La Universidad Inteligente

RED. Revista de Educación a Distancia. Núm.
57(10), 31-01-2018
DOI: http://dx.doi.org/10.6018/red/57/10
http://www.um.es/ead/red/57/zapata2.pdf
La universidad inteligente
La transición de los LMS a los Sistemas Inteligentes de Aprendizaje en
Educación Superior
The smart university

The transition from Learning Management Systems (LMS) to Smart Learning
Systems (SLS) in Higher Education
Miguel Zapata-Ros
Universidad de Murcia. Murcia, España.
[email protected]
Resumen
Como sucede en otros ámbitos, también en la Educación Superior se detecta que el
uso de la Inteligencia Artificial (IA) puede ser, y en algunos casos está siendo, un
potente medio de inclusión a través del apoyo adaptativo en la ayuda pedagógica y
en la entrega de recursos. Y hacerlo de forma sensible, relevante y pertinente con la
situación personal y grupal de aprendizaje de los estudiantes, como respuesta a su
demanda de conocimientos y para el desarrollo de sus habilidades.
Se necesita pues un marco de modelo pedagógico y de diseño instruccional,
que integre a los alumnos en los nuevos entornos y oriente esa ayuda a unos
resultados de aprendizaje comunes a todos y deseables. Planteamos igualmente la
necesidad de un análisis de las condiciones necesarias para su validación. Por
último, proponemos, a través de análisis basados en experiencias, respuestas
concretas ante la insuficiencia de políticas instituciones que contemplen
modalidades de integración y sus repercusiones.
Palabras clave
Aprendizaje inteligente, sistemas inteligentes de gestión del aprendizaje,
aprendizaje adaptativo, aprendizaje consciente del contexto, educación superior
Abstract
As it happens in other fields, also in Higher Education it is detected that the use of
Artificial Intelligence (AI) can be, and in some cases is being, a powerful medium
of inclusion through adaptive support in pedagogical help and in the delivery of
resources. And to do it in a sensitive, relevant and pertinent way with the personal
and group situation of students' learning, in response to their demand for
knowledge and for the development of their skills.
There is a need for a framework of pedagogical model and instructional design that
integrates students and guides this help to common and desirable learning
outcomes. We also raise the need for an analysis of the conditions necessary for its
validation. Finally, we propose, through analysis based on experiences, concrete
answers to the insufficiency of institutional policies that contemplate modalities of
integration and their repercussions.
Smart learning, Smart learning systems, adaptive learning, higher education,

context-aware learning
RED. Revista de Educación a Distancia, Núm. 57(10) 31-03-2018
DOI: http://dx.doi.org/10.6018/red/57/10 http://www.um.es/ead/red/57/zapata2.pdf
"Durante treinta años he asistido a conferencias donde oradores han

hablado con diapositivas que comparan las imágenes de un aula de
principios del siglo 20 con otra de hoy, y deliberadamente han preguntado:
'¿por qué hay tan pocos cambios' La variante moderna de esa pregunta es
algo así como esto: las tecnologías inteligentes ya han transformado
muchas partes de nuestras vidas - desde la forma en que hoy reservamos
un taxi. Podría parecer razonable que la IA también influyera
significativamente en lo que enseñamos y en lo que aprendemos, así como
la forma en que lo hacemos. Y sin embargo ..."
Sir Michael Barber
1. Introducción
Hace falta una respuesta ante un hecho indiscutible: El uso de la IA como un potente medio de
adaptabilidad y de inclusión del apoyo de la entrega de ayuda y de recursos de forma
relevante y pertinente a la situación personal y grupal de aprendizaje y a la demanda de
conocimientos y de habilidades de los estudiantes.
Hay una necesidad de un marco de modelo pedagógico y de diseño instruccional que integre a
los alumnos y oriente esa ayuda a unos resultados de aprendizaje comunes y deseables.
Planteamos igualmente la necesidad de un análisis de las condiciones necesarias para su
validación. Por último, en este trabajo proponemos, a través de análisis basados en
experiencias, respuestas concretas ante la insuficiencia de políticas instituciones que
contemplen modalidades de integración y sus repercusiones.
A partir de investigaciones sobre el tema, vemos necesarias propuestas de indicadores sobre
calidad en entornos sociales de aprendizaje, como resultados procesados y conclusiones
obtenidas de investigaciones y experiencias.
Estamos acostumbrados a una literatura que enfatiza las posibilidades de la educación
inteligente, y de los big data combinados con los algoritmos de respuesta para crear
oportunidades únicas y sin precedentes a las organizaciones académicas para un capacitación
en términos de estándares más altos y de enfoques innovadores. Sin embargo se carece de
propuestas pedagógicas sistematizadas
La universidad inteligente, Miguel Zapata-Ros. Pág. 2 de 43

En definitiva se trata de ver, a este propósito, qué hay en presencia y disponible en cuanto a
enfoques teóricos, prácticas y experiencias sobre
(1) estrategias de aprendizaje y enseñanza: pedagogía inteligente,
(2) servicios altamente tecnológicos y singulares basados en entornos de este tipo, tanto para
estudiantes locales, en el campus, como para estudiantes remotos, en línea,
(3) configuraciones de aulas inteligentes innovadoras con fácil interacción local/remota de
alumno con profesores y centros y para la colaboración local/remota entre alumnos,
(4) diseño y desarrollo de contenidos multimedia-enriquecidos basado en la Web, con
presentaciones interactivas, videoconferencias, cuestionarios y pruebas interactivas basadas
en la web que admitan evaluación instantánea e inteligente del conocimiento
(5) otras affordances y entornos gestionados con tecnología y software de respuesta
inteligente.
Queremos pues plantear una visión sobre la evolución de los LMS hacia los SLE y dar cabida al
debate sobre las perspectivas y las tendencias en presencia, con una mirada a algunos
resultados de proyectos de investigación y de experiencias en curso. También daremos cabida
a trabajos que tengan como objetivos crear una taxonomía de educación universitaria
inteligente e identificar sus principales características y componentes.
Los avances en la tecnología en los últimos años han cambiado los comportamientos de
aprendizaje de los alumnos y los métodos de enseñanza con nuevas metodologías ambientes y
recursos. Esta situación ha dado lugar a nuevos retos: Una mayor presencia y posibilidad del
aprendizaje informal, los recursos ubicuos con la posibilidad no sólo de que el alumno acceda
desde cualquier sitio a las fuentes y recursos de aprendizaje, y en general de conocimiento,
sino también de que ese acceso, el alumno, lo haga ayudado en el aprendizaje por el sistema,
con conocimiento de su situación de aprendizaje merced a los ingentes datos que sobre sus
hábitos, estilos y formas de aprender se tienen. Estos avances han dado lugar a varios retos
que enfrentan los sistemas educativos actuales. Entre ellos se encuentran un más amplio
enfoque y consideración del aprendizaje informal, una brecha cada vez mayor de los
conocimientos previos de los estudiantes a su acceso a las aulas y una falta de
correspondencia entre las opciones de carreras que se ofrecen a los individuos y las que
demanda el desarrollo de la fuerza de trabajo.
En este trabajo queremos echar una mirada a esa situación para ver qué nos ofrecen los
llamados entornos inteligentes de aprendizaje y la nueva forma de aprender, el aprendizaje
inteligente en ese contexto de desafíos y para aprovechar mejor lo que conocemos sobre
cómo aprenden los individuos.
No se quiere dar un salto en el vacío. Para ello plantemos un punto de vista realista que
permita enlazar los actuales entornos de aprendizaje con lo que los recursos inteligentes nos
proporcionan.
Eso posiblemente se logre mediante una re-ingeniería de las estructura tecnológicas y los
cambios necesarios de los sistemas universitarios actuales para mejorar la integración de estas
nuevas tecnologías con un con el cambio pedagógico adecuado.
La base del desarrollo de los entornos inteligentes es posible merced a dos factores (Hwang,
2014):
a) El rápido progreso de las tecnologías móviles, de comunicación inalámbrica, y
b) Los procedimientos/affordances/tecnologías de detección que ha permitido el

desarrollo de entornos de aprendizaje ubicuo (u-learning) que, sensibles al contexto,

son capaces de detectar el estado de aprendizaje en el mundo real de los estudiantes y

las características de los contextos ambientales.
En consecuencia, y ateniéndose a los principios del aprendizaje y de intervención educativa en

cuanto a pertinencia y relevancia de la ayuda, y en cuanto a la forma de diseñar la entrega de
recursos y contenidos, la información apropiada en cada caso se puede proporcionar a
estudiantes individuales en el lugar correcto y en el momento adecuado para ello. Recordemos
que los procesos instruccionales son procesos eminentemente situacionales (Reigeluth y Carr
Chellman, 2009; Reigeluth, 2016).
Sin embargo, los investigadores han indicado que, para ayudar a los estudiantes a aprender en
contextos del mundo real de manera inteligente, se deben tener en cuenta más factores al
diseñar y desarrollar sistemas de aprendizaje.
En este sentido, en este trabajo se tratará de adecuar la ayuda inteligente, partiendo de lo que
es, la definición, y de los criterios de los entornos de aprendizaje inteligentes (con énfasis en la
ubicuidad y en la detección) a lo que dicen las teorías y principios clásicos del aprendizaje.
Así trataremos
a) El estado del arte de la cuestión y una sucinta revisión de la literatura
b) Qué es el aprendizaje inteligente. Diferencias entre aprendizaje inteligente,
aprendizaje contextualizado y aprendizaje inclusivo.
c) Qué son los entornos inteligentes de aprendizaje. Grandes datos, analíticas y
detección, sistemas de recomendación tutorial. Innovaciones pedagógicas en EIA.
Innovaciones tecnológicas favorables al aprendizaje inteligente. Y cómo organizar la
enseñanza en EIA.
d) Por qué la universidad tiene que ser sensible y adoptar estas innovaciones
Los entornos inteligentes en el contexto de la evolución de la enseñanza abierta
universitaria.
Cómo la inteligencia artificial puede beneficiar a las universidades
e) El marco teórico y la pedagogía de un entorno de aprendizaje inteligente.
f) Ejemplos y experiencias
g) Discusión. Cuestiones de investigación del aprendizaje inteligente
h) Conclusiones
2. El estado del arte de la cuestión y una sucinta revisión de la

literatura
La tecnología ha ofrecido una línea de avance a la atención y a la entrega de contenidos a los

alumnos. De manera que como después justificaremos más detenidamente, entenderemos
que la línea de progreso en el aprendizaje inteligente y en la creación y uso eficiente de
entornos inteligentes de aprendizaje la marca la línea de de adaptabilidad, es decir algo que va
más allá de la tutoría, es una tutoría contextualizada y después una tutoría inteligente que da
respuestas al alumno detectando sus necesidades, en todo lugar y en todo momento, con el
auxilio de la tecnología ubicua, con sistemas de detección y de respuesta, con sistemas de

recomendación. Por tanto veremos cómo progresa la elaboración de una teoría pedagógica en
esta línea
Sistemas adaptativos y tutorías inteligentes

Desde este punto de vista, de lo que es inteligente, han proliferado en el contexto
internacional de una forma ciertamente notable, no así en nuestro país, los trabajos de
investigadores tanto en el campo de la computación, de la ingeniería educativa, como en el de
la educación, no así las prácticas consolidadas y mucho menos las institucionales, si hacemos
excepción de la Universidad de Arizona (Clark, February 19, 2016) y algunas pocas más.
Hacer que los sistemas de aprendizaje tradicionales, apoyados por los LSM, sean inteligentes
ha sido pues el objetivo de numerosos investigadores en los campos de la informática y la
educación.
Empezaremos por los sistemas inteligentes de tutoría (SIT o en inglés intelligent tutoring
systems ITSs o ITS) que incorporan técnicas de inteligencia artificial en aplicaciones educativas.
Con estos criterios de evolución de la adaptatividad y de la contextualización, y con este
nombre, son tratados por Martens y Uhrmacher (2002) y por van Seters y otros (van Seters et
al, 2012).
Basándose en que el objetivo de desarrollar los STI es ayudar a los alumnos a aprender, y que
lo hacen con elementos que guían la adaptación de las interfaces de aprendizaje y de los
recursos, a los STI también se les llama "sistemas de aprendizaje adaptativo" (Graf et al., 2010;
Kinshuk y Lin, 2003), o “adaptive learning systems” (ALS), en función de estas funciones de
ayuda contextualizada.
Estos sistemas llevan, con el auge de las redes y de la World Wide Web, que implementan y
extienden los mecanismos de ayuda, haciéndolos colaborativos y de mucha más confluencia
de recursos, a la implementación y al estudio de sistemas de aprendizaje tutorizado en la web.
Y entonces se llaman sistemas de aprendizaje basados en la web (Karampiperis y
Sampson, 2005).
Aprendizaje ubicuo y aprendizaje inteligente

Otro pilar de la asistencia, de respuesta inteligente, es la tecnología ubicua utilizada con este
fin. El rápido avance de las redes de comunicación wifi, 4G,… y el uso de los smartphones han
permitido a los alumnos también acceder a recursos digitales e interactuar con sistemas
informáticos sin estar limitados ni por ubicación ni por tiempo. Esto ha sido estudiado en esta
perspectiva por Hwang y Chang ( 2011) y con criterios de calidad basada en el aprendizaje por
Zapata-Ros (2012 y 2015). Los autores llaman a este enfoque de aprendizaje, que utiliza
tecnologías de comunicación móviles e inalámbricas, "aprendizaje móvil" (Sharples et
al. 2009 ]) o “aprendizaje ubicuo” (Zapata-Ros, 2012 y 2015). El otro pilar son las tecnologías
de detección: GPS (Sistema de Posicionamiento Global), RFID (Identificación de Radio
Frecuencia), QR (Respuesta Rápida),… Ellas ha permitido que “los sistemas de aprendizaje
detecten las ubicaciones y contextos del mundo real de los estudiantes” (Hwang, Tsai y Yang,
2008) y los sistemas de recomendación (Pazzani & Billsus, 2007; Chen, Cheng & Chuang,
2008) puedan hacer propuestas basándose en ellas.

Si estas posibilidades son utilizadas para organizar la enseñanza, la ayuda pedagógica y la

tutoría se llama “aprendizaje contextualizado” (Hwang, Tsai y Yang, 2008). Es un enfoque del
aprendizaje que emplea tecnologías móviles, inalámbricas, de comunicación y detección para
permitir a los estudiantes interactuar con el mundo real y los objetos del mundo digital, se
consigue un "conocimiento ubicuo consciente del contexto" (Hwang, Tsai y Yang, 2008).
Hay numerosos estudios que han evidenciado los beneficios de estos enfoques y han
enfatizado la relevancia de que los estudiantes aprendan del mundo real con acceso a recursos
digitales que utilizan en sus actividades y son asistidos por sus profesores en el aprendizaje
(Bomsdorf, 2005; Chu et al, 2010). Ha cambiado pues desde el enfoque del aprendizaje
ayudado por la tecnología en general y el del aprendizaje basado en la web, hacia el del
aprendizaje móvil y sobre todo hacia el del “aprendizaje ubicuo consciente del contexto”,
como lo indica Liu y Hwang (2010).
Tutoría inteligente y aprendizaje adaptativo
Sobre el desarrollo de tutorías inteligentes en el contexto de aprendizaje adaptativo para

apoyar a los estudiantes en función de su estado de aprendizaje y otros factores personales,
como son su forma de progresar en el aprendizaje, los niveles de conocimientos previos, los
estilos de aprendizaje, estilos cognitivos y preferencias, han escrito Mampadi, Chen, Ghinea, y
Chen (2011); Papanikolaou, Grigoriadou, Magoulas y Kornilakis (2002) y Yang et al. (2013a, b).
Sobre la estructura y los elementos de que consta un sistema clásico de tutoría inteligente, ha
escrito Clancey ( 1984).
Sobre sistemas de aprendizaje adaptativo basados en la web, también llamados sistemas
hipermedia adaptativos de educación o hipermedia adaptativo, han escrito Kinshuk et al.
(2012), y Specht et al. ( 1997). Y sobre sistemas basados en la web que tienen potencial de
proporcionar apoyo de aprendizaje personalizado y orientación a los estudiantes en función
de sus características personales o rendimiento de aprendizaje han escrito Chiou et al. (2010) y
Hwang (1998). Sobre personalización con rutas de aprendizaje mediante la adaptación del
contenido de aprendizaje con la estructura de enlace han escrito Tseng y otros (2008a,
b), Brusilovsky ( 2001), Kinshuk y otros (2012) y Yang y otros (2013a, b).
Y por último, han investigado sobre sistemas adaptativos e inteligentes basados en la web y
difundido los resultados de sus trabajos Tseng et al. (2008a, b), González e Ingraham ( 1994),
Papanikolaou et al. (2002), Karampiperis y Sampson (2005) y Martens (2006).
Sobre el “aprendizaje ubicuo sensible al contexto”
Han justificado este planteamiento y esta perspectiva, la importancia y la necesidad de situar a

los estudiantes en escenarios de aprendizaje del mundo real, como una variante específica del
conocido y estudiado como aprendizaje situado (Merrill, 1991) (Reigeluth, 2016), y lo han
identificado como tal Lave (1991), Hung et al. (2013 y 2014) y Brown et al. (1989).
Entre los investigadores que han intentado desarrollar entornos de aprendizaje que combinan

contextos del mundo real y recursos del mundo digital para proporcionar a los estudiantes
experiencias directas del mundo real, con apoyo en las teorías del aprendizaje podemos citar a
(Minami et al. (2004), Hung et al. (2014), Wu y otros (2013a, b).
Sobre el aprendizaje ubicuo consciente del contexto y sobre su naturaleza como enfoque que
permite a los estudiantes aprender del mundo real con el apoyo de tecnologías móviles, de
comunicación inalámbrica, y de tecnologías de detección han escrito Hwang et al. (2008), Tsai
et al. (2012) y además con la concurrencia de herramientas de recomendación podemos citar a
Chen, Cheng & Chuang (2008).
Sobre apoyo pedagógico en función de sistemas de detección en un entorno de aprendizaje
ubicuo consciente del contexto, han investigado y han escrito Chu et al. (2010), Joiner et al.
(2006), Rogers et al. (2005).
En este capítulo se pueden citar ejemplos concretos:
Ogata y Yano (2004) desarrollaron un sistema de aprendizaje ubicuo consciente del contexto
con GPS para la enseñanza y la práctica de japonés
Hwang y otros (2012) desarrollaron un sistema de aprendizaje con RFID para enseñar a utilizar
instrumentos científicos, en un parque científico, a través de la asignación de varias tareas
"operativas" y de la evaluación de sus resultados operativos.
Sobre la importancia de proporcionar estrategias de aprendizaje efectivas, herramientas y
apoyo de aprendizaje personalizado en sistemas de aprendizaje ubicuo conscientes del
contexto, es decir, sobre incorporar tutoría inteligente o técnicas de aprendizaje adaptativo,
han escrito Hung et al. (2014), Wu et al. (2013a, b).
Citamos, aunque después se ha cuestionado todo, lo concerniente a los estilos de aprendizaje
como criterio orientador del diseño instruccional y de la organización de las actividades y
procesos educativos, el trabajo de Hsieh et al. (2011) que presentaron un sistema de
aprendizaje adaptativo para guiar a los estudiantes a realizar observaciones en un jardín de
mariposas en función de sus estilos de aprendizaje. Sí tiene interés como ejemplo de tutoría
inteligente o de técnicas de aprendizaje adaptativo a escenarios de aprendizaje del mundo
real.
De forma general todo lo tratado en esta recensión está desarrollado y muy bien organizado,
con detalles, en los trabajos de Hwang (2014) y de Chen, Cheng y Chew(2016).
Hasta ahora hemos hecho una revisión de la literatura basada en conceptos, a partir de ahora
se revisan con relación a temas y a prácticas, es decir se revisan varios temas de investigación
relacionados con el desarrollo de sistemas de aprendizaje inteligente que pueden ayudar a los
estudiantes a aprender de forma eficiente y efectiva.
Ya nos hemos acercado al “aprendizaje ubicuo consciente del contexto”. Los sistemas
inteligentes de tutoría y adaptación y los sistemas de aprendizaje ubicuo conscientes del
contexto son sistemas que pretenden proporcionar un soporte de aprendizaje personalizado
basado en las preferencias de los estudiantes, el estado de aprendizaje, los factores personales
y las características de los contenidos de aprendizaje y entornos de aprendizaje.

Mindtools
Los Mindtools son affordances que implican a los estudiantes en actividades cognitivas de
orden superior y en el pensamiento significativo durante el proceso de aprendizaje según
Jonassen, Carr y Yueh (1998). Sirven para ayudar a los estudiantes a comprender y organizar el
conocimiento, para resolver problemas y para hacer inferencias basadas en lo que han
aprendido. En los entornos conscientes de contexto es importante suministrar estas
herramientas de forma oportuna y relevante para que se puedan abordar diferentes tareas de
aprendizaje o resolver diferentes tipos de problemas en el momento adecuado y en el correcto
contexto. Sobre estas herramientas en este contexto han escrito Chu, Hwang y Tsai (2010) y
Hwang, Hung, Chen y Liu (2014).
2. Aprendizaje inteligente
Aprendizaje inteligente es aquél aprendizaje que pueden desencadenar y producir los sistemas
de aprendizaje inteligente, y que se puede entender de forma diferenciada por las funciones y
efectos que no se pueden realizar en ambientes de aprendizaje adaptativo y de aprendizaje
contextualizado, sin excluirlas. El aprendizaje social y el aprendizaje colaborativo de esta forma
se puede entender como una subcategoría del aprendizaje contextualizado.
Resumiendo se puede decir que el aprendizaje inteligente es el aprendizaje adaptativo y

contextualizado con mecanismos de detección, de respuesta y de recomendación.
Así, como veremos en el apartado siguiente, los "entornos de aprendizaje inteligentes" pueden
considerarse, a partir de la definición de Hwang et al (2008), como entornos de aprendizaje
apoyados por la tecnología que realizan adaptaciones y brindan el soporte adecuado con la
tecnología de detección y de recomendación (por ejemplo, orientación, retroalimentación,
consejos o herramientas) en los lugares adecuados y en el momento oportuno, según las
necesidades individuales de cada alumno, determinados mediante el análisis de sus
comportamientos de aprendizaje, su trayectoria de rendimiento y los contextos en línea y del
mundo real en los que se encuentran tanto grupales y sociales como compuesto por los
recursos de que se provee o a los que accede, descarga, lee o elabora.
Diferencias entre aprendizaje en entornos inteligentes, aprendizaje por contexto y

aprendizaje inclusivo
Hemos dicho que el aprendizaje inteligente como apoyo a los alumnos en la tutoría y en la
entrega de materiales se considera una evolución del aprendizaje adaptativo y del aprendizaje
contextualizado, o sensible al contexto.

Por tanto ninguno de los dos puede considerarse como estado óptimo de aprendizaje apoyado
por la tecnología, al que llamaremos aprendizaje inteligente en lo sucesivo.
Como veremos igualmente en el apartado siguiente, y consecuentemente con la distinción

anterior, un entorno de aprendizaje inteligente no sólo es el que permite a los estudiantes
acceder a recursos digitales e interactuar mediante un sistema adecuado de aprendizaje en
cualquier lugar y en cualquier momento, sino que también proporciona activamente y
dinámicamente una guía de aprendizaje, orientaciones, affordances de apoyo o propuestas de
actividades de aprendizaje necesarias y adecuadas a los objetivos y a su situación de
aprendizajes, en el lugar adecuado, en el momento oportuno y en la forma correcta.
Hay varias características que hacen que una noción tan innovadora de aprendizaje, como es la
de aprendizaje inteligente, vaya más allá de la combinación de las dos de donde procede. En lo
que sigue se proporcionan elementos de discusión en profundidad para definir claramente el
"entorno de aprendizaje inteligente" y su marco teniendo como referencia lo que hace o cómo
se produce en relación a sus predecesores, es decir haciendo una comparación entre entornos
de aprendizaje adaptativos, entornos de aprendizaje ubicuos conscientes del contexto y
sistemas de tutoría inteligentes.
Sobre la base de esos criterios y en ese marco, en la Tabla 1, obtenida a partir del trabajo
anterior de Hwang (2014) se presenta una comparación de un entorno de aprendizaje
inteligente, un entorno de aprendizaje basado en el contexto y un entorno de aprendizaje
adaptativo convencional. Se puede ver que un entorno de aprendizaje inteligente es más que
una combinación de u-learning consciente del contexto y aprendizaje adaptativo. En particular,
guía a los estudiantes a hacer lo correcto (es decir, las tareas que son más factibles e
importantes para el alumno en este momento) de la manera correcta (es decir, con
herramientas o estrategias de aprendizaje efectivas) en el momento adecuado y en el lugar
apropiado, basándose para ello en el estado de aprendizaje en línea y del mundo real de los
estudiantes individuales, así como en sus factores personales.
Tabla 1.- Comparación del aprendizaje inteligente con los sistemas de aprendizaje por
contexto y con el aprendizaje adaptativo
Aprendizaje Aprendizaje Aprendizaje

inteligente contextualizado adaptativo
Detecta y tiene en cuenta los contextos del mundo real

Sí Sí No
del alumno


Sitúa a los alumnos en escenarios del mundo real,

para que complete su aprendizaje en condiciones que
Sí Sí No
pueda aplicar lo aprendido con autonomía y
transfiriéndolo a situaciones diferentes1
Adapta contenidos y situaciones de aprendizaje para

Sí No Sí
alumnos individuales
Adapta la interfaz y las affordances de aprendizaje

Sí No Sí
para alumnos individuales
Adapta tareas u objetivos de aprendizaje para alumnos

individuales, y los criterios de evaluación, cómo Sí No No
alcanza los logros
Proporciona comentarios personalizados y

Sí Sí Sí
orientaciones
Proporciona comentarios personalizados y

orientaciones como resultado de sistemas de Sí No No
recomendación
Proporciona orientación de aprendizaje, apoyo y

regulación en la entrega de materiales en todas las Sí No No
disciplinas
Proporciona orientación de aprendizaje o apoyo en

todos los contextos (por ejemplo, en las aulas, en los Sí Sí No
campus, en la biblioteca, en casa y en la calle)
Recomienda herramientas o estrategias de aprendizaje

Sí No No
específicas para cada situación
Tiene en cuenta la situación y las condiciones de

Sí No Sí
aprendizaje en línea de los estudiantes
Tiene en cuenta la situación de aprendizaje en el

Sí Sí No
mundo real de los estudiantes
1
Según lo que establecen los desarrollos clásicos sobre condiciones de aprendizaje,
como son por ejemplo “Las condiciones del aprendizaje” y los “Principios del diseño
instruccional” de Gagné (1965, 1975)


Facilita tanto el aprendizaje formal como el informal Sí Sí No
Tiene en cuenta los múltiples y diversos factores

personales y ambientales del alumno (en relación con
aspectos relacionados con el aprendizaje. Por ejemplo, Sí No No
necesidades de aprendizaje, preferencias, hábitos,
horarios y contexto del mundo real)
Utiliza sistemas de recomendación a partir de lo

detectado, y que se describe en los apartados Sí No No
anteriores
Interactúa con los usuarios a través de múltiples

canales (por ejemplo teléfonos inteligentes,
Sí Sí No
affordances sociales u otros medios informáticos
ubicuos)
Brinda apoyo a los alumnos con "adaptación

anticipada" al desarrollo o la ejecución de actividades Sí No No
en contextos reales y virtuales
Brinda apoyo a los alumnos con "adaptaciones en

Sí No No
progreso" en contextos reales y virtuales
3. Los entornos inteligentes de aprendizaje

Qué son los entornos inteligentes de aprendizaje. Definición, criterios y marco de un
entorno de aprendizaje inteligente.
Así, a partir de lo dicho para los entornos inteligentes de gestión del aprendizaje, y desde la
posibilidad de que el aprendizaje sea ubicuo y sensible al contexto, es decir de que pueda crear
y detectar y procesar las interacciones entre los estudiantes y de ellos con el ambiente,
proporcionando recomendaciones podemos hablar de entornos inteligentes de aprendizaje.

Por tanto, siguiendo lo dicho por Hwang et al (2008) y añadiendo la consideración de las
posibilidades de recomendación que permite la tecnología inteligente, podemos decir que los
"entornos de aprendizaje inteligentes" pueden considerarse como aquellos entornos de
aprendizaje apoyados por la tecnología que realizan recomendaciones, adaptaciones de la
ayuda al individuo (por ejemplo, orientación, retroalimentación, consejos o affordances), y
que proporcionan el soporte adecuado para ello en el lugar en que se produce la necesidad
de la ayuda, en el momento oportuno según las necesidades individuales de los alumnos, y en
la forma más eficiente. Coordenadas que podrían determinarse mediante el análisis de los
comportamientos de aprendizaje, el rendimiento anterior y en proceso y los contextos del
estudiante, tanto en línea como del mundo real.
Obviamente una consideración nueva que aparece es la de la distribución del tiempo del
alumno, la diferenciación entre ocio y trabajo. En un entorno de aprendizaje no existe una
cantidad de tiempo fijo y libre. No porque se le reduzca el tiempo de ocio, que ahora lo tendrá
igualmente y posiblemente más, sino que recibirá consejos y aportaciones incluso en su
tiempo libre, es como un sabio amigo. Este sistema tiene como objetivo ayudar a los alumnos
a aprender incluso cuando tienen otras relaciones o realizan otras actividades. Es el amigo
aventajado, o el profesor amigo, que busca oportunidades para asesorar al estudiante en su
vida diaria teniendo en cuenta sus necesidades y preferencias. Obviamente esto es una ventaja
pero igualmente puede ser considerado como algo intrusivo, en cualquier caso los conceptos
de disposición y de distribución del tiempo cambian, como cambian en otros órdenes estos
conceptos con relación al trabajo en la sociedad del conocimiento. Y esto tendrá repercusiones
evidentes para la configuración de espacios universitarios, espacios de aprendizaje y espacios
vitales.
Por tanto podemos visto lo anterior podemos definir un entorno inteligente de aprendizaje
como aquél que cumple los criterios potenciales siguientes:
1. Es sensible y consciente del contexto y puede elaborar recomendaciones en función

de él. Es decir detecta la situación del alumno en su contexto en el mundo real, y
puede proporcionar ayuda al alumno en función de ella.
2. Es adaptativo. Puede ofrecer apoyo instantáneo y adaptado a los alumnos mediante el

análisis inmediato de las necesidades, en términos de organizar la instrucción en el
nivel más pequeño e inmediato, y hacerlo desde diferentes perspectivas (por ejemplo
desde la perspectiva del rendimiento del aprendizaje, conociendo las estrategias de
aprendizaje del alumno, su perfil para el trabajo y el estudio, otros factores
personales), así como su contexto en línea y el del mundo real (familia, amigos,
hábitos,…). Este carácter supone además que puede proporcionar ayuda pedagógica
de diverso tipo y activamente, incluidas guías específicas de aprendizaje, comentarios,
sugerencias y affordances educativas en función de sus necesidades.
3. Puede modificar, en la misma ejecución del proceso, la interfaz de usuario (es decir, las
formas de presentación de la información) y los contenidos de la asignatura.
Adaptándolos a los factores personales (por ejemplo, a la forma de leer y reconocer la

información que es más eficiente para él y su forma de aprender y a sus preferencias

para leer e interpretar información) y al estado de aprendizaje (por ejemplo,
presentando la información en la forma y en el momento en que es mayor el
rendimiento de aprendizaje) de los alumnos individuales. La interfaz de usuario no es
necesariamente una computadora convencional, puede ser un teléfono móvil, o un
tablet. Los alumnos pueden interactuar con el sistema de aprendizaje a través de
dispositivos actuales, por ejemplo, teléfonos inteligentes o tablets, dispositivos que
vayan apareciendo, por ejemplo visores de realidad virtual, relojes digitales o incluso,
en un futuro no muy lejano sistemas informáticos integrados en objetos cotidianos
(Internet of Things, IoT). Es un reto pues para la investigación adaptar la interfaz de
usuario para satisfacer las necesidades educativas en un entorno de aprendizaje
inteligente.
Es la idea de quien esto escribe que los requerimientos pedagógicos de los sistemas se pueden
establecer desde un conocimiento sucinto de las funcionalidades de los sistemas inteligentes
en otros entornos de lo que los algoritmos de recomendación son capaces de hacer en otros
ámbitos Y que su papel culmina ahí. Cualquier otra pretensión quedaría necesariamente
inadecuada al poco de producirse y además se produciría de forma pretenciosa al conocer del
conocimiento suficiente y en profundidad para saber cuáles son las posibilidades ce los
sistemas computacionales.
Por tanto no recomendamos ninguna configuración de sistemas en particular. Sin embargo,

dentro del objetivo de poner a disposición de los investigadores lo que hay en la literatura
sobre el tema, no podemos evitar incluir la propuesta de Hwang, Chin-Chung y Yang (2008)
para que se cumplan estas funciones. Según estos autores el marco de un entorno de
aprendizaje inteligente debe contemplar al menos los siguientes módulos:
1. Un módulo de detección de estado de aprendizaje, que detecte el estado del mundo real de
los estudiantes (por ejemplo, ubicaciones y comportamientos, hábitos de aprendizaje) y
contextos ambientales (por ejemplo horarios, temperatura y humedad) mediante la conexión
a algunos dispositivos de detección y de recomendación, y con algoritmos que busquen
regularidades.
2. Un módulo de evaluación formativa del rendimiento de aprendizaje que registra todo lo que
está sucediendo y los resultados de aprendizaje, valorando cómo inciden los cambios de
organización y de carácter instruccional en el total del curso. Por ejemplo análisis y atención
del abandono, accesos a los elementos de entrega de contenidos de aprendizaje y resultados,
efecto de las medidas que se toman, por ejemplo en la evaluación en el rendimiento global del
curso o de los grupos de alumnos etc.
3. Un módulo de tareas de aprendizaje adaptativo. Este módulo, ayudado por una base de
datos, asigna tareas de aprendizaje a cada alumno en función de su progreso de aprendizaje
(recomendamos en este sentido la metodología docente y de evaluación Mastery Learning,
que hemos tratado en otros trabajos (Zapata-Ros, 2015), Brandman (2013) y que se debe
originalmente a Bloom (1984) ), pero también a otros datos que hay en el sistema sobre
rendimiento de aprendizaje, expectativas, intereses, percepciones, aspectos léxicos y, sobre
todo, a sus objetivos de aprendizaje en todas las disciplinas. Sobre el carácter adaptativo de las

tareas en línea o en el mundo real hay bastante escrito (Hwang et al, 2014). Con la ayuda de
este módulo se consigue que los alumnos además trabajen de forma adecuada y adaptada al
medio donde están, no es igual el repaso de un PDF cuando viaja en el transporte colectivo,
que una labor que necesita un ambiente cómodo para consultar escribir, o una actividad de
laboratorio o de campo. Los alumnos de esta forma siempre tendrán la oportunidad de hacer
las tareas de aprendizaje más factibles e importantes en relación con el contexto, al considerar
su estado de aprendizaje y sus factores personales cuando se le recomiendan en el lugar
correcto y en el momento adecuado.
4. Un módulo de contenidos de aprendizaje adaptativos. Este módulo proporciona materiales

de aprendizaje para los estudiantes basándose para ello en el progreso del aprendizaje y el
rendimiento del aprendizaje efectivo. Aquí otra vez recomendamos Mastery Learny (Zapata-
Ros, 2015; Bloom, 1984) y en los factores personales de aprendizaje del alumno. Para esto, en
la línea de utilizar los resultados de la investigación y de las teorías del aprendizaje
recomendamos lo que hay estudiado y elaborado sobre técnicas y teoría de la secuenciación
de contenidos, en el contexto de Diseño Instruccional. Todo para recomendar contenidos en
función de las actividades que el alumno necesita realizar para conseguir un resultado
específico de aprendizaje. Es fundamental pues adaptar las técnicas y algoritmos de
recomendación a este tema. El sistema de aprendizaje debe recomendar y organizar
materiales de aprendizaje, que propone a través de la interfaz del usuario al alumno, para
satisfacer la demanda individual de contenidos de cara a un objetivo específico.
5. El módulo de apoyo de aprendizaje personal es el núcleo del sistema En él deben estar

centradas las funciones de asistencia y recomendación al alumno en función de sus
necesidades de aprendizaje que detectan el resto de herramientas de detección y procesando
las informaciones que sobre él y sobre su contexto disponen las bases de datos del
sistema. Como ejemplos, el apoyo al aprendizaje puede consistir en una guía de la tareas de
aprendizaje o con documentos, textos, PDF,… con contenidos, una ayuda particular para una
tarea, feedback sobre lo que está haciendo la herramienta adecuada para ayudar a su trabajo,
retroalimentación sobre su trabajo, o una Mindtools para ayudar a organizar sus ideas.
6. El módulo anterior puede contener otro o estar diferenciado del que gestiona las bases de
datos para organizar la ayuda al estudiante. Sería en todo caso el módulo soporte de la ayuda
al estudiante. Y lo realmente importante sería el conjunto de bases de datos para mantener y
gestionar los perfiles del alumno, los porfolios (carteras de aprendizaje), las guías de
aprendizaje (es decir, las fichas que presentan las tareas de aprendizaje para cada unidad
temática o para cada tema de aprendizaje), y en general los materiales de aprendizaje, los
ejercicios a proponer y las evidencias de logros (elementos que sirven para probar los
aprendizajes conseguidos).
A través del análisis de los registros en los porfolios, el sistema tiene constancia y permite
analizar los conceptos y las habilidades individuales que los estudiantes han desarrollado y
cuáles han de ser mejoradas.
7. Un módulo de evaluación del rendimiento de aprendizaje. Este módulo debe estar basado
en los criterios del diseño instruccional y debe relacionar el rendimiento en el aprendizaje con
las otras componentes del diseño instruccional: Resultados esperados y deseados de

aprendizaje, actividades, tareas, competencias que se desea que el alumno desarrolle, grado
de logro y de desempeño progresivos, en conexión con el módulo de evaluación
adaptativa,… Este módulo evalúa y registra el desempeño de los estudiantes a través de
pruebas en línea o en el mundo real.
8. Y por último, un módulo constituido por un motor de inferencia y por una base de
conocimientos (Zapata-Ros, 1990) en el sentido clásico de la programación declarativa.
Mediante el motor de inferencia se determinaría (Hwang, 2014) el "valor" de las tareas,
estrategias y herramientas de aprendizaje del candidato, así como sus posibles
combinaciones. Y la base de conocimientos estaría constituida por la recopilación del
conocimiento y de experiencias de tutoría de proveída por los docentes, tutores y
evaluadores. El motor de inferencia también podría contener las reglas para toma de
decisiones generadas por el análisis de casos anteriores. El motor de inferencia es un sistema
de software de bajo nivel en los sistemas declarativos que toma decisiones mediante reglas
(zapata-Ros, 1990), obtenidas en este caso de las experiencia, aplicadas al caso actual (es decir,
el estado del estudiante y los contextos ambientales) en base a las reglas en la base de
conocimiento (Wu et al. (2013a, b).

Fig. 1
4. Por qué la universidad necesita la IA

4.1 La evolución de la enseñanza abierta universitaria
No se puede excluir la universidad inteligente, la que incorpora los sistemas inteligentes de

gestión del aprendizaje, de la evolución de la universidad abierta, desde la lógica de su propia
concepción original.
En 1997 ya el Further Education Funding Council (FEFC, 1997 p.25; Zapata-Ros, , 2001 p.1) de
Gran Bretaña define la educación a distancia como:

"those on which students study with specially prepared learning materials for their
private study and are provided with a marking and comment service for their written
work which may be accompanied by some counselling or tutorial support This
definition is intended to cover situations where study is essentially home based and
there is only occasional contact with the institution"
La educación abierta universitaria tiene tradicionalmente como fin el que se superen las
dificultades de condiciones y organización para el aprendizaje (Zapata-Ros, 2001 p.1). Y esto se
ha constituido en un objetivo para los sistemas educativos universitarios en las sociedades
desarrolladas. Las instituciones, las experiencias que se desarrollan en ellas y centros de
investigación se esmeran en indagar qué modalidades de organización, con los usos más
adecuados de aplicaciones ---affordances--- son más eficaces para obtener los resultados de
aprendizaje propuestos para cada modalidad de estudio, o de rendimiento profesional. Se
trata de ofrecer a los profesores y gestores docentes de la enseñanza superior modalidades de
diseño instruccional que consigan estos objetivos, que faciliten en definitiva la itinerancia de
las situaciones actuales a una enseñanza universitaria abierta.
La evolución de la enseñanza abierta universitaria ha sido objeto de estudio en varios trabajos

anteriores. En un artículo (Zapata-Ros, 2017; Zapata-Ros, 2017, December) y en varios posts
(Zapata-Ros, 2017)
Tras lo aparecido en ese artículo, los herederos de los MOOC finalmente han evolucionado
hacia un nuevo modelo de enseñanza formal universitaria. De forma que tras pasar por varias
fases, han llegado a una situación completamente distinta a la inicial: Se han convertido en
formas de enseñanza universitaria que otorga títulos oficiales de grado y postgrado, como
sucede en los tradicionales. En nada se diferencian de ellos, si pensamos en todos los efectos
que aquellos conllevaban.
Lo han hecho la Universidad de Londres y el Imperial College de Londres (a través de Coursera,

con su plataforma y su metodología, y The Open University a través de Future Learn. En el
primer caso son grados formales y en el segundo son postgrados (másteres) también formales.
La universidad disruptiva es un hecho. Cualquier alumno en Alcalá o en Murcia, o en Buenos
Aires, o México capital puede obtener un grado (licenciatura ) en el Imperial College de
Londres como si fuera un MOOC.
Este post está escrito a partir de la noticia de Times Higher Education el 07/03/2018
(Bothwell, March 6, 2018) titulado Coursera ofrecerá títulos de universidades del Reino
Unido.
En él se informa (Bothwell, March 6, 2018) de nuevos cursos de la Universidad de Londres y del

Imperial College de Londres que incluyen el primer programa de licenciatura de la plataforma
y de másteres oficiales también con el soporte y la metodología de Coursera
En particular la plataforma de aprendizaje en línea Coursera se nos dice está lista para ofrecer
sus primeros títulos de universidades del Reino Unido, incluido su primer programa de
licenciatura: Un grado en Ciencias de la Computación de la Universidad de
Londres (Goldsmiths) y un nuevo máster de salud pública en el Imperial College de Londres.

Además de cuatro nuevos títulos de máster de instituciones estadounidenses, incluidos

programas de informática de la Universidad Estatal de Arizona y la Universidad de Illinois en
Urbana-Champaign , y títulos de ciencias de la información y salud pública de la Universidad de
Michigan. Coursera igualmente anuncia que el número de grados disponibles a través de su
plataforma se elevará a diez, a lo largo de este año y en 2019.
Con respecto a esta plataforma, esto significa la culminación de un proceso que se inició con
los MOOC, continuó con los MOOC con diseño instruccional de Fink (2003) y clásico, y por
último con Credentials, College Credits y Microdegrees. Reflejan pues la evolución de las
plataformas de aprendizaje en línea desde sus raíces, ofreciendo cursos gratuitos masivos
abiertos en línea, hasta ahora que ofrecen programas acreditados y pagados de títulos oficiales
universitarios completos.
Este punto, en el que Coursera lanza un grado, significa un hito, marca la culminación de una
fase clave en un proceso. Después vendrán otros grados que ya se han iniciado. Pero antes ya
existían títulos oficiales universitarios sobre marcos y con metodologías de plataformas de
estudios abiertos online. Antes que los grados del Reino Unido puestos en marcha por
Coursera, la gran plataforma con sede en el Reino Unido Future Learn, propiedad de The Open
University, lanzó una serie de postgrados en su plataforma y con su estilo, en la Universidad
de Coventry el año pasado. Future Learn también ofrece títulos oficiales de másteres en las
universidades Deakin y Murdoch en Australia.
Así el esquema de la evolución de la enseñanza abierta universitaria, ahora quedaría pues

completo, en este ciclo, con la inclusión de estudios formales de grado y postgrado, en esta
línea del tiempo:

Fig. 2

Con lo visto en el apartado anterior el esquema de la evolución de los entornos inteligentes de

aprendizaje quedaría:
Entornos de
Entornos aprendizaje Entornos
adaptativos de sensibles y inteligentes de
aprendizaje conscientes de aprendizaje
contexto
Fig. 3
4.2 Cómo la inteligencia artificial puede beneficiar a las universidades
La IA en general, y los sistemas inteligentes de gestión del aprendizaje, como caso particular de
los sistemas de aprendizaje adaptativo, en particular, se espera que tengan un enorme efecto
a largo plazo en tres campos de la educación universitaria: En la docencia, en el rendimiento
de los alumnos y en el abandono escolar.
Como veremos en el apartado de experiencias, estas expectativas han sido confirmadas por los
resultados de los cursos realizados en la Universidad Estatal de Arizona en otoño de 2015, y
por el correspondiente informe (Clark, February 19, 2016) donde el curso Biology 100
(BIO100), realizado como aprendizaje mixto en la plataforma CogBooks, se estudió en detalle.
Las evidencias obtenidas fueron sobre los objetivos siguientes, que por otro lado constituyen
la preocupación principal de las autoridades y gestores universitarios:
 aumentar el logro individual

 reducir las tasas de deserción escolar
 mantener la motivación del estudiante
 aumentar la efectividad del docente

A esto habría que añadir obviamente lo que se supone objetivo implícito de las universidades:
Aumentar la eficiencia de los aprendizajes obtenidos por los alumnos más allá del límite actual,
superando barreras y dificultades que de otra forma no desaparecerían.
Pero no solamente están los beneficios que se derivan del uso de los entornos inteligentes
para la mejora del rendimiento educativo que directamente proporciona la ayuda pedagógica.
Hay otros beneficios que podríamos resumir en los cuatro ítems siguientes
La Educación Superior (ES) en nuestro entorno está en una posición ideal para preparar a los
estudiantes para el mundo de la Inteligencia Artificial
Hay muchos nichos profesionales emergentes bajo el paraguas de la IA. Tradicionalmente la

Universidad ha provisto de capacitación para los nuevos roles profesionales, máxime estos tan
cercanos a ciencias y desarrollos teóricos básicos. En primer lugar, hay un nuevo rol para que
HE equipe a los graduados para que trabajen efectivamente junto con sistemas artificialmente
inteligentes.
Por lo tanto, los profesores universitarios deben garantizar, no solo para las titulaciones
nuevas, sino también para las que tienen dominios de actuación tradicionales, que los
estudiantes ingresen al lugar de trabajo con una comprensión de las competencias y de las
limitaciones de AI, y la capacidad de continuar aprendiendo a medida que AI desarrolla y
continúa cambiando los roles y las expectativas del lugar de trabajo.
La universidad no puede quedar al margen de esta oportunidad. Conlleva un riesgo similar al

que las ingenierías no hubiesen adoptado los temas concernientes a los nuevos medios de
transporte o los nuevos materiales como objetivos de capacitación y de investigación.
La IA puede ayudar a resolver grandes desafíos que la ES tiene en la Sociedad del

Conocimiento, particularmente los que plantean las innovaciones disruptivas
En el terreno estratégico de la política universitaria, la Inteligencia Artificial puede

proporcionar parte de la solución a los grandes desafíos con los que habitualmente se enfrenta
la toma de decisiones de las universidades. Por ejemplo, el proceso de la enorme cantidad de
datos educativos, cada vez mayor, sobre estudiantes. Datos que tienen disponibles las
universidades.
Numerosos trabajos (Parr, February 28, 2013) han investigado los patrones sobre la actividad
de los estudiantes, sobre datos que rutinariamente son registrados y analizados por las
universidades usando "análisis de patrones de aprendizaje". Hasta ahora, estos análisis se usan
principalmente para predecir qué estudiantes podrían fallar o abandonar. Pero, como hemos
visto, el potencial principal es en el apoyo a la tutoría, que a partir del análisis de los procesos
de aprendizaje de los alumnos individualmente, proporcione intervenciones oportunas en
tiempo real para ayudarles.
La investigación que se realice en la universidad sobre IA, puede ser una parte clave y
estratégica de la revolución de la IA en España, o en el país y en la sociedad, en particular,
donde se desarrolle. En particular en el ámbito de la Educación

Los investigadores y los educadores de la universidad son las personas y poseen los recursos
de conocimiento clave para ayudar al país donde se ubiquen y a su economía a desarrollar el
tipo correcto de sistemas de inteligencia artificial en los distintos ámbitos y servicios pero
también en particular para su uso en educación, y debe hacerse sin demora.
Las universidades están ubicadas en el contexto correcto para investigar la IA
El contexto es una variable clave para la adquisición del conocimiento y es por tanto un factor
básico en la efectividad de la educación. Los partidarios del aprendizaje situado señalan que es
el factor más importante y algunas universidades de excelencia como Cambridge u Oxford así
lo estiman.
El contexto, en este sentido, se puede definir como la combinación de personas, entornos,

conocimiento, tecnología y recursos que constituyen una parte esencial de las interacciones
de cada estudiante con el resto y con el mundo real. Son variables relevantes que intervienen
en el éxito educativo de cada estudiante. Los desarrolladores de la IA deben conocer y trabajar
por tanto el modelado contextual que permita a las herramientas de IA determinar cómo y
por qué lo que funciona en una universidad no funciona en otra. Y no trasplantar esquemas y
patrones de forma mecánica
La educación superior debe enfrentarse pues al desafío de la investigación de modelado

contextual.
Resumiendo, la Inteligencia Artificial tiene el potencial de aportar grandes beneficios a la

universidad. Sin embargo, solo cosecharemos estos beneficios si desarrollamos y usamos la IA
como una innovación, es decir de una forma eficiente (Linden & Fenn, 2003).
5. El marco teórico y la pedagogía de un entorno de aprendizaje

inteligente.
Tras ver qué es el aprendizaje inteligente y los entornos inteligentes de aprendizaje, y cuáles
son las ventajas de la IA para la universidad, es pertinente plantearse qué marco es necesario
para la adopción eficiente de estas posibilidades, cuáles son las pedagogías que más partido
pueden sacar de ellas. Hay que construir un marco educativo.
Algunos teóricos, haciendo una síntesis, sostienen que la instrucción se reduce estrictamente a
un problema de entrega: Entrega de ayuda y entrega de recursos (Merrill, 2002 y 2009;
Reigeluth, 1999; Clark, 2003; Clark and Mayer, 2003). Y que las estrategias de enseñanza
consisten exclusivamente en encontrar el momento y el lugar de la entrega, en función del
estudiante, de su situación respecto del aprendizaje y de su contexto. En este sentido una
pedagogía apropiada es la que use la inteligencia artificial para determinar qué se entrega, en
qué momento se hace y cómo se hace. En determinar esto último tienen bastante que decir
los principios clásicos y universales del aprendizaje. O lo que es lo mismo: saber y utilizar lo
que conocemos acerca de cómo los individuos aprenden.

Para ello es básico conocer al menos, y aplicar a este nuevo contexto, los citados “principales
principios del aprendizaje” estudiados y enunciados de forma sistemática por David Merrill
(Merrill, 2002 y 2009) y las “condiciones del aprendizaje” investigadas y enunciadas por Gagné
(1965 y 1985) y Gagné & Briggs (1974), así como los elementos de diseño instruccional de
Reigeluth (1999) y de Fink (2003).
Estos son principios universales también operativos en los entornos inteligentes de

aprendizaje, pero además hacen falta incorporar innovaciones pedagógicas específicas para
estos entornos. Existe una necesidad de incorporar innovaciones pedagogías para apoyar los
nuevos requisitos de aprendizaje. Así es percibido por ejemplo por Chen, Cheng y Chew (2016).
En lo que sigue veremos muy sucintamente algunos ejemplos de innovaciones pedagógicas

que permiten identificar algunas diferencias fundamentales que establecen los entornos de
aprendizaje inteligentes de forma divergente a los enfoques tradicionales.
Las microinteracciones sociales y el conocimiento generado a partir de ellas. El aprendizaje

oportunista (Bopportunistic learning)
Además de las situaciones de aprendizaje formales ahora hay otras. El conocimiento en

entornos de aprendizaje inteligentes no se limita a una reproducción mimética de actividades
convencionales, al igual que un email no es una carta, ni como se ha dicho son una
virtualización (reproducción idéntica como en un espejo digital) de ellas.
Ahora se empieza a aceptar que el aprendizaje puede suceder y sucede en cualquier entorno, y
que la interacción y la conversación cuando los estudiantes se involucran produce insights de
aprendizaje (Dabbagh y Kitsantas 2012). No es un aprendizaje inteligente, es lo que se conoce
como aprendizaje social. Pero veamos qué sucede después. Cuando los alumnos se implican en
los medios sociales, como en la navegación por los posts de Facebook, la lectura de tuits en
Twitter, o simplemente al tener una conversación con alguien en Skype o WhatsApp, se
producen momentos de aprendizaje. Ahora el reto para la nueva pedagogía, y esto sí que
forma parte de las bases de la pedagogía inteligente, la que ayuda al aprendizaje inteligente,
es identificar esos momentos de aprendizaje --- Bopportunistic learning--- (Kinshuk 2014)
mediante el análisis de las micro-interacciones sociales. Y a partir de ello ver cómo son estas
píldoras2 de conocimiento ---knowledge nuggets--- que se generan y cómo se puede
producir/favorecer su integración con el conocimiento previamente adquirido por el alumno.
Es decir la inserción en sus andamiajes cognitivos.
La evaluación del conocimiento generado a partir de micro-interacciones sociales
Lo que hemos visto antes, la integración efectiva de los conocimientos generados mediante las
micro-interacciones sociales, también plantea unas necesidades nuevas en la evaluación: Las
prácticas de evaluación también necesitan reconsideración. Algo parecido sucede con el
2
La traducción literal de nugget es pepita, semilla de fruta aunque también en inglés este término sirve
para nombrar a un preparado culinario en forma de pequeñas albóndigas. Esta expresión en inglés quizá
haga más divertido el concepto. Sin embargo en español parece más aconsejable utilizar la palabra
píldora, que en castellano hace referencia a pequeñas dosis, y que tiene más sentido hablando de micro
aprendizajes.

análisis de la relevancia de las interacciones en los foros, y lo que hemos hecho en el curso
investigativo de la Universidad de Murcia que después comentaremos con más extensión.
Obviamente los métodos de evaluación formales, como de dos horas de exámenes finales en
una sala de examen con papel y lápiz, o responder cuestionarios en el ordenador, no
proporcionan medios adecuados para evaluar las knowledge nuggets que los alumnos han
adquirido durante sus interacciones sociales, o la integración de esas píldoras de conocimiento
en su andamiaje cognitivo atribuyéndoles sentido (Kinshuk 2015). Se necesitan pues métodos
nuevos de evaluación para analizar los fenómenos de adquisición del conocimiento debido a
las interacciones sociales, así como el impacto que tienen en el nivel de competencia del
alumno individual. La investigación se espera que nos dé resultados acerca de análisis
necesario para la evaluación y nos indique métodos de identificar patrones en el
comportamiento del alumno que se puedan extrapolar desde el nivel micro.
Hasta aquí ejemplos de situaciones emergentes que requieren pedagogías propias
Por otra parte hay un espacio pedagógico que no es la aplicación de los principios universales
del aprendizaje a los entornos inteligentes ni algo tan distinto e innovador como la pedagogía
para las píldoras de aprendizaje.
Nos referimos a ámbitos nuevos propios de los entornos tecnológicos pero donde hasta ahora
la intervención había sido exclusivamente humana.
Vamos a aportar, para ilustrar ese tercer nivel de ámbitos pedagógicos donde puede intervenir
el proceso inteligente en alguna medida, un caso desarrollado en la Universidad de Alcalá, en
el que ha participado el autor. Se trata de una experiencia de curso abierto online que, en su
cuarta edición desde 2014, se está desarrollando en dicha universidad, apoyado por el
Departamento de Computación y el Servicio de Extensión Universitaria. En él ha participado
unos 1500 inscritos en los cuatro años y en las tres capas de que consta.
La Universidad de Alcalá es una de las más antiguas de Europa, sin embargo ello no impide que
apueste por las modalidades docentes más innovadoras y disruptivas, como son la educación
abierta, y dentro de ella los cursos dual layer (Siemens, 2014 May)(Crosslin, 2014 May), con
metodología de Mastery Learning (Bloom, 1984) y el diseño instruccional de los cursos abiertos
online. Se hace en la plataforma para MOOC de BlackBoard: Open Edition.
"El diseño instruccional de los cursos abiertos on-line"3 está destinado a profesores y
diseñadores de estudios abiertos online Se trata de un curso abierto, personalizado, y de
acceso escalable en la metodología docente y en la ayuda pedagógica. Es decir no es un MOOC
al uso, tiene unos rasgos propios, los de un nuevo tipo de cursos. Toda la información se
difunde en un blog4
Hasta ahora son nueve las universidades e instituciones que han incorporado, en la
organización y en la práctica de la docencia, las habilidades sobre Diseño Instruccional
3
El diseño instruccional de los cursos abiertos on-line https://openeducation.blackboard.com/mooc-
catalog/courseDetails/view?course_id=_1684_1
4
http://cursosabiertos.blogspot.com.es/

obtenidas por profesores y gestores de dichas universidades e instituciones en este curso5:

Universidad Técnica Particular de Loja (Ecuador), Universidad de Valladolid (España),
Universidad de Quilmes (Argentina), Universidad de Guadalajara (México), Universidad de
Alcalá (Máster de Ciberseguridad y Análisis de datos),Universidad Autónoma Intercultural de
Sinaloa (México), CRESUR Chiapas (México), Natanael SL y Hewlett Packard (Estas dos en el
Máster de Ciberseguridad y Análisis de datos de la Universidad de Alcalá).
En el desarrollo del curso, al principio, la analítica nos dio los siguientes datos:
Fig. 4
Había muchos accesos a los foros, casi dos mil insights, pero la actividad era escasa 36
intervenciones de 19 intervinientes. Nada sabíamos a partir de la analítica de la relevancia de
las intervenciones. Eso lo sabían los Teaching Assistants (TA). Tomamos la decisión de pautar y
analizar la relevancia de las intervenciones, adjudicándoles valor para el logro. El resultado fue
un significativo aumento de las intervenciones, en número y también de accesos:
5
Para figurar en esta lista ha sido necesario que esas habilidades hayan redundado en un
cambio relevante en enseñanzas de grado, de postgrado o en estudios propios en línea.

Fig. 5
Del 28 de marzo al 18 de abril pasaron de 36 a 320.
Este tipo de evaluación formativa es fácilmente implementable en un algoritmo. Casi sólo son
un par de instrucciones condicionales.
Un aspecto más interesante es el de la relevancia en las intervenciones. En un aprendizaje de

tipo conceptual, como era el de este módulo eso adquiere una importancia clave en nuestra
metodología, de mastery learning. En el curso lo resolvíamos, en este punto, si el participante
contribuía con dos intervenciones relevantes en el foro. La cuestión era qué es la “relevancia”.
Porque el sistema adjudicaba automáticamente el logro cuando detectaba dos intervenciones
valoradas por los TA como relevantes.
A los participantes en la guía didáctica del módulo se le daban instrucciones precisas (volcado
de pantalla de la plataforma Open Education):

Fig. 6
Ese análisis era efectuado mediante lectura, evaluación, notas al participante y retroali-
mentación por el TA, que finalmente acreditaba que el alumno había obtenido el logro:
Fig. 7

El criterio para que el TA adjudicara la relevancia era una reelaboración de lo analizado en el

trabajo de Gagné “Las condiciones del aprendizaje” (Gagné, 1965 y 1985) (Driscoll, 1994 y
2013), a partir las condiciones que establece para que el aprendizaje sea efectivo, en particular
de lo que establece para los nueve niveles de aprendizaje (Gagne's Nine Levels of Learning)6:
Fig. 8
Y una reelaboración, cuya justificación teórica expondremos en un próximo trabajo, de tal

forma que interpretándolos con la ayuda de lo elaborado por Bloom (1984) para el problema
de dos sigmas, y la metodología docente de Mastery Learning, el dominio del aprendizaje
supone al menos las siguientes características de lo aprendido:
1. Comprensión
2. Adquisición y atribución de sentido
3. Ejecución autónoma
4. Transferencia
6
Sintesis de Gagné’s Conditions of Learning para habilidades intelectuales y estrategias cognitivas.

En el caso que nos ocupa todo esto se concretaba en el siguiente procedimiento para utilizar
por los TA y que era conocido por los participantes, en la determinación del grado de
relevancia de las contribuciones al foro en este caso:
Fig. 9
La cuestión en este punto es trasladar los criterios señalados, que utilizaban los TA, a
procedimientos inteligentes a aplicar en un sistema inteligente. Cómo se implementa por
ejemplo, “escribir sobre el tema nombrando un término o un concepto”, se supone que en un
contexto con sentido lógico y con relación al dominio disciplinar, o si “nombra un concepto y lo
relaciona con una affordance”, también en un contexto textual con sentido. Etc. para que el
sistema lo detecte en una contribución al foro que evalúe con un grado de relevancia.

Aquí dejamos la cuestión, en esta modalidad de líneas de desarrollo, a la espera de propuestas

interesantes o de experiencias ya desarrolladas en esta dirección.
6. Ejemplos y experiencias
BIO100 de Global Freshman Academy
Entre los varios ejemplos significativos que hay de la adopción de la IA para organizar el
aprendizaje y la asistencia a los alumnos, podemos destacar el de la Arizona State University,
particularmente el caso de la Global Freshman Academy apoyada por la plataforma software
de Inteligencia Artificial ALEKS de McGraw-Hill Education.
Este caso ha sido señalado tanto por Clark (February 19, 2016) en sus post de plan B que
hacen un extracto de su informe, como por el informe de la CRUE (Delgado et al, 2017))
Las conclusiones son que la IA en general, y los sistemas de aprendizaje adaptativo en

particular, tendrán un enorme efecto a largo plazo en la mejora de la calidad de la enseñanza
demostrada en los logros, en la eficiencia del aprendizaje, el rendimiento del alumno y el
descenso del abandono escolar.
Esto fue confirmado por los resultados de los cursos realizados en la Universidad Estatal de
Arizona en otoño de 2015 presentados en Educause Learning Initiative en San Antonio en
febrero de 2016. Los datos y gráficos están obtenidos de Donald Clark (February 19, 2016)
La referencia es el curso, Biology 100 (BIO100)7, en modalidad de blended learning En él se

hizo el informe. Se llevó a cabo en la plataforma CogBooks8 . Está descrito por Clark (February
19, 2016): Las actividades las llevaron a cabo en la plataforma y luego el trabajo grupal y las
dudas se llevaron a clase en modalidad flipped classroom.
El informe se centra en los objetivos del curso, como experimento de sistema de enseñanza
mejorado con tecnología:
 aumentar el logro
 reducir las tasas de deserción escolar
 mantener la motivación del estudiante
 aumentar la efectividad docente
Respecto del primero, mejorar los resultados del aprendizaje esta gráfica con expresión del
tamaño de la muestra es elocuente:
7
https://www.coursehero.com/sitemap/schools/168-ASU/courses/639255-BIO100/
8
https://www.cogbooks.com/biology/

Fig. 10
Respecto del abandono

Fig.11
Se reduce en la misma institución en un dos por ciento. Pero esto no es lo importante, lo

importante es comparar con esta modalidad de enseñanza en estudios similares que en EE UU
está entre el 41% y el 45% de los que se matriculan en universidades estadounidenses. Lo cual
es dramático si consideramos que después tienen que hacer frente a la deuda, que en estos
tipos de estudiantes es en EE UU de 1,3 millones de dólares y el hecho de que estos
estudiantes abandonaron, pero todavía cargan con la carga de esa deuda, este es un nivel
catastrófico de fracaso. En el Reino Unido la tasa de abandono es de 16%.
Los tableros de los profesores no son muy distintos de los que hemos utilizado en Open
Education, y que hemos descrito en un apartado anterior

Fig. 12
Diferentes paneles de control brindan información, en tiempo real, del rendimiento de los
estudiantes. Esto le permite al instructor ayudar a los necesitados.
La realidad es que según Clark el sistema promete en este punto una mejora continua, “muy
necesaria en educación”. No ofrece evidencias de una aportación concreta de la IA:
“Podríamos mirar un enfoque que no solo mejore el desempeño de los docentes sino también
el del sistema en sí, con la consecuencia de una mejora continua en el rendimiento, la
deserción y la motivación en los estudiantes”.
No creemos que los selft report studies sean un instrumento adecuado para la investigación en
el ámbito del aprendizaje y de la instrucción. Como bien hemos justificado en otras ocasiones
no son un elemento significativo del rendimiento del aprendizaje ni de la calidad de la
docencia. En algunos casos la correlación es inversa. No obstante hay que señalar que en este
caso el informe dice “que los estudiantes quieren más”

Fig. 13
Más del 80% de los estudiantes en esta primera experiencia de un curso adaptativo, dijeron
que querían utilizar este enfoque en otros módulos y cursos.
Sin embargo no hemos obtenido una información técnica (sobre la metodología docente y de
apoyo al alumno) detallada. Tampoco nos la ha dado Clark.
Lo más aproximado es la información que da la propia plataforma CogBook en pantallas como
ésta:
Fig.14

Lo más aproximado es la descripción que hace Clark (February 19, 2016) en el párrafo
siguiente:
“Una de las dificultades en los sistemas adaptables, impulsados por AI, es la creación de
contenido utilizable. Por contenido, me refiero a materiales de aprendizaje, estructuras,
elementos de evaluación, etc. CogBooks ha creado un conjunto de herramientas que permiten
a los instructores crear una red de contenido, trabajando desde objetivos. También se usa la
ayuda automática con el diseño y con la conversión de contenidos. Una vez hecho esto, se crea
una red compleja de contenido de aprendizaje a través de la cual los estudiantes circulan, cada
estudiante mediante un camino diferente, dependiendo de su rendimiento continuo. El
sistema es como un satélite, siempre trata de llevar a los estudiantes a su destino, incluso
cuando se salen de curso.”
También el propio Clark (JANUARY 13, 2016) ha descrito una taxonomía para los sistemas AI
adaptativos (sistemas inteligentes) de apoyo al aprendizaje en base a la asistencia con cinco
niveles:
Nivel 1: Tecnológico
Nivel 2: Asistido
Nivel 3: Analítico
Nivel 4: Híbrido
Nivel 5: Autónomo
Él sitúa la experiencia de CogBook en BIO100 en el nivel 4, sistema adaptativo híbrido, con

mezcla de ayuda humana y de detección y de recomendación. Algo que guarda ciertas
similitudes con lo que hemos descrito para el análisis de la relevancia en las contribuciones de
los foros en el curso “El diseño intruccional de los cursos abiertos online”, de la Universidad de
Alcalá. Que actualmente estaría en el límite entre 3 y 4.
Otras experiencias reales.-

Otras experiencias actuales que hemos examinado, rastreando los enlaces de una
presentación hecha a la CRUE para justificar el Informe Tendencias TIC 2018 (Delgado et al,
2017) han sido las dos siguientes:
AI en educación - The Genie of Deakin University.- En la universidad Deakin9, en Victoria,

Australia, se ha estado experimentando con la plataforma Watson durante bastante tiempo
9
https://medium.com/@Hubert.ai/ai-in-education-the-genie-of-deakins-university-
e29fbcde27d1

con el fin de servir a sus alumnos de una manera más personalizada. Desde 2015, los
estudiantes han podido pedir consejo a Deakin Genie, con sede en Watson, sobre una amplia
variedad de temas.
Jill Watson: la primera asistente de enseñanza de IA de Georgia Tech10
El equipo dirigido por Goel y Polepeddi, L. (2016) ha trabajado sobre el uso de sistemas
basados en herramientas de respuesta y recomendación para responder a las preguntas de los
estudiantes en los foros de su clase en línea de Inteligencia Artificial basada en el
Conocimiento (KBAI).
La asistente ha sido nombrada Jill Watson, se basó en la plataforma Watson de IBM, que es
quizás mejor conocida como la computadora que venció a dos campeones de Jeopardy. Jill se
desarrolló específicamente para manejar la gran cantidad de publicaciones en el foro por parte
de los estudiantes inscriptos en un curso en línea que es un requisito para obtener el título de
maestría en ciencias en el programa de informática de Georgia Tech.
7. Discusión.- Cuestiones pendientes y líneas de investigación abiertas

sobre el aprendizaje inteligente
Hasta aquí la tesis que hemos defendido es que el aprendizaje inteligente en la Educación
Superior es un nuevo concepto, una nueva ratio, del aprendizaje potenciado por la tecnología
y de la enseñanza abierta universitaria. No se reduce pues a integrar los criterios y funciones
de los sistemas de tutoría inteligente, de los sistemas de aprendizaje ubicuo conscientes del
contexto, o de los propios sistemas adaptativos en un marco ya existente. Es una evolución de
lo anterior con naturaleza propia, una fase distinta en una línea de progreso que ya
existe; En ese contexto se plantean los siguientes temas de investigación para reconocer la
presencia diferenciada de la concepción de "aprendizaje inteligente":
1.
Desarrollo de marcos de implementación tecnológica de entornos de aprendizaje inteligentes

que alojen, con las funciones y affordances señaladas (apoyo en el aprendizaje y en la entrega
pertinente y relevante de contenidos), el resultado del rápido avance de las tecnologías
digitales (por ejemplo, realidad aumentada, visión artificial, reconocimiento de voz,
tecnologías portátiles e inteligentes) y de las herramientas analíticas, por ejemplo: análisis de
aprendizaje y tecnologías de conciencia social (social-awareness technologies) (Hwang, G. J.
(2014)).
10
https://pe.gatech.edu/blog/meet-jill-watson-georgia-techs-first-ai-teaching-assistant

2.
Desarrollo de marcos del tipo anterior que ofrezcan posibilidades diversas de implementación
de entornos de aprendizaje inteligentes basados con diferentes propósitos educativos y desde
diferentes perspectivas de las teorías pedagógicas y del aprendizaje. Es por tanto un tema
prioritario y un reto proponer marcos de implementación tecnológica e instruccional de
entornos de aprendizaje inteligente con estas tecnologías emergentes.
3.
Reinterpretación y examen de las teorías pedagógicas y de las teorías sobre el aprendizaje

existentes a la luz de lo que ofrecen los nuevos entornos de aprendizaje inteligente. Las
nuevas formas de aprender nos demandan cómo organizar la instrucción en estos entornos.
Hay un nuevo concepto de aprendizaje; por lo tanto, los investigadores y los docentes deberán
proponer nuevas formas de enseñar, nuevas metodologías y estrategias docentes basadas en
las teorías existentes, como el constructivismo, la teoría de la motivación, el modelo de
aceptación de la tecnología, la teoría de la carga cognitiva o la teoría del diseño de entornos
tecnológicos.
4.
Nuevas estrategias de aprendizaje y de evaluación para el aprendizaje inteligente.
5.
Ámbitos nuevos de aprendizaje que antes no eran asequibles a la tecnología. Por ejemplo la
cinestesia.
Se espera que con los nuevos enfoques inteligentes y los nuevos conceptos de aprendizaje, se
podrán poner en marcha investigaciones en nuevos dominios de aplicación, que ahora son
difíciles de implementar en los entornos de aprendizaje existentes, y con los actuales y ya
obsoletos LMS
6.
Rendimiento del aprendizaje por percepción y evaluación de la percepción. Se deben potenciar

mecanismos de autorregulación y de determinación de la autoeficacia.
7.
Tipologías y patrones de comportamiento de aprendizaje y análisis de patrones de

aprendizaje. Y más importante aún, las observaciones a largo plazo y el análisis de las
conductas de aprendizaje podrían desarrollarse de manera que los investigadores puedan
conocer más acerca de los impactos sociales, a través de la nueva tecnología educativa.

8. Conclusiones
La presencia y el avance de las tecnologías de detección y de recomendación están ofreciendo

grandes y determinantes oportunidades para desarrollar nuevos entornos de
aprendizaje. Definitivamente el aprendizaje inteligente es un concepto extremadamente
innovador, como en otros ámbitos, para desarrollar visiones y planteamientos distintos. En
este caso para crear entornos de aprendizaje más potentes y útiles que los enfoques de
aprendizaje ayudados por la tecnología ya existentes, mediante la incorporación de nuevas
herramientas y nuevos criterios para el aprendizaje.
Todo ello es prometedor pero supone importantes desafíos que son claves para el desarrollo y
la evolución de la nueva universidad que salga de las actuales disrupciones.
Por otra parte estos entornos también desafían las prácticas educativas existentes y
consolidadas, que se han utilizado durante décadas, si no siglos, e impulsan a los docentes y
expertos educativos fuera de su zona de confort haciéndoles conscientes de las limitaciones de
las prácticas de enseñanza y evaluación vigentes y la evidencia de que pueden mejorarse a
través de estos nuevas posibilidades.
La filosofía, las convicciones, los patrones consolidados de análisis y de comportamiento que

ilustran las políticas universitarias existentes también se convierten en una barrera frente a la
mejora de la educación universitaria y de las expectativas personales que estos entornos
permiten. Y eso es así en función de que estas prácticas están orientadas y determinadas por
viejos y caducos paradigmas educativos. Hacer frente a estos desafíos requerirá esfuerzos
concertados de las diversas partes interesadas en los diferentes niveles: Docentes a nivel de
base, responsables de la gestión universitaria, políticos y, en realidad, de todas las personas,
de la industria, los servicios y de las profesiones.
Presentación del artículo: 15 de marzo de 2018

Fecha de aprobación: 28 de marzo de 2018
Fecha de publicación: 31 de marzo de 2018
Financing
This research has not received any specific subsidies from funding agencies in the public,
commercial or non-profit sectors.
Financiación
Esta investigación no ha recibido ninguna subvención específica de los organismos de
financiación en los sectores públicos, comerciales o sin fines de lucro.
Zapata-Ros, M. (2018). La universidad inteligente. RED. Revista de Educación a

Distancia, 57(10). Consultado el (dd/mm/aaaa) en
http://www.um.es/ead/red/57/zapata2.pdf

Referencias
Bloom, B. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as
effective as One-to-One Tutoring, Educational Researcher, 13:6 (4-16).
Brandman, R. (2013) 5 Tips: Learn more effectively in class with Mastery Learning. Course
Operations MOOC Pedagogy Specialist, Accesible el 09/06/13
en http://blog.coursera.org/post/50352075945/5-tips-learn-more-effectively-in-class-
with-mastery
Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of
learning. Educational researcher, 18(1), 32-42.
Bomsdorf, B. (2005). Adaptation of learning spaces: Supporting ubiquitous learning in higher
distance education. In Dagstuhl Seminar Proceedings. Schloss Dagstuhl-Leibniz-Zentrum fr
Informatik.
Bothwell, E. (March 6, 2018). Coursera to offer degrees from UK universities. Times Higher
Education https://www.timeshighereducation.com/news/coursera-offer-degrees-uk-
universities.
Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User modeling and
user-adapted interaction, 6(2-3), 87-129.
Chen, N. S., Cheng, I. L., & Chew, S. W. (2016). Evolution is not enough: Revolutionizing
current learning environments to smart learning environments. International Journal of
Artificial Intelligence in Education, 26(2), 561-581.
https://link.springer.com/article/10.1007%2Fs40593-016-0108-x. En abierto
https://www.researchgate.net/publication/295186361_Evolution_Is_not_enough_Revolu
tionizing_Current_Learning_Environments_to_Smart_Learning_Environments
Chen, Y. L., Cheng, L. C., & Chuang, C. N. (2008). A group recommendation system with
consideration of interactions among group members. Expert systems with
applications, 34(3), 2082-2090.
Chu, H. C., Hwang, G. J., & Tsai, C. C. (2010). A knowledge engineering approach to developing
mindtools for context-aware ubiquitous learning. Computers & Education, 54(1), 289-297.
Chiou, C. K., Tseng, J. C., Hwang, G. J., & Heller, S. (2010). An adaptive navigation support
system for conducting context-aware ubiquitous learning in museums. Computers &
Education, 55(2), 834-845.
Clancey, W. J. (1984). Methodology for building an intelligent tutoring system. Methods and
tactics in cognitive science, 51-84.
Clark, D. (February 19, 2016) 10 powerful results from Adaptive (AI) learning trial at ASU. Plan
B. http://donaldclarkplanb.blogspot.com.es/2016/02/10-powerful-results-from-adaptive-
ai.html
Clark, D. (JANUARY 13, 2016). 5 level taxonomy of AI in learning (with real examples). Plan B.
http://donaldclarkplanb.blogspot.com.es/search?q=ai+taxonomy
Clark, R. C. (2003). Building Expertise: Cognitive Methods for Training and Performance
Improvement. Washington D.C., International Society for Performance Improvement.
Clark, R. C. and R. E. Mayer (2003). E-Learning and the Science of Instruction. San Francisco,
Jossey-Bass Pfeiffer.

Crosslin, M (2014 May). Designing a Dual Layer cMOOC/xMOOC.

http://www.edugeekjournal.com/2014/05/04/designing-a-dual-layer-cmoocxmooc/
Dabbagh, N., & Kitsantas, A. (2012). Personal Learning environments, social media, and self-
regulated learning: A natural formula for connecting formal and informal learning. The
Internet and Higher Education, 15(1), 3–8.
Delgado, C. et al (2017) Informe Tendencias TIC. Publicaciones de la CRUE.
http://tic.crue.org/wp-content/uploads/2017/11/9.50-Sesion-Tecnica-CRUE-TIC-GTDIR-
Tendencias-UCM-2017v1.pdf
Driscoll, M. (1994). Gagne’s theory of instruction. Psychology of Learning for Instruction.
Boston, MA, Allyn and Bacon, 329-358.
http://ocw.metu.edu.tr/pluginfile.php/9013/mod_resource/content/1/driscoll-
ch10%20(1).pdf
Driscoll, M. P. (2013). Psychology of Learning for Instruction: Pearson New International
Edition. Pearson Higher Ed.
FEFC (1997). How to Apply for Funding. Bristol: Further Education Funding Council.
Fink, L.D. (2003), A Self-Directed Guide to Designing Courses for Significant
Learning.http://www.deefinkandassociates.com/GuidetoCourseDesignAug05.pdf
Gagné, R. M. (1965). The conditions of learning and theory of instruction ( 1st ed.). New York,
NY: Holt, Rinehart & Winston.
Gagné, R. M., & Briggs, L. J. (1974). The principles of instructional design ( 1st ed.). New York,
NY: Holt.
Gagné, R. M. (1985). The conditions of learning and theory of instruction ( 4th ed.). New York,
NY: Holt, Rinehart & Winston.
Goel, A. K., & Polepeddi, L. (2016). Jill Watson: A Virtual Teaching Assistant for Online
Education. Georgia Institute of Technology.
https://smartech.gatech.edu/bitstream/handle/1853/59104/goelpolepeddi-
harvardvolume-v7.1.pdf?sequence=1&isAllowed=y
Gonzalez, A. J., & Ingraham, L. R. (1994). Automated exercise progression in simulation-based
training. IEEE transactions on systems, man, and cybernetics, 24(6), 863-874.
Graf, S., & Ives, C. (2010, July). A flexible mechanism for providing adaptivity based on
learning styles in learning management systems. In Advanced Learning Technologies
(ICALT), 2010 IEEE 10th International Conference on (pp. 30-34). IEEE.
Hsieh, S. W., Jang, Y. R., Hwang, G. J., & Chen, N. S. (2011). Effects of teaching and learning
styles on students’ reflection levels for ubiquitous learning. Computers & Education, 57(1),
1194-1201.
Hung, P. H., Hwang, G. J., Lin, Y. F., Wu, T. H., & Su, I. H. (2013). Seamless Connection between
Learning and Assessment-Applying Progressive Learning Tasks in Mobile Ecology
Inquiry. Educational Technology & Society, 16(1), 194-205.
Hung, I. C., Yang, X. J., Fang, W. C., Hwang, G. J., & Chen, N. S. (2014). A context-aware video
prompt approach to improving students' in-field reflection levels. Computers &
Education, 70, 80-91.
Hwang, G. J. (1998). A tutoring strategy supporting system for distance learning on computer
networks. IEEE TRANSACTIONS ON EDUCATION E, 41, 343-343.

Hwang, G. J., & Chang, H. F. (2011). A formative assessment-based mobile learning approach
to improving the learning attitudes and achievements of students. Computers &
Education, 56(4), 1023-1031.
Hwang, G. J., Tsai, C. C., Chu, H. C., Kinshuk, K., & Chen, C. Y. (2012). A context-aware
ubiquitous learning approach to conducting scientific inquiry activities in a science
park. Australasian Journal of Educational Technology, 28(5).
Hwang, G. J. (2014). Definition, framework and research issues of smart learning
environments-a context-aware ubiquitous learning perspective. Smart Learning
Environments, 1(1), 4. https://slejournal.springeropen.com/articles/10.1186/s40561-014-
0004-5
Hwang, G. J., Chin-Chung, T., & Yang, S. J. (2008). Criteria, strategies and research issues of
context-aware ubiquitous learning. Journal of Educational Technology & Society, 11(2).
Hwang, G. J., Hung, P. H., Chen, N. S., & Liu, G. Z. (2014). Mindtool-assisted in-field learning
(MAIL): An advanced ubiquitous learning project in Taiwan. Journal of Educational
Technology & Society, 17(2).
Joiner, R., Nethercott, J., Hull, R., & Reid, J. (2006). Designing Educational Experiences Using
Ubiquitous Technology. Computers in Human Behavior, 22 (1), 67-76.
Jonassen, D. H., Carr, C., & Yueh, H. P. (1998). Computers as mindtools for engaging learners
in critical thinking. TechTrends, 43(2), 24-32.
Karampiperis, P., & Sampson, D. (2005). Adaptive learning resources sequencing in
educational hypermedia systems. Journal of Educational Technology & Society, 8(4).
Kinshuk, T. L., & Patel, A. (2003). User exploration based adaptation in adaptive learning
systems. International Journal of Information Systems in Education, 1(1), 22-31.
Kinshuk, K., Hwang, G. J., Tsai, C. C., Chu, H. C. & Chen, C. Y. (2012). A context-aware
ubiquitous learning approach to conducting scientific inquiry activities in a science
park. Australasian Journal of Educational Technology, 28(5).
Kinshuk (2014). Roadmap for adaptive and personalized learning in Ubiquitous environments.
In Ubiquitous Learning Environments and Technologies (pp. 1–13). Heidelberg: Springer.
Lave, J. (1991). Situating learning in communities of practice. Perspectives on socially shared
cognition, 2, 63-82.
Linden, A., & Fenn, J. (2003). Understanding Gartner’s hype cycles. Strategic Analysis Report
Nº R-20-1971. Gartner, Inc.
Liu, G. Z., & Hwang, G. J. (2010). A key step to understanding paradigm shifts in e‐learning:
towards context‐aware ubiquitous learning. British Journal of Educational
Technology, 41(2).
Mampadi, F., Chen, S. Y., Ghinea, G., & Chen, M. P. (2011). Design of adaptive hypermedia
learning systems: A cognitive style approach. Computers & Education, 56(4), 1003-1011.
Martens, A., & Uhrmacher, A. M. (2002, June). Adaptive tutoring processes and mental plans.
In International Conference on Intelligent Tutoring Systems (pp. 71-80). Springer, Berlin,
Heidelberg.
Martens, A. (2006). Modeling of adaptive tutoring processes. Web-based intelligent e-learning
systems: Technologies and applications, 193-215.
Merrill, M. D. (1991). Constructivism and instructional design. Educational technology, 31(5),
45-53.

Merrill, M. D. (2002). First principles of instruction. Educational Technology Research and

Development, 50(3), 43-59. (Click for copy from Dr. Merrill's personal
website). Instructional-Design Theories and Models, Volume III: Building a Common
Knowledge Base (link to book site)
Merrill, M. D. (2009). First Principles of Instruction. In C. M. Reigeluth & A. Carr (Eds.),
Instructional Design Theories and Models: Building a Common Knowledge Base (Vol. III).
New York: Routledge Publishers. (Click for copy)
Minami, M., Morikawa, H., & Aoyama, T. (2004, January). The design of naming-based service
composition system for ubiquitous computing applications. In Applications and the
Internet Workshops, 2004. SAINT 2004 Workshops. 2004 International Symposium on (pp.
304-312). IEEE.
Ogata, H., & Yano, Y. (2004). Context-aware support for computer-supported ubiquitous
learning. In Wireless and Mobile Technologies in Education, 2004. Proceedings. The 2nd
IEEE International Workshop on (pp. 27-34). IEEE.
Papanikolaou, K. A., Grigoriadou, M., Magoulas, G. D., & Kornilakis, H. (2002). Towards new
forms of knowledge communication: the adaptive dimension of a web-based learning
environment. Computers & Education, 39(4), 333-360.
Parr, C. (February 28, 2013). Universities mine institutional data in search of gold Analysis of
information on staff and students can help to improve recruitment and retention. Times
Higher Education. https://www.timeshighereducation.com/news/universities-mine-
institutional-data-in-search-of-gold/2002053.article.
Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive
web (pp. 325-341). Springer, Berlin, Heidelberg.
Reigeluth, C. M., Ed. (1999). Instructional-Design Theories and Models: A New Paradigm of
Instructional Theory. Mahwah, NJ, Lawrence Erlbaum Associates Publishers.
Reigeluth, C. (2016). Teoría instruccional y tecnología para el nuevo paradigma de la
educación. RED. Revista de Educación a Distancia. Número 50. 30 de septiembre de 2016.
Consultado el (dd/mm/aaa) en http://www.um.es/ead/red/50
Reigeluth, C. M., & Carr-Chellman, A. A. (2009a). Situational principles of instruction. In C. M.
Reigeluth & A. A. Carr-Chellman (Eds.), Instructional-design theories and models: Building
a common knowledge base (Vol. III, pp. 57-68). New York: Routledge.
Rogers, Y., Price, S., Randell, C., Fraser, D. S., Weal, M., & Fitzpatrick, G. (2005). Ubi-learning
integrates indoor and outdoor experiences. Communications of the ACM, 48(1), 55-59.
Sharples, M., Sánchez, I. A., Milrad, M., & Vavoula, G. (2009). Mobile Learning: Small devices,
Big issues. In and SBS Balacheff, S. Ludvigsen, T. de Long, A. Lazonder (Ed.), Technology
enhanced learning: Principles and products (pp. 233–49).
Siemens, G. (2014, May). Multiple pathways: Blending xMOOCs & cMOOCs.
http://www.elearnspace.org/blog/2014/05/06/multiple-pathways-blending-
xmoocscmoocs/
Specht, M., Weber, G., Heitmeyer, S., & Schöch, V. (1997, June). AST: adaptive WWW-
courseware for statistics. In Proceedings of Workshop" Adaptive Systems and User
Modeling on the World Wide Web" at 6th International Conference on User Modeling,
UM97, Chia Laguna, Sardinia, Italy (pp. 91-95).

Tsai, P. S., Tsai, C. C., & Hwang, G. J. (2012). Developing a survey for assessing preferences in
constructivist context‐aware ubiquitous learning environments. Journal of computer
assisted learning, 28(3), 250-264.
Tseng, J. C., Chu, H. C., Hwang, G. J., & Tsai, C. C. (2008a). Development of an adaptive
learning system with two sources of personalization information. Computers &
Education, 51(2), 776-786.
Tseng, S. S., Jun-Ming, S., Hwang, G. J., Hwang, G. H., Chin-Chung, T., & Tsai, C. J. (2008b). An
object-oriented course framework for developing adaptive learning systems. Journal of
Educational Technology & Society, 11(2).
Van Seters, J. R., Ossevoort, M. A., Tramper, J., & Goedhart, M. J. (2012). The influence of
student characteristics on the use of adaptive e-learning material. Computers &
Education, 58(3), 942-952.
Wu, H. K., Lee, S. W. Y., Chang, H. Y., & Liang, J. C. (2013a). Current status, opportunities and
challenges of augmented reality in education. Computers & education, 62, 41-49.
Wu, P. H., Hwang, G. J., & Tsai, W. H. (2013b). An expert system-based context-aware
ubiquitous learning approach for conducting science learning activities. Journal of
Yang, C. C., Hwang, G. J., Hung, C. M., & Tseng, S. S. (2013a). An evaluation of the learning
effectiveness of concept map-based science book reading via mobile devices. Journal of
Yang, T. C., Hwang, G. J., & Yang, S. J. H. (2013b). Development of an adaptive learning system
with multiple perspectives based on students' learning styles and cognitive styles. Journal
of Educational Technology & Society, 16(4), 185.
ZAPATA-ROS, M. (1990) Técnicas de programación declarativa en el aula. Seco Olea Ediciones,
SL Madrid.
Zapata-Ros, M. (2001). Formación abierta ya distancia a través de redes digitales: Modelos de
redes de aprendizaje. RED: Revista de Educación a Distancia, (1).
Zapata-Ros, M. (2012). Calidad en entornos ubicuos de aprendizaje. RED: Revista de
Educación a Distancia, (31), 1-12.
Zapata-Ros, M. (2015). Teorías y modelos sobre el aprendizaje en entornos conectados y
ubicuos. Bases para un nuevo modelo teórico a partir de una visión crítica del
“conectivismo”. Teoría de la Educación. Educación y Cultura en la Sociedad de la
Información, 16(1).
Zapata-Ros, M. (2015b). El diseño instruccional de los MOOC y el de los nuevos cursos
abiertos personalizados. Revista de Educación a Distancia, (45).
Zapata-Ros, M. (2017, December). Latinoamérica y la educación superior en la encrucijada de
la sociedad del conocimiento. Desafíos y disrupciones. Virtualidad, Educación y
Ciencia, 8(15), 193-199.
Zapata-Ros, M. (2017). Latinoamérica y la educación superior en la encrucijada de la Sociedad
del Conocimiento. Desafíos y disrupciones. RED de Hypotheses. Retrieved
from https://red.hypotheses.org/1011

La Universidad Inteligente

Cargado por

Copyright:

Formatos disponibles

La Universidad Inteligente

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Universidad Inteligente

Cargado por

Copyright:

Formatos disponibles

RED. Revista de Educación a Distancia. Núm.

The smart university

Smart learning, Smart learning systems, adaptive learning, higher education,

"Durante treinta años he asistido a conferencias donde oradores han

Sir Michael Barber

La universidad inteligente, Miguel Zapata-Ros. Pág. 2 de 43

b) Los procedimientos/affordances/tecnologías de detección que ha permitido el

La universidad inteligente, Miguel Zapata-Ros. Pág. 3 de 43

son capaces de detectar el estado de aprendizaje en el mundo real de los estudiantes y

En consecuencia, y ateniéndose a los principios del aprendizaje y de intervención educativa en

2. El estado del arte de la cuestión y una sucinta revisión de la

La tecnología ha ofrecido una línea de avance a la atención y a la entrega de contenidos a los

La universidad inteligente, Miguel Zapata-Ros. Pág. 4 de 43

Sistemas adaptativos y tutorías inteligentes

Aprendizaje ubicuo y aprendizaje inteligente

La universidad inteligente, Miguel Zapata-Ros. Pág. 5 de 43

Si estas posibilidades son utilizadas para organizar la enseñanza, la ayuda pedagógica y la

Tutoría inteligente y aprendizaje adaptativo

Sobre el desarrollo de tutorías inteligentes en el contexto de aprendizaje adaptativo para

Sobre el “aprendizaje ubicuo sensible al contexto”

Han justificado este planteamiento y esta perspectiva, la importancia y la necesidad de situar a

La universidad inteligente, Miguel Zapata-Ros. Pág. 6 de 43

La universidad inteligente, Miguel Zapata-Ros. Pág. 7 de 43

Resumiendo se puede decir que el aprendizaje inteligente es el aprendizaje adaptativo y

Diferencias entre aprendizaje en entornos inteligentes, aprendizaje por contexto y

La universidad inteligente, Miguel Zapata-Ros. Pág. 8 de 43

Como veremos igualmente en el apartado siguiente, y consecuentemente con la distinción

Aprendizaje Aprendizaje Aprendizaje

Detecta y tiene en cuenta los contextos del mundo real

La universidad inteligente, Miguel Zapata-Ros. Pág. 9 de 43

Aprendizaje Aprendizaje Aprendizaje

Sitúa a los alumnos en escenarios del mundo real,

Adapta contenidos y situaciones de aprendizaje para

Adapta la interfaz y las affordances de aprendizaje

Adapta tareas u objetivos de aprendizaje para alumnos

Proporciona comentarios personalizados y

Proporciona comentarios personalizados y

Proporciona orientación de aprendizaje, apoyo y

Proporciona orientación de aprendizaje o apoyo en

Recomienda herramientas o estrategias de aprendizaje

Tiene en cuenta la situación y las condiciones de

Tiene en cuenta la situación de aprendizaje en el

La universidad inteligente, Miguel Zapata-Ros. Pág. 10 de 43

Aprendizaje Aprendizaje Aprendizaje

Facilita tanto el aprendizaje formal como el informal Sí Sí No

Tiene en cuenta los múltiples y diversos factores

Utiliza sistemas de recomendación a partir de lo

Interactúa con los usuarios a través de múltiples

Brinda apoyo a los alumnos con "adaptación

Brinda apoyo a los alumnos con "adaptaciones en

3. Los entornos inteligentes de aprendizaje

La universidad inteligente, Miguel Zapata-Ros. Pág. 11 de 43

1. Es sensible y consciente del contexto y puede elaborar recomendaciones en función

2. Es adaptativo. Puede ofrecer apoyo instantáneo y adaptado a los alumnos mediante el

La universidad inteligente, Miguel Zapata-Ros. Pág. 12 de 43

información que es más eficiente para él y su forma de aprender y a sus preferencias

Por tanto no recomendamos ninguna configuración de sistemas en particular. Sin embargo,

La universidad inteligente, Miguel Zapata-Ros. Pág. 13 de 43

4. Un módulo de contenidos de aprendizaje adaptativos. Este módulo proporciona materiales