Tutoría adaptativa con aprendizaje por refuerzo profundo para comprensión lectora en literatura peruana
Adaptive tutoring for reading comprehension in Peruvian literature: A deep reinforcement learning approachContenido principal del artículo
Introducción: La integración de sistemas inteligentes en educación ha impulsado nuevas formas de personalización del aprendizaje. En este contexto, los modelos de tutoría adaptativa basados en aprendizaje por refuerzo profundo permiten ajustar dinámicamente la instrucción según el desempeño del estudiante. Objetivo: Analizar un sistema de tutoría adaptativa basado en aprendizaje por refuerzo profundo para personalizar la comprensión lectora con literatura peruana. Metodología: Se desarrolló un estudio cuantitativo de tipo aplicado, con diseño experimental computacional y alcance explicativo. La población estuvo constituida por interacciones simuladas en comprensión lectora, y la muestra por episodios generados durante 500 000 pasos de entrenamiento, utilizando diez preguntas basadas en el texto “Paco Yunque”. Se emplearon simulaciones computacionales, registro de métricas e instrumentos de validación algorítmica. Resultados: El modelo basado en aprendizaje por refuerzo profundo (PPO) mostró una precisión promedio de 38,23 %, un retorno medio de 4,35 y una desviación estándar de 3,86, evidenciando estabilidad en el proceso de toma de decisiones pedagógicas del agente, aunque con rendimiento moderado en precisión. Conclusiones: El agente PPO demuestra capacidad para generar decisiones pedagógicas consistentes en entornos de tutoría adaptativa. Sin embargo, se requiere ampliar el banco de preguntas y realizar validaciones con estudiantes reales para fortalecer la generalización y aplicabilidad del sistema en contextos educativos auténticos.
Introducción: La integración de sistemas inteligentes en educación ha impulsado nuevas formas de personalización del aprendizaje. En este contexto, los modelos de tutoría adaptativa basados en aprendizaje por refuerzo profundo permiten ajustar dinámicamente la instrucción según el desempeño del estudiante. Objetivo: Analizar un sistema de tutoría adaptativa basado en aprendizaje por refuerzo profundo para personalizar la comprensión lectora con literatura peruana. Metodología: Se desarrolló un estudio cuantitativo de tipo aplicado, con diseño experimental computacional y alcance explicativo. La población estuvo constituida por interacciones simuladas en comprensión lectora, y la muestra por episodios generados durante 500 000 pasos de entrenamiento, utilizando diez preguntas basadas en el texto “Paco Yunque”. Se emplearon simulaciones computacionales, registro de métricas e instrumentos de validación algorítmica. Resultados: El modelo basado en aprendizaje por refuerzo profundo (PPO) mostró una precisión promedio de 38,23 %, un retorno medio de 4,35 y una desviación estándar de 3,86, evidenciando estabilidad en el proceso de toma de decisiones pedagógicas del agente, aunque con rendimiento moderado en precisión. Conclusiones: El agente PPO demuestra capacidad para generar decisiones pedagógicas consistentes en entornos de tutoría adaptativa. Sin embargo, se requiere ampliar el banco de preguntas y realizar validaciones con estudiantes reales para fortalecer la generalización y aplicabilidad del sistema en contextos educativos auténticos.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
Referencias
Abraham, L. B. (2008). Computer-mediated glosses in second language reading comprehension and vocabulary learning: A meta-analysis. Computer Assisted Language Learning, 21(3), 199–226. https://doi.org/10.1080/09588220802090246
Anderson, J. R., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive tutors: Lessons learned. Journal of the Learning Sciences, 4(2), 167–207. https://doi.org/10.1207/s15327809jls0402_2
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.3102/0013189X013006004
Chen, J. J., y Perez, C. (2023). Enhancing assessment and personalized learning through artificial intelligence. Childhood Education, 99(6), 72–79. https://doi.org/10.1080/00094056.2023.2282903
Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. https://doi.org/10.1007/BF01099821
Csikszentmihalyi, M. (1990). Flow: The psychology of optimal experience. Harper & Row. https://archive.org/details/flowpsychologyof00csik
François-Lavet, V., Henderson, P., Islam, R., Bellemare, M. G., & Pineau, J. (2018). An introduction to deep reinforcement learning. Foundations and Trends in Machine Learning, 11(3–4), 219–354. https://doi.org/10.1561/2200000071
Iglesias, A., Martínez, P., Aler, R., y Fernández, F. (2009). Learning teaching strategies in an adaptive and intelligent educational system through reinforcement learning. Applied Intelligence, 31(1), 89–106. https://doi.org/10.1007/s10489-008-0115-1
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1), 42–78. https://doi.org/10.3102/0034654315581420
Lan, A. S., Studer, C., & Baraniuk, R. G. (2014). Time-varying learning and content analytics via sparse factor analysis. En Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 452–461). Association for Computing Machinery. https://doi.org/10.1145/2623330.2623631
Li, X., Xu, H., Zhang, J., & Chang, H. H. (2021). Optimal hierarchical learning path design with reinforcement learning. Applied Psychological Measurement, 45(1), 54–70. https://doi.org/10.1177/0146621620947171
Li, X., Xu, H., Zhang, J., & Chang, H. H. (2023). Deep reinforcement learning for adaptive learning systems. Journal of Educational and Behavioral Statistics, 48(2), 220–243. https://doi.org/10.3102/10769986221129847
McNamara, D. S., Levinstein, I. B., & Boonthum, C. (2004). iSTART: Interactive strategy training for active reading and thinking. Behavior Research Methods, Instruments, & Computers, 36(2), 222–233. https://doi.org/10.3758/BF03195567
OECD. (2023). PISA 2022 results: Peru country note. Organisation for Economic Co-operation and Development. https://www.oecd.org/en/publications/pisa-2022-results-volume-i-and-ii-country-notes_ed6fbcc5-en/peru_3e71791c-en.html
Piech, C., Bassen, J., Huang, J., Ganguli, S., Sahami, M., Guibas, L. J., & Sohl-Dickstein, J. (2015). Deep knowledge tracing. En C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, & R. Garnett (Eds.), Advances in neural information processing systems 28 (pp. 505–513). Curran Associates. https://papers.nips.cc/paper_files/paper/2015/hash/bac9162b47c56fc8a4d2a519803d51b3-Abstract.html
Saavedra, J., & Molina, E. (2026). La principal limitación de la IA en educación no es la tecnología. Es la cultura organizacional. https://blogs.worldbank.org/es/latinamerica/binding-constraint-on-ai-in-education-latin-america
Salas-Pilco, S. Z., & Yang, Y. (2022). Artificial intelligence applications in Latin American higher education: A systematic review. International Journal of Educational Technology in Higher Education, 19, Article 21. https://doi.org/10.1186/s41239-022-00326-w
Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal policy optimization algorithms. arXiv. https://doi.org/10.48550/arXiv.1707.06347
Steenbergen-Hu, S., & Cooper, H. (2013). A meta-analysis of the effectiveness of intelligent tutoring systems on K–12 students’ mathematical learning. Journal of Educational Psychology, 105(4), 970–987. https://doi.org/10.1037/a0032447
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2.ª ed.). MIT Press. http://incompleteideas.net/book/the-book-2nd.html
UNESCO. (2022). K-12 AI curricula: A mapping of government-endorsed AI curricula. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000380602
UNESCO. (2023). Global education monitoring report 2023: Technology in education: A tool on whose terms? United Nations Educational, Scientific and Cultural Organization. https://doi.org/10.54676/UZQV8501
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. https://doi.org/10.1080/00461520.2011.611369
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press. https://doi.org/10.2307/j.ctvjf9vz4
Wang, X., Huang, R. T., Sommer, M., Pei, B., Shidfar, P., Rehman, M. S., Ritzhaupt, A. D., & Martin, F. (2024). The efficacy of artificial intelligence-enabled adaptive learning systems from 2010 to 2022 on learner outcomes: A meta-analysis. Journal of Educational Computing Research, 62(6), 1348–1383. https://doi.org/10.1177/07356331241240459
Wijekumar, K. K., Meyer, B. J. F., & Lei, P. (2012). Large-scale randomized controlled trial with 4th graders using intelligent tutoring of the structure strategy to improve nonfiction reading comprehension. Educational Technology Research and Development, 60(6), 987–1013. https://doi.org/10.1007/s11423-012-9263-4
Wijekumar, K. K., Meyer, B. J. F., Lei, P., Lin, Y. C., Johnson, L. A., Spielvogel, J. A., Shurmatz, K. M., & Ray, M. (2014). Multisite randomized controlled trial examining intelligent tutoring of structure strategy for fifth-grade readers. Journal of Research on Educational Effectiveness, 7(4), 331–357. https://doi.org/10.1080/19345747.2013.853333
World Bank. (2019). Learning poverty brief: Peru. World Bank. https://thedocs.worldbank.org/en/doc/669911571223458621-0090022019/original/LACLCC6CPERLPBRIEF.pdf
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0