Aprendizaje adaptativo con IA: oportunidades y límites para la universidad peruana
Una misma clase puede producir resultados muy diferentes entre estudiantes. Mientras algunos avanzan rápidamente, otros necesitan explicaciones adicionales, más tiempo para practicar o actividades relacionadas con sus conocimientos previos.
El problema no siempre se encuentra en la capacidad del estudiante. Muchas veces aparece porque los sistemas educativos ofrecen una misma secuencia, dificultad y ritmo para personas con necesidades distintas.
Frente a esta realidad, la inteligencia artificial abre una posibilidad interesante: desarrollar plataformas capaces de analizar cómo aprende cada estudiante y adaptar progresivamente su experiencia educativa.
En mi investigación doctoral parto precisamente de esta oportunidad. El estudio propone diseñar, implementar y validar un modelo de inteligencia artificial adaptativa integrado en una plataforma e-learning, con el propósito de analizar su influencia sobre el rendimiento académico, la deserción y la percepción de los estudiantes universitarios.
Pero también debemos plantearnos una pregunta crítica: ¿puede realmente una plataforma comprender las necesidades de un estudiante o solamente reaccionar ante los datos que consigue observar?
Una misma clase no siempre sirve para todos
La educación universitaria tradicional suele organizarse alrededor de grupos relativamente grandes. Los estudiantes reciben los mismos materiales, actividades y evaluaciones, aunque lleguen al curso con conocimientos, habilidades y circunstancias diferentes.
En un entorno presencial, un docente puede reconocer algunas de estas diferencias mediante preguntas, evaluaciones y observación. En una plataforma e-learning, también existen señales que permiten aproximarse a la situación del estudiante: resultados obtenidos, actividades completadas, errores frecuentes, participación y tiempo dedicado.
La inteligencia artificial puede analizar estas señales para identificar patrones y recomendar acciones. Por ejemplo, podría detectar que un estudiante presenta dificultades recurrentes con determinado concepto y ofrecerle una explicación alternativa antes de permitirle avanzar.
La finalidad no debería ser clasificar definitivamente a los estudiantes, sino brindarles mejores oportunidades para aprender.
¿Qué es realmente el aprendizaje adaptativo?
El aprendizaje adaptativo es un enfoque educativo que ajusta determinados elementos de la experiencia de aprendizaje según las necesidades y el progreso del estudiante.
Una plataforma adaptativa puede modificar:
- La secuencia de los contenidos.
- La dificultad de las actividades.
- El tipo de recurso recomendado.
- La cantidad de ejercicios de práctica.
- La retroalimentación presentada.
- El momento en que se solicita apoyo docente.
No toda personalización constituye verdadero aprendizaje adaptativo. Recomendar un video porque otros usuarios lo observaron puede resultar útil, pero adaptar el aprendizaje exige comprender qué competencia necesita desarrollar el estudiante y por qué determinada actividad podría ayudarlo.
Del contenido personalizado al modelo del estudiante
Para realizar adaptaciones relevantes, el sistema necesita construir un modelo dinámico del estudiante. Este modelo puede considerar sus conocimientos previos, desempeño reciente, competencias alcanzadas y dificultades identificadas.
El rendimiento académico previo también puede aportar información valiosa. Sin embargo, debe utilizarse cuidadosamente. Una calificación anterior puede ayudar a reconocer necesidades iniciales, pero nunca debería convertirse en una etiqueta permanente que limite las oportunidades futuras.
El modelo debe actualizarse conforme el estudiante aprende. De lo contrario, la plataforma dejaría de acompañar su progreso y comenzaría a repetir conclusiones construidas a partir del pasado.
Adaptar no es solamente recomendar
Una plataforma comercial puede recomendar productos con el objetivo de aumentar una compra. Una plataforma educativa, en cambio, debe priorizar el aprendizaje, la autonomía y el bienestar del estudiante.
Esto implica que la adaptación no debería buscar únicamente que la persona permanezca más tiempo conectada. Debe ayudarla a comprender, practicar, superar dificultades y alcanzar resultados de aprendizaje claramente definidos.
La diferencia parece pequeña, pero transforma completamente el propósito del algoritmo. Como ocurre con la personalización analizada en la inteligencia artificial aplicada a las redes sociales, la capacidad de anticipar comportamientos también exige preguntarnos para qué se utiliza y quién se beneficia de ella.
Cómo puede intervenir la inteligencia artificial
Un modelo de inteligencia artificial adaptativa puede participar en diferentes momentos del proceso educativo.
Diagnóstico y rutas personalizadas
Al comenzar un curso, el sistema podría realizar una evaluación diagnóstica y proponer una ruta inicial. Un estudiante que domina determinados conceptos podría avanzar hacia actividades más complejas, mientras otro recibiría materiales de refuerzo.
Estas rutas no deberían ser rígidas. El sistema tendría que revisarlas constantemente conforme aparecen nuevas evidencias sobre el aprendizaje.
Retroalimentación y acompañamiento oportuno
La retroalimentación es especialmente valiosa cuando llega en el momento adecuado. Una plataforma adaptativa puede identificar errores frecuentes y ofrecer explicaciones específicas, ejemplos adicionales o nuevas oportunidades para practicar.
También podría alertar al docente cuando las dificultades persisten. La inteligencia artificial puede detectar señales y organizar información, pero existen situaciones que requieren diálogo, empatía y criterio pedagógico.
Alertas tempranas con intervención humana
Uno de los usos más prometedores de la inteligencia artificial consiste en identificar estudiantes que podrían encontrarse en riesgo de abandonar un curso.
Sin embargo, debemos distinguir claramente entre predecir y prevenir.
Un modelo puede calcular que un estudiante presenta determinadas señales de riesgo. Esa predicción no reducirá la deserción por sí sola. Para producir un cambio debe activar una intervención útil: acompañamiento docente, tutoría, orientación académica o acceso a servicios de apoyo.
La tecnología puede ayudarnos a reconocer el momento en que una persona necesita ayuda. La respuesta continúa siendo profundamente humana.
Rendimiento y deserción: promesa frente a evidencia
Las investigaciones sobre aprendizaje adaptativo e inteligencia artificial muestran resultados prometedores, pero no completamente uniformes.
Una revisión sobre aprendizaje adaptativo personalizado en educación superior encontró experiencias con mejoras en desempeño y participación, aunque también identificó estudios donde los efectos no resultaron estadísticamente significativos.
Esto demuestra que incorporar inteligencia artificial no garantiza automáticamente mejores resultados. El impacto depende del diseño pedagógico, la calidad de los contenidos, la participación docente y la manera en que las recomendaciones se convierten en acciones.
Predecir no es prevenir
La deserción universitaria es un fenómeno complejo. Puede estar relacionada con dificultades académicas, factores económicos, responsabilidades familiares, salud mental, conectividad, motivación o problemas institucionales.
Una plataforma puede observar parte del comportamiento académico, pero no necesariamente comprende todas las circunstancias que atraviesa el estudiante.
También deben diferenciarse conceptos que frecuentemente se utilizan como equivalentes:
- La intención de abandonar.
- La interrupción temporal de los estudios.
- El abandono definitivo.
- La deserción de un curso específico.
Antes de evaluar si un modelo reduce la deserción, debemos definir exactamente qué resultado observaremos y durante cuánto tiempo.
El desafío de aplicarlo en universidades peruanas
La aplicación de un modelo adaptativo en el Perú debe considerar la diversidad de estudiantes, instituciones y condiciones educativas existentes.
Una revisión de la OCDE publicada en 2026 señala que solamente alrededor del 40% de quienes ingresan a programas universitarios de grado en el país completan sus estudios dentro de la duración prevista más tres años. Esta cifra no debe interpretarse automáticamente como una tasa de deserción, pero evidencia la importancia de analizar las trayectorias universitarias.
Mi investigación propone estudiar inicialmente este problema en un entorno concreto: estudiantes de la Escuela de Negocios de la Universidad Tecnológica del Perú durante el periodo 2026–2027.
Esta delimitación permitirá implementar y validar el modelo en condiciones reales. No obstante, los resultados obtenidos en una universidad o escuela profesional no deberían generalizarse automáticamente a todo el sistema universitario peruano. Para hacerlo serían necesarias validaciones posteriores en otras instituciones y contextos.
Datos, privacidad y sesgos
Un sistema adaptativo necesita recopilar y procesar información sobre el estudiante. Esto crea responsabilidades importantes.
Los datos utilizados deben ser pertinentes, estar protegidos y emplearse con una finalidad educativa claramente definida. Además, los estudiantes deberían comprender qué información se analiza y cómo influye en las recomendaciones recibidas.
El modelo también debe evaluarse para detectar posibles sesgos. Si los datos históricos reflejan desigualdades previas, el algoritmo podría reproducirlas y ofrecer diferentes oportunidades a determinados grupos.
La normativa peruana de protección de datos personales y los principios internacionales sobre inteligencia artificial responsable exigen prestar atención a la transparencia, privacidad, supervisión humana y rendición de cuentas.
Cómo debería evaluarse un modelo adaptativo
La efectividad de un modelo no debería medirse únicamente observando si sus predicciones son correctas.
Una evaluación completa tendría que analizar:
- Cambios en el rendimiento académico.
- Permanencia y abandono real de los estudiantes.
- Utilidad percibida.
- Facilidad de uso.
- Motivación y satisfacción.
- Calidad y oportunidad de las intervenciones.
- Posibles diferencias injustificadas entre grupos.
La utilidad, facilidad de uso, motivación y satisfacción representan dimensiones relacionadas, pero distintas. Por ello, deben medirse mediante instrumentos adecuados y analizarse sin asumir que describen exactamente el mismo fenómeno.
También será necesario comparar resultados con una línea base y determinar qué cambios pueden atribuirse razonablemente al modelo.
El papel indispensable del docente
El docente no desaparece dentro de un sistema adaptativo. Su función evoluciona hacia la interpretación de evidencias, el diseño de experiencias, el acompañamiento y la toma de decisiones pedagógicas que no deberían automatizarse.
Un buen modelo puede mostrar dónde parece existir una dificultad. Corresponde al docente comprender por qué ocurre, dialogar con el estudiante y decidir qué apoyo resulta realmente apropiado.
Una universidad que aprende con sus estudiantes
La inteligencia artificial ofrece la oportunidad de construir experiencias educativas más flexibles y sensibles a las necesidades individuales. Puede ayudarnos a identificar dificultades, personalizar actividades y ofrecer acompañamiento antes de que sea demasiado tarde.
Pero una universidad no debería utilizar estas herramientas para delegar completamente sus decisiones educativas. Un algoritmo puede reconocer patrones; no conoce necesariamente la historia, las aspiraciones ni las circunstancias completas de una persona.
El verdadero valor del aprendizaje adaptativo aparece cuando la capacidad tecnológica se combina con contenidos de calidad, decisiones pedagógicas responsables e intervención humana.
La inteligencia artificial no debería decidir hasta dónde puede llegar un estudiante. Debería ayudarnos a comprender qué necesita para continuar avanzando.
¿Estamos preparados para construir plataformas que no solamente enseñen contenidos, sino que también aprendan responsablemente de sus estudiantes?