INTRODUCCIÓN

Desde la irrupción de las computadoras en los entornos escolares hemos atestiguado el cambio paradigmático en los procesos de enseñanza-aprendizaje. Esta influencia tecnológica destacó a principios de la década de los noventa, cuando comenzaron a generarse entornos virtuales de aprendizaje (EVA). En este sentido, las prácticas y procesos pedagógicos dieron un giro por completo, los docentes se convirtieron en facilitadores del aprendizaje, tuvieron que planear sus cursos para ser consultados por medio de una computadora, teniendo que considerar los horarios y las ubicaciones de los estudiantes, las diversas posibilidades de interacción por medio de plataformas digitales, así como la variedad de recursos educativos y su facilidad de acceso, entre otras cuestiones.

A tres décadas de que este cambio ocurriera, hoy somos testigos de una nueva disrupción en la que comienzan a notarse los resultados del uso de las tecnologías basadas en inteligencia artificial (IA) para favorecer los procesos de enseñanza-aprendizaje, tanto en educación presencial como en línea. Ejemplo de ello se encuentra en los aspectos relacionados con la automatización de tareas administrativas o en el apoyo para la personalización del aprendizaje a través de algoritmos avanzados que analizan el rendimiento y las necesidades de los estudiantes.

Es en este escenario que se contextualiza el presente artículo y el cual se estructura de la siguiente manera. Primero se presenta un marco contextual sobre las ramas de la IA y se sitúan ejemplos de la IA aplicada al ámbito educativo. El siguiente apartado se enfoca en los sistemas de recomendación para recursos educativos en formación en línea. Posteriormente, se detalla la metodología utilizada en la investigación, seguida de los resultados preliminares del sistema de recomendación diseñado y una sección para la discusión. En última instancia se presentan las conclusiones y las líneas del trabajo a futuro.

RAMAS DE LA IA

Los orígenes de la IA se sitúan en los años cincuenta. Se le atribuye a John McCarthy haber acuñado el término inteligencia artificial durante una conferencia organizada en 1956 en el Dartmouth College (^{McCorduck, 1991}). En esta conferencia se postuló la primera definición sobre IA, relacionada con “hacer que una máquina se comporte como lo haría el ser humano, de tal manera que se la podrá llamar inteligente” (^{Banda Gamboa, 2014}, p. 9). Años más adelante, ^{Boden (1990}) describió que “la IA trata de hacer programas que permitan a las computadoras hacer ese tipo de cosas que la mente humana puede realizar” (p. 1). Por su parte, en una concepción más reciente, ^{Sossa (2020}) se refiere a la IA “como la ciencia e ingeniería de las máquinas que actúan de manera inteligente. En este sentido, una máquina es inteligente cuando es capaz de tomar decisiones apropiadas en circunstancias inciertas” (p. 26).

Las tres definiciones expuestas coinciden en que el desarrollo de algoritmos de IA se ha generado tomando como base la emulación de las actividades que son propias de la conducta humana.

Ese es el motivo por el cual la IA enlaza con tantas otras ciencias. En el estudio de la conducta humana intervienen ciencias naturales como la neurofisiología y ciencias humanas como la psicología; en el estudio de los procesos de aprendizaje, la pedagogía; en otros aspectos importantes, como el reconocimiento del lenguaje natural, la lingüística; y en la realización práctica de los modelos, la informática y todo su entorno (^{Mochón et al., 1987}, p. 4).

La evolución de la IA ha hecho que surjan diversas ramas, resultado de la diversidad de enfoques, técnicas y aplicaciones en las que se puede emplear. Aquellas que más perfeccionamiento han tenido son: el aprendizaje automático, el aprendizaje profundo, la robótica, los sistemas expertos y el procesamiento del lenguaje natural.

IA EN EDUCACIÓN

Aunque no hay un momento exacto en el que sea posible identificar el uso de la IA en el contexto educativo, ^{León y Viña (2017)} refieren que por más de 30 años se han realizado investigaciones relacionadas con la aplicación de la IA en la educación. No obstante, ^{Chong et al. (2020}) reconocen que aunque los desarrollos sobre IA han crecido de manera exponencial en los últimos diez años, investigaciones y proyectos sobre el uso de la IA en esta disciplina en realidad se han trabajado desde hace 50 años.

Fue a partir de la segunda década del siglo XXI que comenzaron a aparecer los primeros proyectos que hicieron uso de la IA para la educación en línea. El primero de ellos fue AutoMentor, un sistema que salió a la luz en 2013 con el objetivo de fungir como un tutor para guiar a los estudiantes en un juego en línea llamado Land Science (^{Wang et al., 2013}). De igual forma, en 2015 se presentó DeepTutor, un programa inteligente que fomenta la comprensión profunda de los estudiantes en temas científicos complejos, a la par que ofrecía instrucción personalizada a cada uno de ellos a través de un navegador las 24 horas, los siete días de la semana (^{Rus et al., 2015}).

Si bien es cierto que las ramas de la IA antes descritas no tuvieron su aplicación originalmente en el ámbito escolar, los estudios en este campo se han multiplicado. En la tabla 1 se presentan otros ejemplos de investigaciones en donde se han empleado sistemas inteligentes para favorecer el ámbito educativo. Es importante destacar que, en algunos casos, las ramas de la inteligencia artificial trabajan en conjunto y se complementan, de ahí que los sistemas que se generan son cada vez más sofisticados.

La investigación que se presenta en este artículo está situada en la rama del machine learning y tiene como objetivo crear un prototipo de sistema de recomendación de filtrado basado en contenido para le recomendación de recursos educativos. Se espera que, en una etapa posterior, este sistema pueda implementarse en la plataforma de Prepa en Línea SEP y con ello procurar que los estudiantes tengan acceso a contenido (audio, texto, imagen y video) de acuerdo con sus necesidades de aprendizaje.

Sistemas de recomendación para la educación en línea

Los SR son “herramientas y técnicas de software que brindan sugerencias para que los elementos sean útiles para un usuario. La eficacia del sistema de recomendación se basa en el algoritmo que utiliza para encontrar recursos interesantes” (^{Singhal et al., 2021}, p. 937). Sin embargo, ^{Falk (2019}) reconoce que “un sistema de recomendación no es solo un algoritmo sofisticado. También se trata de comprender los datos y sus usuarios” (p. 5). Una recomendación automática se calcula en función de lo que le gusta a un usuario activo o lo que les ha gustado a otros usuarios en el pasado. Para ello, emplean métodos matemáticos y estadísticos con la finalidad de analizar, relacionar y predecir utilizando los datos almacenados, esto les permite ofrecer recomendaciones adaptadas a cada usuario (^{Sanabria y Regil-Vargas, 2023}).

Tabla 1 Ramas de la inteligencia artificial aplicadas a la educación 

Rama de la IA	Aplicación en el ámbito educativo
Aprendizaje automático	En la zona centro de Veracruz, México, se realizó un proyecto que estudió y analizó la problemática de la deserción escolar, situación que acontece con frecuencia en las escuelas. Los investigadores utilizaron los servicios de Azure Machine Learning Studio para obtener pruebas iniciales del comportamiento de los datos y elegir el algoritmo para la implementación de una plataforma tecnológica que permitiera predecir el porcentaje de deserción que posee un estudiante al ser matriculado en el nivel medio superior (González Díaz et al., 2019)
Aprendizaje profundo	En el Instituto de Secundaria Número 11 de Hangzhou, China, se instalaron frente a los pizarrones cámaras con tecnología de reconocimiento facial. El objetivo era escanear cada 30 segundos los rostros de los estudiantes para que una computadora clasificara sus expresiones de acuerdo con siete emociones: feliz, triste, decepcionado, molesto, asustado, sorprendido y neutro. Posteriormente se aplicaron algoritmos para medir su nivel de concentración (Arana, 2019)
Robótica	En Finlandia se realizó un piloteo con el uso de un robot para ayudar a los estudiantes en las clases de idiomas. El robot, llamado Elías, es capaz de comprender y hablar 23 idiomas, y puede comunicarse con los alumnos de acuerdo con sus niveles de conocimiento (El Tiempo, 2018)
Sistemas expertos	Profesores de matemáticas de una universidad en Costa Rica, preocupados por los resultados que los alumnos obtienen en esta asignatura, han desarrollado un software de sistemas expertos para ayudar a la comprensión de temas complejos. Como ejemplo se encuentra AgentGeom, un sistema que brinda apoyo a los alumnos en la apropiación de habilidades estratégicas y argumentativas implicadas en la resolución de problemas, y particularmente problemas geométricos (Vílchez Quesada, 2007)
Procesamiento del lenguaje natural	En algunos centros educativos de China se están desarrollando algoritmos de reconocimiento de voz que permiten evaluar la pronunciación del inglés de cada estudiante. Este tipo de software ofrece apoyo para la mejora de la pronunciación, entonación o acento, sin necesidad de que en cada clase haya un hablante nativo (Parra, 2020)

Fuente: elaboración propia.

El SR empleado en la presente investigación tiene su enfoque en un filtrado basado en contenido, en el cual se analizan las características y los atributos de todos los elementos de los que se dispone para, posteriormente, recomendar al usuario aquellos ítems que son más similares en términos de contenido. Algunas ventajas de este tipo de filtrado son las siguientes:

• 1) Pueden recomendar a los nuevos usuarios ítems que no han sido localizados por algún otro usuario.

• 2) No es esencial tener un gran conjunto de usuarios para lograr la precisión de las recomendaciones.

• 3) Los ítems nuevos pueden recomendarse instantáneamente si el contenido de ese ítem está disponible (^{Aziz & Fayyaz, 2021}).

En el contexto educativo, los algoritmos de filtrado basado en contenido están ganando protagonismo en la personalización de la educación. Autores como ^{Ricci et al. (2011}) destacan que estos algoritmos pueden analizar patrones de interacción de los estudiantes con las plataformas educativas para predecir qué contenido será más relevante y atractivo para ellos. En este sentido, los estudiantes podrían acceder a materiales que se ajusten más a sus estilos de aprendizaje y a sus niveles de competencia.

El marco de referencia de esta investigación es Prepa en Línea SEP, un servicio educativo mexicano creado en 2014 con la finalidad de “formar estudiantes en el tipo medio superior con un modelo educativo innovador, flexible, gratuito y basado en competencias, mediante el uso de las tecnologías de la información y comunicación” (^{Diario Oficial de la Federación, DOF, 2014}). Su propósito es ser una opción para cualquier ciudadano mexicano que desee realizar sus estudios de educación media superior bajo la modalidad de estudios en línea (^{Prepa en Línea SEP, 2021}).

Al considerar el tipo de SR, utilizando algoritmos de filtrado colaborativo, el esquema de la figura 1 muestra cómo es el proceso que se llevará a cabo para que el estudiante tenga una recomendación de recursos adecuada a su nivel de aprendizaje.

Fuente: elaboración propia.

Figura 1 Esquema del sistema de recomendación para recursos educativos en Prepa en Línea SEP. 

Los pasos involucrados en el proceso son los siguientes:

• Paso 1. Se detecta la necesidad de ofrecer al estudiante contenido adicional a los recursos educativos que se encuentran en la plataforma de Prepa en Línea SEP. Para solventar esta situación se propone utilizar un SR de filtrado basado en contenido.

• Paso 2. Para que el SR pueda funcionar requiere de datos, los cuales se obtendrán por tres vías: a) de la información de los criterios de evaluación que se encuentran en la rúbrica de la Actividad integradora 1 de Prepa en Línea SEP, b) de un banco de recursos educativos creado para esta investigación, y c) de la calificación obtenida en la Actividad integradora 1.

• Paso 3. Estos datos se almacenan, cada uno por su parte, en la Matriz de Evaluación de Usuarios y Matriz de Contenido de Ítem.

• Paso 4. Con los datos almacenados se construye el algoritmo, el cual genera la función de recomendación cuando se ejecuta. El algoritmo tiene una interacción continua con las matrices hasta que logra encontrar el ítem adecuado, de acuerdo con la calificación obtenida del estudiante en cada uno de los criterios de la rúbrica.

• Paso 5. El algoritmo elige, de una lista de elementos o ítems (banco de recursos educativos), aquellos que considera pueden ser útiles para el estudiante, debido a la calificación que obtuvo.

• Paso 6. El estudiante recibe una recomendación de recurso educativo por cada uno de los elementos que se encuentran en la rúbrica. Estos pueden ser en formato de audio, texto, imagen o video.

• Paso 7. El estudiante tiene la posibilidad de emitir una evaluación sobre la utilidad del recurso educativo que se le recomendó. Esta información es de ayuda porque, de acuerdo con las valoraciones hechas por los estudiantes, el algoritmo podrá seguir recomendando o no el recurso en cuestión.

METODOLOGÍA

Este proyecto se sustenta bajo la línea metodológica de la investigación basada en diseño (IBD), importante para comprender cómo, cuándo y por qué las innovaciones educativas funcionan en la práctica, además de conocer las relaciones entre la teoría educativa, el artefacto diseñado y la práctica (^{Design-Based Research Collective, 2003}, p. 5). ^{Benito y Salinas (2016}) destacan que el valor de esta metodología debe ser medido, pues contribuye a mejorar la práctica educativa cuando hay intervenciones innovadoras, especialmente las que se realizan en el área de tecnología educativa.

Algunas de las características que conforman a la IBD son:

Considerando estas características se llevó a cabo la investigación. De inicio se detectó que los recursos educativos que se presentan en la plataforma de Prepa en Línea SEP tienen un contenido temático básico, escaso y en algunos casos incompleto, esto ocasiona que los alumnos tengan dificultad para comprender a profundidad los temas abordados en cada unidad de estudio. Por ejemplo, en el Módulo 4 de la plataforma, se presentan ocho recursos para tratar los temas que conforman la Unidad I. Literatura: arte y expresión comunicativa (ver figura 2), pero dentro de estos no hay una explicación detallada.

Fuente: imagen tomada de la plataforma de Prepa en Línea SEP.

Figura 2 Módulo 4. Unidad I. Literatura: arte y expresión comunicativa. 

Esta situación puede notarse en la infografía de la figura 3, en donde de manera general se menciona el significado de los conceptos: lenguaje literario, connotativo y denotativo. De igual forma, se presenta una breve información sobre las funciones del lenguaje, pero solo se enuncian tres de las seis que deberían estar (falta incluir: metalingüística, fática y poética).

Se considera que los dos factores críticos que intervienen en el rendimiento académico son: la escasez de recursos educativos y, como consecuencia de lo anterior, que algunos estudiantes consultan información de fuentes no confiables. Ambos obstaculizan que los alumnos analicen a profundidad los contenidos temáticos de las Unidades de Prepa en Línea SEP, con lo cual se pone en riesgo su rendimiento académico.

Para identificar esta problemática se empleó la observación participante, lo que permitió analizar los contenidos temáticos de la plataforma educativa. Además, se realizó investigación documental sobre los recursos educativos como un factor en los procesos de enseñanzaaprendizaje, logrando justificar la importancia de que los estudiantes cuenten con una variedad de recursos educativos para su proceso formativo.

Una vez detectado el problema fue necesario conformar un equipo multidisciplinario para darle solución y favorecer los procesos de enseñanza-aprendizaje de los alumnos de Prepa en Línea SEP. De acuerdo con ^{Paoli Bolio (2019}), “esta forma de colaboración o concurrencia disciplinaria implica la participación de más de dos disciplinas en una investigación o estudio, sin perder cada una su caracterización o abandonar su metodología propia” (p. 348).

Fuente: imagen tomada de la plataforma de Prepa en Línea SEP.

Figura 3 Infografía: lenguaje literario. 

De este modo, dentro del equipo hubo especialistas en el área de tecnologías digitales en educación, educación en línea y comunicación de la Universidad Pedagógica Nacional (UPN), así como expertos en sistemas inteligentes del Centro de Investigación en Computación, del Instituto Politécnico Nacional (IPN). El trabajo multidisciplinario permitió la elaboración del SR para recursos educativos, a la par que contribuyó a intercambiar conocimientos, metodologías y lenguaje especializado de las disciplinas involucradas.

Integrado el equipo se comenzó con el diseño del prototipo del SR. En una primera etapa se hizo una investigación documental con la finalidad de comprender más a detalle la manera en la que los SR podrían ayudar a recomendar recursos de fuentes confiables a los alumnos. Posteriormente, se desarrolló el SR utilizando el lenguaje de programación R, que tiene un entorno de software libre, es fácilmente escalable y cuenta con una variedad de métodos y técnicas que son utilizados para la investigación científica en proyectos que implican la manipulación y análisis de grandes volúmenes de datos. El conocimiento y la mirada de expertos de varias áreas temáticas contribuyó a reflexionar sobre el prototipo realizado y también permitió tener un análisis riguroso de su aplicación.

Para la puesta en marcha del proyecto, los sujetos de estudio considerados fueron once de los 23 estudiantes pertenecientes a la generación 40, quienes entregaron la Actividad integradora 1 del Módulo 4 de Prepa en Línea SEP. La selección siguió la postura de no repetir personas con calificaciones iguales. A su vez, se empleó la rúbrica de dicha actividad, por abarcar el mayor contenido temático de la primera unidad. Otro elemento indispensable en la recolección de datos fueron los recursos educativos seleccionados y clasificados con la finalidad de reforzar los temas que se abordan en la actividad. En este sentido, se obtuvo un total de 80 recursos, entre los que se buscó equilibrar en la diversidad de contenidos basados en textos, videos, audios e imágenes.

La identificación y selección de estos recursos estuvo a cargo de las especialistas en educación y comunicación. Los criterios que se tomaron en cuenta en el trabajo detallado de análisis de contenido fueron:

El diseño del SR se desarrolló en dos etapas, en la primera se recabaron los datos que alimentarían el algoritmo, mientras que en la segunda se diseñó el algoritmo preliminar y se realizó el pilotaje con los datos obtenidos. Cabe mencionar que los SR requieren de entrenamiento constante, es por ello que la selección de los recursos educativos es una tarea permanente para asegurar que el algoritmo tenga más variedad en sus recomendaciones y que la información que se está recomendando a los estudiantes sea vigente.

RESULTADOS

Una vez elaborado el sistema se realizó la carga de los datos codificados, esto con la finalidad de comenzar a alimentarlo y a detectar errores. Primero se ingresaron los datos de los estudiantes (ver figura 4), seguido de la rúbrica y de los recursos educativos. Uno de los errores que se detectó al estar cargando los datos al sistema fue que no identificó de manera correcta las palabras que tenían acento (ver figura 5). Una vez con el SR en funcionamiento, pudimos certificar que las pruebas piloto logran recomendar recursos educativos de acuerdo con la calificación obtenida de la rúbrica de la Actividad integradora 1 (ver figura 6).

Fuente: elaboración propia.

Figura 4 Datos de los estudiantes. 

Fuente: elaboración propia.

Figura 5 Ejemplo de un error. 

Fuente: elaboración propia.

Figura 6 Prueba piloto del SR. 

DISCUSIÓN

Con la finalidad de generar procesos educativos cada vez más adaptados a los perfiles de los estudiantes, se han desarrollado investigaciones que buscan llevar a un nivel personalizado el aprendizaje. En este sentido, una vía que se ha abierto para lograrlo es diseñar soluciones basadas en algoritmos de recomendación automática de recursos educativos, los cuales “más allá de ofrecer un listado de recursos educativos independientes de los gustos, preferencias y características de los usuarios, permitan mejorar la experiencia educativa” (^{Otero & Pedraza, 2020}, p. 149).

A inicios de 2000, un grupo de investigadores exploró de manera teórica algunas posibilidades para utilizar SR en la educación en línea, con la finalidad de incidir de manera positiva en el aprendizaje de los estudiantes. La idea que propusieron fue la creación de un recomendador de tareas de aprendizaje electrónico, cuyo objetivo era recomendar una tarea a un estudiante en función de las tareas ya realizadas por él, su puntaje obtenido y las tareas realizadas por otros estudiantes “similares” (^{Zaïane, 2002}). Si bien el SR no se desarrolló, esta investigación sirvió para sentar las bases teóricas sobre el uso de este tipo de soluciones tecnológicas en educación en línea.

Hasta donde sabemos, a la fecha no existe ningún sistema de aprendizaje a distancia que proporcione tales instalaciones automatizadas para sugerir automáticamente actividades o recursos de aprendizaje. Sin embargo, en el campo del comercio electrónico, dadas las perspectivas lucrativas, se ha realizado un importante esfuerzo de investigación para idear métodos elaborados de recomendación que permitan mejorar la experiencia de compra y, en consecuencia, la satisfacción del cliente y así aumentar las ganancias (^{Zaïane, 2002}, p. 57).

Solo un año después de la presentación de esta propuesta comenzaron a salir a la luz investigaciones que pusieron a prueba los SR -recordar que en ese entonces se encontraban en su etapa inicial y que su aplicación específica en la educación en línea estaba emergiendo-. Un ejemplo de esto fue el trabajo realizado por ^{Ya y McCalla (2003}), quienes propusieron un modelo de SR para encontrar contenido en internet que pudiera personalizarse de acuerdo con las calificaciones que han obtenido los estudiantes, tomando en cuenta sus características de aprendizaje. Este proyecto se centró en el diseño del modelo del SR y en una etapa posterior lo podrían a prueba con estudiantes artificiales para tener una idea de la evolución del sistema tomando en consideración las observaciones de estos usuarios.

Las investigaciones realizadas durante los primeros años del siglo XXI fueron útiles porque contribuyeron al desarrollo posterior de SR más sofisticados y efectivos para aplicarse en el campo de la educación en línea. Pero no fue sino hasta la segunda década cuando proliferaron estudios que utilizaban datos reales de agentes educativos en línea para diseñar algoritmos de recomendación y ponerlos a prueba en EVA.

Por ejemplo, en 2010 se desarrolló un SR para sugerir a los estudiantes de un curso en línea algunos contenidos que necesitaban aprender basándose en su nivel de conocimientos y perfil del estudiante (^{Shishehchi et al., 2010}). Dos años más tarde, ^{Pinter et al. (2012}) trabajaron en el diseño de un sistema para proponer caminos de aprendizaje más efectivos para el estudiante, utilizando técnicas de filtrado colaborativo, para ello solicitaron opiniones acerca de las actividades que realizaban y de los materiales que utilizaban.

Con la intención de asistir a los estudiantes en la búsqueda de información adecuada, a partir del ingreso de una consulta específica en un EVA, ^{Fernández et al. (2014)} elaboraron un SR que combinó técnicas de minería de contenido web y recuperación de información. El interés sobre las emociones de los estudiantes fue lo que detonó la investigación de ^{Bustos et al. (2016)}, quienes apostaron por desarrollar el sistema EmoRemSys, el cual consistía en localizar recursos educativos con base en un análisis sentimental del estudiante haciéndolo adaptable a sus necesidades. Hacia finales de esta década, ^{Xiao et al. (2018}) se centraron en crear sistemas inteligentes que permitieran recomendar recursos de aprendizaje a los estudiantes inscritos en cursos formales en línea.

Acerca de los desafíos que se presentan en cuanto a la implementación de SR en el ámbito educativo, podemos destacar lo referente a los marcos de evaluación sobre su funcionamiento, ya que estos deben de considerar tantas dimensiones como sea posible, por ejemplo, las pedagógicas, los métodos de aprendizaje utilizados y el tipo de interacción que se genera con los estudiantes (^{Mogos & Bodea, 2019}). Por su parte, ^{Fernández-Luque et al. (2009}) identificaron que un desafío a considerar es la manera en la que los estudiantes puedan valorar las recomendaciones que genera el sistema, ya que al no hacerlas podría contribuir a que no se conozca si la sugerencia que arrojó es útil o no para el alumno. En este sentido, se tendrá que propiciar que participen activamente en la retroalimentación del sistema, proporcionando evaluaciones y comentarios sobre la relevancia y utilidad de las recomendaciones recibidas. Este proceso de retroalimentación no solo ayudará a ajustar y mejorar continuamente los algoritmos de recomendación, sino que también permitirá a los estudiantes sentirse más involucrados en su propio proceso de aprendizaje

Los trabajos citados anteriormente tienen en común el uso de SR para utilizarse en la recomendación de recursos educativos. La investigación que se presenta en este artículo se sitúa bajo la misma línea, sin embargo, algunas de las fortalezas a destacar son las siguientes:

Por todo lo anteriormente señalado, se considera que algunas de las contribuciones al conocimiento en el ámbito de tecnología educativa con el desarrollo del SR propuesto es que se pueden llevar a cabo soluciones educativas basadas en IA, tomando como modelo el método de la IBD y teniendo un acercamiento con investigadores que estén involucrados en el campo de la IA. En cuanto al aspecto práctico, una aportación a destacar es que los SR pueden ser empleados en la educación en línea con la misma naturalidad con la que se utilizan en la vida cotidiana. Esto ayudaría a los estudiantes a ahorrar tiempo en la búsqueda de recursos educativos para ampliar su conocimiento sobre la temática deseada, ya que se filtra y presentan materiales relacionados con su nivel de aprendizaje, permitiendo que se concentren en el estudio y en la comprensión del contenido.

CONCLUSIONES

Esta investigación se encuentra en la etapa final, por lo que se cuenta con resultados preliminares del SR basado en contenido para recomendar recursos educativos en un programa específico de bachillerato en línea. El algoritmo se alimentó con los criterios contenidos en una rúbrica, con la calificación del estudiante sobre una actividad y con la elaboración de una base de datos de recursos en texto, sonido, imagen y video. En la etapa del pilotaje hemos obtenido resultados preliminares favorables, ya que pudimos comprobar que el sistema recomienda los recursos de acuerdo con la calificación obtenida en la rúbrica, con los cuales cada estudiante podría profundizar y diversificar su aproximación a los temas curriculares.

Desde esta perspectiva podemos afirmar que el modelo propuesto podría enriquecer y hacer más eficientes los procesos de enseñanza-aprendizaje para la educación en línea. Esto representa un avance en los trabajos de incorporación de SR en EVA, ya que se pone énfasis en la calidad y la variedad de los recursos que se recomiendan, priorizando el avance obtenido de cada estudiante.

En la actualidad, no hay un SR con características similares al que se ha desarrollado de manera multidisciplinar en este proyecto, por lo que esta investigación, realizada en colaboración con dos instituciones públicas de educación superior en México, contribuye a la realización de trabajos posteriores en donde el área dedicada a la educación aporte su conocimiento sobre las problemáticas y necesidades pedagógicas. A su vez, los ingenieros podrían brindar experiencias en el diseño de sistemas basados en inteligencia artificial que trabajen con grandes volúmenes de datos y generen recomendaciones precisas y personalizadas a los estudiantes en EVA.

Entre las líneas de generación de conocimiento en las que continua el proyecto, se ha contemplado poner a prueba el modelo de recomendación con estudiantes de Prepa en Línea SEP, esto permitirá evaluar su desempeño y recabar opiniones de los actores directamente involucrados. En este sentido, podría llevarse a cabo un análisis de resultados que incluya métricas tanto cuantitativas como cualitativas, y con ello lograr una evaluación rigurosa sobre el sistema de recomendación propuesto. Esto permitiría analizar, por ejemplo, cuáles han sido las mejoras en el compromiso y rendimiento académico de los estudiantes, así como la aportación y eficacia que han tenido los distintos tipos de recursos que se sugieren.

Finalmente, reconocemos que la principal limitante es que el SR solo ha sido probado en simuladores digitales y no en una plataforma de bachillerato. A futuro se intentará implementar y evaluar el sistema en un bachillerato en línea para validar su efectividad en situaciones de aprendizaje auténticas, lo que además permitirá conocer la experiencia y opinión de los estudiantes y docentes con el SR. La retroalimentación obtenida permitirá hacer ajustes necesarios para su máximo aprovechamiento.