Aplicación de PathRAG en aprendizaje adaptativo con IA generativa para una educación inclusiva y sostenible
DOI:
https://doi.org/10.5944/ried.45378Palabras clave:
inteligencia artificial generativa, aprendizaje adaptativo, inclusión educativa, sostenibilidad, educación híbrida, personalización del aprendizajeResumen
Este estudio presenta la aplicación del modelo PathRAG en un entorno de aprendizaje adaptativo, híbrido e inclusivo, mediante el uso de inteligencia artificial generativa. Enmarcado en los Objetivos de Desarrollo Sostenible (ODS), el trabajo se orienta a personalizar el aprendizaje en contextos universitarios a través de rutas educativas dinámicas y equitativas. La propuesta busca responder a la diversidad del alumnado y reducir la brecha de acceso y participación mediante tecnología educativa avanzada. Se implementó un diseño cuasi experimental con una muestra de 52 estudiantes del Máster en Educación Inclusiva, perteneciente a una universidad española. La intervención se desarrolló en un entorno híbrido, integrando el modelo PathRAG con herramientas basadas en IA generativa (GPT-3.5 turbo). Se evaluaron indicadores de participación, desarrollo competencial, percepción de equidad e inclusión, así como la satisfacción general del alumnado. Los resultados indican mejoras significativas en la participación activa, el logro competencial y la percepción de inclusión, especialmente entre estudiantes con necesidades educativas específicas o dificultades de acceso tecnológico. La satisfacción alcanzó niveles elevados, destacando la utilidad de las rutas personalizadas. Se concluye que el modelo PathRAG potencia un aprendizaje más equitativo y adaptativo, aunque se reconoce la necesidad de futuros estudios con diseños más robustos, instrumentos validados y muestras más amplias. Este trabajo evidencia el potencial transformador de la IA generativa aplicada a contextos educativos sostenibles e inclusivos.
Descargas
Citas
Ainscow, M. (2020). Promoting inclusion and equity in education: Lessons from international experiences. UNESCO. https://doi.org/10.1080/20020317.2020.1729587
Anderson, T., Borup, J., & West, R. E. (2020). Learning analytics in higher education: A review of the literature. Journal of Research on Technology in Education, 52(4), 433-451. https://doi.org/10.1080/15391523.2020.1739846
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610-623). https://doi.org/10.1145/3442188.3445922
Birhane, A. (2023). Algorithmic injustice: A relational ethics approach. Patterns, 4(2), 100693. https://doi.org/10.1016/j.patter.2023.100693
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa
Chen, B., Guo, Z., Yang, Z., Chen, Y., Chen, J., Liu, Z., Shi, C., & Yang, C. (2024). PathRAG: Pruning graph-based retrieval augmented generation with relational paths. arXiv. https://doi.org/10.48550/arXiv.2502.14902
Chen, X., Wang, L., & Li, Z. (2024). Generative AI in higher education: Ethical and pedagogical considerations for ChatGPT. AI & Society. https://doi.org/10.1007/s00146-024-01720-9
Cobo, C., Morales, A., & Navarro, C. (2022). Artificial intelligence in education: Equity and ethics in Latin America. International Journal of Educational Technology in Higher Education, 19, 32. https://doi.org/10.1186/s41239-022-00312-3
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Conati, C., Holstein, K., & Roll, I. (2021). The future of intelligent tutoring systems: A survey. IEEE Transactions on Learning Technologies, 14(4), 464-484. https://doi.org/10.1109/TLT.2021.3071740
Conati, C., & Kardan, S. (2013). User modeling in intelligent tutoring systems: A survey. In P. Brusilovsky, G. D. Verbert, & P. De Bra (Eds.), Adaptive and adaptable learning (pp. 45-63). Springer. https://doi.org/10.1007/978-3-642-40866-0_3
Floridi, L. (2019). The ethics of artificial intelligence. Oxford University Press.
García-Peñalvo, F. J. (2022). Tecnología y Educación: Hacia una visión transformadora. Ediciones Universidad de Salamanca.
Holmes, W., Porayska-Pomsta, K., Holstein, K., & Rodrigo, M. M. T. (2021). Ethics of AI in education: Towards a community-wide framework. European Journal of Education, 56(4), 541-558. https://doi.org/10.1111/ejed.12481
Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher education. Springer. https://doi.org/10.1007/978-3-319-64792-0
Jivet, I., Scheffel, M., Drachsler, H., & Specht, M. (2021). Awareness is not enough: Pitfalls of learning analytics dashboards in the educational practice. British Journal of Educational Technology, 52(6), 1864-1880. https://doi.org/10.1111/bjet.13168
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Liang, W., Tadesse, G. A., Ho, D., Li, F., Liu, S., Yu, H., & Sun, J. (2023). Personalized education in the era of big data. IEEE Transactions on Knowledge and Data Engineering, 35(3), 2245-2261. https://doi.org/10.1109/TKDE.2021.3117424
Liu, Y., Tamkin, A., Geng, X., & Ganguli, D. (2023). Lost in the middle: How LLMs use long contexts. Transactions of the Association for Computational Linguistics, 11, 1200-1218. https://doi.org/10.1162/tacl_a_00606
Lu, X., van de Sande, B., & Marsh, J. A. (2024). Hybrid learning environments and adaptive support. Computers & Education, 210, 104975. https://doi.org/10.1016/j.compedu.2023.104975
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2022). Artificial intelligence and human learning: Partners in progress. OECD Publishing.
OECD. (2023). The OECD AI principles: An overview. OECD Publishing.
Pedro, F., Subosa, M., Rivas, A., & Valverde, P. (2021). Artificial intelligence in education: Challenges and opportunities for sustainable development. UNESCO.
Ruipérez-Valiente, J. A., Cobos, R., & Muñoz-Merino, P. J. (2022). Knowledge graphs in education: A systematic literature review. IEEE Transactions on Learning Technologies, 15(4), 485-500. https://doi.org/10.1109/TLT.2022.3190858
Selwyn, N., Macgilchrist, F., & Williamson, B. (2023). EdTech and equity: Critical perspectives on the promises of digital education. Learning, Media and Technology, 48(1), 1-11. https://doi.org/10.1080/17439884.2022.2156041
Susnjak, T. (2022). ChatGPT: The end of online exam integrity? arXiv. https://doi.org/10.48550/arXiv.2212.09292
UNESCO. (2020). Global education monitoring report 2020: Inclusion and education: All means all. UNESCO. https://doi.org/10.54676/JJNK6989
UNESCO. (2022). Reimagining our futures together: A new social contract for education. UNESCO.
UNESCO. (2023). AI and education: Guidance for policy-makers. https://unesdoc.unesco.org/ark:/48223/pf0000384803
van de Sande, B., Marsh, J. A., & Lu, X. (2023). Large language models in education: Opportunities and challenges. Computers & Education: Artificial Intelligence, 4, 100132. https://doi.org/10.1016/j.caeai.2023.100132
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
Zhang, D., & Wang, X. (2025). Adaptive learning systems: A review and future directions. Journal of Educational Technology & Society, 28(1), 1–15.
Zhang, D., Wang, X., & Chen, X. (2021). Adaptive learning technologies in higher education: A meta-analysis of effectiveness. Educational Research Review, 33, 100390. https://doi.org/10.1016/j.edurev.2021.100390
Zhou, M., & Wang, D. (2020). Ethical considerations in AI-supported education: A perspective from responsible innovation. AI & Society, 35(3), 601-611. https://doi.org/10.1007/s00146-019-0910-1
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Rubén Juárez Cádiz
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las obras que se publican en esta revista están sujetos a los siguientes términos:
1. Los autores ceden de forma no exclusiva los derechos de explotación de los trabajos aceptados para su publicación en "RIED. Revista Iberoamericana de Educación a Distancia," y garantizan a la revista el derecho a ser la primera en publicar ese trabajo, igualmente, permiten a la revista distribuir obras publicadas bajo la licencia indicada en el punto 2.
2. Las obras se publican en la edición electrónica de la revista bajo una licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0). Se permite copiar y redistribuir el material en cualquier medio o formato, adaptar, remezclar, transformar y crear a partir del material para cualquier finalidad, incluso comercial. Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios.
3. Condiciones de auto-archivo. Se permite e incentiva a los autores a difundir electrónicamente la versión OnlineFirst (versión evaluada y aceptada para su publicación) de su obra antes de su publicación definitiva, siempre con referencia a su publicación en RIED, ya que favorece su circulación y difusión antes y así propiciar un posible aumento de su citación y alcance entre la comunidad académica. Color RoMEO: verde.
