Personalización de recursos para la  enseñanza de matemáticas universitarias  usando inteligencia artificial

Juan Sebastián Parra Sánchez; Ingrid Durley Torres Pardo; Carmen Ysabel Martínez de Meriño

doi:10.15332/5tzpd984

Vol. 16 Núm. 1 (2023)

Publicado 2025-09-12

Licencia

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:

Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).

RIIEP está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

La Universidad Santo Tomás conserva los derechos patrimoniales de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia anteriormente mencionada.

ARTÍCULOS PRODUCTO DE LA INVESTIGACIÓN

Personalización de recursos para la enseñanza de matemáticas universitarias usando inteligencia artificial

DOI: https://doi.org/10.15332/5tzpd984

Juan Sebastián Parra Sánchez Universidad Católica Luis Amigó

Ingrid Durley Torres Pardo Universidad Católica Luis Amigó

Carmen Ysabel Martínez de Meriño Universidad Católica Luis Amigó

PDF

Resumen
Referencias

Objetivo: presentar un modelo de personalización de recursos de aprendizaje usando técnicas de inteligencia artificial (ia) para la en señanza de matemáticas universitarias. Metodología: El modelo se construyó basado en los estilos de aprendizaje de Felder y Silverman y en un cuestionario de saberes previos aplicado a los estudiantes en álgebra, geometría y trigonometría una vez ingresan a carreras profesionales de ingeniería. Resultados: Se analizaron las recomen daciones de recursos de aprendizaje por estilos de aprendizaje y se aplicaron técnicas de ia, para encontrar patrones en siete grupos diferentes de estudiantes. Conclusión: Con este modelo se evaluó la posibilidad de realizar una adecuada recomendación de recursos de aprendizaje, teniendo en cuenta el tipo y el orden de presentación de estos y, además, sobre las áreas que se deben priorizar en el in greso a la universidad.

Palabras clave: enseñanza de las matemáticas, inteligencia artificial, educación universitaria, aprendizaje, recursos educativos abiertos, algebra, geometría

Borges, G., & Stiubiener, I. (2014). Recommending learning objects based on utility and learning style. *IEEE Frontiers in Education Conference (FIE) Proceedings,* 1–9. https://doi.org/10.1109/FIE.2014.7044245

Bravo, M., & Mejía, A. (2010). Los retos de la educación superior en Colombia: Una reflexión sobre el fenómeno de la deserción universitaria. *Revista Educación en Ingeniería, 5*(10), 85–98. https://bit.ly/3mYogo8

Camacho, J., Laverde, I., & Clara, I. (2012). Blended learning y estilos de aprendizaje en estudiantes universitarios del área de la salud. *Revista de Educación Médica Superior, 26*(1), 27–44. https://bit.ly/3o9lvzp

Carvalho, Z., Ferreira, L., & Pimentel, A. (2017). Adaptation of learning object interface based on learning style. *ICIES, 3,* 119–126. https://doi.org/10.5220/0006319001190126

Castro, B., Manrique, R., González, D., & Segura, A. (2020). Academic trajectory and factors associated with graduation, dropout and graduation delay in undergraduate students at a private university of Medellín (Colombia). *Formación Universitaria, 13*(1), 43–54. https://doi.org/10.4067/S0718-50062020000100043

Ciloglugil, B., & Inceoglu, M. (2016). A Felder and Silverman learning styles model based personalization approach to recommend learning objects. *Lecture Notes in Computer Science, 9790,* 386–397. https://doi.org/10.1007/978-3-319-42092-9_30

Chiliquinga-Campos, F., & Balladares-Burgos, J. (2020). Rutinas de pensamiento: Un proceso innovador en la enseñanza de la Matemática. *Revista Andina de Educación, 3*(1), 53–63. https://doi.org/10.32719/26312816.2020.3.1.9

Coll, C. (2016). La personalización del aprendizaje escolar: El qué, el por qué y el cómo de un reto insoslayable. *Universidad de Barcelona. Reptes de l’educació a Catalunya. Anuari d’Educació.*

Donoso, S., Iturrieta, T., & Traverso, G. (2018). Sistemas de alerta temprana para estudiantes en riesgo de abandono de la educación superior. *Ensaio: Avaliação e Políticas Públicas em Educação, 26*(100), 944–967. https://doi.org/10.1590/s0104-40362018002601494

Dorca, F., Araújo, R., de Carvalho, V., Resende, D., & Cattelan, R. (2016). An automatic and dynamic approach for personalized recommendation of learning objects considering students’ learning styles: An experimental study. *Informatics in Education, 15*(1), 45–62. https://doi.org/10.15388/infedu.2016.03

Duque, N., Tabares, V., & Vicari, R. (2016). Learning object metadata mapping with learning styles as a strategy for improving usability of educational resource repositories. *Revista Iberoamericana de Tecnologías del Aprendizaje, 11*(2), 101–106. https://doi.org/10.1109/RITA.2016.2554038

Gironés-Roig, J., Casas-Roma, J., Minguillón-Alfonso, J., & Caihuelas-Quiles, R. (2017). *Minería de datos: Modelos y algoritmos.* Editorial UOC. https://doi.org/10.1017/CBO9781139058452.002

León, G. de la C., & Viña, S. M. (2017). La inteligencia artificial en la educación superior: Oportunidades y amenazas. *INNOVA Research Journal, 2*(8.1), 412–422. https://doi.org/10.33890/innova.v2.n8.1.2017.399

Lerís, D., Sein, M. L., Hernández, M., & Bueno, C. (2017). Validation of indicators for implementing an adaptive platform for MOOCs. *Computers in Human Behavior, 72,* 783–795. https://doi.org/10.1016/j.chb.2016.07.054

Mandale, R., Patil, A., & Adamuthe, A. (2021). Improved undergraduate software capstone project development with adoption of industry practices. *Journal of Engineering Education Transformations, 34*(4), 74–89. https://doi.org/10.16920/jeet/2021/v34i4/153757

Maza, L., Raymundo, C., & Domínguez, F. (2017). Modelo de asociación entre objetos y estilos de aprendizajes para una plataforma de aprendizaje adaptativo. *CICIC 2017,* 148–153. https://bit.ly/3bHLB6S

Nafea, S., Siewe, F., & He, Y. (2019). A novel algorithm for course learning object recommendation based on student learning styles. *2019 International Conference on Innovative Trends in Computer Engineering (ITCE),* 192–201. https://doi.org/10.1109/ITCE.2019.8646355

Pérez, C., Cerón, E., Suárez, R., Mera, M., Briones, N., Zambrano, L., & Barreto, M. (2019). Deserción y repitencia en estudiantes de la carrera de Enfermería matriculados en el período 2010–2015. *Educación Médica, 20*(2), 84–90. https://doi.org/10.1016/j.edumed.2017.12.013

Ramirez, A., Bory, J., & Hernández, L. M. (2016). Learning object assembly based on learning styles. *Smart Innovation, Systems and Technologies, 59,* 447–462. https://doi.org/10.1007/978-3-319-39690-3_39

Rincón, E., Mena, J., López, E., & Olmos, O. (2019). Adaptive learning based on AI with predictive algorithms. *ACM International Conference Proceeding Series,* 607–612. https://doi.org/10.1145/3362789.3362869

Rivero, D., Ulloa, N., Guerra, L., Arellano, B., & Arciniegas, S. (2019). Agente adaptativo para la enseñanza en ambientes inteligentes. *Revista Ibérica de Sistemas e Tecnologias de Informação (RISTI),* 694–707. https://doi.org/10.17013/risti.33.694-707

Rodríguez, R. (2018). Los modelos de aprendizaje de Kolb, Honey y Mumford: Implicaciones para la educación en ciencias. *Sophia, 14*(1), 51–64. https://doi.org/10.18634/sophiaj.14v.1i.698

Russell, S., & Norvig, P. (2004). *Inteligencia artificial: Un enfoque moderno.* Pearson Educación.

Simanca, H., Burgos, D., Crespo, R., & Baena, L. (2018). Automation of the tutoring process in online environments through the learning analytics. *Iberian Conference on Information Systems and Technologies (CISTI),* 1–5. https://doi.org/10.23919/CISTI.2018.8399403

Soria, K., & Zúñiga, S. (2014). Aspectos determinantes del éxito académico de estudiantes universitarios. *Formación Universitaria, 7*(5), 41–50. https://doi.org/10.4067/S0718-50062014000500006

Valbuena, S., Jiménez, M. A., & Jiménez, W. (2021). Aportes de los actores de la práctica pedagógica al desarrollo de las competencias específicas en la licenciatura en matemática en formación virtual y presencial. *Revista Interamericana de Investigación, Educación y Pedagogía (RIIEP), 14*(2), 247–275. https://doi.org/10.15332/25005421.6114

Vargas, M., & Montero, E. (2016). Factores que determinan el rendimiento académico en Matemáticas en el contexto de una universidad tecnológica: Aplicación de un modelo de ecuaciones estructurales. *Universitas Psychologica, 15*(4). https://doi.org/10.11144/Javeriana.upsy15-5.eetc

Licencia

Cómo citar

Parra Sánchez, J. S., Torres Pardo, I. D., & Martínez de Meriño, C. Y. (2025). Personalización de recursos para la enseñanza de matemáticas universitarias usando inteligencia artificial. Revista Interamericana De Investigación Educación Y Pedagogía RIIEP, 16(1), 319-340. https://doi.org/10.15332/5tzpd984

Descargar cita

Almétricas

Métricas

Cargando métricas ...