Sistema
adaptativo basado en redes bayesianas para la autorregulación del aprendizaje
Byron
Oviedo-Bayas[*]
Efraín
Díaz-Macías*
Jorge
Guanín-Fajardo*
Omar
Oviedo-Armijos*
Resumen
El
presente artículo describe el diseño, desarrollo y evaluación empírica de un
Sistema de Tutoría Inteligente denominado SARA, concebido para promover de
manera explícita la autorregulación del aprendizaje en contextos de Educación
Superior. A diferencia de los sistemas de tutoría tradicionales, cuya
adaptación se centra casi exclusivamente en el nivel de conocimiento del
estudiante, SARA integra un modelo formal de autorregulación sustentado en una
Red Bayesiana dinámica de doble capa. Este modelo permite inferir en tiempo
real los estados de planificación, supervisión y reflexión de los estudiantes a
partir de sus patrones de interacción con el sistema, tales como el tiempo de
respuesta, el uso de ayudas, la secuencia de intentos y la consulta de herramientas
metacognitivas. Sobre la base de dichas inferencias probabilísticas, el sistema
genera intervenciones tutoriales personalizadas orientadas no solo a la
resolución de tareas, sino al fortalecimiento de estrategias metacognitivas
efectivas. La evaluación se llevó a cabo mediante un diseño cuasi-experimental
en un curso universitario de estadística aplicada, comparando un grupo
experimental que utilizó SARA con un grupo de control que empleó un sistema
adaptativo centrado únicamente en el conocimiento del dominio. Los resultados
evidencian que los estudiantes que interactuaron con SARA obtuvieron mayores
ganancias de aprendizaje, mostraron mejoras significativas en conductas
objetivas de autorregulación y reportaron un uso más frecuente de estrategias autorreguladas.
Asimismo, el modelo bayesiano integrado presentó una mayor precisión predictiva
respecto al desempeño estudiantil. En conjunto, los hallazgos confirman que la
incorporación de modelos computacionales de autorregulación en sistemas de
tutoría inteligente constituye un avance relevante para el desarrollo de
aprendizajes profundos, autónomos y sostenibles en la educación universitaria.
Palabras
clave: metacognición,
personalización educativa, aprendizaje autónomo, inteligencia artificial
educativa, analítica del aprendizaje.
Adaptive system based on bayesian networks for self-regulated learning
Abstract
This article
describes the design, development, and empirical evaluation of an Intelligent
Tutoring System called SARA, designed to explicitly promote self-regulated
learning in higher education contexts. Unlike traditional tutoring systems,
which focus almost exclusively on the student's level of knowledge, SARA
integrates a formal self-regulation model based on a dynamic double-layer
Bayesian network. This model allows real-time inference of students' planning,
monitoring, and reflection states based on their patterns of interaction with
the system, such as response time, use of aids, sequence of attempts, and
consultation of metacognitive tools. Based on these probabilistic inferences,
the system generates personalized tutorial interventions aimed not only at task
completion but also at strengthening effective metacognitive strategies. The
evaluation was conducted using a quasi-experimental design in a university
course on applied statistics, comparing an experimental group that used SARA
with a control group that used an adaptive system focused solely on domain
knowledge. The results show that students who interacted with SARA achieved
greater learning gains, showed significant improvements in objective
self-regulation behaviors, and reported more frequent use of self-regulated
strategies. Likewise, the integrated Bayesian model showed greater predictive
accuracy with respect to student performance. Taken together, the findings
confirm that the incorporation of computational self-regulation models into intelligent
tutoring systems constitutes a significant advance for the development of deep,
autonomous, and sustainable learning in university education.
Keywords:
metacognition, educational personalization, autonomous learning, educational
artificial intelligence, learning analytics.
Received : 13-10-2025
Approved: 21-11-2025
INTRODUCCIÓN
La
Educación Superior contemporánea se encuentra inmersa en un escenario
caracterizado por la expansión de la matrícula, la diversificación de los
perfiles estudiantiles y la creciente incorporación de tecnologías digitales en
los procesos formativos. Este contexto plantea un desafío central para las
instituciones universitarias: cómo garantizar aprendizajes profundos y de
calidad en entornos cada vez más masificados y heterogéneos. La investigación
educativa ha mostrado de manera consistente que el aprendizaje significativo no
depende únicamente de la exposición a contenidos, sino de la capacidad del
estudiante para gestionar activamente su propio proceso cognitivo y
motivacional (Schunk & Zimmerman, 2011). En este sentido, la
autorregulación del aprendizaje se ha consolidado como uno de los constructos
más relevantes para comprender y potenciar el rendimiento académico en
contextos universitarios.
La
autorregulación del aprendizaje se concibe como un proceso activo y cíclico
mediante el cual los estudiantes planifican sus metas, supervisan su progreso,
regulan sus estrategias cognitivas y reflexionan sobre los resultados
obtenidos, ajustando su comportamiento en función de la retroalimentación
interna y externa (Panadero, 2017). Diversos estudios han evidenciado que los
estudiantes con altos niveles de autorregulación presentan un mejor desempeño
académico, una mayor persistencia ante las dificultades y una disposición más
favorable hacia el aprendizaje autónomo, especialmente en entornos mediados por
tecnología (Broadbent & Poon, 2015). No obstante, estas competencias no
suelen desarrollarse de manera espontánea y requieren de apoyos pedagógicos
explícitos y sistemáticos.
En la
práctica educativa, promover la autorregulación representa un reto considerable
para el docente universitario, particularmente en aulas numerosas o en
modalidades virtuales. La provisión de retroalimentación individualizada,
oportuna y orientada a los procesos metacognitivos demanda un tiempo y una
dedicación que difícilmente pueden sostenerse a gran escala. En este escenario,
los Sistemas de Tutoría Inteligente han emergido como una alternativa
tecnológica con alto potencial para ofrecer apoyo personalizado al aprendizaje.
Estos sistemas buscan emular ciertas funciones del tutor humano mediante la
adaptación de contenidos, actividades y retroalimentación a las características
del estudiante (Ma et al., 2014).
Sin
embargo, la mayoría de los Sistemas de Tutoría Inteligente desarrollados hasta
la fecha se han enfocado principalmente en modelar el conocimiento del dominio,
es decir, en identificar qué sabe o no sabe el estudiante. Modelos clásicos
como el Trazado de Conocimiento Bayesiano han demostrado ser eficaces para
representar la adquisición progresiva de habilidades en dominios bien
estructurados (Corbett & Anderson, 1994). A pesar de su utilidad, este
enfoque resulta limitado, ya que reduce el aprendizaje a una acumulación de
conocimientos y deja de lado dimensiones fundamentales como las estrategias
utilizadas, la gestión del esfuerzo, la toma de decisiones y la reflexión sobre
el propio desempeño.
El
avance hacia sistemas de tutoría verdaderamente inteligentes requiere, por
tanto, de modelos de estudiante más integrales, capaces de representar no solo
el conocimiento, sino también los procesos metacognitivos y autorregulatorios.
En este punto, las Redes Bayesianas se presentan como una herramienta
particularmente adecuada. Estas estructuras probabilísticas permiten modelar
relaciones causales entre variables observables y latentes, manejar la
incertidumbre inherente a los procesos cognitivos y actualizar creencias a
partir de nueva evidencia (Pearl, 1988). En el ámbito educativo, las Redes
Bayesianas han sido ampliamente utilizadas para el modelado del estudiante,
destacando por su capacidad explicativa y diagnóstica (Millán et al., 2010).
Diversas
investigaciones han explorado el uso de modelos probabilísticos para
representar aspectos específicos de la metacognición y la motivación. Por
ejemplo, se ha estudiado la búsqueda de ayuda, la calibración de la confianza y
el compromiso del estudiante, evidenciando que estas variables influyen de
manera directa en el aprendizaje (Roll et al., 2011; Csikszentmihalyi &
Nakamura, 2014). No obstante, muchos de estos enfoques se han centrado en
componentes aislados de la autorregulación o han sido diseñados para dominios
muy específicos, lo que limita su generalización y su impacto en contextos
educativos reales.
A
partir de este análisis, se identifica una brecha relevante en la literatura:
la ausencia de sistemas adaptativos que integren de manera explícita y
sistemática un modelo completo de autorregulación del aprendizaje y que
utilicen dicho modelo como base para la generación de intervenciones
pedagógicas personalizadas. La mayoría de los Sistemas de Tutoría Inteligente
utilizan la autorregulación como un medio indirecto para mejorar el aprendizaje
del contenido. En contraste, la presente investigación propone situar la
autorregulación como un objetivo central del proceso de tutoría, entendiendo el
dominio disciplinar como el contexto en el cual se desarrollan y fortalecen las
competencias metacognitivas.
En
este marco, el objetivo del presente estudio es diseñar, implementar y evaluar
un Sistema Adaptativo basado en Redes Bayesianas para la Autorregulación del
Aprendizaje, denominado SARA, orientado a estudiantes de Educación Superior. El
sistema se apoya en un modelo de estudiante de doble capa que integra, por un
lado, el conocimiento del dominio y, por otro, las fases clave del ciclo de
autorregulación propuesto por Zimmerman: planificación, supervisión y
reflexión. La hipótesis central sostiene que la incorporación explícita de
estas dimensiones permitirá no solo mejorar los resultados de aprendizaje, sino
también transformar las conductas y estrategias de estudio de los estudiantes,
promoviendo una mayor autonomía.
METODOLOGÍA
La
investigación se desarrolló bajo un enfoque de diseño basado en la evidencia,
orientado a la creación y validación de soluciones educativas en contextos
reales (Anderson & Shattuck, 2012). Para la evaluación del sistema se
adoptó un diseño cuasi-experimental con grupos no equivalentes, combinando
métodos cuantitativos y cualitativos. La muestra estuvo conformada por 127
estudiantes universitarios matriculados en un curso de estadística aplicada,
distribuidos en un grupo experimental que utilizó el sistema SARA con el módulo
de autorregulación activo y un grupo de control que empleó una versión del
sistema adaptada únicamente al conocimiento del dominio.
El
sistema SARA fue desarrollado como una plataforma web interactiva que incorpora
un modelo de estudiante implementado mediante una Red Bayesiana dinámica. La
capa de conocimiento del dominio modela habilidades estadísticas clave,
mientras que la capa de autorregulación representa las variables latentes de
planificación, supervisión y reflexión, inferidas a partir de indicadores
conductuales observables. El diseño de la investigación contempló la aplicación
de pruebas de conocimiento antes y después de la intervención, el análisis de
registros de interacción del sistema y la aplicación de un cuestionario
validado de estrategias de autorregulación. El análisis estadístico incluyó
análisis de covarianza, pruebas de comparación de medias y estimaciones del tamaño
del efecto, garantizando el cumplimiento de los supuestos estadísticos
correspondientes.
RESULTADOS
El
análisis de los resultados se estructuró en función de los objetivos del
estudio y del modelo teórico de autorregulación del aprendizaje que sustenta el
sistema SARA. En todos los casos, los resultados se obtuvieron a partir de la
comparación entre el grupo experimental, que utilizó el sistema con el modelo
de autorregulación activo, y el grupo de control, que interactuó con un sistema
adaptativo centrado exclusivamente en el conocimiento del dominio. Para cada
resultado se describe, en primer lugar, el procedimiento seguido para su
obtención, posteriormente se presenta la evidencia empírica en forma tabular,
luego se expone el análisis estadístico correspondiente y, finalmente, se
discuten los hallazgos a la luz de los autores considerados en el estudio.
En
relación con el impacto del sistema en el aprendizaje del dominio de
estadística, los resultados se obtuvieron a partir de la aplicación de una
prueba de conocimientos antes y después de la intervención. Con el fin de
controlar las diferencias iniciales entre los grupos, se utilizó un análisis de
covarianza, considerando la puntuación pretest como covariable y la puntuación
postest como variable dependiente. Previamente se verificaron los supuestos
estadísticos de normalidad, homogeneidad de varianzas y linealidad entre la
covariable y la variable dependiente, lo que permitió asegurar la validez del
análisis inferencial.
Tabla
1
Comparación
de las puntuaciones de conocimiento en estadística entre el grupo experimental
y el grupo de control
|
Grupo |
n |
Pretest M (DE) |
Postest M (DE) |
Media ajustada postest |
F |
p |
d |
|
Experimental (GE) |
65 |
10.21 (3.14) |
15.89 (2.87) |
15.82 |
6.73 |
.011 |
0.46 |
|
Control (GC) |
62 |
10.45 (3.01) |
14.73 (3.22) |
14.80 |
Nota.
DE = desviación estándar; d = tamaño del efecto de Cohen.
El
análisis estadístico evidenció un efecto significativo del grupo sobre el
rendimiento final en estadística una vez controlado el conocimiento previo. La
covariable pretest mostró una influencia significativa sobre el postest, lo que
confirma que el nivel inicial de conocimiento condiciona el desempeño final. No
obstante, al aislar este efecto, se observó que los estudiantes del grupo
experimental alcanzaron puntuaciones significativamente superiores a las del
grupo de control. El tamaño del efecto obtenido puede considerarse moderado, lo
que indica que la diferencia no solo es estadísticamente significativa, sino
también relevante desde el punto de vista educativo.
Desde
una perspectiva teórica, estos resultados son coherentes con los planteamientos
de Zimmerman y Schunk, quienes sostienen que la autorregulación del aprendizaje
actúa como un facilitador clave del rendimiento académico. El hecho de que el
sistema SARA incorpore intervenciones orientadas a la planificación,
supervisión y reflexión explica que los estudiantes no solo aprendan más
contenido, sino que lo hagan de manera más eficaz. Asimismo, estos hallazgos se
alinean con los resultados reportados por Ma et al., quienes destacan que los
sistemas de tutoría inteligente muestran mayores efectos cuando apoyan procesos
cognitivos de orden superior y no se limitan a la presentación adaptativa de
contenidos.
En
cuanto a los cambios en las conductas de autorregulación, los resultados se
obtuvieron a partir del análisis de los registros de interacción del sistema.
Se definieron indicadores conductuales objetivos asociados a las fases del
ciclo de autorregulación, tales como el uso estratégico de ayudas, la gestión
del tiempo en función de la dificultad de las tareas y la consulta de
herramientas de reflexión. Estos indicadores se calcularon para cada estudiante
y se compararon entre ambos grupos al final de la intervención mediante pruebas
t para muestras independientes.
Tabla
2
Métricas
conductuales de autorregulación del aprendizaje por grupo
|
Indicador |
Grupo |
M (DE) |
t(125) |
p |
d |
|
Uso estratégico de ayudas |
Experimental |
0.72 (0.18) |
6.12 |
< .001 |
1.03 |
|
Control |
0.51 (0.22) |
||||
|
Relación tiempo–dificultad |
Experimental |
0.41 (0.19) |
4.35 |
< .001 |
0.77 |
|
Control |
0.25 (0.23) |
||||
|
Consultas a la bitácora |
Experimental |
3.15 (1.42) |
8.62 |
< .001 |
1.52 |
|
Control |
1.23 (1.05) |
Nota. M = media; DE = desviación estándar; d = tamaño del efecto
de Cohen.
El
análisis estadístico mostró diferencias altamente significativas en todos los
indicadores conductuales evaluados, con tamaños del efecto grandes. Los
estudiantes del grupo experimental utilizaron las ayudas de manera más
estratégica, dedicaron más tiempo a las tareas de mayor dificultad y
consultaron con mayor frecuencia las herramientas de reflexión. Estos
resultados indican una mejora sustancial en la supervisión del aprendizaje y en
la regulación del esfuerzo, aspectos centrales de la autorregulación.
La
discusión de estos hallazgos puede vincularse directamente con los trabajos de
Azevedo y colaboradores, quienes señalan que la autorregulación se manifiesta
de forma observable en patrones de interacción específicos dentro de entornos
digitales. En este sentido, el sistema SARA no solo infirió estados internos de
autorregulación mediante la red bayesiana, sino que logró inducir cambios
conductuales coherentes con una autorregulación más avanzada. De igual forma,
los resultados respaldan lo señalado por Panadero, quien destaca que la
reflexión suele ser la fase más débil del ciclo autorregulatorio, y muestran
que el uso sistemático de herramientas metacognitivas puede fortalecerla cuando
existe un andamiaje adecuado.
Finalmente,
los resultados relacionados con las estrategias de autorregulación
autorreportadas se obtuvieron mediante la aplicación del cuestionario MSLQ
antes y después de la intervención. Para el análisis se utilizó nuevamente un
análisis de covarianza, considerando la puntuación pretest como covariable y la
puntuación postest como variable dependiente.
Tabla
3.
Comparación
de estrategias de autorregulación autorreportadas mediante el MSLQ
|
Grupo |
n |
Pretest M (DE) |
Postest M (DE) |
Media ajustada postest |
F |
p |
d |
|
Experimental (GE) |
65 |
4.12 (0.61) |
4.68 (0.53) |
4.67 |
8.94 |
.003 |
0.53 |
|
Control (GC) |
62 |
4.09 (0.58) |
4.32 (0.62) |
4.33 |
Nota.
M = media; DE = desviación estándar; d = tamaño del efecto de Cohen.
El
análisis estadístico evidenció que los estudiantes del grupo experimental
reportaron un uso significativamente mayor de estrategias de autorregulación al
finalizar la intervención, con un tamaño del efecto moderado. Este resultado
complementa la evidencia conductual obtenida a partir de los registros del
sistema y sugiere una coherencia entre el comportamiento observado y la
percepción subjetiva de los estudiantes.
Desde
el marco teórico, estos resultados refuerzan lo planteado por Broadbent y Poon,
quienes subrayan que el desarrollo de la autorregulación en entornos digitales
requiere apoyos explícitos y no emerge de manera automática. Asimismo,
coinciden con los planteamientos de Roll et al., al evidenciar que la
retroalimentación metacognitiva personalizada favorece una mayor conciencia
estratégica y un uso más deliberado de recursos de aprendizaje. En conjunto,
los resultados confirman que la incorporación de un modelo bayesiano de
autorregulación en sistemas de tutoría inteligente permite no solo predecir el
desempeño del estudiante, sino también transformar de manera significativa su
forma de aprender.
La
discusión de los resultados permite comprender con mayor profundidad el alcance
y la relevancia del sistema SARA como propuesta tecnológica orientada a la
promoción de la autorregulación del aprendizaje en la Educación Superior. Los
hallazgos obtenidos confirman que la incorporación explícita de un modelo
computacional de autorregulación, basado en redes bayesianas dinámicas, no solo
es viable desde el punto de vista técnico, sino que aporta beneficios
pedagógicos sustantivos que trascienden la mejora puntual del rendimiento
académico.
Uno de
los resultados más relevantes del estudio es la mejora significativa en el
aprendizaje del dominio disciplinar observada en los estudiantes que
interactuaron con SARA. Este efecto no puede interpretarse únicamente como una
consecuencia de una adaptación más precisa de los contenidos, sino como el
resultado de un cambio más profundo en la forma en que los estudiantes afrontan
las tareas de aprendizaje. Al recibir retroalimentación orientada a la
planificación, la supervisión y la reflexión, los estudiantes fueron guiados
hacia un uso más consciente y estratégico de sus recursos cognitivos, lo que
favoreció una comprensión más sólida y duradera de los contenidos. Este
hallazgo refuerza la idea, ampliamente sostenida en la literatura, de que la
autorregulación actúa como un mediador clave entre la instrucción y el logro
académico, y demuestra que dicho mediador puede ser activamente fomentado
mediante sistemas de tutoría inteligente.
Más
allá del rendimiento académico, los cambios observados en las conductas
objetivas de autorregulación constituyen una de las contribuciones más
significativas del estudio. Los registros de interacción muestran que los
estudiantes del grupo experimental adoptaron patrones de comportamiento más
coherentes con una autorregulación avanzada, tales como un uso más estratégico
de las ayudas, una gestión del tiempo más ajustada a la dificultad de las
tareas y una mayor recurrencia a herramientas de reflexión. Estos resultados
son especialmente relevantes porque evidencian transformaciones observables en
el proceso de aprendizaje, y no únicamente en sus resultados finales. En este
sentido, el sistema SARA no se limitó a inferir estados internos del
estudiante, sino que logró influir activamente en sus decisiones y acciones
durante la resolución de las tareas, cerrando el ciclo de la autorregulación de
manera efectiva.
La
coherencia entre los datos conductuales y los resultados obtenidos a partir de
los autoinformes refuerza la solidez de las conclusiones. El incremento en el
uso de estrategias de autorregulación reportado por los estudiantes sugiere que
los cambios inducidos por el sistema no fueron meramente instrumentales o
circunstanciales, sino que estuvieron acompañados de una mayor conciencia
metacognitiva. Esta internalización de las estrategias es un aspecto clave, ya
que constituye la base para la transferencia de la autorregulación a otros
contextos de aprendizaje, más allá del entorno específico del sistema.
Desde
una perspectiva computacional, la mayor precisión predictiva del modelo
bayesiano que integra variables de autorregulación aporta evidencia de que
estos constructos capturan información relevante y complementaria al
conocimiento del dominio. Este resultado pone de manifiesto las limitaciones de
los modelos de estudiante centrados exclusivamente en el rendimiento cognitivo
y subraya la necesidad de avanzar hacia representaciones más integrales del
aprendiz. La capacidad de las redes bayesianas para manejar la incertidumbre y
combinar múltiples fuentes de evidencia se confirma, así, como una fortaleza
clave para el modelado de procesos complejos como la autorregulación del
aprendizaje.
Las
implicaciones de estos hallazgos son relevantes tanto para la investigación
como para la práctica educativa. Desde el punto de vista del diseño de sistemas
educativos, el estudio ofrece un marco concreto para el desarrollo de tutores
inteligentes que no solo enseñen contenidos, sino que entrenen activamente a
los estudiantes en cómo aprender. Para los docentes y las instituciones de
educación superior, sistemas como SARA representan una oportunidad para
proporcionar apoyo personalizado a gran escala, especialmente en contextos
caracterizados por la diversidad de perfiles estudiantiles y la limitación de
recursos tutoriales.
No
obstante, los resultados deben interpretarse a la luz de ciertas limitaciones.
El diseño cuasi-experimental, aunque adecuado para contextos educativos reales,
restringe el alcance de las inferencias causales. Asimismo, la duración
relativamente breve de la intervención no permite determinar en qué medida las
mejoras observadas se mantienen a largo plazo o se transfieren a otros
dominios. Además, si bien el modelo de autorregulación implementado abarca las
fases centrales del ciclo propuesto por Zimmerman, otros factores relevantes,
como la motivación, las emociones o las interacciones sociales, podrían
integrarse de manera más explícita en futuras versiones del sistema.
En
conjunto, los resultados de este estudio refuerzan la idea de que el verdadero
potencial de la inteligencia artificial educativa no reside únicamente en
adaptar contenidos, sino en apoyar el desarrollo de competencias metacognitivas
fundamentales. Al situar la autorregulación del aprendizaje como un objetivo
central de la tutoría, el sistema SARA contribuye a una concepción más profunda
y sostenible de la personalización educativa. De este modo, la investigación no
solo valida una solución tecnológica específica, sino que aporta evidencia a
favor de un cambio de paradigma en el diseño de sistemas de tutoría
inteligente, orientados a empoderar al estudiante como agente activo y autónomo
de su propio aprendizaje.
CONCLUSIONES
Las
conclusiones de este estudio confirman que el diseño e implementación de un
Sistema de Tutoría Inteligente orientado explícitamente a la autorregulación
del aprendizaje constituye una contribución relevante tanto para la
investigación en inteligencia artificial educativa como para la práctica
pedagógica en la Educación Superior. El sistema SARA, fundamentado en un modelo
bayesiano dinámico de doble capa que integra el conocimiento del dominio y las
fases clave de la autorregulación, demuestra que es posible trascender los
enfoques tradicionales de adaptación centrados exclusivamente en el rendimiento
cognitivo.
Los
resultados evidencian que los estudiantes que interactuaron con SARA no solo
alcanzaron mejores niveles de aprendizaje en el dominio de estadística, sino
que desarrollaron conductas más consistentes con un aprendizaje autorregulado.
Este hallazgo es especialmente significativo, ya que el objeto central del
estudio no fue únicamente mejorar el desempeño académico inmediato, sino
promover competencias metacognitivas que permitan a los estudiantes gestionar
de manera más consciente y autónoma su proceso de aprendizaje. En este sentido,
el sistema logró articular de forma efectiva el aprendizaje del contenido con
el fortalecimiento de habilidades de planificación, supervisión y reflexión,
confirmando la validez del enfoque propuesto.
Desde
una perspectiva metodológica y computacional, el uso de redes bayesianas
dinámicas se consolida como una estrategia adecuada para modelar procesos
complejos y latentes como la autorregulación del aprendizaje. La mayor
precisión predictiva del modelo integrado pone de manifiesto que las variables
autorregulatorias aportan información sustantiva para comprender el
comportamiento del estudiante y anticipar su desempeño. Esto refuerza la idea
de que los modelos de estudiante deben evolucionar hacia representaciones más
holísticas, capaces de capturar no solo lo que el estudiante sabe, sino cómo
aprende y cómo regula su esfuerzo.
Asimismo,
la coherencia entre los indicadores conductuales observados y las percepciones
autorreportadas por los estudiantes sugiere que las intervenciones generadas
por el sistema no operaron únicamente a nivel instrumental, sino que
favorecieron una mayor conciencia metacognitiva. Este aspecto es clave para el
objeto de estudio, ya que la autorregulación efectiva implica no solo la
ejecución de estrategias, sino también la comprensión y apropiación de estas
por parte del aprendiz.
En
términos aplicados, los resultados del estudio posicionan a SARA como una
herramienta con alto potencial para apoyar a docentes e instituciones en
contextos caracterizados por la masificación y la diversidad estudiantil. Al
ofrecer retroalimentación personalizada y oportuna sobre los procesos de
aprendizaje, el sistema contribuye a reducir la dependencia del acompañamiento
tutorial individual y a fomentar una mayor autonomía en los estudiantes.
En
conclusión, esta investigación demuestra que integrar la autorregulación del
aprendizaje como un objetivo explícito en sistemas adaptativos basados en
inteligencia artificial no solo mejora los resultados académicos, sino que
promueve aprendizajes más profundos, conscientes y sostenibles. De este modo,
el estudio aporta evidencia empírica y conceptual que respalda un cambio de
paradigma en el diseño de Sistemas de Tutoría Inteligente, orientados a formar
aprendices capaces de aprender de manera autónoma a lo largo de su trayectoria
académica y profesional.
REFERENCES
Anderson, T., & Shattuck, J.
(2012). Design-based research: A decade of progress in education research? Educational
Researcher, 41(1), 16–25. https://doi.org/10.3102/0013189X11428813
Azevedo, R., Harley, J., Trevors, G., Duffy, M., Feyzi-Behnagh,
R., Bouchet, F., & Landis, R. (2013). Using trace data to examine the
complex roles of cognitive, metacognitive, and emotional self-regulatory
processes during learning with multi-agent systems. In R. https://doi.org/10.1007/978-1-4419-5546-3_28
Azevedo & V. Aleven (Eds.), International handbook of metacognition
and learning technologies (pp. 427–449). Springer. https://doi.org/10.1007/978-1-4419-5546-3_28
Azevedo, R., & Aleven, V. (Eds.). (2013). International handbook of
metacognition and learning technologies. Springer. https://doi.org/10.1007/978-1-4419-5546-3
Broadbent, J., & Poon, W. L.
(2015). Self-regulated learning strategies and academic achievement in online
higher education learning environments: A systematic review. The Internet
and Higher Education, 27, 1–13. https://doi.org/10.1016/j.iheduc.2015.04.007
Corbett, A. T., & Anderson,
J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural
knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. https://doi.org/10.1007/BF01099821
Csikszentmihalyi, M., &
Nakamura, J. (2014). The dynamics of intrinsic motivation. In M.
Csikszentmihalyi, Flow and the foundations of positive psychology (pp.
175–197). Springer. https://doi.org/10.1007/978-94-017-9088-8_12
Ma, W., Adesope,
O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and
learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4),
901–918. https://doi.org/10.1037/a0037123
Millán, E., Loboda, T., &
Pérez-de-la-Cruz, J. L. (2010). Bayesian networks for student model
engineering. Computers & Education, 55(4), 1663–1683. https://doi.org/10.1016/j.compedu.2010.07.010
Panadero, E. (2017). A review of
self-regulated learning: Six models and four directions for research. Frontiers
in Psychology, 8, Article 422. https://doi.org/10.3389/fpsyg.2017.00422
Pearl, J. (1988). Probabilistic
reasoning in intelligent systems: Networks of plausible inference. Morgan
Kaufmann.
Pintrich, P. R., Smith, D. A., García, T., & McKeachie, W. J. (1991). A manual for the use of the
Motivated Strategies for Learning Questionnaire (MSLQ). National Center for
Research to Improve Postsecondary Teaching and Learning.
Roll, I., Aleven,
V., McLaren, B. M., & Koedinger, K. R. (2011). Improving students’
help-seeking skills using metacognitive feedback in an intelligent tutoring
system. Learning and Instruction, 21(2), 267–280. https://doi.org/10.1016/j.learninstruc.2010.07.004
Schunk, D. H., & Zimmerman,
B. J. (Eds.). (2011). Handbook of self-regulation of learning and
performance. Routledge. https://doi.org/10.4324/9780203839010