LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2084.

DOI: https://doi.org/10.56712/latam.v6i5.4724

Aprendizaje adaptativo mediante inteligencia artificial
basada en estilos de aprendizaje

Adaptive learning through artificial intelligence based on learning styles

Liceth Macias Bazurto
lm.maciasb@uea.edu.ec

https://orcid.org/0000-0002-5234-8135
Universidad Estatal Amazónica

Puyo – Ecuador

Cristina Vásquez Barragán
dc.vasquezb@uea.edu.ec

https://orcid.org/0000-0002-1571-0107
Universidad Estatal Amazónica

Puyo – Ecuador

Alejandra Moreno Apolo
af.morenoa@uea.edu.ec

https://orcid.org/0009-0000-6107-8600
Universidad Estatal Amazónica

Puyo – Ecuador

Paul Leones Zambrano
wp.leonesz@uea.edu.ec

https://orcid.org/0000-0001-9756-6462
Universidad Estatal Amazónica

Puyo – Ecuador

Artículo recibido: 07 de julio de 2025. Aceptado para publicación: 29 de octubre de 2025.
Conflictos de Interés: Ninguno que declarar.

Resumen

Hoy en día, los ambientes educativos muestran una diversidad significativa en términos de intereses,
ritmos y estilos de aprendizaje, lo cual representa un reto permanente para asegurar experiencias
educativas personalizadas y congruentes con el currículo. Para lograr esto, se propone un modelo
conceptual centrado en la personalización educativa mediante sistemas de inteligencia artificial, que
tiene como finalidad detectar automáticamente los estilos de aprendizaje mediante el cuestionario
VARK y, a partir de ahí, crear recursos didácticos que estén en línea con la planificación del profesor.
La presente investigación adopta un enfoque cualitativo como estrategia metodológica central para
el análisis, orientada hacia la descripción y la proposición, mediante un enfoque metodológico de
carácter no experimental, estructurado bajo una perspectiva transversal. Se basa en una revisión de
estudios académicos (2021-2025) encontrados en Scopus, ERIC, Google Scholar y SpringerLink. El
modelo sugerido incluye la automatización del diagnóstico de estilos; la elaboración de distintos
materiales (auditivos, visuales, kinestésicos y de lectura/escritura); la validación por parte del
profesorado; la publicación en plataformas online y su constante actualización. Los hallazgos
muestran un modelo inclusivo y escalable, que se puede utilizar en varios niveles y formas de
enseñanza. Este modelo facilita la creación de recursos alineados con las metas del curso e incluye
principios éticos como el resguardo integral de la información personal y académica, garantizando su
confidencialidad y uso responsable y la accesibilidad. Este planteamiento se formula como una
directriz académica dirigida a implementar soluciones tecnológicas que integren el análisis
pedagógico y la automatización al crear contenidos, con el objetivo de mejorar la calidad educativa,

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2085.

aumentar la retención y estimular la motivación.

Palabras clave: aprendizaje adaptativo, inteligencia artificial, estilos de aprendizaje, VARK,
personalización educativa

Abstract
Today, educational environments show significant diversity in terms of interests, rhythms, and learning
styles, which represents a permanent challenge to ensure personalized educational experiences
congruent with the curriculum. To achieve this, a conceptual model focused on educational
personalization through artificial intelligence systems is proposed. The purpose of this model is to
automatically detect learning styles using the VARK questionnaire and, based on this, create teaching
resources aligned with the teacher's planning. This research adopts a qualitative approach as the
central methodological strategy for analysis, oriented toward description and proposition, using a non-
experimental methodological approach structured from a cross-sectional perspective. It is based on a
review of academic studies (2021-2025) found in Scopus, ERIC, Google Scholar, and SpringerLink. The
suggested model includes the automation of style diagnosis; the development of different materials
(auditory, visual, kinesthetic, and reading/writing); teacher validation; and publication on online
platforms and their constant updating. The findings reveal an inclusive and scalable model that can
be used at various levels and in various teaching methods. This model facilitates the creation of
resources aligned with course goals and includes ethical principles such as the comprehensive
protection of personal and academic information, ensuring its confidentiality, responsible use, and
accessibility. This approach is formulated as an academic guideline aimed at implementing
technological solutions that integrate pedagogical analysis and automation in content creation, with
the goal of improving educational quality, increasing retention, and stimulating motivation.

Keywords: adaptive learning, artificial intelligence, learning styles, VARK, educational
personalization

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.

Cómo citar: Macias Bazurto, L., Vásquez Barragán, C., Moreno Apolo, A., & Leones Zambrano, P.
(2025). Aprendizaje adaptativo mediante inteligencia artificial basada en estilos de aprendizaje.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 6 (5), 2084 – 2096.
https://doi.org/10.56712/latam.v6i5.4724

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2086.

INTRODUCCIÓN

Los estilos de aprendizaje se deben comprender cómo preferencias particulares que orientan la
manera en que un individuo organiza mentalmente los estímulos recibidos y les otorga significado para
incorporarlos a su estructura de conocimientos. Es esencial reconocer estas preferencias (la auditiva,
la visual y la kinestésica en particular), ya que permite a los docentes modificar sus estrategias
didácticas para mejorar el desarrollo de competencias (Barajas, 2025). La complejidad inherente a la
heterogeneidad del alumnado radica en que el profesor debe brindar una atención que tenga en cuenta
las particularidades individuales de cada alumno, sin perder nunca de vista la coherencia con los
propósitos generales del currículo. Por lo tanto, la individualización del proceso de formación se ha
establecido como un pilar educativo esencial, ya que los hallazgos obtenidos a través de
investigaciones empíricas indican que, al estructurarse los contenidos, las metodologías y los ritmos
de enseñanza se ajustan a las características individuales de los alumnos, hay avances significativos
en su rendimiento, permanencia y motivación.

La diversidad estudiantil representa un desafío constante para los docentes, quienes deben garantizar
una atención pertinente a las características individuales sin desatender los objetivos globales del
curso. Dentro de este contexto, la adaptación de los procesos de enseñanza a las particularidades del
estudiante emerge como un pilar pedagógico fundamental, apoyado por investigaciones que
evidencian mejoras en la motivación, la permanencia y el rendimiento académico cuando la
planificación de contenidos, las estrategias metodológicas y el ritmo de instrucción se adaptan a las
características individuales de cada aprendiz.

Según Arana et al. (2024), los métodos de aprendizaje adaptativo respaldados por la inteligencia
artificial (IA) pueden aumentar la participación de los alumnos y la retención cognitiva, ya que
posibilitan que los contenidos se ajusten de manera dinámica al ritmo y estilo individual de cada
estudiante, lo que da lugar a experiencias educativas más eficaces e integradoras. La personalización
completa de los recursos didácticos sigue siendo un reto importante, sobre todo en aulas con grupos
extensos, donde la aplicación de tácticas absolutamente individualizadas es muy complicada.
Históricamente, se usaban instrumentos estandarizados, como el cuestionario de Felder-Silverman,
para este procedimiento de detección de estilos; aunque esto servía para averiguar preferencias y
elaborar materiales personalizados, la demanda operativa o el sobrecargado laboral que suponía para
los profesores hacía que este método no fuera factible a gran escala.

Entre las múltiples transformaciones que la Inteligencia Artificial ha generado en la educación,
sobresale la creación de sistemas que permiten ajustar contenidos y estrategias pedagógicas de forma
dinámica y personalizada, una tecnología innovadora que permite personalizar los caminos formativos
y automatizar procedimientos. Estos sistemas utilizan algoritmos complejos que pueden examinar las
métricas de rendimiento del estudiante, como el tiempo de respuesta y la cantidad de aciertos o
errores, para modificar el contenido didáctico, la dificultad o el recorrido curricular. Este proceso tiene
como objetivo, en su esencia, duplicar las funciones de un mentor experimentado para mejorar la
eficiencia educativa, como lo establece Gómez (2023).

Tabla 1

Beneficios y Desafíos de la IA Generativa en la Creación de Recursos Educativos

Categoría Beneficios Desafíos
Eficiencia
Docente

El empleo de tecnologías basadas en inteligencia
artificial contribuye a disminuir las tareas rutinarias
que demandan tiempo, como la elaboración de
evaluaciones o la corrección de actividades. No
obstante, una dependencia excesiva de estas

Riesgo de pérdida de
creatividad y anulación
del rol docente si el uso
es excesivo.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2087.

herramientas podría frenar la creatividad
pedagógica y reducir el rol activo del docente en los
procesos formativos.

Personalización
de Contenido

Permite enfocar más tiempo en la enseñanza
individualizada y el diseño estratégico.

Tendencia a la
generalización y
repetición de
información.

Diversidad de
Recursos

Generación de recursos variados e innovadores
(videos, infografías, juegos, simulaciones).

Falta de personalización
profunda que se adapte a
características únicas
del alumnado y contexto.

Calidad
Educativa

Mejora de la calidad y variedad del contenido
educativo.

Limitación en la cantidad
o profundidad de
recursos para temas
especializados.

Apoyo
Pedagógico

Colaboración activa en el diseño y estructuración de
materiales didácticos, tales como guías de trabajo y
actividades académicas.

Calidad y relevancia
variable del contenido
generado, que puede no
ajustarse al contexto
específico.

De acuerdo con lo que se ha demostrado en revisiones sistemáticas que emplearon la metodología
PRISMA, el impacto de las tecnologías de inteligencia artificial generativa, como Gemini y ChatGPT, en
la educación ha sido clasificado en cuatro ejes esenciales. Las áreas de influencia mencionadas
abarcan la gestión administrativa del sistema, la enseñanza, los aspectos relacionados con la ética, así
como la integración lógica entre los procesos de capacitación docente, el diseño curricular y las
prácticas pedagógicas. En este contexto, la investigación más reciente enfatiza que es imprescindible
realizar una planificación cuidadosa, cumplir estrictamente con principios de ética profesional y
fortalecer continuamente las competencias docentes. Todo esto tiene como objetivo que estas
acciones tecnológicas puedan incorporarse de manera efectiva a las plataformas digitales existentes
y mejorar los procesos de formación (Bula & Bonilla, 2024).

Las investigaciones recientes, junto con diversas pruebas empíricas, confirman de manera consistente
la efectividad que ha demostrado la inteligencia artificial en los procesos educativos. Según varios
estudios en el sector universitario, la aplicación de tutores virtuales y plataformas adaptativas
impulsadas por inteligencia artificial contribuyen de manera significativa al fortalecimiento del
rendimiento académico y a la mejora de la autoevaluación estudiantil. Estas plataformas contribuyen
significativamente a estructurar de forma más eficiente los cursos y a gestionar de manera óptima la
distribución de los materiales pedagógicos (Ramírez, 2024). Varios estudios apuntan a que la
inteligencia artificial tiene el potencial de cambiar la personalización del aprendizaje, ya que permite un
seguimiento constante, brinda retroalimentación instantánea, detecta con anticipación barreras en el
proceso educativo y crea ambientes de aprendizaje más inclusivos. No obstante, la implementación
todavía enfrenta desafíos vinculados con el ámbito ético, la salvaguarda de los datos personales y el
requerimiento de formación continua para los docentes (Velasco, 2023).

Pese a su papel central en la innovación pedagógica, los Sistemas de Tutoría Inteligente (STI)
constituyen herramientas que facilitan una atención educativa minuciosamente personalizada, el cual
se basa en modelos teóricos rigurosos y en una perspectiva constructivista, todavía existen retos
significativos relacionados con la escalabilidad, la accesibilidad y las implicaciones éticas (Muñoz,
2024). No obstante, varios estudios realizados en el campo de la educación primaria subrayan que
incluir la inteligencia artificial en los procesos de formación contribuye a potenciar habilidades propias
del siglo XXI, como son la creatividad y el pensamiento crítico. Es fundamental tener una preparación

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2088.

apropiada de los docentes y la dotación de los recursos institucionales requeridos para asegurar que
la implementación sea efectiva y ética (Mera et al., 2024).

La inserción estratégica de soluciones inteligentes en contextos profesionales y académicos introduce
un conjunto relevante de dilemas éticos que requieren atención rigurosa. Aunque los instrumentos que
se basan en inteligencia artificial, por ejemplo ChatGPT, son valorados por su utilidad, generan
preocupaciones relacionadas con el resguardo de la integridad académica, los riesgos asociados al
plagio y a la verificación adecuada de la información producida. La situación expone de manera clara
la imperiosa obligación de establecer lineamientos institucionales sólidos y procesos formativos
especializados que garanticen una respuesta adecuada a esta problemática (Vázquez et al., 2025). En
el contexto ecuatoriano, los estudios relacionados con la adopción de tecnologías de inteligencia
artificial en el contexto educativo, articulada con las Tecnologías del Aprendizaje y el Conocimiento,
revela que, aunque su potencial para fomentar la motivación y participación estudiantil, su adopción
enfrenta limitaciones significativas derivadas de la persistente desigualdad en el acceso a recursos
digitales y de la insuficiente formación pedagógica y tecnológica del profesorado para integrarlas de
manera efectiva en los entornos educativos (Yoza & Villavicencio, 2021). Finalmente, la inclusión
educativa de alumnos con necesidades educativas especiales (NEE) es más eficaz si se sirve de la
inteligencia artificial y toma en cuenta adecuaciones de tipo lingüístico y cultural. No obstante, según
Muñoz et al., (2025), los principios pedagógicos son la base principal de la eficiencia de estos sistemas,
por encima de los aspectos puramente tecnológicos.

La implementación gradual de la inteligencia artificial en distintos contextos ha transformado de
manera profunda los escenarios en latinoamérica, ha impulsado transformaciones significativas en los
sistemas educativos, particularmente mediante la implementación de entornos de aprendizaje
adaptativo, plataformas de tutoría inteligente y mecanismos automatizados de evaluación. Sin
embargo, su integración afronta retos vinculados con la formación continua del profesorado y el
acceso a infraestructura tecnológica. La Inteligencia Artificial Explicable (XAI) es fundamental para
asegurar la transparencia de los procesos y disminuir la aparición de sesgos, tanto desde el punto de
vista ético como educativo. Asimismo, la incorporación de mecanismos de gamificación mediados por
inteligencia artificial emerge como una estrategia pedagógica eficaz para potenciar la implicación
activa y el interés sostenido del estudiantado en los procesos formativos (Medina et al., 2025).

Estas aplicaciones permiten implementar el aprendizaje adaptativo en cualquier modalidad, con
actividades personalizadas para cada estilo o integradoras para diversos perfiles, asegurando
coherencia con la planificación académica de cada asignatura.

Serrano y Moreno-García (2024), en una publicación editorial reciente, se examina de manera crítica la
incorporación de tecnologías de inteligencia artificial generativa en el campo educativo, con especial
atención a los Sistemas de Aprendizaje Adaptativo. El estudio subraya el papel estratégico de
herramientas como los modelos predictivos y los agentes conversacionales en la orientación de
decisiones pedagógicas fundamentadas. Asimismo, se resalta la notable efectividad que demuestran
cómo los Sistemas de Tutoría Inteligente contribuyen a mejorar la calidad del proceso formativo y
aprendizaje, que proporcionan una retroalimentación instantánea y la posibilidad de adaptar
trayectorias de aprendizaje individualizadas. Sin embargo, la investigación subraya la relevancia de
afrontar los desafíos éticos y educativos que surgen al integrar estas tecnologías.

La investigación educativa ha abordado también el papel que desempeñan los sistemas de tutoría
inteligente (STI), concebidos como recursos pedagógicos que se apoyan en el uso de tecnologías
informáticas para orientar y personalizar los procesos de aprendizaje. Estos sistemas pueden modelar
el conocimiento y crear valoraciones situacionales para proporcionar respuestas educativas concretas
a cada contexto (Rodríguez Chávez, 2021). Se han mostrado progresos importantes en el ámbito
regional. Un caso relevante es el de la Facultad de Informática Mazatlán, en el que se constató que

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2089.

personalizar el proceso educativo a través de inteligencia artificial es un elemento crucial para mejorar
la calidad académica y preparar a los alumnos para enfrentar los desafíos del mundo digital con mayor
eficacia (López et al., 2023). No obstante, la adopción plantea desafíos, como lo señalan los resultados
en Costa Rica, donde a pesar de que el equipo docente ha incorporado instrumentos de IA en su
planificación, todavía hay inquietud respecto a la capacitación y los marcos normativos dentro de las
instituciones (Briceño-Álvarez et al., 2025). De forma análoga, diversos estudios cualitativos centrados
en el quehacer docente universitario evidencian que la incorporación de sistemas de inteligencia
artificial ha contribuido significativamente a optimizar los tiempos de ejecución y a transformar las
dinámicas de planificación y aplicación de estrategias pedagógicas, lo que pone de relieve la relevancia
de una formación continua y un especial cuidado con respecto a la privacidad informativa y a los
potenciales sesgos algorítmicos (Arguello et al., 2025).

Desde una perspectiva teórica, la exploración de los estilos cognitivos ha promovido avances en el
desarrollo de modelos conceptuales de gran relevancia. Algunos de ellos son el modelo VARK, que
distingue preferencias kinestésicas, visuales, auditivas y de lectura/escritura; el enfoque de Kolb,
basado en la experiencia para aprender; y el modelo Felder-Silverman, que establece dimensiones
opuestas como las visuales/verbales o las activas/reflexivas. Estos paradigmas coinciden en que
adaptar la presentación de materiales didácticos al estilo cognitivo particular de cada alumno mejora
su motivación y comprensión. En este sentido, un análisis sistemático que investigó los modelos de
aprendizaje adaptativo entre 2012 y 2021 descubrió que la inteligencia artificial es el recurso principal
en la mayoría de ellos; sin embargo, se notó una falta de investigaciones en el contexto
hispanoamericano (Quintanar-Casillas et al., 2022). De manera parecida, investigaciones más nuevas
corroboran que la IA promueve la individualización educativa mediante sistemas adaptativos, sistemas
de tutoría inteligente (STI) y chatbots educativos, esto contribuye significativamente al fortalecimiento
de las prácticas docentes y al involucramiento activo del estudiantado en los procesos de aprendizaje.
Sin embargo, se deben elaborar tácticas para enfrentar las dificultades técnicas, éticas y de
capacitación relacionadas con su aplicación (Chávez, 2024).

Tabla 2

Modelos de Estilos de Aprendizaje y Técnicas de IA para su Detección y Adaptación

Modelo de
Estilo de

Aprendizaje

Descripción Breve Técnicas de IA para
Detección/Adaptación

Ejemplos de
Aplicación/Resultados

Felder-
Silverman

Clasifica estudiantes en
dimensiones bipolares
(activo/reflexivo,
visual/verbal, etc.).

Redes neuronales ,
Árboles de decisión ,
Análisis de patrones de
interacción.

Ajuste de contenido y
ritmo de aprendizaje.

VARK Distingue estilos visual,
auditivo, lectoescritor y
kinestésico.

Redes neuronales , Lógica
difusa (Fuzzy logic) ,
Clustering (e.g., Fuzzy C-
Means).

Generación de recursos
multimedia adaptados
(videos, audios, textos).

Kolb
(Aprendizaje
Experiencial)

Tomando como eje
estructurante el ciclo de
aprendizaje experiencial, el
cual articula
progresivamente la
vivencia directa, la
reflexión crítica, la
construcción conceptual y
la aplicación efectiva del
conocimiento aprendido.

Aprendizaje por refuerzo ,
Análisis de patrones de
interacción.

Diseño de actividades
prácticas y simulaciones
interactivas.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2090.

Grasha y
Hruska-
Reichmann

Se distinguen seis perfiles
de estudiantes a partir de
su modo de participación
en las dinámicas de
enseñanza-aprendizaje: el
independiente, el
dependiente, el
competitivo, el
colaborativo, el reticente y
el participativo.

Redes bayesianas ,
Análisis de patrones de
interacción.

Optimización de
trayectorias de
aprendizaje y asignación
de roles colaborativos.

Margaret
Martínez

Acompañamiento
psicológico holístico
enfocado en la gestión de
las emociones y la
clarificación de las
intenciones personales.

Redes neuronales (para
detección de estados
emocionales) , Análisis de
patrones de interacción.

Adaptación de la
retroalimentación y el
soporte emocional.

La coordinación intencional entre herramientas de inteligencia artificial y prácticas metodológicas de
aprendizaje adaptativo está reconfigurando profundamente el ámbito educativo, al posibilitar el diseño
de experiencias formativas altamente personalizadas y eficientes mediante la aplicación de técnicas
avanzadas de aprendizaje automático y aprendizaje profundo. Estos métodos posibilitan el diseño de
caminos personalizados que no solo mejoran la eficacia y motivación, sino que también fomentan la
inclusión, siempre y cuando las implicaciones en términos éticos e infraestructurales se manejen
apropiadamente (Arcos et al., 2025). El progreso tecnológico ha fomentado un cambio en los sistemas,
de modelos estrictos fundamentados en normas preestablecidas a arquitecturas generativas de tipo
transformer. Estas arquitecturas no solamente tienen la capacidad de sugerir materiales, sino que
también pueden producir recursos educativos de manera flexible, ajustándose a las características
individuales de cada alumno. No obstante, la conjunción efectiva entre el reconocimiento automático
de estilos de aprendizaje y la elaboración de contenidos personalizados sigue siendo un área con poco
desarrollo, sobre todo en escenarios que están caracterizados por limitaciones tecnológicas y
diversidad cultural. La urgencia de promover propuestas que consigan un balance entre la solidez
pedagógica y la viabilidad técnica es puesta de manifiesto por esta circunstancia.

En este contexto, la investigación plantea un prototipo conceptual de aprendizaje adaptativo apoyado
en inteligencia artificial, cuyo propósito es diagnosticar de manera automática los estilos de
aprendizaje a través del cuestionario VARK, ampliamente reconocido por su efectividad para identificar
preferencias. El modelo incorpora la planificación académica como un eje central para la producción
de recursos personalizados que refuercen el trabajo docente. Con ello, se pretende ofrecer una guía
para futuras aplicaciones, orientada a mejorar la calidad pedagógica, la motivación y la permanencia
del aprendizaje.

METODOLOGÍA

Este estudio se basa en un enfoque cualitativo, tanto descriptivo como propositivo, enfocado en la
creación de un modelo conceptual de aprendizaje adaptativo que vincula la inteligencia artificial (IA)
con el reconocimiento de estilos de aprendizaje por medio del cuestionario VARK (Kinestésico,
Auditivo, Visual y Lectura/Escritura). Como base inicial del modelo se establece el cuestionario, que ha
sido validado de forma extensa por su eficacia para identificar las preferencias de aprendizaje.

El diseño metodológico es de carácter transversal y no experimental, ya que no supone la recopilación
directa de datos ni la aplicación empírica, sino que se enfoca en el desarrollo conceptual del diseño
fundamentado en la revisión sistemática de literatura académica contemporánea (2021-2025). La
recopilación de información teórica se desarrolló a partir de bases de datos como ERIC, Google Scholar,

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2091.

SpringerLink y Scopus, se otorga especial atención a las investigaciones que exploran cómo la
inteligencia artificial incide en los estilos de aprendizaje y potencia el desarrollo de entornos
adaptativos.

La planificación académica en curso se incluye en el modelo como un componente esencial para la
creación de materiales personalizados. Por lo tanto, la operación del modelo generativo se sustenta en
un conjunto de insumos que combina el perfil de aprendizaje diagnosticado con la organización
didáctica establecida por el profesorado, asegurando que los recursos elaborados sean consistentes
con las metas del curso. Finalmente, el modelo incluye directrices éticas para su futura
implementación, que abarcan la seguridad de los datos privados y la transparencia algorítmica, la
validación por parte del cuerpo docente de los materiales generados y la garantía de accesibilidad para
toda la comunidad estudiantil.

RESULTADOS

El aporte central de este estudio consiste en un prototipo conceptual de aprendizaje adaptativo que
integra dos componentes fundamentales:

Diagnóstico automatizado de estilos de aprendizaje mediante el cuestionario VARK

Generación de recursos educativos personalizados a través de un motor de inteligencia artificial (IA)
que toma como referencia la planificación académica del docente.

El modelo propuesto está concebido para que cualquier institución educativa, sin distinción de nivel o
modalidad, disponga de una herramienta que facilite la generación de recursos y actividades ajustadas
a las formas de aprendizaje de cada estudiante, manteniendo siempre la coherencia con el plan
curricular.

Componentes principales de la propuesta

Diagnóstico de estilos de aprendizaje

La primera fase corresponde a la aplicación del cuestionario VARK a todo el grupo, lo que permite
reconocer las preferencias individuales de aprendizaje: visuales (diagramas, infografías), auditivas
(explicaciones orales, debates), de lectura/escritura (resúmenes, textos) o kinestésicas (actividades
prácticas, simulaciones).

Este procedimiento no limita al estudiante a una categoría aislada, sino que reconoce posibles
combinaciones de estilos, lo que evidencia la heterogeneidad auténtica presente en el entorno
educativo.

Integración de la planificación académica

A diferencia de los enfoques que generan materiales uniformes, este modelo se fundamenta en la
planificación académica previamente elaborada por el docente. Con ello, se asegura que los recursos
diseñados mantengan coherencia con los objetivos, contenidos y la secuencia del curso, evitando
desajustes en el desarrollo del proceso educativo.

Generación automática de recursos

Con los resultados del diagnóstico y la planificación como insumos, el motor de IA genera
automáticamente recursos ajustados a los distintos estilos de aprendizaje. Por ejemplo:

Para el estilo visual: videos animados, esquemas e infografías:

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2092.

Visual: infografías, mapas conceptuales, videos animados.

Auditivo: grabaciones explicativas, debates, presentaciones narradas.

Lectura/escritura: guías estructuradas, resúmenes, cuestionarios.

Kinestésico: actividades prácticas, simulaciones, experimentos guiados.

Revisión y validación docente

Previo a su implementación, los recursos son evaluados por el profesor, quien tiene la posibilidad de
aprobarlos, ajustarlos y potenciarlos en función de las particularidades y necesidades específicas del
colectivo destinatario.

Distribución y seguimiento

Los recursos se publican en el entorno virtual de aprendizaje, permitiendo que cada estudiante acceda
a la versión que mejor se adapte a su estilo. El sistema prevé la posibilidad de actualizar materiales si
cambian los perfiles del grupo.

Figura 1

Etapas para el diseño de recursos educativos personalizados

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2093.

Flujo de funcionamiento

El proceso propuesto sigue seis etapas consecutivas y cíclicas:

● Diagnóstico inicial con VARK.
● Análisis de resultados para identificar estilos y combinaciones.
● Integración de la planificación académica como parámetro clave.
● Generación automática de materiales adaptados mediante IA.
● Validación y ajuste por parte del docente.
● Publicación en la plataforma educativa y retroalimentación para mejoras futuras.

Este modelo asegura no solo que los contenidos se adapten a los diversos estilos de aprendizaje, sino
también que existe una coherencia pedagógica con el plan establecido por el profesor previamente. En
este contexto, la personalización no es un componente aislado, sino una mejora articulada y
sistemática del proceso de enseñanza. Esto ayuda a aumentar la calidad de la educación, fomentar el
involucramiento del aprendiz y contribuir a la permanencia del aprendizaje.

DISCUSIÓN

La propuesta presentada aborda un problema común en contextos educativos variados: el reto de
proporcionar una personalización efectiva sin comprometer la coherencia del currículo. La integración
de la planificación académica garantiza que los recursos generados conserven su pertinencia en
términos pedagógicos, mientras que el empleo del cuestionario VARK como instrumento diagnóstico
brinda una base firme para determinar las preferencias de aprendizaje.

La incorporación de motores de inteligencia artificial generativa proporciona una escalabilidad alta y la
capacidad de abordar varios estilos de aprendizaje al mismo tiempo. Así, se reduce la carga de trabajo
del profesorado al crear materiales diferenciados. Además, al brindar recursos personalizados que se
ajustan a las preferencias individuales o grupales, esta perspectiva favorece la permanencia y la
motivación del alumno.

Si bien el modelo aún no ha sido implementado en escenarios reales, su planteamiento teórico sugiere
que podría aplicarse de manera efectiva en entornos educativos que cuenten con infraestructura
tecnológica y recursos de inteligencia artificial adecuados, siempre que cuente con capacitación para
los docentes y un marco institucional que supervise su empleo ético y pedagógico.

CONCLUSIÓN

El estudio presenta un modelo conceptual de sistema de aprendizaje adaptativo basado en inteligencia
artificial. Este modelo combina la planificación académica con el enfoque VARK para detectar estilos
de aprendizaje, empleando esta última como pieza clave para crear recursos educativos
individualizados.

El modelo sugerido brinda un camino definido para futuras implementaciones, poniendo como
prioridad la calidad pedagógica, la relevancia de los contenidos, la motivación y la conservación del
aprendizaje. Su habilidad para atender a varios estilos al mismo tiempo, así como su naturaleza
inclusiva y escalable, lo hacen una opción prometedora tanto para ambientes educativos presenciales
como virtuales.

El prototipo, aunque su eficiencia deberá verificarse en situaciones reales, constituye un punto de
partida sólido para progresar en la creación de instrumentos tecnológicos que busquen combinar el

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2095.

REFERENCIAS

Arana, M. G. Z., Párraga, A. P. B., Cires, O. A. R., Tenemaza, E. G. C., & Mero, A. P. S. (2024). Impulsando
el Aprendizaje en el Aula: El Rol de las Aplicaciones de Aprendizaje Adaptativo Impulsadas por
Inteligencia Artificial en la Edu-cación Básica. Ciencia Latina Revista Científica Multidisciplinar, 8(3),
4301-4318. https://doi.org/10.37811/cl_rcm.v8i3.11645

Arcos, M. T. B., Ribadeneira, A. M. A., Arellano, W. D. V., Quimis, G. G. B., & Núñez, A. V. S. (2025).
Integración de la Inteligencia Artificial y el Aprendizaje Adaptativo para Personalizar la Experiencia
Educativa. Revista Científica de Salud y Desarrollo Humano, 6(1), 1882-1914.
https://doi.org/10.61368/r.s.d.h.v6i1.567

Arguello, D. M. M., Burbano, M. de los Á. O., Valdez, J. L. F., & Muñoz, J. M. S. (2025). El uso de la
inteligencia artificial como recurso pedagógico en la educación superior: Experiencias de los docentes.
Sage Sphere International Journal, 2(2), 1-10. https://doi.org/10.63688/jrd8es89

Barajas, R. C. L. (2025). Estrategias pedagógicas basadas en los canales de aprendizaje sensorial en
la educación universitaria. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo,
16(31). https://doi.org/10.23913/ride.v16i31.2509

Briceño-Álvarez, I., Hernández-Arroyo, W., Murillo-González, A., Briceño-Álvarez, I., Hernández-Arroyo,
W., & Murillo-González, A. (2025). Tecnología educativa en ascenso: La integración de inteligencia
artificial en la enseñanza de la Escuela de Bibliotecología y Ciencias de la Información de la Universidad
de Costa Rica. Informatio, 30(1). https://doi.org/10.35643/info.30.1.1

Bula, R. B., & Bonilla, A. C. (2024). Revista Enunciación. Enunciación, 29(1), 62-82.
https://doi.org/10.14483/22486798.22039

Chávez, C. A. C. (2024). Inteligencia artificial como recurso didáctico en la educación superior. Una
revisión sistemática. RECIMUNDO, 8(4), 51-65.
https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.51-65

Gómez, W. O. A. (2023). La Inteligencia Artificial y su Incidencia en la Educación: Transformando el
Aprendizaje para el Siglo XXI. Revista Internacional de Pedagogía e Innovación Educativa, 3(2), 217-
230. https://doi.org/10.51660/ripie.v3i2.133

López, H. L. L., Escalera, A. R., & García, C. R. C. (2023). PERSONALIZACIÓN DEL APRENDIZAJE CON
INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN SUPERIOR. Revista Digital de Tecnologías Informáticas
y Sistemas, 7(1), 123-128. https://doi.org/10.61530/redtis.vol7.n1.2023.165.123-128

Medina, J. C. E., Ortiz, D. E. P., Prado, R. G. S., Guerrero, E. A. M., & Tandazo, T. A. C. (2025). Impacto de
la Inteligencia Artificial en el Proceso de Aprendizaje Universitario en América Latina: Una Revisión
Sistemática. Arandu UTIC, 12(1), 2431-2448. https://doi.org/10.69639/arandu.v12i1.751

Mera, M. K. M., Izurieta, C. E. A., Quiñónez, M. B. R., Zúñiga, P. I. V., & Velasco, J. E. L. (2024). La
aplicación de modelos de inteligencia artificial para personalizar el proceso de aprendizaje en función
de las inteligencias múltiples: The application of artificial intelligence models to customize the learning
process based on multiple intelligences. LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, 5(3), 751-771. https://doi.org/10.56712/latam.v5i3.2075

Muñoz, G. F. R. (2024). Integración de la tecnología y la pedagogía en los sistemas de tutoría inteligente.
Edutec, Revista Electrónica de Tecnología Educativa, 89, 144-155.
https://doi.org/10.21556/edutec.2024.89.3199

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 2096.

Muñoz, G. F. R., Navarrete, E. L. C., Zamora, Y. E. P., & Vega, E. A. N. (2025). Educación inclusiva con
inteligencia artificial (IA): Personalización curricular para estudiantes con necesidades educativas
especiales (NEE). Revista Social Fronteriza, 5(3). https://doi.org/10.59814/resofro.2025.5(3)704

Quintanar-Casillas, R., Hernández-López, M. S., Quintanar-Casillas, R., & Hernández-López, M. S. (2022).
Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación. Revista Tecnológica-
Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308

Ramírez, B. A. F. (2024). Inteligencia Artificial como herramienta de apoyo en la educación universitaria.
Revista Jiboa, 2(1), 69-76.

Rodríguez Chávez, M. H. (2021). Sistemas de tutoría inteligente y su aplicación en la educación
superior. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 11(22).
https://doi.org/10.23913/ride.v11i22.848

Serrano, J. L., & Moreno-García, J. (2024). Inteligencia artificial y personalización del aprendizaje:
¿innovación educativa o promesas recicladas? Edutec, Revista Electrónica de Tecnología Educativa,
89, 1-17. https://doi.org/10.21556/edutec.2024.89.3577

Vázquez, M. R. C., Méndez, J. P., Castellanos, J. C., & Benítez, N. T. A. (2025). Implicaciones éticas del
uso de Inteligencia Artificial en educación superior. Emerging Trends in Education, 8(15), 122-139.
https://doi.org/10.19136/etie.v8n15.6343

Velasco, J. C. C. (2023). El papel de la inteligencia artificial en la personalización del aprendizaje.
Revista Ingenio global, 2(1), 4-12. https://doi.org/10.62943/rig.v2n1.2023.57

Yoza, A., & Villavicencio, C. E. V. (2021). Aporte de las tecnologías del aprendizaje y conocimiento en
las competencias digitales de los estudiantes de educación básica superior. Revista Innova Educación,
3(4), 58-70. https://doi.org/10.35622/j.rie.2021.04.004

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .