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

v. 16 n. 1 (2023)

Publicado 2025-09-12

licença

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

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.

ARTIGOS PRODUTO DA PESQUISA

Personalização de recursos para o ensino de matemática universitária usando inteligência 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 (Espanhol)

Resumo
Referências

Objetivo: apresentar um modelo de personalização de recursos de aprendizagem utilizando técnicas de inteligência artificial (ia) para o ensino de matemática universitária. Metodologia: O modelo foi construído com base nos estilos de aprendizagem de Felder e Silverman e em um questionário de conhecimentos prévios aplicado a alunos de álgebra, geometria e trigonometria ao ingressarem nas carreiras profissionais de engenharia. Resultados: Foram analisadas as recomendações de recursos de aprendizagem por estilos de aprendizagem e aplicadas técnicas de ia, para encontrar padrões em sete grupos diferentes de alunos. Conclusão: Com este modelo, avaliou-se a possibilidade de fazer uma recomendação adequada de recursos de aprendizagem, levando em consideração o tipo e ordem de apresentação destes e, além disso, sobre as áreas que devem ser priorizadas ao ingressar na universidade.

palavras-chave: ensino de matemática, inteligência artificial, formação universitária, aprendendo, recursos educacionais abertos, álgebra, geometria

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

licença

Como Citar

Parra Sánchez, J. S., Torres Pardo, I. D., & Martínez de Meriño, C. Y. (2025). Personalização de recursos para o ensino de matemática universitária usando inteligência artificial. Revista Interamericana De Investigación Educación Y Pedagogía RIIEP, 16(1), 319-340. https://doi.org/10.15332/5tzpd984

Baixar Citação

Almétricas

Métricas

Carregando Métricas ...