Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025

96 se ajustaron tanto la cantidad como el tipo de prácticas asignadas, permitiendo una calibración más precisa del aprendizaje adaptativo. En el Nivel 2 (Aprendizaje) , se recolectaron datos sobre el rendimiento académico a través de las calificaciones de exámenes parciales, finales y el GPA del curso, complementados con los reportes generados automáticamente por la plataforma. El Nivel 3 (Comportamiento) se exploró mediante el seguimiento de patrones de uso de ALEKS, el tiempo dedicado semanalmente a la práctica matemática, y la participación en sesiones de repaso con mentores del CUA. En este nivel también se incorporó el análisis del compromiso académico estudiantil, evidenciado en el aumento sostenido de la dedicación al curso. El Nivel 4 (Resultados) consideró los indicadores institucionales, incluyendo tasas de retención, fechas de baja y variaciones en el GPA global. De manera paralela, se llevó a cabo una consulta estructurada con la facultad para revisar y consensuar los criterios de evaluación y sus ponderaciones, lo que permitió estandarizar expectativas y alinear la medición del aprendizaje con los objetivos del curso. El análisis estadístico, basado en regresión lineal, arrojó un coeficiente de determinación (R²) de 0.6335 entre el GPA y la retención, sugiriendo que por cada punto de aumento en GPA, la retención se incrementaría en 14.13 puntos porcentuales. Aún más significativo, el análisis entre GPA y tasa de aprobación alcanzó un R² de 0.9173, indicando una relación muy fuerte que valida cuantitativamente la efectividad de las estrategias implementadas. El componente cualitativo del estudio se fortaleció con entrevistas semiestructuradas y encuestas aplicadas a estudiantes, en las cuales se exploraron variables afectivas como la motivación, autoconfianza, ansiedad matemática y percepción de utilidad de la herramienta. Los resultados destacan que la personalización del ritmo de aprendizaje, el acceso inmediato a retroalimentación y el acompañamiento del profesorado y los mentores fueron elementos clave para reducir la frustración matemática y promover la persistencia. En respuesta a la retroalimentación institucional recibida durante la validación interna del proyecto, esta publicación refuerza cuatro elementos estratégicos: (1) la presentación de datos cuantificables y longitudinales; (2) la clarificación del marco conceptual subyacente (Kirkpatrick); (3) la articulación explícita entre las estrategias empleadas y los resultados alcanzados; y (4) la proyección de impacto más allá de los cursos intervenidos inicialmente. En este sentido, se recomienda dar continuidad a la evaluación en los cursos MATH 1500, 1511 y 1512, donde ya se observan mejoras preliminares en rendimiento y retención, consolidando así un modelo escalable, replicable y alineado con estándares de calidad institucional. El análisis comparativo con otras investigaciones sobre aprendizaje adaptativo en educación superior sugiere que la estructura MAP-MDOM-MAD ofrece una arquitectura sólida para modelar intervenciones eficaces en contextos institucionales con limitaciones presupuestarias y con una alta diversidad de perfiles estudiantiles. Asimismo, se confirma que el uso de inteligencia artificial, en combinación con estrategias de mentoría humana, constituye una práctica pedagógica innovadora capaz de reducir la brecha entre estudiantes con bajo desempeño previo y los estándares académicos requeridos para la progresión curricular. Esta experiencia demuestra que la integración de tecnologías adaptativas en el currículo universitario puede impactar positivamente no solo los indicadores institucionales de retención y aprobación, sino también la percepción estudiantil sobre su propia capacidad de aprendizaje y autonomía. El modelo desarrollado es escalable,