Libro de Actas. 2° Congreso de Educación y Pedagogía

Libro de Actas 2° Congreso de Educación y Pedagogía de la Universidad de Chile. CEDUP 2025 Santiago, Chile 15-17 enero 2025 228 asignaturas y la inexistencia de un sistema unificado de evaluación que integre la trayectoria educativa de los estudiantes. La superación de la fragmentación institucional en término del seguimiento de Trayectorias educativas requiere una transformación sistémica que priorice: La interconexión pedagógica, el seguimiento integral del desarrollo estudiantil y la adaptabilidad curricular. Esta aproximación científica busca trascender la visión fragmentaria actual, promoviendo un modelo educativo holístico y centrado en el estudiante. En el núcleo de TestU se encuentra el aprendizaje supervisado, donde la IA analiza grandes volúmenes de datos sobre el rendimiento de los estudiantes para identificar patrones y predecir comportamientos futuros. Esto permite a la plataforma anticipar qué áreas de conocimiento presentan mayor dificultad o cuándo es probable que el estudiante olvide conceptos clave. Al aplicar el enfoque de “Assessment for Learning”, TestU utiliza estos datos para proporcionar retroalimentación continua y ajustada en tiempo real, lo que ayuda a guiar al estudiante en el proceso de mejora constante. Este concepto promueve una evaluación formativa que no solo mide el rendimiento, sino que también lo potencia al ofrecer intervenciones personalizadas en el momento adecuado. Los sistemas de recomendación, otro componente clave de TestU, utilizan algoritmos avanzados de filtrado colaborativo y modelos basados en contenido. Estos algoritmos analizan el historial de aprendizaje y el perfil de cada estudiante para sugerir actividades y lecciones que mejor se adapten a su progreso y estilo de aprendizaje. Esta personalización asegura que cada interacción con la plataforma esté optimizada para las necesidades específicas del estudiante, ajustando el contenido en tiempo real para maximizar el impacto del aprendizaje. La plataforma también emplea modelos de aprendizaje profundo (deep learning), particularmente redes neuronales, para analizar interacciones complejas entre los estudiantes y los recursos de aprendizaje. Estos modelos permiten a TestU evaluar factores intrínsecos como la motivación, la confianza y la persistencia, los cuales influyen en el rendimiento académico. Con la implementación de redes neuronales recurrentes (RNN) o LSTM (Long Short-Term Memory), TestU puede hacer predicciones precisas sobre el rendimiento futuro y adaptar las rutas de aprendizaje para maximizar el progreso individual.