Integración de la Inteligencia Artificial en las teorías y estilos de aprendizaje
DOI:
https://doi.org/10.59471/raia2024207Palabras clave:
educación personalizada, inteligencia artificial, teorías de aprendizajeResumen
Este artículo analiza la integración de la Inteligencia Artificial (IA) en la educación, destacando su impacto en teorías de aprendizaje tradicionales como el constructivismo, cognitivismo, conductismo y conectivismo. La IA enriquece estas teorías al proporcionar herramientas adaptativas, sistemas de tutoría inteligente, evaluaciones automatizadas y redes de aprendizaje globales. Estas tecnologías personalizan el aprendizaje, optimizan la organización de contenidos y fomentan la colaboración interdisciplinaria. El constructivismo se ve fortalecido por entornos personalizados y colaborativos, mientras que el cognitivismo utiliza análisis predictivos para anticipar y abordar dificultades de aprendizaje. El conductismo encuentra en la IA un medio para implementar estrategias de refuerzo positivo, y el conectivismo fomenta el acceso global al conocimiento mediante redes inteligentes. Si bien estos avances transforman positivamente la educación, se destacan desafíos éticos como la privacidad y la equidad. Este estudio concluye que la IA, implementada éticamente, tiene el potencial de revolucionar la educación para un futuro más inclusivo.
Referencias
Alonso, C., Gallego, D., & Honey, P. (1995). Los estilos de aprendizaje: Procedimientos de diagnóstico y mejora. España.
Battaglia, N., Neil, C., De Vincenzi, M., & Martínez, R. (2016). UAICase: Integración de un entorno académico con una herramienta CASE en una plataforma virtual colaborativa. En XI Congreso de Tecnología en Educación y Educación Virtual. Recuperado de: https://sedici.unlp.edu.ar/handle/10915/53571.
Bernard, J., Chang, T., Popescu, E., & Graf, S. (2017). Learning style identifier: Improving the precision of learning style identification through computational intelligence algorithms. Expert Systems with Applications, 75, 94–108.
Brusilovsky, P., & Peylo, C. (2003). Adaptive and intelligent technologies for web-based educational systems. International Journal of Artificial Intelligence in Education, 13, 159–172.
Coffield, F., Moseley, D., Hall, E., & Ecclestone, K. (2004). Learning styles and pedagogy in post-16 learning: A systematic and critical review. London, UK.
Crockett, K., Latham, A., & Whitton, N. (2017). On predicting learning styles in conversational intelligent tutoring systems using fuzzy decision trees. International Journal of Human- Computer Studies, 97, 98–115.
El-Ghareeb, H. A. (2020). Intelligent and adaptive microservices and neutrosophic-based learning management systems. En F. Smarandache & M. Abdel-Basset (Eds.), Optimization Theory Based on Neutrosophic and Plithogenic Sets (pp. 63–85). Academic Press.
Jayasingh, B. (2016). A data mining approach to inquiry-based inductive learning practice in engineering education. En 2016 IEEE 6th International Conference on Advanced Computing (IACC) (pp. [incluir número de páginas]). Bhimavaram, India.
Jonassen, D. (1999). Designing constructivist learning environments. University Park, PA.
Lwande, C., Muchemi, L., & Oboko, R. (2021). Identifying learning styles and cognitive traits in a learning management system. Journal of Computer Assisted Learning, 37(5), 1417– 1430.
Maffei, F., Neil, C., & Battaglia, N. (2022). Herramientas para determinar estilos de aprendizaje basadas en Inteligencia artificial. In XVII Congreso de Tecnología en Educación & Educación en Tecnología-TE&ET 2022 (Entre Ríos, 15 y 16 de junio de 2022)
Miller, M., Clerck, J., Endres, W., Roberts, L., Hale, K., & Sorby, S. (2013). Evaluation of computer modules to teach metacognition and motivation strategies in engineering education. Journal of Engineering Education, 102(4), 570–593.
Pashler, H., McDaniel, M., Rohrer, D., & Bjork, R. (2008). Learning styles: Concepts and evidence. Psychological Science in the Public Interest, 9(3), 105–119.
Piaget, J. (1967). La psicología de la inteligencia. Barcelona: Ariel.
Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning.
Skinner, B. F. (1953). Science and human behavior. New York: Macmillan.
Tsai, P., & Liao, H. (2021). Students’ progressive behavioral learning patterns in using machine translation systems: A structural equation modeling analysis. System, 101, 102561.
Vygotsky, L. (1978). The interaction between learning and development. En Mind in Society: The Development of Higher Psychological Processes. Development and Learning.
Woolf, B. P. (2010). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Burlington, MA: Morgan Kaufmann.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
