cognitive tutors: Technology bringing learning science to the classroom. International Journal of Artificial Intelligence in Education, 16(3), 123–128.

Laine, T. H., & Vehviläinen, S. (2022). The future of AI in educational contexts. Computers in Education Journal, 31(4), 45–59.

Li, Y., Zhang, M., & Huang, J. (2021). Constructivist learning in smart classrooms: A systematic review. British Journal of Educational Technology, 52(5), 1858–1875. https://doi.org/10.1111/bjet.13112

Li, Z., & Gu, J. (2022). Review of multimodal learning analytics in adaptive systems. Journal of Educational Data Mining, 14(2), 67–81.

López, A., & Sánchez, P. (2020). Sistema de tutoría inteligente para estudiantes de matemáticas. Revista de Educación y Tecnología, 15(2), 144–157.

López, E., & Ochoa, L. (2017). Estrategias de enseñanza adaptativa con inteligencia artificial en plataformas educativas. Revista de Innovación Educativa, 34(1), 72–85.

Malmberg, L. E., & Dehlin, E. (2020). Personalized learning pathways in modern learning systems. Interactive Learning Environments, 28(6), 643–655.

Martínez-Caro, E., Cegarra-Navarro, J. G., & Alfonso-Ruiz, F. J. (2021). Digital technologies and pedagogical transformation: A theoretical framework. Education and Information Technologies, 26, 1879–1896. https://doi.org/10.1007/s10639-020-10362-6

Medeiros, G., & Ferreira, S. (2019). Personalized learning systems with multimodal interaction. Educational Research Review, 17, 92–104.

Mitrovic, A. (2013). Cognitive tutors: From logic programming to machine learning. Expert Systems with Applications, 40(11), 4574–4584.

Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & The PRISMA Group. (2015). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Med, 6(7), e1000097. https://doi.org/10.1371/journal.pmed.1000097

Nguyen, T., Do, P., & Tran, L. (2024). Gamified AI systems in higher education: An empirical investigation. Computers & Education, 207, 104613. https://doi.org/10.1016/j.compedu.2024.104613

Ning, W., & Liu, Y. (2018). Affective computing in educational settings: A review of affective states and their impact. Educational Psychology, 35(4), 12–27.

Nye, B. D., & Graesser, A. C. (2020). Advances in intelligent tutoring systems. Journal of Educational Psychology, 112(6), 1219–1234.

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). Updating guidance for reporting systematic reviews: development of the PRISMA 2020 statement. J Clin Epidemiol, 134, 103-112. https://doi.org/10.1016/j.jclinepi.2021.02.003

Page, M. J., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. PLOS Medicine, 18(3), Article e1003583. https://doi.org/10.1371/journal.pmed.1003583

Palomo-Díaz, M. E., & Sanchis-Roca, A. (2017). Adaptive learning systems based on machine learning algorithms. Computational Intelligence, 33(2), 132–149.

Pérez, J., & Trella, M. (2019). Introducción a los sistemas de tutoría inteligente y su evolución. Revista de Investigación Educativa, 10(2), 50–66.

Rojas Vera, R. A., Fabre Cavanna, J. E., Rojas Bajaña, R. A., Rizzo Fabre, L. G. y Abad Bautista, L. (2024). Uso de la inteligencia artificial en estudiantes. Maestro y Sociedad, 21(4), 2003-2012. https://maestroysociedad.uo.edu.cu

Santos, M., & García, A. (2020). Revisión de sistemas de aprendizaje personalizado basados en inteligencia artificial. Revista Latinoamericana de Educación, 19(2), 75–88.

Schwartz, D. L., & Bransford, J. D. (1998). A time for telling. Cognition and Instruction, 16(4), 475–522.

Sim, M., & Kang, Y. (2020). Multimodal interfaces in intelligent learning environments. Journal of Educational Technology, 39(4), 29–40.

Sterne, J. A., Savović, J., Page, M. J., Elbers, R. G., Blencowe, N. S., Boutron, I., ... & Higgins, J. P. (2019). RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ, 366, l4898. https://doi.org/10.1136/bmj.l4898

Suero Tejada, E. E. y Gallur Santorun, S. (2024). Las TIC en el aula de Educación Superior. Revisión de literatura. Maestro y Sociedad, 21(2), 876-886. https://maestroysociedad.uo.edu.cu

Tharp, M., & Chen, H. (2016). Adaptive systems in learning environments. Educational Technology Research and Development, 64(1), 23–41.

Zhao, F., & Liang, M. (2021). Integrating AI and multimodal learning for adaptive education. Journal of Adaptive Systems, 32(1), 65–78.

Zhao, Y., & Zhai, X. (2021). The role of artificial intelligence in personalized learning systems: A systematic review. Computers & Education, 163, 104128.

Zhou, X., & Lu, B. (2022). Development of multimodal interfaces for intelligent tutoring systems. Educational Technology Research and Development, 70(2), 111–124.

Publicado

2025-05-28

Cómo citar

Galarza Ramírez, C. M., Acurio Acurio, M. P., Vera Zapata, J. A., & Vivero Quintero, C. E. (2025). Modelos pedagógicos de respuestas multimodales autómatas para el aprendizaje de estudiantes universitarios en entornos inteligentes. Maestro Y Sociedad, 22(1), 806–817. Recuperado a partir de https://maestroysociedad.uo.edu.cu/index.php/MyS/article/view/6860

Número

Sección

Artículos