La falta de conocimientos previos en los cursos iniciales de las carreras profesionales se ha agudizado tras el confinamiento causado por la pandemia de Covid-19. Las teorías clásicas del aprendizaje destacan la relevancia del conocimiento previo para facilitar la comprensión de nuevos conceptos. Wood et al. (1976) planteó que los estudiantes requieren un apoyo estructurado para construir sobre sus conocimientos existentes; sin embargo, cuando este conocimiento previo es insuficiente, el proceso de andamiaje se vuelve más intensivo y complejo.

El aprendizaje ocurre de manera más efectiva cuando se trabaja ligeramente por encima del nivel actual del estudiante, siempre que exista algún conocimiento previo que sirva como base (Vygotsky, 1978). En ausencia de este conocimiento, se requiere un enfoque remedial para facilitar el aprendizaje. Más adelante, Sweller (1988) indicó que la falta de conocimientos previos incrementa la carga cognitiva, lo cual dificulta el proceso de aprendizaje. Este planteamiento coincide con la teoría de Vygotsky en cuanto a la necesidad de aplicar estrategias de nivelación para apoyar al estudiante.

En el metaanálisis realizado por Hattie (2008), que recopila más de 800 estudios sobre los factores que influyen en el aprendizaje de los estudiantes, se destaca que el conocimiento previo es fundamental, ya que proporciona la base sobre la cual se construyen nuevos aprendizajes. Los estudiantes con conocimientos previos relevantes tienden a comprender de manera más profunda y efectiva los nuevos conceptos. De hecho, Hattie (2017) encontró que la habilidad previa tiene un tamaño de efecto de 0.94 en el rendimiento académico, lo cual es considerado altamente significativo.

Diversas investigaciones han demostrado que los estudiantes de ingeniería con deficiencias en álgebra o cálculo presentan tasas más altas de abandono (Klingbeil et al., 2007; McKenna et al., 2000). Sweller et al. (1998), a través de la teoría de la carga cognitiva en ingeniería, señalaron que la falta de conocimientos previos sobrecarga a los estudiantes al enfrentar temas complejos como diseño o programación. Por lo tanto, la nivelación en estudios universitarios requiere la implementación de estrategias como cursos puente, programas de refuerzo, tutorías, cursos introductorios y enfoques pedagógicos diseñados para asegurar que los estudiantes dominen los prerrequisitos necesarios antes de avanzar en su formación (Felder y Brent, 2005; Seymour y Hewitt, 1997).

Algunas universidades han adoptado múltiples estrategias para apoyar la nivelación académica de los estudiantes de nuevo ingreso. Por ejemplo, la Universidad de California State cuenta con un programa de STEM peer mentoring en el que estudiantes de semestres avanzados orientan a los de primer ingreso, brindándoles información sobre las carreras y compartiendo su experiencia personal. Contar con un par que ofrezca guía y apoyo durante los primeros semestres ha demostrado ser una estrategia efectiva para mejorar las tasas de retención y facilitar una integración más rápida y positiva a la vida universitaria (Taha et al., 2015; Rockinson-Szapkiw et al., 2021).

Otras universidades, como Massachusetts Institute of Technology (MIT) y su programa MIT Introduction to Technology, Engineering and Science (MITES) o la Universidad Nacional Autónoma de México (UNAM) y su programa inspiración para mujeres STEM, entre muchos otros, han implementado programas específicos para fortalecer las carreras STEM. Estos programas no solo ofrecen asesorías académicas para nivelar a los estudiantes, sino que también brindan acompañamiento emocional a quienes inician su formación universitaria, con el objetivo de fortalecer sus conocimientos y prepararlos para enfrentar los desafíos propios de estas disciplinas.

Además de los factores estructurales que explican la falta de conocimientos previos en ciertas áreas, la pandemia por COVID-19 exacerbó significativamente esta problemática (Filatova et al., 2023; López del Puerto et al., 2021). Como respuesta, diversas instituciones desarrollaron programas remotos durante y después de la pandemia, enfocados especialmente en apoyar la nivelación académica, con énfasis en los cursos STEM (Lasater et al., 2021; Schaal et al., 2021).

Sin embargo, algunas de las estrategias tradicionales utilizadas para la nivelación, como los cursos propedéuticos previos al inicio formal de las materias del programa, requieren ser repensadas. En el estudio realizado por González-Beltrán et al. (2018), se aplicaron técnicas de minería de datos para analizar si estos cursos de nivelación inciden de manera significativa en el desempeño o la aprobación de los estudiantes en las asignaturas de Cálculo. No obstante, los resultados no mostraron evidencia que respaldara dicha relación.

Si bien los cursos de nivelación previos al ingreso universitario han sido una de las estrategias más comunes implementadas por las universidades, no siempre resultan ser los más efectivos. Una de las principales razones es que estos cursos suelen abordar de manera general todos los contenidos del nivel educativo anterior, sin considerar que no todos los estudiantes presentan los mismos vacíos de conocimiento. Esto puede generar desmotivación y una percepción negativa sobre la utilidad de los contenidos. En este contexto, y gracias a los avances tecnológicos, el AA se presenta como una alternativa prometedora para la nivelación académica, ya que permite personalizar el proceso de aprendizaje, enfocándose únicamente en los temas que cada estudiante realmente necesita reforzar (du Plooy et al., 2024; Taylor et al., 2021).

El AA ha sido implementado desde hace algunos años, se sitúa bajo el paraguas del Aprendizaje personalizado, según Jing et al. (2023) el AA es un enfoque orientado a la personalización del aprendizaje y materializa el principio de una educación centrada en el alumno. En esta misma línea, Hernandez et al. (2022) definen el Aprendizaje Personalizado como un enfoque educativo que ajusta la experiencia de aprendizaje de cada estudiante en función de sus necesidades, fortalezas, capacidades e intereses individuales, brindando flexibilidad respecto a qué, cuándo, cómo y dónde aprender a lo largo de su plan de estudios y diversas experiencias formativas. De ese modo, diferentes estrategias y tecnologías pueden proporcionar distintos grados de autonomía y opciones, permitiendo que los estudiantes asuman un rol activo y protagónico de su propio aprendizaje dentro de estos entornos.

Para lograr la personalización en la educación se puede trabajar con diversas técnicas y metodologías con el apoyo de la tecnología; cuanto mayor sea el uso de herramientas tecnológicas, más precisa será dicha personalización. El Aprendizaje Adaptativo es una estrategia educativa que utiliza tecnología basada en la analítica de datos para adaptar la educación y crear un itinerario de aprendizaje personalizado cuyos contenidos han sido previamente diseñados por el profesor para ser eficaces y eficientes para cada alumno en función de su nivel de rendimiento, perfil y necesidades de aprendizaje, permitiendo al docente identificar vacíos en la comprensión de contenidos para establecer acciones de mejora y ajustar su práctica educativa, optimizando el rendimiento de los alumnos (Rincon-Flores et al., 2024). De esta manera, el papel del profesor pasa de proveedor de contenidos a facilitador del aprendizaje. Sin embargo, para lograr estas eficiencias, los docentes deberán utilizar los sistemas tecnológicos de manera adecuada y eficiente (Cavanagh et al., 2020).

En una encuesta sobre informática y tecnología de la información en la educación superior, Simon y Zeng (2024) comentan que la mayoría de los líderes universitarios y docentes muestran una actitud positiva hacia el Aprendizaje Adaptativo (AA) y lo consideran una estrategia con alto potencial para mejorar el éxito estudiantil. Complementariamente, Rincon-Flores et al. (2023) demostraron que el AA asistido por tecnología constituye una herramienta eficaz para optimizar el aprendizaje. De forma similar, Sarıyalçınkaya et al. (2021) señalan que el AA permite definir la trayectoria de enseñanza de cada alumno en función de su estilo de aprendizaje, a partir de la evaluación de sus conocimientos previos.

En el ámbito de los sistemas tecnológicos, es fundamental comprender la relevancia de los datos y su procesamiento. Long y Siemens (2011) señalan que, ante el fuerte impulso por incrementar la eficiencia y reformar la educación superior, ha resultado natural orientar el aprendizaje hacia nuevos formatos digitales. Esto ha derivado en una explosión de datos educativos recopilados, que incluyen flujos de actividad, interacciones de los estudiantes con sus pares y mentores, registros administrativos y otros valiosos rastros de información. La posibilidad de recopilar este volumen masivo de datos, analizarlos en tiempo real y aplicar técnicas de aprendizaje automático para identificar patrones se debe, en gran medida, al soporte que ofrece la inteligencia artificial (Miao et al., 2021). Estos elementos se encuentran hoy integrados en plataformas de aprendizaje adaptativo que incorporan IA como núcleo de su funcionamiento.

Así mismo, Fernández-Morante et al. (2022) destacan que la analítica del aprendizaje posee un enorme potencial para optimizar los procesos educativos; no obstante, para que dicho potencial se traduzca en resultados significativos, es imprescindible trasladar el enfoque de la tecnología en sí misma hacia un diseño instruccional centrado en el aprendizaje. En esta misma línea, Kara y Sevim (2013) coinciden en que las plataformas adaptativas emplean algoritmos, evaluaciones, retroalimentación, ajustes, intervención del instructor y diferentes medios para ofrecer nuevos materiales de aprendizaje a los estudiantes que han alcanzado el nivel esperado, o bien proporcionar actividades de refuerzo a los que aún no lo han logrado.

Una de las principales ventajas de las plataformas adaptativas radica en su capacidad para generar analíticas de aprendizaje y monitorear el progreso de los estudiantes tanto a nivel individual como grupal. Estas herramientas recaban datos en tiempo real sobre desempeño, los hábitos de estudio y las áreas de oportunidad, lo que posibilita una toma de decisiones pedagógicas más oportuna y eficaz, tanto durante como después de la implementación. El uso estratégico de plataformas adaptativas con integración de IA no solo optimiza la intervención docente, sino que también fortalece la personalización y promueve la equidad en cursos STEM, caracterizados por una alta heterogeneidad académica (Koester et al., 2016; Li et al., 2023). Estas tecnologías facilitan rutas de aprendizaje diferenciadas y ajustadas a las necesidades específicas de cada estudiante, incrementando así las posibilidades de éxito académico.

En este sentido, Moskal et al. (2017) destacan que las plataformas adaptativas emplean un enfoque instruccional basado en datos y, en ciertos casos, no lineal, lo que favorece la nivelación académica y la adaptación continua del contenido. Esta perspectiva sitúa a las plataformas adaptativas como un recurso pedagógico de alto valor para enfrentar los retos de la enseñanza en entornos educativos complejos y diversos.

En relación con el diseño instruccional, el AA puede complementarse con otras metodologías como el Aprendizaje Autorregulado y el Microaprendizaje (Rincon-Flores et al., 2024). El primero requiere que el estudiante utilice estrategias de autorregulación, responda a la retroalimentación y mantenga procesos motivacionales interdependientes (Zimmerman, 1990), mientras que el segundo se caracteriza por ofrecer contenidos breves y enfocados, facilitando la asimilación de conceptos clave (Allela et al., 2020). Una EAA efectiva integra un diseño de contenidos estructurado, estrategias didácticas pertinentes, un modelo de implementación coherente y tecnologías que potencien la personalización (Rincon-Flores et al., 2024; Simon y Zeng, 2024; Shi y Liu, 2025).

Un ejemplo exitoso de la aplicación de una EAA en cursos STEM se observa en la Universidad Central de Florida (UCF), que rediseñó sus cursos de Física incorporando tecnología adecuada para atender a 4 500 estudiantes, logrando mejoras en el éxito estudiantil, incrementos en los resultados de aprendizaje y un mayor compromiso con el contenido (Dubey et al., 2023). De igual forma, en la India, el estado de Haryana, consciente del impacto positivo del AA, se convirtió en el primero en implementarlo a gran escala, seleccionando a un socio de tecnología educativa para proporcionar software y contenidos pertinentes a 500 000 tabletas distribuidas entre el alumnado de escuelas públicas en todo el país (Press Trust of India, 2022).

Por otra parte, los resultados del AA no siempre son exitosos o concluyentes. Un ejemplo es el estudio de Wang et al. (2023), donde, aunque los estudiantes del grupo experimental (aprendizaje adaptativo) mejoraron significativamente entre la preprueba y la postprueba, el grupo de control (enseñanza guiada por el profesor) no mostró diferencias significativas. Hallazgos similares fueron reportados por Eau et al. (2022), quienes encontraron beneficios únicamente en algunos estudiantes, particularmente en aquellos con alto desempeño. En la misma línea, Olmos-López et al. (2023) evaluaron un enfoque en el que los docentes personalizaban la enseñanza a partir de un algoritmo predictivo sobre el rendimiento estudiantil; sin embargo, las predicciones resultaron útiles principalmente para estimar el desempeño grupal, por lo que la enseñanza no se personalizó a nivel individual, sino que se adaptó a las necesidades del grupo.

La EAA presentada en este estudio integra módulos adaptativos de nivelación dentro de cursos del primer año en programas STEM, abordando conocimientos básicos que los estudiantes deberían dominar al egresar del bachillerato. Cada módulo inicia con un examen diagnóstico obligatorio que define una ruta personalizada, permitiendo cursar solo los contenidos necesarios. Se desarrolla en las primeras semanas, pero permanece disponible para consulta durante todo el curso. La participación no es opcional y representa el 5 % de la calificación final, incentivando su aprovechamiento y asegurando que todos los estudiantes alcancen el nivel requerido.

La EAA contempla cuatro componentes clave para asegurar su efectividad pedagógica y tecnológica como son el diseño de contenidos, el modelo didáctico, el rol del profesor y la plataforma tecnológica.

El diseño de contenidos se basa en el microaprendizaje, dividiendo el contenido en pequeñas lecciones con objetivos específicos. Cada lección incluye contextualización, material de reconocimiento, ejemplos, ejercicios y un examen rápido final. Los recursos de reconocimiento son uno base y dos de reforzamiento opcionales. Los contenidos se presentan en diversos formatos como videos, infografías, lecturas y animaciones. El examen rápido tiene reactivos de diferente dificultad según el nivel del estudiante.

Basado en principios de aprendizaje autorregulado y autoestudio, permite a los estudiantes controlar su aprendizaje y adaptarlo a sus necesidades. La estructura pedagógica está diseñada para el aprendizaje autónomo, gestionando tiempo, ritmo y necesidades. El estudiante empieza con un examen diagnóstico inicial; según los resultados, reflexiona y sigue una ruta personalizada que le sugiere lecciones a reforzar. Cada lección incluye contexto, videos, explicaciones, ejemplos, ejercicios y un examen rápido. Al finalizar todas las lecciones, se presenta un examen diagnóstico final y se registra la calificación obtenida.

Aunque el modelo de autoestudio promueve la autonomía, el rol del profesor es clave para el éxito. El profesor motiva al grupo, orienta sobre el módulo adaptativo y asegura que los exámenes diagnósticos se realicen en clase. Revisa la analítica de resultados generada con IA en la plataforma tecnológica para identificar y seguir necesidades específicas. El profesor es un acompañante estratégico en el proceso de nivelación.

Para implementar la EAA fue necesario seleccionar una plataforma que permitiera a los docentes crear contenidos, integrar diversos materiales, y utilizar IA para análisis, seguimiento y generación de rutas personalizadas. Tras evaluar distintas opciones, se eligió RealizeIT por su integración con el LMS, variedad de formatos de contenido, analíticas detalladas, interfaz amigable y su motor de inteligencia adaptativa (Adaptive Intelligence Engine). Este motor emplea modelos matemáticos, estadísticos y algoritmos para registrar y analizar el progreso, fortalezas, debilidades y preferencias de cada estudiante (Howlin y Lynch, 2014), detectando patrones de aprendizaje y ofreciendo rutas personalizadas y adaptables en función de la interacción de cada estudiante con los contenidos, así como recomendaciones de recursos y prácticas para favorecer el dominio de conceptos.

Evaluar el impacto de la Estrategia Educativa de Aprendizaje Adaptativo (EAA), implementada a través de la plataforma tecnológica, en la nivelación de conocimientos previos de los estudiantes en las unidades formativas Pensamiento Matemático (MTC), Razonamiento Matemático (MRC), Modelación Matemática (MMC) y Pensamiento Computacional (CTC). Asimismo, analizar la experiencia de aprendizaje de docentes y alumnos.

El proceso de muestreo fue no probabilístico. La muestra total estuvo conformada por 1 309 estudiantes de las Escuelas: EIC, EN y ECSG. Las muestras por curso fueron emparejadas. Para ello, mediante el software SPSS (versión 29) se seleccionaron los participantes de los grupos experimental y de control con características equivalentes. Las variables consideradas para el emparejamiento fueron: calificación final de preparatoria (bachillerato), género, tipo de escuela de procedencia (pública o privada) y calificación obtenida en el pre-test. Como resultado, la muestra emparejada estuvo conformada por 734 estudiantes: 120 del curso Pensamiento Matemático, 50 de Razonamiento Matemático, 410 de Modelación Matemática y 154 de Pensamiento Computacional. En la Figura 1 se muestran algunas características sociodemográficas de la muestra total.

Figura 1 Figura 1 Resultados sociodemográficos en relación con el género y estatus de beca Figura 1 Resultados sociodemográficos en relación con el género y estatus de beca

Además, se encontró que el 88 % de los estudiantes provenían de escuelas privadas mientras que el 12 % de escuelas públicas. En cuanto al profesorado, participaron 40 docentes en total en ambos tratamientos; sin embargo, únicamente 11 respondieron la encuesta final. La edad promedio fue de 40 años y la experiencia docente media de 10 años.

Se aplicó un pre y post-test de conocimientos previos en cada curso, estos instrumentos fueron desarrollados por los equipos de profesores encargados de elaborar los contenidos de los módulos de nivelación, luego fueron validados a través de un pilotaje para asegurar que las pruebas contaran con los valores apropiados de los índices de dificultad, de discriminación y el alfa de Cronbach (ver Tabla 1).

Tabla 1 Tabla 1 Resultados psicométricos de los instrumentos

Curso	Número de estudiantes	Índice de dificultad	Índice de discriminación	Alpha de Cronbach
Pensamiento Computacional	28	0.71	0.42	0.8
Razonamiento Matemático	36	0.61	0.48	0.86
Pensamiento Matemático	41	0.71	0.29	0.78
Modelación Matemática	34	0.57	0.33	0.74

Cada instrumento fue piloteado con el doble de reactivos previstos; tras el análisis, se seleccionaron los 16 con mejores resultados psicométricos, de modo que cada instrumento quedó conformado por 16 reactivos.

Al finalizar cada curso se aplicó una encuesta a estudiantes y profesores de los grupos control y experimental. El objetivo de este cuestionario fue recabar información sobre la experiencia de aprendizaje en relación con la EAA para la nivelación. Las dimensiones de este instrumento son: Ruta de aprendizaje, Proceso de aprendizaje, Proceso de enseñanza, Contenido, Engagement, Usabilidad, Experiencia de usuario y Satisfacción. El instrumento empleó una escala tipo Likert de intervalo continuo con rango de 0 a 100 puntos, diseñada para captar matices en la intensidad de la respuesta.

Para analizar los resultados del pre y post-test se realizaron pruebas ANOVA, previa verificación de los supuestos de normalidad y homogeneidad de varianzas. Asimismo, se aplicó un análisis de Diferencia en Diferencias (DiD) para estimar el efecto real entre los tratamientos. En cuanto a la encuesta, dado que se utilizó una escala tipo Likert continua, se emplearon pruebas de ji cuadrada para identificar diferencias entre los docentes de los grupos experimentales. También, se efectuó un análisis del uso de datos proporcionado por la plataforma adaptativa. Por último, las preguntas abiertas incluidas en los cuestionarios fueron analizadas mediante categorización temática, con el fin de complementar y enriquecer los resultados cuantitativos.

El estudio se llevó a cabo de acuerdo con los principios éticos establecidos en la Declaración de Helsinki. Todos los estudiantes, profesores y autoridades académicas fueron informados sobre los objetivos y procedimientos del estudio. Se notificó expresamente a los participantes que toda la información recopilada sería tratada conforme a estrictos estándares de confidencialidad, garantizando el anonimato absoluto. Asimismo, todos los participantes otorgaron su consentimiento informado antes de iniciar su participación.