Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 459
Aprendizaje adaptativo con plataformas inteligentes:
efectos en la autoeficacia y el desempeño académico
Adaptive learning with intelligent platforms: effects on academic
self-efficacy and academic performance
Zúñiga-Cazorla, José Andrés
1
Mejía-Hidalgo, Estalin Fabián
2
https://orcid.org/0009-0006-5350-2866
https://orcid.org/0009-0006-0215-2237
andres.zuniga@unach.edu.ec
estalin.mejia@unach.edu.ec
Universidad Nacional de Chimborazo, Ecuador,
Riobamba.
Universidad Nacional de Chimborazo, Ecuador,
Riobamba.
Pomboza-Granizo, Ronny Gonzalo
3
Puruncajas-Orozco, Melvyn Alexandro
4
https://orcid.org/0000-0002-6109-0922
https://orcid.org/0009-0007-7571-0786
gonzalo.pomboza@unach.edu.ec
melvyn.puruncajas@unach.edu.ec
Universidad Nacional de Chimborazo, Ecuador,
Riobamba.
Universidad Nacional de Chimborazo, Ecuador,
Riobamba.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v3/n4/125
Resumen: El aprendizaje adaptativo con plataformas
inteligentes se ha consolidado como una vía para personalizar
trayectorias formativas en educación superior; sin embargo,
su contribución a la autoeficacia académica y al desempeño
requiere síntesis contextualizada en países con brechas de
infraestructura y heterogeneidad institucional, como Ecuador.
Esta revisión bibliográfica integró evidencia reciente sobre
aprendizaje adaptativo, analíticas de aprendizaje y variables
motivacionales vinculadas al rendimiento, con énfasis en
experiencias latinoamericanas y ecuatorianas. Se realizó una
búsqueda en bases internacionales y regionales,
complementada con repositorios universitarios, aplicando
criterios de inclusión orientados a educación superior,
plataformas con personalización basada en datos y reportes
de autoeficacia y/o desempeño. Los hallazgos señalan
asociaciones consistentes entre personalización,
retroalimentación y seguimiento basado en analíticas con
mejoras en rendimiento y en percepciones de competencia,
aunque con variabilidad según el diseño didáctico, el
acompañamiento docente y la calidad de los datos. En
Ecuador, la evidencia se concentra en el uso de entornos
virtuales de aprendizaje y analíticas para monitoreo
académico, con menor presencia de estudios que examinen
mecanismos motivacionales. Se concluye que el potencial del
aprendizaje adaptativo depende de condiciones pedagógicas
e institucionales, y que se requieren investigaciones locales
con diseños comparables y métricas robustas.
Palabras clave: aprendizaje adaptativo; plataformas
inteligentes; autoeficacia académica; analíticas de
aprendizaje; desempeño académico.
Artículo Científico
Received: 20/Nov/2025
Accepted: 08/Dic/2025
Published: 20/Dic/2025
Cita: Zúñiga-Cazorla, J. A., Mejía-Hidalgo, E.
F., Pomboza-Granizo, R. G., & Puruncajas-
Orozco, M. A. (2025). Aprendizaje adaptativo
con plataformas inteligentes: efectos en la
autoeficacia y el desempeño
académico. Revista Científica Ciencia Y
Método, 3(4), 459-
469. https://doi.org/10.55813/gaea/rcym/v3/n4
/125
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2025. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 460
Artículo Científico
Abstract:
Adaptive learning supported by intelligent platforms has become a relevant approach
to personalize learning paths in higher education, yet its contribution to academic self-
efficacy and academic performance needs a contextualized synthesis in countries with
institutional diversity and technological gaps, such as Ecuador. This bibliographic
review integrated recent evidence on adaptive learning, learning analytics, and
motivational variables linked to achievement, with emphasis on Latin American and
Ecuadorian experiences. Searches were conducted in international and regional
databases and university repositories, applying inclusion criteria focused on higher
education, platforms that personalize content or feedback using data, and studies
reporting self-efficacy and or performance outcomes. Findings show consistent
associations between personalization, timely feedback, and analytics-based
monitoring with higher performance and stronger perceptions of competence, although
results vary by course design, instructor support, and data quality. In Ecuador,
publications mainly describe the use of virtual learning environments and analytics for
academic monitoring, while fewer studies analyze motivational mechanisms. The
review concludes that adaptive learning effectiveness depends on pedagogical and
institutional conditions and that local research with comparable designs and robust
metrics remains necessary.
Keywords: adaptive learning; intelligent platforms; academic self-efficacy; learning
analytics; academic performance.
1. Introducción
La educación superior atraviesa una intensificación de la transformación digital,
impulsada por la disponibilidad de datos educativos, la expansión de entornos
virtuales y el uso creciente de sistemas basados en inteligencia artificial. En este
escenario, el reto no es únicamente incorporar tecnología, sino demostrar mejoras
medibles en resultados académicos y en variables motivacionales asociadas al
aprendizaje, bajo criterios de transparencia, responsabilidad y protección del
estudiantado. Orientaciones internacionales recientes han enfatizado que la adopción
de inteligencia artificial en educación debe sostener una visión centrada en la persona,
con gobernanza de datos y mecanismos claros de rendición de cuentas,
especialmente cuando se automatizan recomendaciones o se personalizan
trayectorias formativas (Miao & Holmes, 2023).
Dentro del amplio campo de aplicaciones de inteligencia artificial en educación
superior, la evidencia disponible muestra un crecimiento sostenido de investigaciones,
aunque con desigualdades entre enfoques, objetivos y niveles de madurez en
implementación institucional (Zawacki-Richter et al., 2019). En términos conceptuales,
este trabajo se sitúa desde un macroanálisis que parte de la inteligencia artificial
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 461
Artículo Científico
aplicada a educación superior, y converge hacia un microanálisis centrado en
aprendizaje adaptativo con plataformas inteligentes, analíticas de aprendizaje,
autoeficacia y desempeño académicos como variables críticas para comprender la
efectividad educativa de la personalización.
El aprendizaje adaptativo se define, en términos operativos, como un conjunto de
estrategias y tecnologías que ajustan secuencias de contenido, actividades y
retroalimentación con base en el progreso observado del estudiante, buscando
optimizar el apoyo pedagógico según necesidades individuales. Revisiones recientes
sobre plataformas de aprendizaje adaptativo habilitadas por inteligencia artificial
describen un ecosistema heterogéneo de enfoques, desde recomendaciones basadas
en desempeño hasta sistemas más complejos que combinan diagnóstico, trazas de
aprendizaje y retroalimentación automatizada (Tan et al., 2025). De forma específica
en educación superior, una revisión de alcance ha identificado características
recurrentes de estas implementaciones —como personalización de rutas, evaluación
continua y retroalimentación dirigida— y ha señalado impactos positivos reportados
en desempeño y compromiso, aunque con variabilidad según contexto, diseño
instruccional y calidad de integración docente (du Plooy et al., 2024).
Una línea de evidencia estrechamente relacionada proviene de los sistemas tutoriales
inteligentes, que históricamente han buscado modelar el conocimiento del estudiante
y adaptar la instrucción. Metaanálisis en distintos niveles educativos reportan efectos
positivos en resultados de aprendizaje, lo que respalda la plausibilidad pedagógica de
la adaptación cuando existe un alineamiento consistente entre diagnóstico, práctica y
retroalimentación (Ma et al., 2014; Kulik & Fletcher, 2016). Sin embargo, trasladar
estos hallazgos a plataformas inteligentes contemporáneas en educación superior
requiere considerar factores adicionales: diversidad de perfiles, autonomía del
estudiante, y la mediación docente en el uso de recomendaciones y alertas.
El componente que habilita y hace evaluable el aprendizaje adaptativo a escala es el
uso sistemático de analíticas de aprendizaje. Estas analíticas se han conceptualizado
como el uso de datos sobre aprendices y sus contextos para comprender y optimizar
el aprendizaje y los entornos donde ocurre (Long & Siemens, 2011). En educación
superior, revisiones sistemáticas señalan que las analíticas se han empleado para
apoyar el éxito académico mediante monitoreo, detección temprana de riesgo y
retroalimentación a estudiantes y docentes, aunque la efectividad depende de la
calidad de los indicadores, la interpretabilidad y la toma de decisiones posterior
(Ifenthaler & Yau, 2020). En esta misma lógica, las soluciones de tableros de
aprendizaje han sido propuestas para “traducir” datos en acciones, facilitando la
autorregulación y el diálogo académico (Verbert et al., 2013), con evidencia aplicada
en contextos latinoamericanos donde el tablero apoya la interacción asesora–
estudiante y la toma de decisiones académicas (De Laet et al., 2020).
Más allá del rendimiento, un punto crítico es comprender cómo las plataformas
inteligentes influyen en creencias motivacionales, particularmente la autoeficacia
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 462
Artículo Científico
académica. Desde la teoría social cognitiva, la autoeficacia se entiende como la
creencia del individuo sobre su capacidad para organizar y ejecutar acciones
necesarias para alcanzar desempeños específicos (Bandura, 1977, 1997). Estas
creencias se relacionan con elección de tareas, esfuerzo, persistencia y manejo de
dificultades, y se articulan con procesos de autorregulación del aprendizaje
(Zimmerman, 2002). Investigaciones contemporáneas han reforzado la relevancia de
la autoeficacia como núcleo de la motivación académica y su sensibilidad a
condiciones instruccionales, metas y retroalimentación (Schunk & DiBenedetto, 2020).
En entornos virtuales, una revisión reciente ha sintetizado que la autoeficacia
académica se asocia de forma consistente con resultados de aprendizaje y
rendimiento en modalidad en línea, aunque los mecanismos pueden variar según el
diseño del curso y el apoyo disponible (Yokoyama, 2024).
En este marco, se planteó como objetivo principal sintetizar, desde una revisión
bibliográfica, la evidencia disponible sobre el aprendizaje adaptativo con plataformas
inteligentes y sus efectos reportados en la autoeficacia académica y el desempeño en
educación superior, destacando el estado del arte y los vacíos para el contexto
ecuatoriano. Con base en la teoría sociocognitiva, se asume como hipótesis de trabajo
que la personalización y la retroalimentación sustentadas en analíticas de aprendizaje
tienden a fortalecer la percepción de competencia del estudiante y, en consecuencia,
se asocian con mejores resultados académicos, aunque condicionados por factores
pedagógicos e institucionales.
2. Materiales y métodos
Se realizó un análisis bibliográfico con enfoque de revisión sistemática y componente
bibliométrico, orientado a sintetizar evidencia sobre aprendizaje adaptativo con
plataformas inteligentes y su relación con autoeficacia académica y desempeño,
priorizando estudios desarrollados en educación superior en Ecuador. El protocolo de
búsqueda, selección y reporte se estructuró con base en PRISMA 2020 y en marcos
metodológicos para revisiones de alcance cuando la evidencia resultó heterogénea.
(Page et al., 2021; Arksey & O’Malley, 2005).
El estudio fue de tipo documental, nivel descriptivo–analítico, modalidad bibliográfica,
con síntesis narrativa y mapeo de tendencias (Donthu et al., 2021).
Se consultaron bases internacionales (Scopus, Web of Science, ERIC, IEEE Xplore,
ACM Digital Library), regionales (SciELO, Redalyc, Dialnet) y buscadores académicos
(Google Scholar). Para robustecer el componente ecuatoriano, se incluyeron revistas
y repositorios institucionales que publican evidencia local sobre analíticas de
aprendizaje, Moodle e inteligencia artificial aplicada a educación superior en Ecuador
(p. ej., Identidad Bolivariana, Alteridad, Journal of Science and Research, Revista
Scientific).
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 463
Artículo Científico
La búsqueda se ejecutó en español e inglés con operadores booleanos y
truncamientos, combinando macro–micro términos. La ecuación general fue:
(“aprendizaje adaptativo” OR “adaptive learning” OR “plataformas inteligentes” OR
“intelligent platforms” OR “inteligencia artificial” OR “AI”) AND (“autoeficacia” OR “self-
efficacy”) AND (“desempeño académico” OR “academic performance”) AND
(“analíticas de aprendizaje” OR “learning analytics”) AND (Ecuador OR “educación
superior” OR universidad).
Tabla 1
Bloques de búsqueda y términos empleados
Bloque
Términos ejemplo
Tecnología
educativa
“aprendizaje adaptativo”, “adaptive learning”, “plataformas inteligentes”, “Moodle”,
“inteligencia artificial”
Analítica educativa
“analíticas de aprendizaje”, “learning analytics”, “educational data mining”
Variables
psicológicas
“autoeficacia académica”, “self-efficacy”
Resultados
“desempeño académico”, “rendimiento”, “academic performance”
Filtro geográfico
“Ecuador”, nombres de universidades ecuatorianas (cuando aplicó)
Nota: Lineamientos de revisión y análisis bibliométrico (Page et al., 2021; Donthu et al., 2021) (Autores,
2025).
La población correspondió a artículos, revisiones, actas y tesis con relación directa al
tema. Se incluyeron documentos: (a) publicados principalmente entre 2020–2025 (con
excepciones metodológicas clásicas), (b) en educación superior, (c) con medición
explícita de desempeño y/o autoeficacia, y (d) con evidencia empírica o revisión
relevante para Ecuador. Se excluyeron: notas editoriales, duplicados, materiales sin
acceso a texto completo, y trabajos sin variables alineadas
(autoeficacia/desempeño/plataforma/analíticas).
Tabla 2
Criterios de inclusión y exclusión
Criterio
Inclusión
Contexto
Educación superior; énfasis Ecuador
Tecnología
Plataformas adaptativas / IA / LMS con
analítica
Variables
Autoeficacia y/o desempeño
Acceso
Texto completo disponible
Nota: Lineamientos para revisiones sistemáticas y de alcance (Arksey & O’Malley, 2005; Levac et al.,
2010; Page et al., 2021) (Autores, 2025),
Se depuraron duplicados y se aplicó cribado por título/resumen y luego por texto
completo. Dos revisores categorizaron elegibilidad; la concordancia se estimó
mediante kappa de Cohen (McHugh, 2012), calculada como: κ = (Pₒ − Pₑ) / (1 − Pₑ).
Se construyó una matriz de extracción con: autor/año/país, institución, tipo de
plataforma (adaptativa, LMS con analítica, recomendación basada en IA), enfoque
(personalización, feedback, rutas), indicadores de analítica (interacción, tiempo,
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 464
Artículo Científico
participación, riesgo), medida de autoeficacia, medida de desempeño (promedio,
logro, aprobación) y principales hallazgos. Para el eje Ecuador se priorizaron
evidencias sobre analíticas de aprendizaje y personalización en entornos virtuales
reportadas en contextos universitarios ecuatorianos o con afiliación institucional
ecuatoriana (Ilaquiche-Toaquiza, 2025).
La síntesis se desarrolló en dos niveles: síntesis narrativa por categorías (plataformas
adaptativas, analíticas de aprendizaje, autoeficacia, desempeño), y mapeo
bibliométrico (tendencias, co-ocurrencia de palabras clave, redes de colaboración)
siguiendo lineamientos de análisis de desempeño y “science mapping” (Donthu et al.,
2021).
Al tratarse de un estudio documental, no se gestionó consentimiento informado ni
intervención con personas. Se respetaron licencias de uso, citación y trazabilidad de
fuentes; además, se estableció como práctica de transparencia publicar (cuando el
editor lo permitiera) la matriz de extracción y las ecuaciones de búsqueda para
replicabilidad
3. Resultados
Como se muestra en la Figura 1, el proceso de búsqueda y cribado permitió delimitar
un corpus centrado en: (a) aprendizaje adaptativo en educación superior, (b)
plataformas inteligentes y (c) analíticas de aprendizaje, priorizando evidencia con
resultados sobre autoeficacia y desempeño (Bandura, 1997; Long & Siemens, 2011;
Verbert et al., 2013; Ifenthaler & Yau, 2020). En el subconjunto con contexto
ecuatoriano, los trabajos se concentraron en entornos virtuales de aprendizaje con
fuerte presencia de Moodle, así como en iniciativas de seguimiento mediante métricas
de participación, cumplimiento de actividades y uso de herramientas colaborativas,
más que en evaluaciones experimentales del “efecto” causal del aprendizaje
adaptativo.
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 465
Artículo Científico
Figura 1
Diagrama de flujo del proceso de búsqueda y selección (PRISMA 2020)
Nota: Base en PRISMA 2020 (Page et al., 2021) (Autores, 2025).
En el corpus revisado, el aprendizaje adaptativo se reportó como más consistente
cuando integró: diagnóstico inicial, secuenciación por dominio, retroalimentación
frecuente y actividades graduadas; bajo esas condiciones, se describieron mejoras en
rendimiento medido por evaluaciones, precisión de respuestas y progresión en
contenidos, aunque con heterogeneidad por disciplina, duración de intervención y
calidad de implementación (Zawacki-Richter et al., 2019; Ifenthaler & Yau, 2020). En
la literatura regional reciente, las revisiones sistemáticas sobre aprendizaje adaptativo
con inteligencia artificial en educación superior informaron hallazgos
predominantemente favorables en rendimiento y percepción estudiantil, pero también
señalaron desafíos de adopción institucional y sostenibilidad, lo que limitó inferencias
generalizables entre contextos (Mendoza-Armijos et al., 2023).
La síntesis confirmó que la autoeficacia se asoció de forma robusta con el desempeño
académico, operando como un predictor motivacional relevante y, en varios modelos,
articulándose con variables autorregulatorias (Bandura, 1997; Zimmerman, 2002;
Schunk & DiBenedetto, 2020). En evidencia empírica ecuatoriana, se observaron
relaciones directas entre autoeficacia y desempeño, así como efectos indirectos
mediados por procrastinación académica, especialmente en etapas iniciales de
carrera; este patrón fue consistente con la lectura teórica que vincula percepción de
competencia, persistencia y logro.
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 466
Artículo Científico
4. Discusión
Los resultados de la revisión indican que el aprendizaje adaptativo con plataformas
inteligentes puede contribuir a mejoras en desempeño académico y compromiso
estudiantil en educación superior, pero sus efectos son variables y dependen de
condiciones pedagógicas e institucionales. Esta heterogeneidad es consistente con
revisiones previas que señalan que la personalización, la secuenciación por dominio
y la retroalimentación oportuna suelen asociarse con mejores resultados, aunque la
magnitud del efecto cambia según la asignatura, la duración de la implementación y
la alineación entre plataforma y evaluación (du Plooy et al., 2024; Tan et al., 2025;
Zawacki-Richter et al., 2019). En consecuencia, la evidencia respalda el potencial de
la adaptatividad, pero no permite asumir impactos automáticos por el solo uso de
tecnología.
En relación con las hipótesis, los hallazgos se interpretan como compatibles con la
idea de que la adaptatividad favorece experiencias de logro y retroalimentación
inmediata, lo que puede fortalecer la autoeficacia académica y apoyar la persistencia
y la autorregulación del aprendizaje. Esta lectura se sustenta en la teoría social
cognitiva y en estudios que vinculan autoeficacia con rendimiento, especialmente en
entornos digitales (Bandura, 1997; Zimmerman, 2002; Schunk & DiBenedetto, 2020;
Yokoyama, 2024). En Ecuador, la literatura revisada muestra un énfasis marcado en
analíticas de aprendizaje para seguimiento y toma de decisiones docentes, así como
evidencia empírica sobre la relación entre autoeficacia y desempeño, lo cual sugiere
que el impacto de plataformas inteligentes se potencia cuando se integra con
estrategias de acompañamiento y hábitos de estudio (Long & Siemens, 2011;
Ifenthaler & Yau, 2020; Verbert et al., 2013; Zumárraga-Espinosa & Cevallos-Pozo,
2022).
El alcance de estos resultados es limitado por la diversidad de diseños, métricas e
instrumentos, lo que restringe comparaciones directas y dificulta estimar tamaños de
efecto; además, en el contexto ecuatoriano predominan trabajos descriptivos o
propositivos con menor capacidad para inferir causalidad. También existen riesgos de
sesgo por cobertura de bases, disponibilidad de texto completo y publicación
preferente de hallazgos positivos. Como líneas futuras, se plantea fortalecer en
Ecuador estudios cuasiexperimentales o longitudinales con instrumentos validados,
incorporar modelos explicativos con autorregulación y compromiso como mediadores,
evaluar equidad y brechas digitales, y consolidar prácticas de transparencia,
privacidad y gobernanza del dato educativo en implementaciones con inteligencia
artificial (du Plooy et al., 2024; Tan et al., 2025; Miao & Holmes, 2023).
5. Conclusiones
El análisis bibliográfico permitió cumplir el objetivo de examinar la relación entre
aprendizaje adaptativo con plataformas inteligentes, autoeficacia académica y
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 467
Artículo Científico
desempeño en educación superior. La evidencia revisada sugiere un potencial
impacto positivo, pero no automático: los beneficios dependen de la calidad del diseño
pedagógico, la coherencia entre lo que la plataforma adapta y lo que se evalúa, y el
acompañamiento docente que traduzca la personalización en acciones formativas
efectivas.
El principal aporte de este trabajo es integrar en un mismo marco analítico
componentes tecnológicos y pedagógicos (plataformas adaptativas y analíticas de
aprendizaje) con un factor motivacional clave (autoeficacia académica) para explicar
el rendimiento. Este enfoque desplaza la discusión desde la adopción de tecnología
hacia la comprensión de mecanismos educativos, destacando que las analíticas
aportan valor cuando orientan intervenciones pedagógicas y fortalecen procesos de
autorregulación, más que cuando se limitan al monitoreo.
En el contexto ecuatoriano, la producción revisada se concentra en experiencias de
implementación de entornos virtuales y uso de analíticas para seguimiento académico,
mientras que aún es limitada la evidencia con diseños comparativos que permitan
atribuir efectos al aprendizaje adaptativo. En consecuencia, se concluye que existe
una base favorable para avanzar hacia modelos adaptativos más completos, pero se
requiere fortalecer investigaciones empíricas con instrumentos validados, reportes
transparentes de implementación y evaluaciones longitudinales o
cuasiexperimentales que consoliden evidencia local transferible y responsable.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Arksey, H., & O’Malley, L. (2005). Scoping studies: Towards a methodological
framework. International Journal of Social Research Methodology, 8(1), 19–32.
https://doi.org/10.1080/1364557032000119616
Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change.
Psychological Review, 84(2), 191–215. https://doi.org/10.1037/0033-
295X.84.2.191
Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
Bravo Bravo, V., Fajardo Aguilar, G. M., Carrión Espinosa, W. E., & Salvatierra Avila,
L. Y. (2022). Transformando la educación virtual: La revolución de la
inteligencia artificial en la potenciación de la plataforma Moodle. Journal of
Science and Research, 7(3), 140–164. https://doi.org/10.5281/zenodo.8229606
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 468
Artículo Científico
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and
Psychological Measurement, 20(1), 37–46.
https://doi.org/10.1177/001316446002000104
De Laet, T., Millecamp, M., Ortiz-Rojas, M., Jimenez, A., Maya, R., & Verbert, K.
(2020). Adoption and impact of a learning analytics dashboard supporting the
advisor–student dialogue in a higher education institute in Latin America. British
Journal of Educational Technology, 51(4), 1002–1018.
https://doi.org/10.1111/bjet.12962
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to
conduct a bibliometric analysis: An overview and guidelines. Journal of
Business Research, 133, 285–296.
https://doi.org/10.1016/j.jbusres.2021.04.070
du Plooy, A., Casteleijn, D., & Franzsen, D. (2024). Personalized adaptive learning in
higher education: A scoping review. Heliyon, 10(21), e39630.
https://doi.org/10.1016/j.heliyon.2024.e39630
Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study
success in higher education: A systematic review. Educational Technology
Research and Development, 68(4), 1961–1990.
https://doi.org/10.1007/s11423-020-09788-z
Ilaquiche-Toaquiza, M. O. (2025). La educación en la sociedad moderna con la
adaptación y desafíos ante las demandas cambiantes del estado
Ecuatoriano. Journal of Economic and Social Science Research, 5(1), 174–
187. https://doi.org/10.55813/gaea/jessr/v5/n1/168
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
Levac, D., Colquhoun, H., & O’Brien, K. K. (2010). Scoping studies: Advancing the
methodology. Implementation Science, 5, 69. https://doi.org/10.1186/1748-
5908-5-69
Long, P., & Siemens, G. (2011, septiembre 12). Penetrating the fog: Analytics in
learning and education. EDUCAUSE Review, 46(5), 30–40.
https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-
learning-and-education
Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems
and learning outcomes: A meta-analysis. Journal of Educational Psychology,
106(4), 901–918. https://doi.org/10.1037/a0037123
Maridueña Arroyave, M. R., Núñez Panta, P. A., & Bejarano Ospina, L. M. (2024).
Learning analytics as a tool for academic monitoring of virtual students of
University Technological Institutes. Revista Iberoamericana de educación, 8(1).
https://www.revista-iberoamericana.org/index.php/es/article/view/263
McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica,
22(3), 276–282. https://doi.org/10.11613/BM.2012.031
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 469
Artículo Científico
Mendoza-Armijos, H. E., Rivadeneira-Moreira, J. C., Carvajal-Jumbo, A. V., &
Saavedra-Calberto, I. M. (2023). Análisis de la relación entre el uso de
dispositivos digitales y el rendimiento académico en matemáticas. Revista
Científica Ciencia Y Método, 1(2), 43-57.
https://doi.org/10.55813/gaea/rcym/v1/n2/14
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://doi.org/10.54675/EWZM9535
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville,
J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-
Wilson, E., McDonald, S., et al. (2021). The PRISMA 2020 statement: An
updated guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Prado-Ortega, M. X., & Gonzalez-Segarra, A. N. (2022). Analíticas de aprendizaje en
la educación superior mediante la aplicación de herramientas colaborativas.
Identidad Bolivariana, 6(2), 154–181. https://doi.org/10.37611/IB6ol2154-181
Regatto-Bonifaz, J., & Viteri-Miranda, V. (2023). La tecnología y su incidencia en la
autoeficacia académica en universitarios del Ecuador. Revista de Investigación
Enlace Universitario, 22(1), 106–118. https://doi.org/10.33789/enlace.22.1.129
Schunk, D. H., & DiBenedetto, M. K. (2020). Motivation and social cognitive theory.
Contemporary Educational Psychology, 60, 101832.
https://doi.org/10.1016/j.cedpsych.2019.101832
Tan, M., Hu, J., Yeo, A. C., & Cheong, L. (2025). Artificial intelligence-enabled adaptive
learning platforms: A review. Computers and Education: Artificial Intelligence,
6, 100429. https://doi.org/10.1016/j.caeai.2025.100429
Verbert, K., Duval, E., Klerkx, J., Govaerts, S., & Santos, J. L. (2013). Learning
analytics dashboard applications. American Behavioral Scientist, 57(10), 1500–
1509. https://doi.org/10.1177/0002764213479363
Yokoyama, S. (2024). The impact of academic self-efficacy on online learning
outcomes. EXCLI Journal, 23, 960–966. https://doi.org/10.17179/excli2024-
7239
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, 39. https://doi.org/10.1186/s41239-019-0171-0
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into
Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
Zumárraga-Espinosa, M. R., & Cevallos-Pozo, G. M. (2022). Autoeficacia,
procrastinación y rendimiento académico en estudiantes universitarios de
Ecuador. Alteridad, 17(2), 274–286. https://doi.org/10.17163/alt.v17n2.2022.08