9.
1
Magister en Informática Educativa, Universidad de La Sabana, Chía, Colombia.
2
Candidato a doctor en educación, Universidad de La Sabana, Chía, Colombia.
3
PhD en Ciencias de la Cultura Física, Universidad de Ciencias de la Cultura Física “Manuel Fajardo”, Habana,
Cuba.
DOI: https://doi.org/10.61604/dl.v16i28.352
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
Technology Contributions to Personalized
Learning: A Review of the Literature
ISSN: 1996-1642
e-ISSN: 2958-9754
Año 16, N° 28, enero-junio 2024 pp. 9-29
Revista de Educación
Universidad Don Bosco - El Salvador
Doricelina Reyes Parra
1
Universidad de La Sabana, Chía, Colombia.
Correo: doricelinarepa@unisabana.edu.co,
ORCID: https://orcid.org/0009-0008-9724-9393
Hugo Alexander Rozo García
2
Universidad de La Sabana, Chía, Colombia.
Correo: Hugoroga@unisabana.edu.co,
ORCID: https://orcid.org/0000-0001-9745-7987
Jorge Enrique Buitrago Espitia
3
Universidad Industrial de Santander, Bucaramanga,
Colombia.
Correo: joebuies@uis.edu.co,
ORCID: https://orcid.org/0000-0003-4490-7774
Recibido: 29 de febrero de 2024
Aceptado: 30 de abril de 2024
Para citar este artículo: Doricelina, R., Rozo, H., y Buitrago, J. (2024). Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura, Diá-logos, (28), 9-29
Nuestra revista publica bajo la Licencia
Creative Commons: Atribución-No
Comercial-Sin Derivar 4.0 Internacional
10.
Introducción
El aprendizaje personalizado (AP) se configura teniendo en cuenta que cada ser
humano tiene conocimientos previos, necesidades particulares, capacidades, ritmos,
estilos y percepciones que aportan o dificultan los procesos de aprendizaje (UNESCO,
2017). El reto es facilitar, crear o proponer una experiencia de aprendizaje singular
para los alumnos, permitiéndoles alcanzar el potencial requerido de diferentes formas
y a través de estrategias que sean flexibles (Abdelaziz & Al-Ali, 2020). Lo anterior
está fundamentado por varios autores, los cuales han venido proponiendo en sus
teorías de aprendizaje elementos que aportan a la conceptualización, tales como
María Montessori, John Dewey, Lev Vygotsky y Jean Piaget (Abdelaziz & Al-Ali, 2020;
UNESCO, 2017). Así mismo, el campo educativo se viene desarrollando por el progreso
tecnológico, no solo asegura la flexibilidad, la eficacia y la eficiencia del aprendizaje,
sino también contribuye a su organización y estructuración del aprendizaje, de
acuerdo con la investigación de Karolčík et al., (2019). La forma de aprovechar la
tecnología para satisfacer las necesidades de aprendizaje de los estudiantes se ha
investigado en el contexto educativo desde diversas perspectivas que lo enriquecen
pero que a su vez lo vuelven complejo, una pequeña muestra de los fines y alcances
se describe a continuación.
Para gestionar y documentar procesos de aprendizaje (Hallman, 2019; Kopeyev
et al., 2020; Twyman & Redding, 2015), para mejorar la habilidad de los maestros
en el manejo de grupos y captar la atención (Reigeluth, 2016), para individualizar la
instrucción y perfeccionar la actividad académica (Ahku & Panchoo, 2019; Friend et
al., 2017), para propiciar que el estudiante aprenda a su propio ritmo (Jones & Rhein,
2018; Maseleno et al., 2018; Surr et al., 2018), para crear procesos de alfabetización
digital que garanticen el uso óptimo de estos recursos (Chang & Lu, 2019; Rice, 2018),
y por último, para conocer los propósitos personales de los estudiantes en los procesos
educativos (Tucker & Long, 2018).
Resumen
En el ámbito educativo se han realizado
investigaciones desde diferentes perspectivas,
una de ellas es el aprendizaje personalizado y
otra, la integración de tecnología en los procesos
educativos, ambas muy relevantes y con una
prospectiva amplia. Por lo tanto, para esta
investigación se propuso determinar los aportes
que la tecnología ha posibilitado al aprendizaje
personalizado a través de una revisión a la literatura
en las bases de datos Scopus, Web of Science
y ERIC. Como principal resultado, se puede
observar que el aprendizaje personalizado se
ve posible y real con el apoyo de la tecnología
teniendo en cuenta los avances que se han dado
en la sociedad contemporánea. Se concluye
que cuando se utiliza tecnología para facilitar
el aprendizaje personalizado, se promueve la
adquisición de conocimiento por parte de los
estudiantes y se facilita una gestión eficaz del
tiempo en las actividades educativas, lo que aporta
al perfeccionamiento del proceso de aprendizaje.
Palabras clave
Aprendizaje personalizado, tecnología educativa,
metodología del aprendizaje, revisión sistemática.
Abstract
In the educational field, research has been
conducted from different perspectives, one of
them is personalized learning and the other is the
integration of technology in educational processes,
both very relevant and with a broad prospective.
Therefore, for this research it was proposed to
determine the contributions that technology has
made possible to personalized learning through
a review of the literature in the Scopus, Web of
Science and ERIC databases. As the main result,
it can be observed that personalized learning is
possible and real with the support of technology,
considering the advances that have occurred in
contemporary society. It is concluded that when
technology is used to facilitate personalized
learning, it promotes the acquisition of knowledge
by students and facilitates effective time
management in educational activities, which
contributes to the improvement of the learning
process.
Keywords
Personalized learning, educative technology,
learning methodology, systematic review.
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
11.
La variedad de estudios realizados demuestra que el uso de la tecnología es
esencial en los procesos educativos. Sin embargo, se requieren estudios que analicen
la relación entre las tecnologías, el aprendizaje personalizado (AP) y las metodologías
de enseñanza-aprendizaje, lo cual es fundamental para mejorar la calidad en la
formación educativa. Por lo tanto, se plantea la pregunta que guía esta investigación:
¿cuál es la relación existente entre las tecnologías educativas, el aprendizaje
personalizado (AP) y las metodologías del aprendizaje? El objetivo del estudio es
determinar los posibles aportes de la tecnología al AP, a partir del análisis individual de
las categorías tecnología educativa, AP y metodología del aprendizaje, que permita
hallar sus relaciones orientadas al perfeccionamiento de los procesos educativos.
Metodología
Se realizó una revisión sistemática con base en la teoría fundamentada sustantiva,
comenzando con una consulta amplia, que permite al investigador enfocar el análisis
a una sola pregunta, para dar sentido y relación de los conceptos que en el momento
surjan (Monge, 2015).
Se inició con una codificación abierta, axial y selectiva, orientada a entender el
fenómeno del AP. La codificación abierta permitió el acercamiento a los conceptos, se
analizaron los fragmentos de los datos, que son agrupados en categorías emergentes
y subcategorías, previamente identificadas. Mediante la codificación axial se
establecieron las relaciones de las categorías y subcategorías hallando el vínculo
entre la información analizada, esta codificación se representa con la red semántica.
Con la codificación selectiva se identificó la categoría tecnología educativa, la cual
es el centro del análisis de la información (Carey, 2012; Monge, 2015).
Búsqueda de la información
Se llevó a cabo una búsqueda en las diferentes bases de datos para hallar la
información relacionada con la tecnología educativa, AP y metodología del
aprendizaje. Se utilizó la ecuación de búsqueda (“personalized learning”), las bases
de datos consultadas fueron: Scopus, Web Of Sicence y ERIC, teniendo en cuenta
la relevancia y pertinencia de las fuentes, junto con calidad de metadatos que se
requiere para este tipo de estudios (Pranckutė, 2021). Para seleccionar la información
y hacer la búsqueda más específica se tuvieron en cuenta los resultados en las áreas
de ciencias sociales, ingeniería, computación, tecnología y educación, en los últimos
tres años (2018 a 2020), tipo de documento artículo y acceso abierto.
El procedimiento de análisis utilizado permitió identificar y agrupar la información
obtenida de los artículos consultados, en las categorías establecidas.
Muestra
El proceso de selección de los artículos se efectuó siguiendo las pautas de PRISMA
(preferred reporting ítems for systematic reviews and meta-analyses), se tiene en cuenta
el título, resumen, palabras claves de cada estudio. Los criterios de inclusión fueron
relación con la educación, tecnología educativa, el aprendizaje en instituciones
educativas, posibilidad de acceso al documento completo. Se excluyeron los artículos
que no tienen relación con la temática investigada, no aportan datos relevantes para
este estudio, los artículos de revisión, escritos en idioma distinto al inglés y español.
Diá-logos – Año 16, N° 28, enero-junio 2024
12.
Análisis de documentos
Los documentos incluidos en el estudio se ingresaron al software para codificación
de datos cualitativos QDA miner, estableciendo las categorías y subcategorías
de análisis. Para la codificación se realizó la lectura completa de cada artículo
relacionando el contenido a las subcategorías definidas.
Resultados
Búsqueda, selección e inclusión de publicaciones
La búsqueda efectuada a partir de la ecuación “Personalized learning” permitió
hallar 2221 documentos en la base de datos Scopus, 530 en Web of Science y 777
en ERIC, después de limitar la búsqueda se seleccionaron 150 documentos: 55, 76
y 19 respectivamente de las bases de datos consultadas. Además, se seleccionaron
25 estudios adicionales identificados a través de otras fuentes, completando 175
artículos para la revisión (Liberati et al., 2009).
Los documentos seleccionados se exportaron al gestor bibliográfico Mendeley,
eliminando los duplicados (47 referencias), de forma manual. Los 128 estudios restantes
fueron seleccionados por relevancia en función de su título y resumen, resultando en
53 artículos eliminados de la base de datos. El texto completo de los 75 artículos
restantes fue examinado con más detalle; 8 fueron rechazados porque no aportan
información valiosa para el propósito de esta revisión. Al final del procedimiento de
selección, se eligieron 67 artículos para lectura y análisis en profundidad (Figura 1).
Las principales razones de exclusión de los artículos fueron: 4 en idioma portugués
y ruso, 28 con temática principal diferente a AP, 21 en los cuáles difiere el título del
contenido investigado.
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
13.
Figura 1
Protocolo de revisión basado en PRISMA
Diá-logos – Año 16, N° 28, enero-junio 2024
14.
Organización de la información
La lectura de los estudios efectuada durante la búsqueda, selección e inclusión
permitió definir las categorías para el análisis de la información:
• Categoría tecnología educativa
Se entiende como el área donde los conocimientos, aplicaciones y dispositivos,
contribuyen a los procesos de aprendizaje por medio de las herramientas tecnológicas
(Gil et al., 2018).
• Categoría aprendizaje personalizado
Implica “prestar especial atención a los conocimientos previos, las necesidades,
las capacidades y las percepciones de los estudiantes durante los procesos de
enseñanza aprendizaje” (UNESCO, 2017, p. 5).
• Categoría metodología del aprendizaje
Incluye el estudio de tecnologías, procedimientos y recursos destinados a optimizar
la capacidad de adquirir nuevos conocimientos y habilidades (Uruñuela, 2018). Esta
categoría analiza los métodos de aprendizaje que favorecen la adquisición de
conocimiento por parte del estudiante.
A partir de estas categorías se derivan 10 subcategorías a las cuales se vincula
la información de los artículos mediante el proceso de codificación efectuado en
el software QDA miner. Con base en la clasificación efectuada de la información se
diseñó una red semántica que evidencia los nexos entre las categorías y subcategorías
(Figura 2).
Figura 2
Red semántica: Categorías y subcategorías de análisis
La codificación realizada de los 67 artículos incluidos en la revisión evidencia 11,
15 y 1 estudios vinculados a la categoría tecnología educativa, AP y metodología
del aprendizaje, respectivamente, 8, 32 artículos que asocia tres y dos categorías
respectivamente. Los resultados de las subcategorías demuestran el predomino de las
Tecnologías de la Información y la Comunicación TIC (Figura 3).
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
15.
Figura 3
Frecuencia de las subcategorías
Análisis de la categoría tecnología educativa
Subcategoría TIC
El uso de herramientas tecnológicas en el ámbito de la enseñanza mejora la
capacidad analítica y reflexiva durante la actividad de aprendizaje, favoreciendo
el cumplimiento de los objetivos de instrucción y las competencias personales de
los estudiantes para el desarrollo de habilidades cognitivas de forma independiente
(Ahku & Panchoo, 2019; Hallman, 2019; Hamdan, 2019; Sarma, 2018; Twyman &
Redding, 2015).
Por medio de las nuevas tecnologías, el docente fortalece las actividades de
aprendizaje, lo que contribuye al desarrollo de procesos más satisfactorios y asequibles
que fomentan el AP del estudiante (Ahku & Panchoo, 2019; Soffer et al., 2019). Por
ejemplo, el uso del software adaptativo permite ajustar el aprendizaje a las necesidades
individuales y crea un espacio cómodo, que fortalece las habilidades e intereses de
cada estudiante (Kaput, 2018). De manera que el concepto de estudiante promedio
desaparece porque el análisis de datos evidencia con objetividad el aprendizaje
efectuado (Aguilar, 2018; Maseleno et al., 2018), proporcionando recomendaciones
para programar automáticamente la secuencia de aprendizaje (Tang et al., 2019).
Las TIC son fundamento del progreso tecnológico en las diferentes áreas del
conocimiento, contribuyendo a la comprensión del proceso de enseñanza-
aprendizaje desde diferentes perspectivas. Conviene señalar que la disposición del
estudiante para aprender es más importante que el cambio tecnológico, de manera
que, al involucrarse por completo en el aprendizaje del conocimiento proveniente
del sistema de enseñanza respaldado por diversas tecnologías avanzadas se mejora
el proceso educativo. Por lo tanto, la motivación y actitud de aprendizaje deben
tomarse como las primeras tareas para mejorar la participación del estudiante (Ahku
& Panchoo, 2019).
Diá-logos – Año 16, N° 28, enero-junio 2024
16.
El avance tecnológico ha impulsado la denominada revolución de la información,
este contexto exige modificaciones en los procesos educativos que permitan preparar
a los estudiantes haciendo uso de herramientas tecnológicas para el desarrollo de la
creatividad e innovación. También, es necesario que los docentes se apoyen en la
tecnología adaptando el aprendizaje a las necesidades particulares del estudiante
facilitando la construcción de conocimientos a su propio ritmo (Friend et al., 2017; Surr
et al., 2018). En sentido contrario, el escaso uso de las TIC incrementa la complejidad
en los procesos de formación en un mundo globalizado (Kopeyev et al., 2020), ya que
la gestión de los gobiernos, coordinación, capacitación y reformas de la educación
se efectúan a nivel mundial (Hamdan, 2019).
En el enfoque personalizado del aprendizaje, los maestros pueden expandir el
acceso a los recursos usando la tecnología para la instrucción de los estudiantes. En
la actualidad se está transitando de la era industrial de fábrica hacia la revolución
de la información con herramientas y estrategias de la web 2.0 (Shen, 2018;
Maseleno et al., 2018). Por lo tanto, es necesario un aprendizaje activo que permita
al estudiante alcanzar su máximo potencial y tener éxito en una sociedad futura más
emprendedora, creativa e innovadora, esto requiere habilidades del docente para el
uso de herramientas tecnológicas (Friend et al., 2017; Schmid & Petko, 2019).
En el contexto formativo, las herramientas tecnológicas permiten a los diseñadores
utilizar nuevos recursos en la creación de los cursos, actualizando con facilidad los
contenidos y actividades establecidas. El uso correcto de los recursos tecnológicos
optimiza el tiempo de los maestros y estudiantes mejorando la calidad del aprendizaje
(Rice, 2018). Otro factor importante es la posibilidad de almacenar datos que
incrementan la eficiencia de la actividad educativa, identificando las dificultades, los
avances del aprendizaje y la retroalimentación personal. Por su parte, el estudiante
puede llevar su propio ritmo de aprendizaje desarrollando habilidades en función de
las necesidades del momento (Tucker & Long, 2018).
Así mismo, la incorporación de las TIC en los procesos de formación permite
adecuar la enseñanza a los niños con diferentes capacidades y características, los
cuales hacen más uso del computador e internet en su tiempo libre en comparación
con niños sin ninguna limitación (Bagon et al., 2018).
De acuerdo con los autores anteriores, en la subcategoría TIC, es evidente
la importancia de las tecnologías digitales en el contexto del AP, pues constituyen
un apoyo fundamental en los procesos de enseñanza. Por tanto, es ineludible la
implementación de procesos de innovación en la educación, si bien se parte del
modelo tradicional, se debe aprovechar cada espacio para desarrollar nuevas
habilidades que permitan a los estudiantes aprender en coherencia con sus intereses,
necesidades y capacidades individuales.
Subcategoría sistemas expertos
Se entiende que los sistemas expertos son máquinas capaces de realizar procesos
de «pensamiento y razonamiento» similares a lo que un experto hace en una
determinada especialidad. Constituyen una rama de la inteligencia artificial (IA) que,
a través de árboles de decisión y algoritmos, intentan dar soluciones aproximadas
a un problema dado. Por tanto, es un programa informático inteligente que utiliza
conocimientos y programas de razonamiento para resolver problemas (Mariño, 2014).
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
17.
Los árboles de decisión elaborados con IA permiten representar los antecedentes
y consecuencias, a partir de los cuales se establecen reglas organizadas de forma
jerárquica para la toma de decisiones en el momento de emprender una acción.
La información obtenida con IA se almacena en bases de datos que luego se utiliza
en el feedback del docente hacia el estudiante. Además, los árboles de decisión
ofrecen posibilidades intuitivas que pueden almacenarse como datos para analizar el
porqué de cada decisión. Al asociar esa información con escenarios de la vida real,
el estudiante a través de sus conocimientos y experiencias adquiere la capacidad de
solución ante la dificultad, mejorando las habilidades de aprendizaje (Tang & Hare,
2019).
En la actualidad, el uso de la inteligencia artificial (IA) se ha extendido a diferentes
áreas del conocimiento. En el contexto educativo, es relevante la utilización de
IA, porque es el fundamento de los sistemas expertos, los cuales permiten que los
docentes y estudiantes bajo las teorías, experiencias y métodos, promuevan el AP
(Chang & Lu, 2019; Maseleno et al., 2018; Niknam & Thulasiraman, 2020; Sarma, 2018).
Las analíticas y los algoritmos apoyan a los procesos de AP, facilitan al estudiante
llevar un registro de las actividades ejecutadas y posibilita al docente entender al
estudiante, identificar sus debilidades y fortalezas y dar una retroalimentación al
proceso (El Aissaoui et al., 2019; Schmid & Petko, 2019).
En el área de IA, diversos algoritmos fortalecen el proceso de aprendizaje,
favoreciendo la toma de decisiones de docentes y estudiantes en el contexto
de formación (Lotfi, 2020). En los estudios analizados se hallaron los algoritmos: 1)
Genético (identificación de los usuarios) (Duan, 2019). Por ejemplo, algunos sistemas
de aprendizaje en línea permiten analizar datos y elaborar mapas que contienen
rutas de aprendizaje para cada estudiante, brindando opciones de recursos en los
contenidos para avanzar al ritmo de aprendizaje propio, por tanto, cuentan con
espacios para los comentarios, instrucciones, recomendaciones e interacción entre
los estudiantes y el docente (Friend et al., 2017; Tucker & Long, 2018), 2) sistema de
recomendación, recoge datos de los estudiantes creando diversas alternativas que
se ajusten a los propósitos y las necesidades particulares (Tang et al., 2019; Hao &
Han, 2018), 3) filtrado colaborativo, facilita predecir la puntuación del curso con base
en el progreso de los estudiantes (Huang et al., 2019), 4) Extracción de recursos, por
ejemplo, el uso de un libro electrónico para el aprendizaje del idioma inglés (Ding,
2018).
En síntesis, la utilización de IA en la educación promueve el AP, posibilitando a
los estudiantes formas de aprender únicas, asociadas a los datos almacenados y
codificados que, aportan información objetiva para tomar decisiones acertadas en
la actividad formativa.
Subcategoría plataformas educativas
Incluye los sitios web que permiten al docente compartir de forma virtual los
contenidos y materiales que desarrolla el estudiante, ampliando la variedad de
oportunidades de aprendizaje en línea (Buch et al., 2018). Por ejemplo, las plataformas
educativas LMS (Learning Management System) han integrado nuevas herramientas
colaborativas que permiten adquirir habilidades de aprendizaje de forma sencilla. La
utilización de estas plataformas son base para identificar los estilos de aprendizaje
Diá-logos – Año 16, N° 28, enero-junio 2024
18.
(El Aissaoui et al., 2019). Así mismo, las plataformas educativas LMS se apoyan en
los espacios de Personalized Learning Environment (PLE), para mejorar la actividad
educativa (Schmid & Petko, 2019).
En la revisión, un estudio analizó la plataforma de acceso abierto Quizlet, en ésta
el docente presenta el tema por medio de herramientas flashcard, learn, write, spell,
text y play, permitiendo al estudiante explorar sin temor a equivocarse (Valeeva et al.,
2019).
Por su parte, la plataforma RiPPLE (Recommendation in Personalised Peer-
Learning Environments) recomienda a cada estudiante actividades de aprendizaje
personalizadas en función de su estado de conocimiento, permitiendo al docente
descargar informes y hacer análisis basados en los datos recopilados (Khosravi et al.,
2019). En el caso del sistema de gestión de aprendizaje LMS Canvas, el docente
incorpora material de apoyo permitiendo al estudiante realice las actividades
propuestas de manera autónoma, además de programar encuentros sincrónicos a
través de Google Hangouts, haciendo que el AP sea posible (Campbell & Cox, 2018).
El uso de plataformas educativas aporta variedad de herramientas que apoyan los
procesos de aprendizaje del estudiante y le permiten elegir su propio ritmo, facilitando
a los docentes la organización de los recursos (videos, evaluaciones, aplicaciones)
(Fake & Dabbagh, 2020; Huggins & Kellogg, 2020). Además, pueden evaluar de forma
automática y proporcionar algunos comentarios (Arnet, 2016; Chang & Lu, 2019),
brindando información objetiva útil para valorar el desempeño de cada herramienta
utilizada y la actividad del estudiante (ingreso, revisión de contenidos, cumplimiento
de actividades) (Maseleno et al., 2018). Las plataformas educativas deben poseer
un diseño práctico y flexible que evidencie de forma acertada la progresión del
aprendizaje (Gorbunovs et al., 2018; Lotfi, 2020).
Desde la perspectiva colaborativa, las plataformas educativas posibilitan la
creación de comunidades de conocimiento para trabajar en enfoques de AP, ya
que los docentes pueden compartir su experticia y materiales didácticos con otros
colegas. También, facilita el trabajo en equipo, la evaluación en tiempo real y la
coevaluación entre estudiantes (Arnet, 2016; Sáiz-Manzanares et al., 2019; Soffer et al.,
2019; Twyman & Redding, 2015).
De otra parte, el AP se fundamenta en la disponibilidad de recursos en cualquier
momento y lugar. Siendo una ventaja que, desde la biblioteca escolar se acceda a
plataformas de libros electrónicos que ofrecen una experiencia personalizada (Easley,
2017). Una desventaja del aprendizaje en línea es la alta tasa de abandono, para
solucionar esta dificultad es conveniente identificar las preferencias del estudiante, a
partir del historial de aprendizaje y que el sistema ofrezca actividades interesantes de
forma individual. Esto permite recomendar los contenidos de aprendizaje correctos en
el momento adecuado (Sun & Yang, 2016).
En síntesis, las plataformas educativas promueven el trabajo colaborativo, permiten
organizar la información, administrar los recursos del aprendizaje, incluir variedad de
contenidos que se ajusten a las necesidades del estudiante y trabajar a su propio
ritmo. Así mismo, los datos que aportan las plataformas educativas contribuyen a
centrar el aprendizaje en el estudiante, identificar sus preferencias y hacer procesos
de retroalimentación en tiempo real.
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
19.
Subcategoría juegos
La capacidad de los juegos para desarrollar habilidades y adquirir conocimientos
de forma lúdica es ampliamente conocida. En el proceso de enseñanza, el juego
permite al estudiante la apropiación individual de conocimientos (Lee et al., 2018).
En la revisión, se evidenció un juego que simulaba problemas con posibilidad de
resolverse mediante una serie de preguntas dispuestas en una hoja de ruta, en la
que cada usuario a partir de su conocimiento y experiencia seleccionaba la solución
óptima. Esto ofrece retroalimentación personalizada útil para corregir un proceso
específico (Tang & Hare, 2019).
Es importante incluir juegos en los procesos de aprendizaje porque captan la
atención y motivación del estudiante, permitiendo que con base en situaciones
lúdicas se desarrollen habilidades para interactuar y aplicar los conocimientos en
situaciones reales. Además, aportan información valiosa para hacer procesos de
retroalimentación, que permiten reconocer las debilidades y fortalezas de cada
estudiante.
Categoría aprendizaje personalizado.
Subcategoría ritmos de aprendizaje
El ritmo de aprendizaje hace relación a la velocidad con que se obtiene el
conocimiento, este elemento hace que el estudiante pase de un papel pasivo a activo,
desarrollando habilidades, enfocando sus intereses, conocimientos y estableciendo
parámetros de cumplimiento personalizado, esto se debe a las característica de
singularidad de los seres humanos (Abdelaziz & Al-Ali, 2020; Akos et al., 2019; DeMink-
Carthew & Olofson, 2020; Huggins & Kellogg, 2020; Wongwatkit et al., 2020). El ritmo de
aprendizaje varía de acuerdo con la motivación, circunstancias de cada individuo y
el curso realizado (Patrick, Worthen, Truong, et al., 2018), por lo tanto, cada estudiante
aprende a su propio ritmo (Bendahmane et al., 2019; Fake & Dabbagh, 2020; Sarma,
2018).
Además, el ritmo de aprendizaje está condicionado por las necesidades de
conocimiento que tiene cada individuo en determinado momento, por tanto,
el sistema educativo puede flexibilizar y personalizar el proceso para que cada
estudiante alcance su máximo potencial (Ahku & Panchoo, 2019; Campbell & Cox,
2018; Evans, 2012; Soffer et al., 2019; Tang et al., 2019). En este sentido, conseguir
que los contenidos se adapten a cada estudiante y que las actividades evidencien
el desarrollo de habilidades y conocimiento adquirido es un cambio central en los
procesos de formación. Con este enfoque los estudiantes interactúan de forma
periódica con los docentes y la tecnología se encarga de la individualización de
contenido y el ritmo de aprendizaje (Bingham, 2019; Friend et al., 2017; Pane, 2018;
Surr et al., 2018).
Por otra parte, el análisis de datos acerca del ritmo de aprendizaje permite llevar
información objetiva de los estudiantes hallando los elementos que deben mejorarse
para ofrecer contenidos y rutas de aprendizaje personalizadas (Aguilar, 2018; Aslan et
al., 2020; Gorbunovs et al., 2018; Maseleno et al., 2018). Cuando el estudiante lleva su
propio ritmo de aprendizaje desarrolla habilidades, permitiéndole resolver problemas
y transferir el conocimiento a diferentes contextos (Marshman et al., 2018). La principal
debilidad en este modelo educativo es la escasa cantidad de estudiantes presentes
en el aula, siendo necesario el apoyo de la tecnología que posibilita el acceso al
Diá-logos – Año 16, N° 28, enero-junio 2024
20.
conocimiento en cualquier momento y hacer seguimiento al estudiante con base en
datos objetivos (Frank, 2020; Sáiz-Manzanares et al., 2019; Soffer et al., 2019).
Subcategoría estilos de aprendizaje
Los estilos de aprendizaje incluyen los rasgos cognitivos, afectivos y fisiológicos que
sirven como indicadores relativamente estables de la forma en que los estudiantes
perciben, interactúan y responden a sus ambientes de aprendizaje (Bendahmane et
al., 2019).
En este contexto, se distingue el estilo auditivo, visual y cinestésico. Las preferencias
o tendencias globales que el estudiante desarrolla para adquirir conocimientos y
resolver los distintos problemas definen el estilo de aprendizaje (Tisdell, 2018). Por lo
tanto, la atención a los estilos de aprendizaje en la formación implica innovación
y flexibilidad, teniendo en cuenta que cada persona utiliza su propio método o
estrategia a la hora de aprender (Soffer et al., 2019).
Para identificar los estilos de aprendizaje es habitual el uso de cuestionarios, los
modelos más conocidos son el de Kolb, Myers-Briggs, Honey-Munford, Felder Silverman
y Grasha-Riechman (Bendahmane et al., 2019; Sarma, 2018; Xiang & Liu, 2019), siendo
una limitante la falta de conciencia de los estudiantes sobre sus propias preferencias
(El Aissaoui et al., 2019). Es conveniente utilizar recursos tecnológicos que contribuyan
a identificar y comprender el estilo del estudiante con el propósito de satisfacer las
necesidades individuales (Easley, 2017; Hnida et al., 2018; Niknam & Thulasiraman,
2020; Raj & Renumol, 2019; Reigeluth, 2016). Por ejemplo, mediante el acceso a
internet, plataformas y aplicaciones educativas es posible registrar la interacción,
rastrear el movimiento y la velocidad de los ojos, proporcionando información útil para
identificar los estilos de aprendizaje del estudiante durante su proceso de formación
(Pane, 2018; Tucker & Long, 2018).
La información que se obtiene acerca del estudiante facilita diseñar actividades
formativas individuales de acuerdo con el estilo de aprendizaje, el grado de
comprensión o dificultad de los temas y materiales del curso (Bendahmane et al.,
2019). En la actualidad, los estudiantes están acostumbrados a adquirir conocimientos
de diferentes formas, pudiendo escoger los temas que necesitan y el tipo de material
que más se ajuste a sus necesidades. Esto es posible con apoyo de la tecnología,
pero se requiere habilidad del docente para analizar e interpretar correctamente la
información, y luego construir el material suficiente para que el estudiante elija los que
más favorecen su comprensión (Bian et al., 2019; Liu et al., 2020; Zhao, 2018).
Subcategoría adaptabilidad
La adaptación es la capacidad de una persona u objeto para ajustarse a un
nuevo medio o situación, se distinguen tres métodos de adaptación: 1) adaptación
de contenidos; 2) representación adaptativa; 3) navegación adaptativa (Karolčík et
al., 2019).
La adaptación del aprendizaje debe apoyarse en programas o software que
utilizando una serie de algoritmos ofrecen información acerca de las necesidades,
debilidades y fortalezas de los estudiantes para perfeccionar la actividad educativa
(Bendahmane et al., 2019; Easley, 2017; Jones & Rhein, 2018; Murad & Yang, 2018).
Estos softwares permiten evaluar en tiempo real y recopilar información de la actividad
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
21.
del estudiante entregando a los docentes datos actualizados que son la base
para implementar ajustes en el momento oportuno, produciendo múltiples vías de
aprendizaje (Huggins & Kellogg, 2020; Tucker & Long, 2018; Wongwatkit et al., 2020).
En el contexto educativo, las tecnologías pueden adaptar los contenidos a los
propósitos de los estudiantes, promoviendo así el AP (Bingham, 2019; Hallman, 2019).
También, son una herramienta práctica para los estudiantes superando el enfoque
de «talla única» (Niknam & Thulasiraman, 2020), porque se puede seguir un plan de
aprendizaje propio que, facilita la posibilidad de avanzar rápidamente o dar más
tiempo cuando el estudiante lo necesita (Frank, 2020).
Por su parte, los sistemas de información son instrumentos con capacidad de
adaptación que contribuyen a resolver los actuales desafíos educativos de la
sociedad, estos sistemas están orientados a asesorar a los estudiantes y cumplir con
eficacia los objetivos de formación (Gorbunovs et al., 2018). Por ejemplo, el sistema
RiPPLE permite que el estudiante aprenda trabajando con base en recomendaciones
de actividades que mejor se adapten a sus necesidades de aprendizaje, controlando
su progreso en modelos de aprendizaje abiertos (Khosravi et al., 2019).
La adaptabilidad en el contexto educativo consiste en lograr que las personas
se ajusten a los cambios en el momento adecuado, este proceso puede apoyarse
en la tecnología, sin embargo, existen plataformas o software que requieren que los
docentes y alumnos se adapten a ciertas condiciones para hacer uso de herramientas
que mejoren los procesos de aprendizaje.
Categoría metodología del aprendizaje
Subcategoría aprendizaje basado en competencias
El aprendizaje basado en competencias es esencial en los procesos formativos
porque el estudiante avanza cuando ha demostrado dominio del contenido,
asegurando la adquisición del conocimiento y favoreciendo la construcción de
relaciones sólidas entre estudiantes y docentes (Kaput, 2018). Este enfoque se centra
en la demostración del aprendizaje adquirido de acuerdo con las capacidades y
habilidades de cada estudiante (Sarma, 2018), permitiendo al docente conocer el
estado de aprendizaje de cada estudiante (Patrick, Worthen, Truong, et al., 2018).
Como método, el aprendizaje basado en competencias requiere que los
docentes tengan la capacidad y experiencia para apoyar el proceso de formación,
tomar decisiones y trabajar en equipo en la creación de un sistema de evaluación
coherente con los estándares establecidos (Patrick et al., 2018). Se necesitan
evaluaciones formativas que evidencien las habilidades de los estudiantes (Huggins &
Kellogg, 2020), estas pueden realizarse de forma manual o virtual, para comprobar la
progresión en el aprendizaje y así obtener las competencias deseadas (Bendahmane
et al., 2019; Lee et al., 2018).
El aprendizaje basado en competencias promueve el AP, porque cada estudiante
cumple las competencias establecidas antes de avanzar al siguiente nivel, permitiendo
un aprendizaje eficiente que conduce a resultados más prometedores.
Diá-logos – Año 16, N° 28, enero-junio 2024
22.
Subcategoría aprendizaje basado en proyectos (ABP)
El ABP es una estrategia metodológica de diseño y programación que implementa
tareas basadas en la resolución de preguntas o problemas (retos), mediante un
proceso de investigación o creación por parte del estudiante. Requiere alto nivel de
implicación, cooperación y trabajo autónomo del estudiante, culminando con un
producto final presentado ante otros estudiantes.
El ABP posibilita que los estudiantes adquieran conocimientos y habilidades
haciendo investigación, bajo la supervisión del maestro, respondiendo a una pregunta
o un problema real, interesante, relevante y complejo. Los estudiantes que utilizan ABP
exhiben mejores resultados académicos en evaluaciones estandarizadas, son más
responsables, independientes y disciplinados en comparación con sus compañeros
que utilizan metodologías tradicionales (Kaput, 2018). Además, el ABP permite al
estudiante seleccionar un tema de interés, elegir los métodos para aprender y avanzar
a su propio ritmo (Lee et al., 2018).
El ABP conlleva la toma de decisiones diaria que desarrolla la responsabilidad en los
estudiantes, permitiendo explorar cuestiones locales, nacionales e internacionales a
través de la investigación y el pensamiento crítico (Friend et al., 2017). Esta metodología
favorece la formación completa desde diferentes entornos y puede apoyarse en los
recursos en línea (plataformas de aprendizaje) bajo el enfoque de e-learning (Sáiz-
Manzanares et al., 2019), permitiendo una comunicación fluida entre estudiantes y
docentes (DeMink-Carthew & Netcoh, 2019).
El ABP es una metodología acertada en el contexto actual de una sociedad
en continuo cambio que, requiere educar desde la incertidumbre a través de
la experiencia y construyendo conocimientos compartidos generados desde la
autonomía (Tucker & Long, 2018). El aprendizaje relevante y sostenible se desarrolla
mediante el intercambio cultural en múltiples direcciones y conlleva la implementación
de una educación activa centrada en «saber hacer» (DeMink-Carthew & Olofson,
2020; Fake & Dabbagh, 2020).
Subcategoría aprendizaje basado en resolución de problemas
ABProblemas
El ABProblemas es una metodología que parte de la pregunta del problema para
estimular la actividad cognitiva del estudiante, generando necesidades de aprendizaje
y la búsqueda de soluciones al problema. El análisis a la solución del problema
fomenta el desarrollo de habilidades académicas y profesionales, permitiendo el
aprendizaje activo del estudiante.
El ABProblemas puede apoyarse en recursos tecnológicos (plataformas) que,
orientan el aprendizaje del estudiante mediante el uso de datos de observación,
comportamientos y emociones durante el proceso. Estos recursos permiten predecir
las capacidades que tiene el estudiante para resolver problemas, identificar y clasificar
la información consultada, aportando experiencias de razonamiento para aplicar
y transferir los conocimientos a nuevas situaciones. De esta forma, los estudiantes
desarrollan habilidades para afrontar las exigencias cambiantes y competitivas del
mundo (Tang & Hare, 2019).
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
23.
En la revisión efectuada se halló un artículo que utiliza ABProblemas como apoyo al
AP, consistió en el desarrollo de un juego que se fundamenta en el uso de un modelo
de compresión del estudiante, el cual rastrea el aprendizaje del alumno mientras
interactúa con el juego. Es recomendable realizar más investigaciones que apoyen
los procesos de AP con la implementación de esta metodología (DeMink-Carthew &
Olofson, 2020).
La estructura del análisis propuesto por categorías y subcategorías permitió identificar
hallazgos en cada una de ellas, y a su vez, relacionar conceptos que aunque no eran
parte de estás, eran relevantes dentro del proceso objeto de la revisión, tal como se
puede ver en la Figura 4.
Conclusiones
El análisis de la información consultada permitió identificar tres categorías:
tecnología educativa, AP y metodología del aprendizaje, las cuales se estudian a
partir de las subcategorías definidas. Este procedimiento facilitó el análisis del AP desde
perspectivas independientes pero que poseen un fuerte vínculo y se completan en la
praxis de la educación. Se evidencia que el AP se apoya en la tecnología y requiere
metodologías que favorezcan la individualización de los conocimientos de acuerdo
con las necesidades, capacidades, estilo y ritmo de aprendizaje de cada estudiante.
El apoyo de la tecnología en los procesos de AP favorece la apropiación del
conocimiento por parte de los estudiantes y permite hacer uso eficiente del tiempo. El
uso de las TIC, los sistemas expertos, las plataformas y los juegos que hacen parte del
desarrollo del aprendizaje, son herramientas que posibilitan al docente diversificar el
proceso de enseñanza en función de las características individuales llegando a más
estudiantes. Sin embargo, es esencial que se haga uso responsable de la tecnología
y garantizar las condiciones de acceso, especialmente considerando en algunas
regiones los recursos económicos son escasos.
Figura 4
Diagrama: hallazgos del proceso de revisión
Diá-logos – Año 16, N° 28, enero-junio 2024
24.
Se evidenció que los ritmos de aprendizaje, estilos de aprendizaje y adaptabilidad,
son condiciones esenciales del AP. En este contexto, es conveniente destacar que cada
estudiante es un ser único, tiene su propio ritmo de aprendizaje que se complementa
con los estilos de aprendizaje y permite la adquisición de conocimientos desde
distintas formas de presentar los contenidos. En cuanto al proceso de la adaptabilidad,
los docentes y estudiantes requieren de esta capacidad para desarrollar procesos
eficientes, generando las soluciones precisas en los momentos oportunos.
El aprendizaje basado en competencias, aprendizaje por proyectos y aprendizaje
basado en la resolución de problemas fueron las metodologías halladas que más
aportan al desarrollo de procesos de AP, como elemento común en estas metodologías
el centro del aprendizaje es el estudiante y él tiene la posibilidad de elegir los recursos
y ritmo de aprendizaje de acuerdo con sus necesidades. Por su parte, el docente
es guía de este proceso y debe desarrollar las habilidades que le permitan hacer
uso óptimo de las herramientas tecnológicas para atender a los intereses, estilos de
aprendizaje y necesidades identificadas de los estudiantes para dar soluciones en el
momento apropiado.
No obstante, esta revisión a proporcionado información sobre la tendencia
y avances significativos en AP es importante reconocer que todavía existen áreas
que requieren una mayor exploración y estudio, como se puede apreciar en las
subcategorías de juegos apoyados en la metodología de aprendizaje basado en
problemas, los artículos evaluados en estas dos áreas muestran un aporte significativo.
Por otro lado, es fundamental señalar que gran parte de la literatura proviene de
Estados Unidos y China, existe la necesidad apremiante de investigaciones en
diferentes contextos geográficos, esto permitiría una comprensión más global de las
implicaciones y aplicaciones.
Referencias
Abdelaziz, H. A., & Al-Ali, A. (2020). Promoting personalized learning skills: The impact
of collaborative learning (a case study on the general Directorate of residency
and foreigners affairs in Dubai). International Journal of Learning, Teaching and
Educational Research, 19(2), 163–187. https://doi.org/10.26803/ijlter.19.2.10
Aguilar, S. J. (2018). Learning Analytics: at the Nexus of Big Data, Digital Innovation, and
Social Justice in Education. Techtrends, 62(1), 37–45.
https://doi.org/10.1007/s11528-017-0226-9
Ahku, V. C., & Panchoo, S. (2019). Implementing Personalised Learning For Mixed Ability
Students For Computer Programming In A Learning Environment. 2nd International
Conference on Next Generation Computing Applications 2019, NextComp
2019 - Proceedings, 1–8. https://doi.org/10.1109/NEXTCOMP.2019.8883447
Akos, P., Wasik, S. Z., McDonald, A., Soler, M., & Lys, D. (2019). The Challenge and
Opportunity of Competency-Based Counselor Education. Counselor Education
and Supervision, 58(2), 98–111. https://doi.org/10.1002/ceas.12134
Arnet, T. (2016). Connecting ed & tech: Partnering to drive student outcomes. Clayton
Christensen Institute for Disruptive Innovation, July, 1–26.
https://files.eric.ed.gov/fulltext/ED568676.pdf
Aslan, A., Bakir, I., & Vis, I. F. A. (2020). A dynamic thompson sampling hyper-heuristic
framework for learning activity planning in personalized learning. European
Journal of Operational Research. https://doi.org/10.1016/j.ejor.2020.03.038
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
25.
Bagon, S., Gacnik, M., & Starcic, A. I. (2018). Information Communication Technology
Use among Students in Inclusive Classrooms. International Journal of Emerging
Techologies in Learning, 13(6), 56–72. https://doi.org/10.3991/ijet.v13i06.8051
Bendahmane, M., El Falaki, B., & Benattou, M. (2019). Toward a Personalized learning
Path through a Services-Oriented Approach. International Journal of Emerging
Techologies in Learning, 14(15), 52–66. https://doi.org/10.3991/ijet.v14i15.10951
Bernacki, M. L., & Walkington, C. (2018). The Role of Situational Interest in Personalized
Learning. In Journal of Educational Psychology (Vol. 110, Issue 6, pp. 864–881).
https://psycnet.apa.org/record/2018-10599-001
Bian, C.-L., Wang, D.-L., Liu, S.-Y., Lu, W.-G., & Dong, J.-Y. (2019). Adaptive learning path
recommendation based on graph theory and an improved immune algorithm.
KSII Transactions on Internet and Information Systems, 13(5), 2277–2298.
https://doi.org/10.3837/tiis.2019.05.003
Bingham, A. J. (2019). A Look at Personalized Learning: Lessons Learned. In Kappa Delta
Pi Record (Vol. 55, Issue 3, pp. 124–129).
https://doi.org/https://doi.org/10.1080/00228958.2019.1622383
Buch, B., Christiansen, R. B., Hansen, D., Petersen, A. K., & Sørensen, R. S. (2018). Using
the 7Cs Framework for Designing MOOCs in Blended Contexts--New Perspectives
and Ideas. In Universal Journal of Educational Research (Vol. 6, Issue 3, pp. 421–
429).
Campbell, L. O., & Cox, T. D. (2018). Digital Video as a Personalized Learning Assignment:
A Qualitative Study of Student Authored Video Using the ICSDR Model. In Journal
of the Scholarship of Teaching and Learning (Vol. 18, Issue 1, pp. 11–24).
https://files.eric.ed.gov/fulltext/EJ1169880.pdf
Carey, M. A. (2012). Book Review: Essentials of Accessible Grounded Theory, by Phyllis
Noerager Stern and Caroline Jane Porr; and Grounded Theory: A Practical Guide,
by Melanie Birks and Jane Mills. In Qualitative Health Research (Vol. 22, Issue 10,
pp. 1444–1445). https://shorturl.at/clJPX
Chang, J., & Lu, X. (2019). The study on students’ participation in personalized learning
under the background of artificial intelligence. Proceedings - 10th International
Conference on Information Technology in Medicine and Education, ITME 2019,
555–558. https://doi.org/10.1109/ITME.2019.00131
DeMink-Carthew, J., & Netcoh, S. (2019). Mixed Feelings about Choice: Exploring
Variation in Middle School Student Experiences with Making Choices in a
Personalized Learning Project. RMLE Online, 42(10), 1–20.
https://doi.org/10.1080/19404476.2019.1693480
DeMink-Carthew, J., & Olofson, M. W. (2020). Hands-Joined Learning as a Framework
for Personalizing Project-Based Learning in a Middle Grades Classroom: An
Exploratory Study. RMLE Online, 43(2), 1–17.
https://doi.org/10.1080/19404476.2019.1709776
Ding, L. (2018). Exploration of Key Technologies in a Personalized English Learning
System. International Journal of Emerging Techologies in Learning, 13(7), 85–96.
https://doi.org/10.3991/ijet.v13i07.8789
Duan, X. (2019). Automatic Generation and Evolution of Personalized Curriculum Based
on Genetic Algorithm. International Journal of Emerging Techologies in Learning,
14(12), 15–28. https://doi.org/10.3991/ijet.v14i12.10812
Easley, M. (2017). Personalized Learning Environments and Effective School Library
Programs. In Knowledge Quest (Vol. 45, Issue 4, pp. 16–23). 2017.
El Aissaoui, O., El Madani, Y. E. A., Oughdir, L., & El Allioui, Y. (2019). A fuzzy classification
approach for learning style prediction based on web mining technique in
e-learning environments. Education And Information Technologies, 24(3), 1943–
1959. https://doi.org/10.1007/s10639-018-9820-5
Diá-logos – Año 16, N° 28, enero-junio 2024
26.
Evans, M. (2012). A Guide to Personalizing Learning: Suggestions for the Race to the
Top-District Competition. An Education White Paper. Innosight Institute, August.
https://files.eric.ed.gov/fulltext/ED535179.pdf
Fake, H., & Dabbagh, N. (2020). Personalized Learning Within Online Workforce Learning
Environments: Exploring Implementations, Obstacles, Opportunities, and
Perspectives of Workforce Leaders. Technology Knowledge and Learning.
https://doi.org/10.1007/s10758-020-09441-x
Frank, J. (2020). Against technology-mediated personalized learning: resources from
John William Miller and Henry Bugbee to support parental resistance. Ethics and
Education, 15(1), 98–112. https://doi.org/10.1080/17449642.2019.1700445
Friend, B., Patrick, S., Schneider, C., & Vander Ark, T. (2017). What’s Possible with
Personalized Learning? An Overview of Personalized Learning for Schools, Families
& Communities. INACOL, 1–32. https://files.eric.ed.gov/fulltext/ED590502.pdf
Gorbunovs, A., Timsans, Z., Zuga, B., & Zagorskis, V. (2018). Conceptual design of the
new generation adaptive learning management system. International Journal of
Engineering and Technology(UAE), 7(2), 129–133.
https://doi.org/10.14419/ijet.v7i2.28.12894
Hallman, H. L. (2019). Personalized learning through 1:1 technology initiatives:
implications for teachers and teaching in neoliberal times. Teaching Education,
30(3), 299–318. https://doi.org/10.1080/10476210.2018.1466874
Hamdan, Z. (2019). A roadmap for prescribed “blend-digit” personalized learning-a
collaborated responsive approach to succeeding generations in the info global
age. Universal Journal of Educational Research, 7(7), 1495–1508.
https://doi.org/10.13189/ujer.2019.070703
Hao, X., & Han, S. (2018). An Algorithm for Generating a Recommended Rule Set Based
on Learner’s Browse Interest. International Journal of Emerging Techologies in
Learning, 13(11), 102–116. https://doi.org/10.3991/ijet.v13i11.9604
Hnida, M., Idrissi, M. K., & Bennani, S. (2018). Automatic Composition of Instructional Units
in Virtual Learning Environments. International Journal of Emerging Techologies in
Learning, 13(6), 86–100. https://doi.org/10.3991/ijet.v13i06.8107
Huang, L., Wang, C.-D., Chao, H.-Y., Lai, J.-H., & Yu, P. S. (2019). A Score Prediction
Approach for Optional Course Recommendation via Cross-User-Domain
Collaborative Filtering. IEEE Access, 7, 19550–19563.
https://doi.org/10.1109/ACCESS.2019.2897979
Huggins, E. S., & Kellogg, S. (2020). Technology-enabled personalized learning: A
promising practice in need of robust research. School Science and Mathematics,
120(1), 1–3. https://doi.org/10.1111/ssm.12384
INACOL. (2018). State Funding Strategies to Support Education Innovation. Issue Brief. In
iNACOL. https://files.eric.ed.gov/fulltext/ED590498.pdf
Jones, W. J., & Rhein, D. L. (2018). Tutorial Schools in Thailand: Perceptions and Motivations
of Thai High School Students. FIRE: Forum for International Research in Education,
4(2). https://doi.org/10.18275/fire201704021137
Kallio, J. (2018). Participatory Design of Classrooms: Infrastructuring Education Reform
in K-12 Personalized Learning Programs. Journal of Learning Spaces, 7(2), 35–49.
https://files.eric.ed.gov/fulltext/EJ1200625.pdf
Kaput, K. (2018). Evidence for Student-Centered Learning. In Education Evolving (pp.
1–28). https://files.eric.ed.gov/fulltext/ED581111.pdf
Karolčík, Š., Zilinskiene, I., Slotkiene, A., & Čipková, E. (2019). Analysis of e-learning
environment for geography: Opportunities for personalized active learning. Baltic
Journal of Modern Computing, 7(3), 405–418.
https://doi.org/10.22364/bjmc.2019.7.3.07
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
27.
Khosravi, H., Kitto, K., & Williams, J. J. (2019). RiPPLE: A Crowdsourced Adaptive Platform
for Recommendation of Learning Activities. In Journal of Learning Analytics (Vol.
6, Issue 3, pp. 91–105). https://doi.org/http://dx.doi.org/10.18608/jla.2019.63.12
Kopeyev, Z., Mubarakov, A., Kultan, J., Aimicheva, G., & Tuyakov, Y. (2020). Using a
Personalized Learning Style and Google Classroom Technology to Bridge the
Knowledge Gap on Computer Science. International Journal of Emerging
Techologies in Learning, 15(2), 218–229. https://doi.org/10.3991/ijet.v15i02.11602
Lee, D., Huh, Y., Lin, C.-Y., & Reigeluth, C. M. (2018). Technology functions for personalized
learning in learner-centered schools. ETR&D-Educational Technology Research
and Development, 66(5), 1269–1302.
https://doi.org/10.1007/s11423-018-9615-9
Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke,
M., Devereaux, P. J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for
reporting systematic reviews and meta-analyses of studies that evaluate health
care interventions: Explanation and elaboration. In PLoS Medicine (Vol. 6, Issue
7). https://doi.org/10.1371/journal.pmed.1000100
Liu, Z., Dong, L., & Wu, C. (2020). Research on Personalized Recommendations for
Students’ Learning Paths Based on Big Data. International Journal of Emerging
Techologies in Learning, 15(8), 40–56. https://doi.org/10.3991/ijet.v15i08.12245
Lotfi, E. (2020). Towards a New Platform Based on Learning Outcomes Analysis for Mobile
Serious Games. International Journal of Emerging Techologies in Learning, 15(2),
42–57. https://doi.org/10.3991/ijet.v15i02.11637
Mariño, S. I. (2014). Los sistemas expertos para apoyar la gestión inteligente del
conocimiento. Revista Vínculos, 11(1), 101–108.
https://doi.org/10.14483/2322939X.8018
Marshman, E. M., DeVore, S., & Singh, C. (2018). Challenge of helping introductory
physics students transfer their learning by engaging with a self-paced learning
tutorial. Frontiers in ICT, 5(MAR). https://doi.org/10.3389/fict.2018.00003
Maseleno, A., Sabani, N., Huda, M., Ahmad, R., Jasmi, K. A., & Basiron, B. (2018).
Demystifying learning analytics in personalised learnin. International Journal of
Engineering and Technology(UAE), 7(3), 1124–1129.
https://doi.org/10.14419/ijet.v7i3.9789
Monge, V. (2015). La codificación en el método de investigación de la Grounded
Theory o Teoría Fundamentada. Innovaciones Educativas, 17(22), 77–84.
https://doi.org/10.22458/ie.v17i22.1100
Murad, H., & Yang, L. (2018). Personalized e-learning recommender system using
multimedia data. International Journal of Advanced Computer Science and
Applications, 9(9), 565–567. https://doi.org/10.14569/ijacsa.2018.090971
Niknam, M., & Thulasiraman, P. (2020). LPR: A bio-inspired intelligent learning path
recommendation system based on meaningful learning theory. Education and
Information Technologies. https://doi.org/10.1007/s10639-020-10133-3
Pane, J. (2018). Strategies for Implementing Personalized Learning While Evidence and
Resources Are Underdeveloped. RAND Corporation, October. https://doi.org/
https://doi.org/10.7249/pe314
Patrick, S, Worthen, M., & Frost, D. (2018). State Strategies to Develop Teacher Capacity
for Personalized, Competency-Based Learning. INACOL, 4, 1–7.
https://files.eric.ed.gov/fulltext/ED588371.pdf
Patrick, Susan, Worthen, M., Truong, N., & Frost, D. (2018). Fit for Purpose: Taking the
Long View on Systems Change and Policy to Support Competency Education.
CompetencyWorks Final Paper. In INACOL.
https://files.eric.ed.gov/fulltext/ED589745.pdf
Diá-logos – Año 16, N° 28, enero-junio 2024
28.
Pranckutė, R. (2021). Web of science (Wos) and scopus: The titans of bibliographic
information in today’s academic world. In Publications (Vol. 9, Issue 1).
https://doi.org/10.3390/publications9010012
Raj, N. S., & Renumol, V. G. (2019). A Rule-Based Approach for Adaptive Content
Recommendation in a Personalized Learning Environment: An Experimental
Analysis. Proceedings - IEEE 10th International Conference on Technology for
Education, T4E 2019, 138–141. https://doi.org/10.1109/T4E.2019.00033
Reigeluth, C. M. (2016). Teoría instruccional y tecnología para el nuevo paradigma de
la educación. Revista de Educación a Distancia (RED), 50.
https://doi.org/10.6018/red/50/1a
Rice, M. F. (2018). Supporting literacy with accessibility: Virtual school course designers’
planning for students with disabilities. Online Learning Journal, 22(4), 161–179.
https://doi.org/10.24059/olj.v22i4.1508
Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., Díez-Pastor, J. F., & García-Osorio, C.
I. (2019). Does the use of learning management systems with hypermedia mean
improved student learning outcomes? Frontiers in Psychology, 10(FEB).
https://doi.org/10.3389/fpsyg.2019.00088
Gil, J., Cano, C. & Valero, J. (2018). Miradas retro-prospectivas sobre las Tecnologías
Educativas. Educatio Siglo XXI, 36(2 Jul-Oct), 209-228.
https://doi.org/10.6018/j/333051
Sarma, C. (2018). Smart technological learning conceptual model. International
Journal of Engineering and Technology(UAE), 7(2), 152–156.
https://doi.org/10.14419/ijet.v7i2.28.12900
Schmid, R., & Petko, D. (2019). Does the use of educational technology in personalized
learning environments correlate with self-reported digital skills and beliefs of
secondary-school students? Computers and Education, 136, 75–86.
https://doi.org/10.1016/j.compedu.2019.03.006
Shen, J. (2018). Flipping the classroom for information literacy instruction: Considerations
towards personalisation and collaborative learning. Journal of Information
Literacy, 12(1), 48–67. https://doi.org/10.11645/12.1.2274
Soffer, T., Kahan, T., & Nachmias, R. (2019). Patterns of Student’s Utilization of Flexibility
in Online Academic Courses and Their Relation to Course Achievement.
International Review of Research in Open and Distributed Learning, 20(3), 202–
220.
Sun, M., & Yang, S. (2016). Personalization of learning paths in online communities of
creators. Proceedings of the 9th International Conference on Educational Data
Mining, EDM 2016, 513–516. https://files.eric.ed.gov/fulltext/ED592696.pdf
Surr, W., Zeiser, K. L., Briggs, O., & Kendziora, K. (2018). Learning With Others a Study
Exploring the Relationship Between Collaboration, Personalization, and Equity.
American Institutes for Research (AIR), October, 1–9.
https://files.eric.ed.gov/fulltext/ED592101.pdf
Tang, X., Chen, Y., Li, X., Liu, J., & Ying, Z. (2019). A reinforcement learning approach to
personalized learning recommendation systems. British Journal of Mathematical
and Statistical Psychology, 72(1), 108–135. https://doi.org/10.1111/bmsp.12144
Tang, Y., & Hare, R. (2019). Adaptive Narrative Game for Personalized Learning.
Proceedings - IEEE International Conference on Service Operations and Logistics,
and Informatics 2019, SOLI 2019, 175–180.
https://doi.org/10.1109/SOLI48380.2019.8955069
Tisdell, C. C. (2018). Pedagogical alternatives for triple integrals: moving towards more
inclusive and personalized learning. International Journal of Mathematical
Education in Science and Technology, 49(5), 792–801.
https://doi.org/10.1080/0020739X.2017.1408150
Aportes de la Tecnología al Aprendizaje
Personalizado: Una Revisión a la Literatura
29.
Tucker, W., & Long, D. (2018). Advancing Personalized Learning through Effective Use
and Protection of Student Data. Education Leaders Report. Volume 4, No. 2.
National Association of State Boards of Education, 4(2), 1–16.
https://files.eric.ed.gov/fulltext/ED582105.pdf
Twyman, J., & Redding, S. (2015). Personal Competencies / Personalized Learning
Reflection on Instruction : A Peer-to-Peer Learning and Observation Tool. Council
of Chief State School Officers, January, 1–12.
https://files.eric.ed.gov/fulltext/ED558120.pdf
UNESCO. (2017). Aprendizaje personalizado, ¿importa?
https://unesdoc.unesco.org/ark:/48223/pf0000250057_spa
Uruñuela, P. (2018). La metodología del aprendizaje - servicio : aprender mejorando el
mundo / Pedro María Uruñuela Nájera. http://search.ebscohost.com/login.aspx?
direct=true&db=cat06493a&AN=sab.000270269&site=eds-live
Valeeva, N. G., Pavlova, E. B., & Zakirova, Y. L. (2019). M-learning in Teaching ESP: Case
Study of Ecology Students. European Journal of Contemporary Education, 8(4),
920–930. https://doi.org/10.13187/ejced.2019.4.920
Wongwatkit, C., Panjaburee, P., Srisawasdi, N., & Seprum, P. (2020). Moderating effects
of gender differences on the relationships between perceived learning support,
intention to use, and learning performance in a personalized e-learning. Journal
of Computers in Education. https://doi.org/10.1007/s40692-020-00154-9
Xiang, X., & Liu, Y. (2019). Exploring and enhancing spatial thinking skills: Learning
differences of university students within a web-based GIS mapping environment.
British Journal of Educational Technology, 50(4, SI), 1865–1881.
https://doi.org/10.1111/bjet.12677
Zhao, X. (2018). Mobile English Teaching System Based on Adaptive Algorithm.
International Journal of Emerging Techologies in Learning, 13(8), 64–77.
https://doi.org/10.3991/ijet.v13i08.9057
Diá-logos – Año 16, N° 28, enero-junio 2024
