Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
INTRODUCCIÓN
En los últimos tiempos la inteligencia artificial (IA) se ha introducido en muchos ámbitos incluida la educación tomando un papel fundamental para la innovación e inclusión tanto laboral como educativa. En la Educación Superior las aplicaciones han sido varias desde las plataformas de aprendizaje adaptativo, sistemas inteligentes de retroalimentación hasta la utilización de herramientas analíticas (Murgatroyd, 2024; Vaca Zambrano et al., 2025). Desde el punto de vista conceptual, el aprendizaje adaptativo es un método que adapta los contenidos y las trayectorias de aprendizaje a las necesidades particulares de los estudiantes (Cuenca Masache et al., 2025).
Recientes revisiones ratifican la expansión académica del tema, pues posibilita la automatización de las evaluaciones y la retroalimentación instantánea y con ello la satisfacción de los alumnos y su rendimiento académico se ve beneficiado (Caicedo et al., 2024; Diez Cuan, 2023). Dadas las ventajas evidentes del aprendizaje adaptativo con inteligencia artificial en la educación superior como lo demuestra el análisis de varios estudios revisados por los autores anteriores que indican avances estadísticamente significativos.
En la experiencia práctica, se ha observado que con las plataformas adaptativas ha mejorado el rendimiento de los alumnos y la automatización inteligente de las calificaciones de las actividades y las evaluaciones dando a los docentes más fluidez y agilidad en su trabajo (Chambi Huacani et al., 2024). Además, con las tecnologías de IA aplicadas en el sistema educativo se ha contribuido a identificar y solucionar el problema de deserción escolar. Investigaciones como la de Vaca Zambrano et al., (2025), resaltan que las aplicaciones principales de la inteligencia artificial en el ámbito educativo como el modelado predictivo, analítica inteligente, asistentes virtuales, análisis de contenido e imagen, contribuyen a mejorar la retención y la calidad de la educación.
En las zonas de bajos recursos del territorio latinoamericano la aplicación de estas tecnologías se ve afectadas por limitantes económicas y sociales. No obstante, los países de la región han comenzado a reorganizar la educación con medidas como aumentar el acceso a la universidad, establecer criterios de eficacia en el ámbito académico y coordinar entre instituciones (Chambi Huacani et al., 2024). Al mismo tiempo, la investigación local en inteligencia artificial educativa se expande: múltiples equipos latinoamericanos utilizan algoritmos que manejan extensas bases de datos educativas, lo cual favorece a los alumnos, pero también a los maestros y administradores.
Algunos autores identificaron a la tecnología asistida, los modelos predictivos de aprendizaje y los sistemas de análisis inteligente como las aplicaciones de IA que más se utilizaban en la región. El uso de estas herramientas, representa un progreso en el uso de IA, pero en la educación su adopción es aún baja (Kang et al., 2025).
La pandemia de COVID-19 marco un antes y un después en la digitalización de muchos sectores, se inició entonces un creciente interés en la inteligencia artificial educativa en el nivel superior. En Ecuador, debido a la digitalización se realizó una investigación mixta en cinco universidades para analizar la adopción de la tecnología digital y se registró un acogimiento dispar, con aumento entre los alumnos de los primeros semestres en línea, utilizando las herramientas de IA para la automatización de tareas, la elaboración de textos académicos, la programación y el análisis de datos (Silva & Gavilanes, 2021).
La información manifiesta que la IA plantea oportunidades de empleabilidad porque mejora las habilidades digitales, permite el acceso a recursos sofisticados y se puede individualizar el aprendizaje. No obstante, siguen existiendo barreras como la brecha digital, la falta de capacitación técnica del profesorado y conflictos éticos de plagio y privacidad. Otro aporte importante para la educación ha sido la accesibilidad e inclusión de estudiantes con discapacidad, pues con las adaptaciones inteligentes hay un mejor entendimiento de los contenidos (Kang et al., 2025; Sriram et al., 2025).
La aplicación de una educación adaptativa con IA hace que las actividades de aprendizaje sean más interesantes e interactivas y tengan un mayor valor pedagógico. Por lo tanto, es esencial, la revisión de investigaciones que plantean estrategias pedagógicas adaptativas aplicadas con efectividad en el contexto educativo superior, así como también el análisis de aquellos estudios que identifiquen elementos críticos que impiden o dificultan la escalabilidad de la tecnología (Shimizu et al., 2023; Xu, 2025).
La persistencia de limitantes significativas en el sector educativo latinoamericano para la diversificación de la implementación de la IA está siendo motivo de evaluación en la región sobre todo en el nivel universitario. Ya que existe una marcada disparidad digital en cuanto acceso a dispositivos e internet, los profesores tienen poca preparación específica en inteligencia artificial educativa y los proyectos de simulaciones y plataformas adaptativas basadas en IA son costosos. (Khakpaki, 2025).
Es importante reunir conocimientos que permitan profundizar en los beneficios y limitaciones del aprendizaje adaptativo con inteligencia artificial, pues la innovación educativa es un tema de relevancia (Murgatroyd, 2024; Shimizu et al., 2023). Dada esta realidad el objetivo fue analizar la evidencia científica sobre la aplicación del aprendizaje adaptativo con IA en enseñanza del nivel superior en Latinoamérica.
MÉTODO
La investigación tiene enfoque cualitativo a partir de una revisión sistemática de la literatura siguiendo las directrices de la Declaración PRISMA 2020. En esta revisión de tipo descriptiva se describieron las tendencias, beneficios, limitaciones y perspectivas de aplicación de estas tecnologías educativas en el contexto latinoamericano con el propósito de evaluar la evidencia científica disponible y fundamentar las repercusiones del aprendizaje adaptativo con inteligencia artificial en la educación superior.
Siguiendo el modelo PICO y para dar relevancia científica a la revisión se formuló la pregunta de investigación ¿Qué impacto tiene el aprendizaje adaptativo con inteligencia artificial comparado con las metodologías tradicionales no adaptativas en los estudiantes universitarios en Latinoamérica, en cuanto al rendimiento académico, personalización del aprendizaje y motivación? Por lo que se planteó en la tabla 1 los aspectos de la población específica, dentro de un determinado contexto y en relación a fenómeno concreto.
Tabla 1. La estrategia PICO de la revisión sistemática.
| Componente | Descripción |
|---|---|
| P (Población) | Estudiantes en el nivel superior de Latinoamérica |
| I (Intervención) | Ejecución del aprendizaje adaptativo con inteligencia artificial |
| C (Comparación) | Métodos tradicionales de aprendizaje sin tecnologías educativas no adaptativas. |
| O (outcome) | Impacto en el aprendizaje (rendimiento académico, motivación, retención de conocimientos, habilidades digitales, satisfacción estudiantil) |
Elaboración: Los autores.
La información se obtuvo de bases de datos como Scielo, Redalyc, ScienceDirect, Dialnet y PubMed, de los últimos cinco años, teniendo en cuenta palabras claves interconectadas con operadores booleanos y utilizando los criterios de inclusión y exclusión (Tabla 2).
Tabla 2. Criterios estratégicos para la búsqueda.
| Sección | Ítems |
|---|---|
| Criterios | Aspectos definidos en la Inclusión y exclusión. |
| Fuentes | ScienceDirect, SciELO, Dialnet, Redalyc |
| Cadenas de búsquedas | “Aprendizaje adaptativo” and “inteligencia artificial” and “educación superior” and “Latinoamérica” “Adaptive learning” and “artificial intelligence” and “higher education” and “Latin America” |
| Filtros | Años, idioma, tipo de artículo, accesibilidad y relevancia. |
| Información | El aprendizaje adaptativo con inteligencia artificial en estudiantes del nivel superior en Latinoamérica |
| Selección | Eliminación de títulos repetidos, descartar los textos que no cumplan con el objetivo, con una metodología inadecuada y un objeto de análisis diferente. |
| Recopilación de datos | Una matriz de Microsoft Excel se utilizó en el procesamiento y análisis de datos. |
| Método de síntesis | Se presentó una tabla según autor, año, país, objetivo, diseño del estudio, resultados y conclusiones. |
Elaboración: Los autores.
Criterios de inclusión
Artículos originales y capítulos de libros revisados por pares y publicados en los últimos cinco años en revistas indexadas.
Publicaciones en idioma español, inglés.
Estudios que abordaran el uso del aprendizaje adaptativo con inteligencia artificial en estudiantes de nivel superior en Latinoamérica.
Criterios de exclusión
Documentos publicados como tesis de grado y posgrado, blogs, carta al editor, resúmenes o comentarios y noticias.
Artículos publicados fuera de los últimos cinco años.
Estudios que abordaran el uso del aprendizaje adaptativo con inteligencia artificial en estudiantes de otros niveles educativos y fuera de Latinoamérica.
Documentos sin acceso a texto completo.
Para garantizar la calidad metodológica de los estudios se aplicaron listas de chequeo como las guías del Joanna Briggs Institute (JBI). Se obtuvo una matriz de análisis, en Microsoft Excel para sistematizar la información basada en autor, año, país, objetivo, diseño del estudio, resultados, limitaciones. A continuación, se hizo una síntesis narrativa temática sobre: tecnologías aplicadas, resultados académicos, barreras y perspectivas para identificar patrones comunes, vacíos de investigación y enfoques futuros.
En la figura 1 se detalla el proceso de la revisión sistemática mediante el diagrama sobre el aprendizaje adaptativo con inteligencia artificial en estudiantes del nivel superior en Latinoamérica.
RESULTADOS
La información encontrada en las bases de datos fue abundante, pues existen varias investigaciones que abordan actualmente desde diferentes aristas y en diferentes contextos el uso de la IA, para la revisión como se muestra en la figura 1 se realizó un proceso de análisis y cribado que llevo a la obtención de los estudios más acordes con los criterios de inclusión. Estos estudios se sintetizaron en la tabla 3 mostrando su enfoque en la transformación del aprendizaje adaptativo en los centros de Educación Superior en Latinoamérica.
Tabla 3. Enfoque en la transformación del aprendizaje adaptativo en los centros de Educación Superior en Latinoamérica.
| Autores/Año | País | Objetivos | Metodología | Resultados | Conclusiones | Limitaciones |
|---|---|---|---|---|---|---|
| Rodríguez Chávez (2021) | México | Analizar sistemas de tutoría inteligente en educación superior. | Revisión y análisis de sistemas ITS. | ITS permiten diagnóstico situacional y soluciones personalizadas. | Son útiles para fortalecer el aprendizaje con IA. | Falta de estudios prácticos extensivos. |
| Romero González & Romero Enríquez (2022) | Ecuador | Analizar metodologías activas en formación inicial de profesorado de educación física. | Descriptivo-correlacional, cuestionarios (n=133). | Existe correlación positiva entre metodologías activas y formación inicial. | Las metodologías activas potencian la formación del profesorado. | Limitado a una facultad y muestra específica. |
| Jiménez Barrera et al. (2022) | Perú | Determinar experiencias docentes en metodologías activas en enfermería. | Cualitativo, fenomenológico, entrevistas (n=20). | Se identifican seis categorías de uso, fortalezas y debilidades. | Favorecen autonomía, confianza y aprendizaje significativo. | Aplicación deficiente en algunos casos, falta sostenibilidad. |
| Román Acosta et al. (2023) | Colombia | Analizar uso de ChatGPT en escritura académica de posgrado. | Cuantitativo, encuestas online. | Uso variado de ChatGPT: corrección, redacción, edición. | Necesidad de capacitación ética en IA. | Falta de formación en ética y atribución académica. |
| Supelano Londoño (2024) | Colombia | Analizar incidencia de IA en aprendizaje universitario. | Revisión cualitativa de estudios previos. | IA personaliza aprendizaje, optimiza evaluación y motiva. | IA es indispensable para educación digitalizada. | Brecha digital y preparación docente insuficiente. |
| Pérez et al. (2025) | Perú | Analizar retos de IA en pedagogía universitaria. | Cuantitativo, diseño no experimental. | Relación positiva entre IA y pedagogía. | IA fortalece procesos educativos. | Desafíos en integración docente y ética. |
| Meza Arguello et al. (2025) | Ecuador | Explorar experiencias docentes con IA en educación superior. | Cualitativo, entrevistas a docentes. | IA personaliza aprendizaje, optimiza tiempo y metodologías. | IA mejora interacción y enseñanza reflexiva. | Preocupaciones éticas sobre privacidad y sesgo. |
| González Rodríguez et al. (2025) | México | Identificar uso de IA en estudiantes de ingeniería. | Cuantitativo, cuestionario. | Estudiantes conocen IA pero pocos usan herramientas | IA debe equilibrar tecnología con creatividad. | Bajo uso real y desconocimiento de beneficios. |
| Cadena et al. (2025) | Ecuador | Desarrollar estrategias de aprendizaje inteligente y adaptativo con IA. | Cuantitativo, cuestionario (n=214). | Uso de IA mejora éxito académico y equidad. | IA promueve educación más inclusiva y efectiva. | Equilibrio entre IA y enseñanza presencial. |
| Prada Segura, & Beltrán Gómez (2024) | Colombia | Implementar sistema de IA en Moodle. | Mixto, diseño y prueba piloto. | Retroalimentación personalizada mejora rendimiento. | IA en Moodle fortalece calidad educativa. | Necesidad de infraestructura tecnológica robusta. |
| Acón & Morales (2023) | Costa Rica | Analizar retos de IA en educación a distancia (UNED). | Descriptivo-explicativo, encuestas docentes. | Se requieren tutorías inteligentes y monitoreo IA. | IA necesaria para transición digital UNED. | Falta de formación y resistencia institucional. |
| Kroff et al. (2024) | Chile | Examinar el impacto de la inteligencia artificial (IA) en la enseñanza universitaria. | Enfoque cuantitativo con encuesta | IA permite entornos personalizados e inmersivos. | Retroalimentación instantánea y personalizada de los estudiantes | Requiere formación, resistencia al cmabio y ética de datos. |
Elaboración: Los autores.
DISCUSIÓN
A pesar de que muchos investigadores analizan en la actualidad el uso de la IA en el entorno educativo desde una perspectiva adaptativa del aprendizaje y sobre todo en el nivel superior, aun son pocos en América Latina. Además, la mayoría de los estudios se enfocan en el análisis cualitativo de la información y son insuficientes las investigaciones cuantitativas y que analizan en la práctica las estrategias adaptativas de aprendizaje que se aplican en los centros de Educación Superior sobre todo en Latinoamérica (Paredes Gaibor et al., 2024). Para el análisis de los hallazgos encontrados al respecto se desarrollaron los siguientes ejes temáticos.
Contexto de las experiencias educativas
Los estudios revisados que provienen de las universidades latinoamericanas reportan las experiencias sobre el aprendizaje adaptativo con inteligencia artificial (IA) en carreras como las ingenierías, áreas de las ciencias exactas y las tecnologías fundamentalmente (Cadena et al., 2025; González Rodríguez et al., 2025). La aplicación de estas herramientas es más evidente en modalidad virtual, aunque se aplican en modalidades híbridas y presencial también, esto depende de las particularidades de las carreras y de las condiciones institucionales para su implementación efectiva (Meza Arguello et al., 2025).
En la educación universitaria como se mostró en las investigaciones hay un uso destacado de sistemas de evaluaciones automatizados, manejo de plataformas académicas de retroalimentación inteligente y algoritmos de recomendación, así como de asistentes conversacionales y tutores virtuales (Rodríguez Chávez, 2021; Romero González & Romero Enríquez, 2022). Estas herramientas aseguraron una mayor retención estudiantil, que los docentes fueran más eficientes y a su vez que la experiencia de aprendizaje sean óptimas e individualizadas. Estas experiencias no tienen el alcance esperado en la región pues las condiciones estructurales y recursos materiales y humanos de muchas instituciones no son los adecuados para la implementación de las iniciativas educativas con IA (Jiménez Barrera et al., 2022; Pérez et al., 2025).
Tecnologías y enfoques de IA
Los enfoques técnicos identificados, dan a los modelos pedagógicos constructivistas apoyados en IA sobretodo a los híbridos, la posibilidad de que los contenidos y las actividades se adapten al perfil del estudiante, pues es una realidad práctica que estas arquitecturas con procesamiento de lenguaje natural y análisis predictivo-avanzados permiten adaptar la dinámica de aprendizaje, su ritmo y nivel de dificultad. Con estas tecnologías innovadoras se han ido modificando gradualmente los recursos de aprendizaje, las mallas curriculares y se ha capacitado a los docentes para la ejecución responsable y exitosa de las herramientas (Acón-Matamoros & Morales-Hernández, 2023).
Resultados académicos en los estudiantes
La implementación del aprendizaje adaptativo con IA se reporta en la literatura con efectos positivos, las investigaciones revisadas coinciden en que los estudiantes tienen mejorías en las calificaciones y a su vez en el rendimiento académico, también indican que ellos almacenan el conocimiento y captan los contenidos complejos de mejor manera porque se sienten motivados y satisfechos con su experiencia educativa. Es confirmado que las habilidades cognitivas y metacognitivas se fortalecen en el proceso enseñanza-aprendizaje con los sistemas adaptativos con IA (Meza Arguello et al., 2025; Pérez et al., 2025; Supelano Londoño, 2024).
Personalización y experiencia de aprendizaje
Las estrategias de personalización del proceso educativo en la Educación Superior han sido influenciadas por los modelos adaptados con IA, pues coincidentemente mencionan algunos autores que a diferencia de los modelos convencionales de educación la enseñanza personalizada adecua los contenidos, recursos y ritmo de aprendizaje a las necesidades de cada estudiante, para que este tenga mayor motivación y permanencia en su proceso, adquiera mayor independencia y avance con fluidez en la resolución de problemas. Estas adaptaciones flexibilizan el estudio, les da a los estudiantes una experiencia más favorable y los empodera con su proceso formativo (Cadena et al., 2025).
Retos e inconvenientes
En los países de Latino América la revisión detectó limitantes generalizadas en la implementación de la adaptabilidad educativa con IA en las universidades. Primeramente, existe un acceso desigual a las tecnologías digitales dentro de los países y a nivel regional, muchas instituciones educativas carecen de las adecuaciones técnicas de la infraestructura, así como de los recursos económicos para su implementación. También se documenta de manera organizativa resistencia institucional a realizar los cambios ya que se requieren muchas transformaciones e inversión desde elementos regulatorios, modificaciones curriculares, capacitación docente y renovación tecnológica y estructural (Pérez et al., 2025; Silva & Gavilanes, 2021; Supelano Londoño et al., 2024;).
Es importante indicar que los profesores y autoridades manifiestan temores en cuanto a la privacidad de la información, la seguridad de los datos y la transparencia ética de los algoritmos aplicados. Estos desafíos requieren de esfuerzos e iniciativa coordinada entre las universidades y en diferentes niveles administrativos de la educación para que la integración de la IA sea más organizada, consolidada y aprovechen equitativamente sus beneficios (Barrera et al., 2022; Chambi Huacani et al., 2024; Román Acosta et al., 2023).
Posibilidades para el futuro
Los investigadores confluyen en la idea que la IA es una influencia beneficiosa para la renovación de los sistemas de aprendizaje adaptativos en la Educación Superior toda Latinoamérica, impulsando los ambientes universitarios inclusivos y eficientes. El acceso a una educación personalizada y adaptada potencia la calidad de los egresados y su integración a una sociedad (Acón-Matamoros et al., 2025; Cadena et al., 2025). Se hace reiterativa la afirmación que el éxito depende políticas precisas y con pautas éticas claras, realizar inversiones en recursos tecnológicos y formación de los docentes. Promover la colaboración interdisciplinaria de las instituciones para una adopción sostenible y equitativa (González & Enríquez, 2022; Paredes Gaibor et al., 2024).
CONCLUSIONES
Se concluye en esta investigación que son evidentes los beneficios de la integración del aprendizaje adaptativo con IA en la transformación de la Educación Superior en Latinoamérica. Esta educación personalizada según las necesidades de los estudiantes se convierte en resultados a favor de una mayor motivación estudiantil y de una mejor comprensión de los contenidos y a su vez un alto rendimiento académico y retención.
Estas herramientas tecnológicas en conclusión son recursos pedagógicos que permiten una educación más inclusiva, con una retroalimentación automatizada e individualizada que detecta inmediatamente las falencias que tienen los estudiantes, pero que no debe sustituir la labor docente, el cual si debe integrar crítica y reflexivamente estas tecnologías para facilitar su labor.
Se reconocen las limitantes vinculadas a la infraestructura tecnológica, el acceso digital, la falta de formación específica de los docente y dilemas éticos con la privacidad y el manejo de datos personales, así como el riesgo de dependencia de los estudiantes a la IA. Por lo que las instituciones de la enseñanza superior deben participar en el desarrollo de políticas formativas y regulatorias y promover un enfoque crítico, ético y colaborativo en la integración responsable y equitativa de la IA en la comunidad académica.
