[{"data":1,"prerenderedAt":19},["ShallowReactive",2],{"post-ensenanza-nueroadaptativa-mediada-por-sistemas-multiagentes":3},{"id":4,"slug":5,"published_at":6,"created_at":7,"youtube_id":8,"author":9,"title":14,"excerpt":15,"cover_url":16,"youtube_url":17,"content":18},8,"ensenanza-nueroadaptativa-mediada-por-sistemas-multiagentes","2026-08-26T10:10:47.220-06:00","2026-08-26T10:10:47.227-06:00","kuu2RS5PWeI",{"name":10,"degree":11,"institution":12,"country":13},"Ph.D Clara Luisa Solorzano","","UNIFRANZ ","BO","Enseñanza nueroadaptativa mediada por sistemas multiagentes","Enseñanza neuroadaptativa con IA: cómo EMA personaliza el aprendizaje desde la neurociencia",null,"https://www.youtube.com/watch?v=kuu2RS5PWeI","\u003Cp class=\"ql-align-justify\">La personalización educativa suele enfrentarse a una dificultad concreta: cada estudiante aprende a un ritmo distinto, pero los modelos tradicionales tienden a organizar contenidos, actividades y evaluaciones bajo estructuras homogéneas. En \u003Cstrong>SILIA 2026\u003C/strong>, la Ph.D. \u003Cstrong>Clara Luisa Solórzano Benítez\u003C/strong> presentó \u003Cstrong>EMA\u003C/strong>, una arquitectura tecnológico-pedagógica de enseñanza neuroadaptativa mediada por inteligencia artificial. El modelo propone integrar neuroeducación, pedagogía e Inteligencia Artificial Generativa para adaptar el aprendizaje a variables cognitivas, emocionales y metacognitivas de cada alumno. Su principal diferenciador es claro: la tecnología funciona como apoyo al proceso educativo, mientras el docente conserva el control sobre las decisiones pedagógicas.\u003C/p>\u003Ch3 class=\"ql-align-justify\">\u003Cstrong>Un copiloto pedagógico para adaptar la enseñanza a cada estudiante\u003C/strong>\u003C/h3>\u003Cp class=\"ql-align-justify\">Desarrollado desde la \u003Cstrong>Universidad Privada Franz Tamayo, en Bolivia\u003C/strong>, EMA busca superar algunas de las limitaciones de la enseñanza estandarizada mediante un entorno de aprendizaje dinámico basado en principios de neuroeducación e inteligencia artificial. La lógica del modelo no consiste en permitir que un algoritmo determine autónomamente qué debe aprender un estudiante, sino en utilizar información sobre su proceso de aprendizaje para apoyar las decisiones del docente.\u003C/p>\u003Cp class=\"ql-align-justify\">Por esta razón, EMA se plantea como un \u003Cstrong>“copiloto pedagógico”\u003C/strong>. El profesor continúa siendo la autoridad central: interpreta los datos, analiza las recomendaciones generadas por el sistema y valida cualquier modificación antes de incorporarla al proceso educativo.\u003C/p>\u003Cp class=\"ql-align-justify\">La arquitectura funciona mediante un ciclo de \u003Cstrong>diagnóstico, adaptación, intervención y retroalimentación\u003C/strong>. Para desarrollarlo, el framework articula cuatro agentes especializados que trabajan sobre distintas dimensiones del aprendizaje. La propuesta se encuentra estructurada como una investigación proyectiva de diseño y contempla una fase de validación piloto en Bolivia. Además, incorpora criterios de privacidad, consentimiento informado, transparencia y supervisión humana como condiciones fundamentales para el tratamiento de la información académica.\u003C/p>\u003Ch3 class=\"ql-align-justify\">\u003Cspan>Las claves del modelo EMA para transformar el aprendizaje personalizado\u003C/span>\u003C/h3>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Un agente perfilador para comprender cómo aprende cada estudiante.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\">El primer componente de EMA construye un perfil neurodidáctico individual. Para ello considera variables relacionadas con la atención sostenida, la memoria de trabajo, la motivación intrínseca y la zona de desarrollo próximo. Su función es identificar señales que permitan reconocer cuándo el estudiante requiere una adaptación en su proceso de aprendizaje. De esta manera, la personalización deja de depender únicamente de una percepción general del desempeño y comienza a apoyarse en evidencias organizadas sobre su evolución.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Rutas de aprendizaje diseñadas según necesidades cognitivas.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\">A partir del perfil identificado, un segundo agente propone trayectorias educativas diferenciadas. Estas rutas consideran recursos, actividades y estrategias relacionadas con principios como la plasticidad cerebral, la regulación de la carga cognitiva y la repetición espaciada. El objetivo es ajustar la experiencia educativa al ritmo del estudiante sin desvincularla de los objetivos curriculares establecidos por el docente.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Andamiajes, gamificación y pausas para acompañar el proceso.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\">El agente facilitador interviene durante el desarrollo de la experiencia educativa. Puede proponer retos interactivos, estrategias de andamiaje, dinámicas de gamificación y pausas cognitivas orientadas a evitar la fatiga mental. Este componente reconoce que el aprendizaje no depende exclusivamente del contenido académico: la atención, el esfuerzo mental y la regulación emocional también influyen en la capacidad del estudiante para progresar.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Retroalimentación para fortalecer la metacognición.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\">EMA incorpora un agente evaluador encargado de registrar el desempeño y generar retroalimentación adaptada al proceso individual. El modelo combina este feedback con instrumentos de evaluación docente y actividades de autoevaluación guiada. Así, la evaluación no se limita a determinar si una respuesta es correcta o incorrecta, sino que busca ayudar al estudiante a comprender cómo está aprendiendo, identificar dificultades y desarrollar mayor autonomía sobre su propio proceso.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>La neuroeducación dirige a la tecnología, no al contrario.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\"> Uno de los elementos diferenciadores del framework es la integración explícita de neurociencia, pedagogía e inteligencia artificial. En lugar de utilizar un modelo de lenguaje genérico como núcleo de la experiencia educativa, EMA plantea que los principios neuroeducativos funcionen como guía para determinar cuándo y cómo utilizar la tecnología. Esto permite concebir la IA como una herramienta subordinada a objetivos pedagógicos definidos.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Una metodología estructurada antes de llegar al aula.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\"> El desarrollo de EMA contempla tres etapas metodológicas: una revisión documental selectiva —con atención a investigaciones latinoamericanas desarrolladas entre 2021 y 2026—, el modelado conceptual de la arquitectura tecnológica y el diseño de un prototipo destinado a validación. Esta secuencia resulta relevante porque muestra que la propuesta todavía requiere evidencia empírica que permita evaluar su funcionamiento y sus resultados en contextos educativos reales.\u003C/p>\u003Col>\u003Cli>\u003Cspan class=\"ql-ui\">\u003C/span>\u003Cstrong>Control docente, privacidad y consentimiento como principios centrales.\u003C/strong>\u003C/li>\u003C/ol>\u003Cp class=\"ql-indent-1\"> La incorporación de inteligencia artificial en educación también introduce interrogantes sobre el tratamiento de datos académicos y la autonomía de los sistemas automatizados. EMA responde a estos desafíos incorporando supervisión humana, consentimiento informado y protección de la información. Cualquier adaptación propuesta por los agentes debe permanecer bajo la validación del profesor, evitando desplazar la responsabilidad pedagógica hacia el algoritmo.\u003C/p>\u003Cp class=\"ql-align-justify\">\u003Cstrong>Una IA que acompaña al docente en lugar de reemplazarlo\u003C/strong>\u003C/p>\u003Cp class=\"ql-align-justify\">EMA plantea una visión de inteligencia colaborativa en la que cuatro agentes especializados procesan información y generan recomendaciones, mientras el docente mantiene la responsabilidad sobre las decisiones curriculares. Esta arquitectura podría aportar mayor trazabilidad a los procesos de aprendizaje, facilitar la diversificación de actividades y apoyar la gestión de grupos con necesidades diferentes. El documento también señala su potencial para reducir determinadas cargas asociadas a la planificación y adaptación curricular del profesorado.\u003C/p>\u003Cp class=\"ql-align-justify\">Sin embargo, la siguiente etapa será decisiva: \u003Cstrong>la validación empírica permitirá determinar hasta qué punto esta arquitectura puede traducirse en mejoras comprobables dentro de las aulas\u003C/strong>.\u003C/p>\u003Cp>\u003Cbr>\u003C/p>",1789600466970]