Un modelo integrado basado en IA generativa para la personalización del aprendizaje y la retroalimentación formativa

• Ángel Fidalgo-Blanco ^[1] ; David Fonseca-Escudero ^[2] ; María Luisa Sein-Echaluce ^[3]
  1. [1] Universidad Politécnica de Madrid

     Universidad Politécnica de Madrid

     Madrid, España

     
  2. [2] Universitat Ramon Llull

     Universitat Ramon Llull

     Barcelona, España

     
  3. [3] Universidad de Zaragoza

     Universidad de Zaragoza

     Zaragoza, España

     

  Mostrar afiliaciones +
• Localización: RIED: revista iberoamericana de educación a distancia, ISSN 1138-2783, Vol. 29, Nº 2, 2026 (Ejemplar dedicado a: La universidad ante la IA generativa: Veracidad, docencia y evaluación)
• Idioma: español
• Títulos paralelos:
  • An integratedmodel based on generative AI for personalized learningand formative feedback
• Enlaces
  • Texto completo
• Resumen
  • español

    Este trabajo presenta la implementación y evaluación del modelo "Ubícate, Transfórmate, Corónate", una propuesta metodológica centrada en el uso pedagógico de la inteligencia artificial generativa para personalizar el aprendizaje, generar contenidos, proporcionar retroalimentación formativa y reducir finalmente la carga docente. El modelo se estructura en tres etapas metodológicas: diagnóstico inicial (Ubícate), progresión personalizada (Transfórmate) y consolidación (Corónate), integrando las producciones individuales, los apuntes colectivos y el seguimiento automatizado mediante inteligencia artificial. Su implementación se ha realizado en una asignatura de matemáticas de primero de ingeniería cuya tasa de fracaso ha sido tradicionalmente muy elevada, pero su diseño es replicable a cualquier otro contexto educativo y materia. El diseño metodológico para evaluar el modelo, combina técnicas cuantitativas y cualitativas (aproximación mixta) incluyendo grupos de control y experimental, una evaluación motivacional inicial, el rendimiento de una prueba sorpresa y la percepción final del alumnado sobre el modelo. Los resultados indican que el grupo experimental mejoró significativamente en asistencia y calificaciones, con una diferencia de más de una desviación estándar respecto al grupo de control. Por otra parte, el alumnado identificó como puntos positivos la personalización del aprendizaje y retroalimentación formativa incluidas en el modelo y señaló como punto de mejora el incremento de los recursos de aprendizaje al comenzar su implementación. Se concluye que este modelo representa una arquitectura educativa viable y escalable, que permite integrar la inteligencia artificial generativa como mediadora pedagógica real.

  • English

    This work presents the implementation and evaluation of the “Locate, Transform, Consolidate” model, a methodological proposal centered on the pedagogical use of generative artificial intelligence to personalize learning, support content generation, provideformative feedback, and ultimately reduce teaching workload. The model is structured into three methodological stages: initial diagnosis (Locate), personalized progression (Transform), and consolidation (Consolidate). It integrates individual student outputs, collective learning materials, and automated monitoring through artificial intelligence. The model was implemented in a first-year engineering mathematics course traditionally characterized by high failure rates; however, its design is transferable and applicable to other educational contexts and subject areas. The methodological design for evaluating the model adopts a mixed-methods approach that combines quantitative and qualitative techniques. It includes experimental and control groups, an initial motivational assessment, performance on a surprise test, and a final evaluation of students’ perceptions of the model. The results indicate that compared with the control group, the experimental group showed significant improvements in attendance and academic performance, with differences exceeding one standard deviation. Students also identified the personalization of learning and the formative feedback embedded in the model as positive aspects, while suggesting an increase in learning resources during theinitial stage of its implementation as an area for improvement. The study concludes that the proposed model constitutes a viable and scalable educational architecture, enabling the integration of generative artificial intelligence as an effective pedagogical mediator.

• Referencias bibliográficas
  • Alier Forment, M., García-Peñalvo, F. J., Casañ, M. J., Pereira, J. A. y Llorens-Largo, F. (2024). Safe AI in education manifesto (Version...
  • Amo-Filva, D., Fonseca, D., García-Peñalvo, F. J., Alier Forment, M., Casany Guerrero, M. J. y Godoy, G. (2024). Exploring the landscape of...
  • Behr, A., Giese, M., Teguim Kamdjou, H. D. y Theune, K. (2020). Dropping out of university: A literature review. Review of Education, 8(2),...
  • Beltrán Arcos, M. T., Arcos Ribadeneira, A. M., Viscarra Arellano, W. D., Barahona Quimis, G. G. y Sánchez Núñez, A. V. (2025). Integración...
  • Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher,...
  • Brown, J. (2014). The effects of math anxiety on mathematical academic success during the freshman year. CSU ePress. https://csuepress.columbusstate.edu/bibliography_faculty/384/
  • Calderón Maldonado, O. D., Florencia Ponce, M. F., Vera Zambrano, M. M. y Zamora Valle, R. C. (2025). Inteligencia artificial y aprendizaje...
  • Cuenca, E., Tonato, N., Ruiz, M., Salcedo, A., Caiza, J. y Molina, B. (2025). Implementación de inteligencia artificial generativa para personalizar...
  • Cueva Delgado, J. L., García Chávez, A. y Martínez Mooina, O. A. (2020). La influencia del conectivismo para el uso de las TIC en el proceso...
  • Fidalgo-Blanco, Á., Sein-Echaluce, M. L. y García-Peñalvo, F. J. (2019). Impact indicators of educational innovations based on active methodologies....
  • Fidalgo-Blanco, Á., Sein-Echaluce, M. L. y García-Peñalvo, F. J. (2022). Método basado en Educación 4.0 para mejorar el aprendizaje: Lecciones...
  • Field, A. P. (2024). Discovering statistics using IBM SPSS statistics (6.ª ed.). SAGE Publications.
  • Fonseca, D., Necchi, S., Aláez, M. y Romero, S. (2022). Improving the motivation of first-year undergraduate students through transversal...
  • Francis, N. J., Jones, S. y Smith, D. P. (2025). Generative AI in higher education: Balancing innovation and integrity. British Journal of...
  • Gaeta González, M. L. y Cavazos Arroyo, J. (2016). Relación entre tiempo de estudio, autorregulación del aprendizaje y desempeño académico...
  • García-Peñalvo, F. J. (2024). Inteligencia artificial generativa y educación: Un análisis desde múltiples perspectivas. Education in the Knowledge...
  • García-Peñalvo, F. J., Fidalgo-Blanco, Á., Sein-Echaluce, M. L. y Sánchez-Canales, M. (2019). Active peer-based flip teaching: An active methodology...
  • García-Peñalvo, F. J., Sein-Echaluce, M. L. y Fidalgo-Blanco, Á. (Eds.). (2024). Innovation and technologies for the digital transformation...
  • Guettala, M., Bourekkache, S., Kazar, O. y Harous, S. (2024). Generative artificial intelligence in education: Advancing adaptive and personalized...
  • Herrero-Martín, J., Fonseca, D., Caro-Via, S. y Canaleta, X. (2024). Development of personalized profiles of students with autism spectrum...
  • Jones, B. D. (2009). Motivating students to engage in learning: The MUSIC model of academic motivation. International Journal of Teaching...
  • Jones, B. D. y Skaggs, G. (2016). Measuring students’ motivation: Validity evidence for the MUSIC model of academic motivation inventory....
  • Lerís, D., Sein-Echaluce, M. L., Hernández, M. y Bueno, C. (2017). Validation of indicators for implementing an adaptive platform for MOOCs....
  • Llauró, A., Fonseca, D., Romero, S., Aláez, M., Lucas, J. T. y Felipe, M. M. (2023). Identification and comparison of the main variables affecting...
  • Makaka, B., Chirimbana, M. y Nghipandulwa, L. (2023). The impact of mathematics anxiety on students’ persistence in mathematics courses: A...
  • Merino-Campos, C. (2025). The impact of artificial intelligence on personalized learning in higher education: A systematic review. Trends...
  • Pifarré, M. y Tomico, O. (2007). Bipolar laddering (BLA): A participatory subjective exploration method on user experience. En Proceedings...
  • Sein-Echaluce, M. L., Fidalgo-Blanco, Á., Balbín, A. M. y García-Peñalvo, F. J. (2024). Flipped learning 4.0: An extended flipped classroom...
  • Sein-Echaluce, M. L., Fidalgo-Blanco, Á. y García-Peñalvo, F. J. (2017). Adaptive and cooperative model of knowledge management in MOOCs....
  • Simón, D., Fonseca, D., Aláez, M., Romero-Yesa, S. y Fresneda Portillo, C. (2025). Improving tutorial action and learning self-regulation:...
  • Tarun, B., Du, H., Kannan, D. y Gehringer, E. F. (2025). Human-in-the-loop systems for adaptive learning using generative AI. En 2025 IEEE...
  • Tu, Y., Chen, J. y Huang, C. (2025). Empowering personalized learning with generative artificial intelligence: Mechanisms, challenges and...
  • Usán Supervía, P. y Salavera Bordás, C. (2018). Motivación escolar, inteligencia emocional y rendimiento académico en estudiantes de educación...
  • Vargas, B. E. y Záyago Lau, E. (2025). Inteligencia artificial generativa en educación superior: Implicaciones, aplicaciones y herramientas...
  • Zimmerman, B. J. y Labuhn, A. S. (2012). Self-regulation of learning: Process approaches to personal development. En K. R. Harris, S. Graham...