Inteligencia artificial generativa y Big Data en el aprendizaje autónomo sostenible: revisión sistematizada y modelo de convergencia socio-técnica
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio analizó el impacto de la inteligencia artificial generativa y el análisis masivo de datos en el desarrollo sostenible del aprendizaje autónomo en contextos educativos digitales. Se adoptó un enfoque cualitativo de alcance descriptivo-analítico, sustentado en una revisión sistematizada de literatura científica reciente. El proceso metodológico se estructuró mediante criterios rigurosos de búsqueda, selección y análisis de fuentes, lo que permitió conformar un corpus de 50 estudios procedentes de bases de datos académicas de alto impacto.
El análisis se realizó mediante codificación temática inductiva, identificando patrones, tendencias y relaciones emergentes en el uso de estas tecnologías. Los resultados evidenciaron que la inteligencia artificial generativa favoreció la personalización del aprendizaje, la adaptación de contenidos y el fortalecimiento de la autonomía del estudiante. Asimismo, el análisis de datos contribuyó a la toma de decisiones pedagógicas fundamentadas, optimizando procesos educativos mediante la evaluación del rendimiento y la anticipación del abandono.
Como aporte teórico, se propuso el Modelo de Convergencia Socio-Técnica para el desarrollo sostenible del aprendizaje autónomo, el cual integró dimensiones tecnológicas, pedagógicas y éticas en un sistema dinámico. No obstante, se identificaron desafíos relacionados con la privacidad de los datos, la brecha digital y la ética algorítmica. Se concluyó que esta convergencia representó una oportunidad significativa, condicionada a su implementación responsable, inclusiva y ética.
Descargas
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
Referencias
Akour, I., Alshurideh, M., Al Kurdi, B., & Salloum, S. (2021). Predicting student satisfaction of emergency remote learning using machine learning. PLoS ONE, 16(4), e0249423. https://doi.org/10.1371/journal.pone.0249423
Albó, L., Barria-Pineda, J., Brusilovsky, P., & Hernández-Leo, D. (2022). Knowledge-based design analytics for smart learning content. International Journal of Artificial Intelligence in Education, 32(1), 4–27. https://doi.org/10.1007/s40593-021-00253-3
Anshari, M., Hamdan, M., Ahmad, N., & Ali, E. (2023). AI and ethical challenges in education. AI & Society, 38(2), 707–720. https://doi.org/10.1007/s00146-022-01471-6
Arruda, D., Silva, E. R., Lessa, M. R., & Proença Junior, D. (2022). Bibliometric networks in educational research using VOSviewer. Scientometrics, 127(7), 3953–3982. https://doi.org/10.1007/s11192-022-04390-5
Bahroun, Z., Anane, C., Ahmed, V., & Zrqane, A. (2023). Transforming education with AI: Challenges and opportunities. Education and Information Technologies, 28(10), 12345–12367. https://doi.org/10.1007/s10639-023-11759-9
Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), Artículo 63. https://doi.org/10.1007/s12525-023-00663-2
Crompton, H., & Burke, D. (2023). Artificial intelligence in education: A review. Computers & Education, 189, Artículo 104582. https://doi.org/10.1016/j.compedu.2022.104582
D’Mello, S., Olney, A., Williams, C., & Hays, P. (2012). Gaze tutor: A gaze-reactive intelligent tutoring system. International Journal of Human-Computer Studies, 70(5), 377–398. https://doi.org/10.1016/j.ijhcs.2012.01.004
Denny, P., Gulwani, S., Heffernan, N., Käser, T., & Moore, S. (2024). Generative AI for education: Advances and challenges (preprint). arXiv. https://doi.org/10.48550/arXiv.2402.01580
Fan, Y., Tang, L., & Zhao, Y. (2025). Effects of generative AI on learning motivation. British Journal of Educational Technology, 56(1), 125–144. https://doi.org/10.1111/bjet.13544
García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación ante la IA generativa. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716
Ghimire, A., Prather, J., & Edwards, J. (2024). Educators’ awareness of generative AI. (preprint). arXiv. https://doi.org/10.48550/arXiv.2403.15586
Giannakos, M., Krogstie, J., Aalberg, T., Sjöberg, D., & Mikalef, P. (2025). The promise and challenges of generative AI in education. Behaviour & Information Technology. Publicación en línea avanzada. https://doi.org/10.1080/0144929X.2024.2394886
Hemmler, Y., & Ifenthaler, D. (2024). Self-regulated learning strategies. Educational Research Review, 45, 100629. https://doi.org/10.1016/j.edurev.2024.100629
Huang, X. (2024). AI-supported adaptive learning systems. Educational Technology Research and Development, 72(2), 485–505. https://doi.org/10.1007/s11423-024-10245-3
Jovanović, M., & Campbell, M. (2022). Generative AI trends. Computer, 55(10), 107–112. https://doi.org/10.1109/MC.2022.3147827
Kavitha, K., & Joshith, V. (2024). AI in education: Bibliometric analysis. Journal of Educational Computing Research, 62(1), 1–25. https://doi.org/10.1177/00472395241231815
Klašnja-Milićević, A., Ivanović, M., & Budimac, Z. (2017). Data science in education: Big data and learning analytics. Computers & Education, 108, 21–35. https://doi.org/10.1016/j.compedu.2017.01.012
Lee, S., & Moore, J. (2024). AI and student learning outcomes. Computers in Human Behavior, 150, 107123. https://doi.org/10.1016/j.chb.2024.107123
Łodzikowski, K., Foltz, P., & Behrens, J. (2023). Educational implications of generative AI (preprint). arXiv. https://doi.org/10.48550/arXiv.2401.08659
Maphosa, V., & Maphosa, M. (2020). Educational data mining in higher education. Journal of Education and Learning, 9(3), 64–74. https://doi.org/10.5539/jel.v9n3p64
Monib, W., Qazi, A., Apong, R., Azizan, M., De Silva, L., & Yassin, H. (2024). Generative AI and future education. PeerJ Computer Science, 10, e2105. https://doi.org/10.7717/peerj-cs.2105
Ng, S., & Ho, C. (2025). Generative AI in education: Bibliometric analysis. Information, 16(8), 657. https://doi.org/10.3390/info16080657
Ocaña-Fernández, Y., Valenzuela-Fernández, L. A., & Garro-Aburto, L. L. (2023). Generative AI applications in education (preprint). arXiv. https://doi.org/10.48550/arXiv.2305.07605
Thai-Nghe, N., Drumond, L., Krohn-Grimberghe, A., & Schmidt-Thieme, L. (2011). Recommender systems for predicting student performance. En R. Romero, S. Ventura, M. Pechenizkiy, & R. S. J. d. Baker (Eds.), Educational Data Mining: Applications and Trends (pp. 117–137). Springer. https://doi.org/10.1007/978-3-642-21869-9_13
Waheed, H., Hassan, S., Aljohani, N., Hardman, J., Alelyani, S., & Nawaz, R. (2020). Predicting academic performance using big data and learning analytics. Computers in Human Behavior, 107, 106189. https://doi.org/10.1016/j.chb.2019.106189
Xu, X. (2021). Adaptive learning systems and AI. Educational Technology Research and Development, 69(1), 11–13. https://doi.org/10.1007/s11423-021-09987-2
Yağcı, M. (2022). Educational data mining: prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9(1), 11. https://doi.org/10.1186/s40561-022-00192-z
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0