El Aprendizaje Adaptativo Basado en Datos

Por qué merece la pena una pequeña investigación

En la última década, hemos sido testigos de cómo la inteligencia artificial ha tomado un protagonismo indiscutible en la evolución de la educación personalizada. Sin embargo, es fundamental reconocer que la personalización en la educación no es un concepto que haya nacido con la IA, sino que se basa en una serie de teorías y prácticas pedagógicas que han evolucionado a lo largo de los años. El Aprendizaje Adaptativo Basado en Datos (DDAL) se sitúa en la confluencia de estas raíces históricas y los avances tecnológicos contemporáneos, creando un marco que no solo respalda, sino que también amplifica, la capacidad de personalizar la experiencia educativa.

El motivo de mi investigación y desarrollo de este artículo sobre el DDAL radica en la necesidad de ir más allá de la simple implementación tecnológica y profundizar en los cimientos teóricos que sostienen este enfoque. Si bien la IA ha sido un catalizador para la adopción generalizada del aprendizaje personalizado, es esencial entender que el DDAL no es un producto aislado de la era digital, sino una evolución natural de conceptos y teorías que han sido parte integral de la educación durante décadas.

En este sentido, mi objetivo es ofrecer una perspectiva que contextualice el DDAL no solo como una herramienta moderna, sino como una estructura que recoge y se apoya en las teorías del aprendizaje constructivista, autorregulado, y de la carga cognitiva, entre otras. Esta aproximación es crucial para comprender cómo el DDAL puede transformar verdaderamente la educación superior, y cómo su implementación puede beneficiarse de un enfoque que no olvide sus raíces conceptuales.

A lo largo de este artículo, exploraremos en profundidad los fundamentos teóricos del DDAL, cómo estos se han integrado en las tecnologías actuales, y qué desafíos y oportunidades presentan para el futuro de la educación personalizada. Solo entendiendo el camino recorrido hasta aquí podremos aprovechar plenamente el potencial del DDAL en la construcción de una educación más equitativa, inclusiva y efectiva.

Sección I: fundamentos y características del DDAL

El Aprendizaje Adaptativo Basado en Datos (DDAL, por sus siglas en inglés) no es simplemente una herramienta más dentro del arsenal de la inteligencia artificial aplicada a la educación. En realidad, se trata de una evolución sofisticada de principios pedagógicos que han sido objeto de estudio y experimentación durante décadas. Este enfoque se fundamenta en la premisa de que cada estudiante es único, y que la educación debe adaptarse dinámicamente a sus necesidades, ritmos y estilos de aprendizaje.

Fundamentos teóricos

El DDAL se enraíza en varias teorías clave que han modelado nuestra comprensión del aprendizaje a lo largo del tiempo:

1. Teoría del aprendizaje constructivista: este enfoque, defendido por figuras como Jean Piaget y Jerome Bruner, sostiene que los estudiantes no son receptáculos pasivos de información, sino constructores activos de su propio conocimiento. Bruner (1966) destaca que el aprendizaje ocurre cuando los estudiantes son capaces de conectar nueva información con lo que ya saben, un principio que se refleja en cómo los sistemas DDAL ajustan el contenido para construir sobre el conocimiento previo de cada estudiante.

2. Teoría del aprendizaje autorregulado: desarrollada por Zimmerman (2000), esta teoría subraya la importancia de la metacognición en el aprendizaje. Los estudiantes que son conscientes de sus procesos cognitivos y capaces de controlar su propio aprendizaje tienden a ser más exitosos. El DDAL incorpora este principio al ofrecer retroalimentación en tiempo real y herramientas que permiten a los estudiantes monitorear y ajustar su propio progreso.

3. Teoría de la carga cognitiva: John Sweller (1988) propuso que el aprendizaje es más efectivo cuando se maneja adecuadamente la cantidad de información que se presenta al estudiante en un momento dado. El DDAL aplica este concepto al ajustar la dificultad y el volumen de información que recibe cada estudiante, de manera que no se sientan abrumados ni subestimados.

4. Teoría de la zona de desarrollo próximo: introducida por Lev Vygotsky (1978), esta teoría establece que el aprendizaje es más efectivo cuando se sitúa justo por encima del nivel actual de competencia del estudiante, un área donde puede progresar con el apoyo adecuado. Los sistemas DDAL identifican continuamente esta "zona de desarrollo próximo" y adaptan el contenido para maximizar el potencial de aprendizaje.

Características principales del DDAL

El DDAL no solo toma prestados estos principios teóricos, sino que los amplifica mediante el uso de tecnologías avanzadas. Las características distintivas del DDAL incluyen:

1. Personalización: el DDAL adapta el contenido y el ritmo de aprendizaje a las necesidades individuales de cada estudiante. Este nivel de personalización se logra mediante el análisis de datos a gran escala, permitiendo que cada estudiante reciba una experiencia educativa única, alineada con su propio estilo de aprendizaje y ritmo de progreso (Nafea, 2021).

2. Retroalimentación en tiempo real: una de las fortalezas del DDAL es su capacidad para proporcionar feedback inmediato sobre el desempeño del estudiante. Esto no solo permite a los educadores ajustar sus métodos de enseñanza, sino que también empodera a los estudiantes para que tomen un rol activo en su propio proceso de aprendizaje. Han, Liu, y Chen (2022) destacan cómo esta retroalimentación es fundamental para mantener el compromiso y mejorar los resultados académicos.

3. Análisis predictivo: el uso de algoritmos de aprendizaje automático permite al DDAL predecir el rendimiento futuro de los estudiantes y recomendar intervenciones preventivas. Según Gašević et al. (2022), estos análisis predictivos no solo identifican a los estudiantes en riesgo, sino que también sugieren estrategias para mejorar su desempeño antes de que los problemas se agraven.

4. Adaptabilidad dinámica: el sistema DDAL no es estático; se ajusta continuamente en función de las interacciones del estudiante. Esta capacidad de adaptación es crucial en un entorno educativo donde las necesidades de los estudiantes pueden cambiar rápidamente, y donde la flexibilidad es clave para el éxito académico (Lin, Chen, & Zou, 2020).

5. Integración multimodal: finalmente, el DDAL incorpora una variedad de datos provenientes de diferentes fuentes, como texto, audio, video e interacciones en línea, para crear un perfil de aprendizaje completo y detallado de cada estudiante. Khosravi et al. (2022) señalan que esta integración multimodal es esencial para capturar la complejidad del proceso de aprendizaje y ofrecer un enfoque verdaderamente personalizado.

Sección II: implementación y desafíos del DDAL

El Aprendizaje Adaptativo Basado en Datos (DDAL) no es solo una promesa teórica, sino también una implementación práctica que requiere un entendimiento profundo de los algoritmos subyacentes y una consideración cuidadosa de los desafíos éticos y pedagógicos. A medida que las instituciones educativas adoptan este enfoque, es fundamental comprender cómo se estructura su implementación y cuáles son los obstáculos que deben superarse para asegurar su éxito.

Aspectos algorítmicos del DDAL

La capacidad del DDAL para personalizar el aprendizaje depende en gran medida de los algoritmos sofisticados que lo sustentan. Estos algoritmos permiten que el sistema no solo responda a las necesidades inmediatas de los estudiantes, sino que también anticipe problemas potenciales y ofrezca soluciones proactivas. Entre los principales algoritmos utilizados en el DDAL se encuentran:

1. Algoritmos de filtrado colaborativo: estos algoritmos recomiendan contenido educativo basándose en las preferencias y comportamientos de estudiantes similares. Al analizar grandes conjuntos de datos, el DDAL puede sugerir materiales que han sido útiles para otros estudiantes con perfiles de aprendizaje comparables, lo que mejora la relevancia del contenido sugerido (Drachsler, Verbert, Santos, & Manouselis, 2015).

2. Redes neuronales: las redes neuronales artificiales son capaces de modelar patrones complejos en los datos de aprendizaje, permitiendo predicciones precisas sobre el rendimiento académico futuro de los estudiantes. Estas predicciones se basan en una combinación de factores como el tiempo de estudio, la participación en actividades y el rendimiento en evaluaciones anteriores (Baker & Inventado, 2014).

3. Árboles de decisión: utilizados para determinar la mejor ruta de aprendizaje, los árboles de decisión permiten al sistema DDAL ofrecer un contenido más avanzado o más básico, dependiendo de cómo responda cada estudiante a las preguntas o actividades previas. Esto asegura que los estudiantes siempre estén desafiados de manera adecuada sin sentirse abrumados (Nafea, 2021).

4. Procesamiento del lenguaje natural (NLP): esta tecnología permite al DDAL analizar las respuestas textuales de los estudiantes, evaluando su comprensión y adaptando el contenido en consecuencia. El NLP es particularmente útil para identificar áreas de confusión o malentendidos en las respuestas escritas, lo que permite intervenciones precisas (Shute & Rahimi, 2021).

5. Algoritmos de agrupamiento: estos algoritmos identifican grupos de estudiantes con patrones de aprendizaje similares, permitiendo que el sistema ofrezca intervenciones específicas y más efectivas para cada grupo. Este enfoque ayuda a personalizar el aprendizaje a nivel grupal, asegurando que los estudiantes reciban apoyo que se alinee con sus necesidades compartidas (Khosravi et al., 2022).

Implementación del DDAL

Implementar el DDAL de manera efectiva no es una tarea sencilla. Requiere una serie de pasos cuidadosamente planificados, cada uno de los cuales juega un papel crucial en el éxito del sistema:

1. Recopilación de datos: el primer paso en la implementación del DDAL es la recopilación de datos detallados sobre las interacciones de los estudiantes con el sistema. Estos datos incluyen el tiempo dedicado a cada tarea, los patrones de navegación y las respuestas a las evaluaciones. Gašević et al. (2022) enfatizan que la calidad de estos datos es fundamental para la precisión del sistema en la personalización del aprendizaje.

2. Análisis de datos: una vez que los datos han sido recopilados, se aplican técnicas de minería de datos y aprendizaje automático para extraer insights significativos. Siemens y Long (2011) argumentan que este análisis es esencial para identificar patrones y tendencias que pueden informar la personalización del contenido y las intervenciones pedagógicas.

3. Modelado del estudiante: con base en los datos analizados, se crea un perfil dinámico de cada estudiante. Este perfil se actualiza continuamente para reflejar el progreso y las necesidades cambiantes del estudiante, permitiendo que el sistema ajuste el contenido y el ritmo de aprendizaje en tiempo real (Chrysafiadi & Virvou, 2013).

4. Adaptación del contenido: el DDAL utiliza el modelo del estudiante para adaptar el material de aprendizaje, ajustando tanto la dificultad como el ritmo según las necesidades específicas de cada estudiante. Esto puede incluir la presentación de contenido en diferentes formatos o la reorganización de los módulos de aprendizaje para optimizar la experiencia educativa (Pugliese, 2016).

5. Evaluación continua: la evaluación constante de la efectividad del DDAL es crucial para asegurar que el sistema esté cumpliendo sus objetivos. Scheffel, Tsai, Gašević, y Drachsler (2022) destacan que esta evaluación debe incluir tanto métricas de desempeño académico como indicadores de satisfacción estudiantil, para ofrecer una imagen completa de la eficacia del sistema.

Desafíos y consideraciones éticas

A pesar del potencial del DDAL para transformar la educación, su implementación no está exenta de desafíos. Es fundamental abordar estos desafíos de manera proactiva para maximizar los beneficios del DDAL mientras se minimizan los riesgos:

1. Privacidad y seguridad de datos: la recopilación masiva de datos sobre los estudiantes plantea serias preocupaciones en torno a la privacidad. Kitto, Lupton, Davis, y Mørch (2020) subrayan la importancia de implementar medidas de seguridad robustas y de obtener el consentimiento informado de los estudiantes para utilizar sus datos en el sistema.

2. Equidad e inclusión: existe un riesgo significativo de que el DDAL perpetúe o incluso exacerbe las desigualdades existentes si no se implementa con cuidado. Knight, Buckingham Shum, y Littleton (2020) advierten que los algoritmos pueden discriminar inadvertidamente a ciertos grupos de estudiantes si no se diseñan de manera inclusiva.

3. Transparencia algorítmica: la complejidad inherente de los algoritmos utilizados en el DDAL puede dificultar que los educadores y estudiantes comprendan cómo se toman las decisiones. Gašević et al. (2022) sugieren que es crucial desarrollar mecanismos para explicar de manera clara y accesible cómo y por qué el sistema toma ciertas decisiones.

4. Desarrollo de habilidades docentes: los educadores necesitan recibir formación específica para interpretar y actuar sobre los insights generados por el DDAL. Tsai y Gašević (2017) señalan que esta formación es esencial para que los docentes puedan aprovechar al máximo el potencial del DDAL y adaptar sus estrategias pedagógicas de manera efectiva.

5. Validez y confiabilidad: es vital que los modelos utilizados en el DDAL sean válidos y confiables en diversos contextos educativos. Wakelam, Davison, Jefferies, Sasso, y Jones (2020) resaltan la necesidad de realizar evaluaciones rigurosas y continuas para garantizar que el sistema funcione de manera efectiva en diferentes entornos.

6. Dependencia tecnológica: existe un riesgo de que los estudiantes se vuelvan demasiado dependientes de las sugerencias del DDAL, lo que podría afectar negativamente el desarrollo de habilidades críticas de autorregulación y aprendizaje independiente. Lin et al. (2020) advierten que es crucial equilibrar el uso de la tecnología con la promoción de estas habilidades fundamentales.

Sección III: el impacto del DDAL en la educación superior

A medida que el Aprendizaje Adaptativo Basado en Datos (DDAL) se integra más profundamente en la estructura educativa, su impacto en la educación superior es cada vez más evidente. No solo está transformando la manera en que se enseña y se aprende, sino que también está reconfigurando las dinámicas entre estudiantes, profesores e instituciones. En esta sección, exploraremos cómo el DDAL está cambiando el panorama de la educación superior, sus beneficios y los desafíos que enfrenta en este contexto.

Transformación de la experiencia educativa

El DDAL ha introducido un cambio de paradigma en la forma en que se diseñan y ofrecen las experiencias de aprendizaje en la educación superior. Esta transformación se manifiesta en varios niveles:

1. Aprendizaje personalizado a gran escala: una de las promesas más potentes del DDAL es la capacidad de ofrecer experiencias de aprendizaje verdaderamente personalizadas a un gran número de estudiantes. Esto ha sido históricamente un desafío debido a la necesidad de recursos significativos para adaptar la educación a las necesidades individuales. Sin embargo, con el DDAL, las instituciones pueden escalar la personalización sin comprometer la calidad. Este enfoque permite que cada estudiante siga su propio camino, con el apoyo necesario para superar desafíos específicos y avanzar a su propio ritmo (Xie, Chu, Hwang, & Wang, 2019).

2. Reducción de la brecha de aprendizaje: el DDAL tiene el potencial de reducir las brechas de aprendizaje que suelen surgir en las aulas tradicionales. Estas brechas pueden estar relacionadas con diversas causas, como diferencias en el ritmo de aprendizaje, estilos de aprendizaje, o incluso factores externos como el acceso a recursos. Al identificar y abordar proactivamente las necesidades individuales, el DDAL ayuda a asegurar que todos los estudiantes tengan la oportunidad de alcanzar su máximo potencial, independientemente de sus circunstancias de partida (Pane, Steiner, Baird, & Hamilton, 2015).

3. Mejora en la retención y el éxito académico: las instituciones que han implementado el DDAL han observado mejoras significativas en las tasas de retención y en los resultados académicos. Al proporcionar apoyo adaptativo y personalizado, el DDAL puede identificar a los estudiantes que están en riesgo de abandonar y ofrecerles el soporte necesario en el momento adecuado. Esto no solo mejora la experiencia educativa, sino que también tiene implicaciones positivas para la sostenibilidad financiera de las instituciones educativas (Pugliese, 2016).

Desafíos institucionales y pedagógicos

A pesar de los numerosos beneficios que el DDAL puede aportar a la educación superior, su implementación no está exenta de desafíos, especialmente en el ámbito institucional y pedagógico:

1. Resistencia al cambio: la adopción de tecnologías innovadoras como el DDAL a menudo se enfrenta a la resistencia por parte de docentes y administradores. Esta resistencia puede deberse a una falta de comprensión sobre el funcionamiento del DDAL o a temores sobre el papel cambiante de los educadores en un entorno cada vez más automatizado. Para superar esta resistencia, es esencial proporcionar formación y apoyo continuos a los docentes, ayudándoles a comprender cómo el DDAL puede complementar y mejorar sus prácticas pedagógicas (Tsai & Gašević, 2017).

2. Infraestructura tecnológica: la implementación efectiva del DDAL requiere una infraestructura tecnológica robusta, que incluya no solo hardware y software avanzados, sino también sistemas de gestión de datos seguros y escalables. Muchas instituciones pueden enfrentar desafíos en la actualización o integración de estas infraestructuras, especialmente aquellas que operan con presupuestos limitados. Es crucial que las instituciones planifiquen cuidadosamente las inversiones en tecnología y que consideren asociaciones con proveedores externos para facilitar la implementación (Kitto, Lupton, Davis, & Mørch, 2020).

3. Formación y desarrollo profesional: para que el DDAL tenga un impacto duradero, es fundamental que los docentes reciban la formación adecuada para utilizar estas tecnologías de manera efectiva. Esto no solo incluye la capacitación técnica, sino también el desarrollo de nuevas estrategias pedagógicas que se alineen con las capacidades del DDAL. Los educadores deben aprender a interpretar los datos generados por el sistema y a utilizar estos insights para adaptar sus métodos de enseñanza (Wakelam, Davison, Jefferies, Sasso, & Jones, 2020).

4. Evaluación del impacto a largo plazo: si bien los beneficios inmediatos del DDAL son claros, es necesario realizar investigaciones a largo plazo para evaluar su impacto sostenido en la educación superior. Esto incluye no solo el seguimiento de los resultados académicos y la retención de estudiantes, sino también el análisis de cómo estas tecnologías afectan la calidad de la enseñanza y el aprendizaje a largo plazo. Además, es importante considerar cómo el DDAL influye en la equidad y la inclusión dentro de la educación superior (Gašević et al., 2022).

Perspectivas futuras

Mirando hacia el futuro, el DDAL se presenta como una herramienta indispensable para la educación superior, especialmente en un mundo donde la personalización y la adaptabilidad son cada vez más valoradas. Sin embargo, para que el DDAL alcance su máximo potencial, es necesario un esfuerzo coordinado entre investigadores, educadores y responsables políticos. Este esfuerzo debe centrarse en la continua mejora de los algoritmos y tecnologías subyacentes, así como en el desarrollo de políticas y prácticas que garanticen la equidad, la transparencia y la seguridad en su uso.

1. Innovación continua en algoritmos: la investigación continua en el campo de la inteligencia artificial y el aprendizaje automático será clave para mejorar la precisión y la efectividad del DDAL. Esto incluye el desarrollo de algoritmos más sofisticados que puedan manejar mejor la diversidad de estilos de aprendizaje y que puedan ofrecer recomendaciones aún más precisas y útiles (Baker & Inventado, 2014).

2. Expansión a nuevas áreas de conocimiento: mientras que el DDAL ha demostrado ser eficaz en muchas disciplinas, hay un potencial considerable para su expansión a nuevas áreas de conocimiento. Las disciplinas que tradicionalmente han sido más resistentes a la personalización, como las ciencias sociales y las humanidades, pueden beneficiarse enormemente de la integración del DDAL, siempre que se adapten los algoritmos y las estrategias pedagógicas para abordar las especificidades de estas áreas (Lin, Chen, & Zou, 2020).

3. Ética y gobernanza: a medida que el DDAL se convierte en una parte más integral de la educación superior, será crucial desarrollar marcos éticos y de gobernanza que regulen su uso. Estos marcos deben abordar cuestiones como la privacidad de los datos, la equidad en el acceso a la tecnología y la transparencia en los procesos algorítmicos. Solo a través de una gobernanza sólida se puede asegurar que el DDAL sea una fuerza para el bien en la educación (Knight, Buckingham Shum, & Littleton, 2020).

Conclusión

El Aprendizaje Adaptativo Basado en Datos (DDAL) se presenta como una solución poderosa para abordar algunos de los desafíos más persistentes en la educación superior. Al combinar fundamentos teóricos sólidos con tecnologías emergentes, el DDAL ofrece la posibilidad de personalizar la experiencia de aprendizaje a gran escala, mejorando la retención, el rendimiento y la satisfacción de los estudiantes. Sin embargo, su implementación exitosa depende de nuestra capacidad para navegar los desafíos éticos, pedagógicos y tecnológicos que conlleva. Es imperativo que las instituciones educativas, los responsables políticos y los desarrolladores tecnológicos trabajen de manera colaborativa para crear un marco que maximice los beneficios del DDAL mientras se minimizan los riesgos potenciales.

A medida que avanzamos hacia una educación cada vez más personalizada y adaptativa, el DDAL no solo será una herramienta clave para la enseñanza, sino también un catalizador para el cambio en la forma en que concebimos la educación en su conjunto. La investigación y el desarrollo continuos en este campo serán cruciales para asegurar que el DDAL cumpla con sus promesas y transforme la educación superior en una experiencia más equitativa, inclusiva y efectiva para todos los estudiantes.

Referencias bibliográficas

Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. En J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61-75). Springer.

Bruner, J. S. (1966). Toward a theory of instruction. Harvard University Press.

Chrysafiadi, K., & Virvou, M. (2013). Student modeling approaches: A literature review for the last decade. Expert Systems with Applications, 40(11), 4715-4729.

Drachsler, H., Verbert, K., Santos, O. C., & Manouselis, N. (2015). Panorama of recommender systems to support learning. En F. Ricci, L. Rokach, & B. Shapira (Eds.), Recommender systems handbook (pp. 421-451). Springer.

Gašević, D., Lynch, G., Jovanović, J., Wang, Y., & Zhu, X. (2022). Towards explainable learning analytics: Rationale and a conceptual framework. British Journal of Educational Technology, 53(5), 1241-1259.

Han, F., Liu, S., & Chen, M. (2022). Investigating the effect of data-driven adaptive learning with metacognitive support on students' learning performance. Computers & Education, 186, 104534.

Khosravi, H., Gyamfi, A., Hanna, B. E., Lodge, J., & Zhao, D. (2022). Adaptive learning: A systematic review of the literature. Computers & Education, 175, 104331.

Kitto, K., Lupton, M., Davis, K., & Mørch, A. (2020). Designing for student-facing learning analytics. Australasian Journal of Educational Technology, 36(5), 1-14.

Knight, S., Buckingham Shum, S., & Littleton, K. (2020). Ethics in learning analytics: Principles, practices, and prospects. En D. Ifenthaler & D. Gibson (Eds.), Adoption of data analytics in higher education learning and teaching (pp. 141-155). Springer International Publishing.

Lin, X., Chen, M., & Zou, Y. (2020). Improving learning engagement through adaptive scaffolding: an experimental study. IEEE Transactions on Learning Technologies, 13(2), 249-263.

Nafea, I. T. (2021). Designing and implementing an adaptive learning model based on decision tree in e-learning. Journal of Educational Technology Systems, 49(4), 505-527.

Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. RAND Corporation.

Pugliese, L. (2016). Adaptive learning systems: Surviving the storm. EDUCAUSE Review, 51(4).

Scheffel, M., Tsai, Y. S., Gašević, D., & Drachsler, H. (2022). The potential of learning analytics for improving data literacy in higher education: A conceptual model and research agenda. The Internet and Higher Education, 53, 100844.

Shute, V. J., & Rahimi, S. (2021). Stealth assessment of creativity in a physics video game. Computers in Human Behavior, 116, 106647.

Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30-40.

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.

Tsai, Y. S., & Gašević, D. (2017). Learning analytics in higher education—challenges and policies: a review of eight learning analytics policies. En Proceedings of the Seventh International Learning Analytics & Knowledge Conference (pp. 233-242). ACM.

Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Wakelam, E., Davison, A., Jefferies, A., Sasso, A., & Jones, M. (2020). Ethical issues of using learning analytics in education: A critical review of the literature. En D. Ifenthaler & D. Gibson (Eds.), Adoption of data analytics in higher education learning and teaching (pp. 157-177). Springer International Publishing.

Xie, H., Chu, H.-C., Hwang, G.-J., & Wang, C.-C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education, 140, 103599.

Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. En M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13-39). Academic Press.