Automatización y personalización de una LMS en el aprendizaje autónomo por medio de algoritmos de IA
ISBN: 978-9942-571-39-7
Resumen
La incorporación de sistemas de gestión del aprendizaje y herramientas de inteligencia artificial está transformando la manera en que se organizan, acompañan y evalúan los procesos educativos. Esta obra ofrece una visión articulada de los fundamentos de los LMS, la automatización de procesos, la personalización, los algoritmos aplicados al aprendizaje autónomo y la analítica orientada a la mejora continua.
El libro está dirigido a docentes, responsables académicos, equipos técnicos y directivos interesados en diseñar entornos digitales centrados en el aprendizaje. Los capítulos combinan fundamentos, criterios pedagógicos, consideraciones éticas y actividades prácticas. La obra evita presentar la tecnología como sustituto de la docencia: sitúa la supervisión humana, la autonomía estudiantil, la protección de datos, la accesibilidad y la equidad como condiciones de una innovación responsable.
Los anexos proporcionan fichas, matrices, listas de comprobación y formatos que pueden adaptarse a diferentes instituciones. Su utilización debe partir de una finalidad educativa definida, una línea base y mecanismos de revisión. En conjunto, el texto propone que la calidad de un LMS con IA no se mida por la cantidad de automatizaciones, sino por su capacidad para mejorar decisiones, reducir barreras y fortalecer aprendizajes verificables.
Descargas
Citas
CAST. (2024). Universal Design for Learning guidelines version 3.0. https://udlguidelines.cast.org
Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6), 304–317. https://doi.org/10.1504/IJTEL.2012.051816
Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68, 1961–1990. https://doi.org/10.1007/s11423-020-09788-z
EdTech Consortium. (2025). Caliper Analytics. https://www.1edtech.org/standards/caliper
Moodle. (2025a). Analytics. MoodleDocs. https://docs.moodle.org/en/Analytics
Moodle. (2025b). Learning analytics indicators. MoodleDocs. https://docs.moodle.org/en/Learning_analytics_indicators
Moodle. (2025c). Students at risk of dropping out. MoodleDocs. https://docs.moodle.org/en/Students_at_risk_of_dropping_out
National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). https://doi.org/10.6028/NIST.AI.100-1
Organisation for Economic Co-operation and Development. (2023). OECD digital education outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400. https://doi.org/10.1177/0002764213498851
Slade, S., & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366
UNESCO. (2021a). AI and education: Guidance for policy-makers. https://unesdoc.unesco.org/ark:/48223/pf0000376709
UNESCO. (2021b). Recommendation on the ethics of artificial intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000380455
UNESCO. (2023). Guidance for generative AI in education and research. https://unesdoc.unesco.org/ark:/48223/pf0000386693
Wise, A. F., & Shaffer, D. W. (2015). Why theory matters more than ever in the age of big data. Journal of Learning Analytics, 2(2), 5–13. https://doi.org/10.18608/jla.2015.22.2
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/S15430421TIP4102_2
Publicado
Cómo citar
Número
Sección
Derechos de autor 2026 EDITORIAL INTERNACIONAL RUNAIKI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
