Modelos matemáticos para la personalización del aprendizaje en entornos virtuales

Resumen

La transformación digital de la educación ha impulsado el desarrollo de modelos matemáticos orientados a la personalización del aprendizaje dentro de entornos virtuales. Estos modelos permiten analizar el comportamiento académico de los estudiantes mediante algoritmos predictivos, inteligencia artificial, machine learning y analítica educativa, favoreciendo procesos formativos más adaptativos, flexibles y centrados en las necesidades individuales. El presente artículo tiene como objetivo analizar, desde una revisión narrativa de literatura, los principales modelos matemáticos utilizados para la personalización del aprendizaje en plataformas virtuales, considerando sus aplicaciones pedagógicas, beneficios, limitaciones y desafíos en el contexto educativo contemporáneo. La investigación se desarrolló bajo un enfoque cualitativo-documental, mediante la revisión crítica e interpretativa de literatura científica publicada entre 2019 y 2026 en bases académicas como Scopus, Web of Science, ERIC y Google Scholar. La literatura analizada permite reconocer que los modelos basados en machine learning, redes bayesianas, lógica difusa, algoritmos predictivos y sistemas de recomendación educativa contribuyen al fortalecimiento del seguimiento académico, la retroalimentación inmediata, la motivación estudiantil y la toma de decisiones pedagógicas. Asimismo, se identifican desafíos relacionados con la calidad de los datos, la infraestructura tecnológica, la formación docente, la privacidad de la información y los posibles sesgos algorítmicos. Se concluye que los modelos matemáticos constituyen herramientas relevantes para consolidar sistemas de aprendizaje personalizados e inteligentes, siempre que su implementación se articule con criterios pedagógicos, éticos e inclusivos.