Acceso usuarios
Daniel Amo Filva, Marta López Costa, Belén Donate Beby, Maria Alsina, Sofia Aguayo Mauri, Alba Llauró, Nati Cabrera Lanzo, Marcelo Fabián Maina Patrás, Lourdes Guàrdia Ortiz, Guillermo Bautista Pérez
La IA generativa (GenAI) y las analíticas de aprendizaje (AA) están transformando rápidamente la educación al permitir la personalización, los sistemas adaptativos y las intervenciones predictivas. Sin embargo, su integración también plantea desafíos relacionados con la privacidad de los datos, la infraestructura y la preparación del profesorado. Este estudio tiene como objetivo analizar el potencial combinado de GenAI y AA para mejorar el aprendizaje, a la vez que identifica las barreras para su implementación en la educación formal. Se realizó una revisión sistemática de la literatura utilizando el marco PRISMA para garantizar la selección y el análisis transparentes de los estudios relevantes. Los resultados indican que AA facilita la toma de decisiones basada en datos mediante la minería, la visualización y los modelos predictivos, mientras que GenAI apoya la retroalimentación adaptativa y la generación de contenido; juntos, permiten rutas de aprendizaje personalizadas que mejoran los resultados. Sin embargo, las preocupaciones éticas, los requisitos tecnológicos y la capacitación profesional siguen siendo obstáculos importantes. En general, GenAI y AA ofrecen grandes oportunidades para mejorar la educación, pero su adopción sostenible requiere una cuidadosa atención a las dimensiones éticas, técnicas y pedagógicas.
Generative AI (GenAI) and Learning Analytics (LA) are rapidly transforming education by enabling personalization, adaptive systems, and predictive interventions, yet their integration also raises challenges related to data privacy, infrastructure, and teacher readiness. This study aims to analyse the combined potential of GenAI and LA in enhancing learning while identifying barriers to implementation in formal education. A systematic literature review was conducted using the PRISMA framework to ensure transparent selection and analysis of relevant studies. Results indicate that LA facilitates data-driven decision-making through mining, visualization, and predictive models, while GenAI supports adaptive feedback and content generation; together, they enable personalized learning pathways that improve outcomes. However, ethical concerns, technological requirements, and professional training remain significant obstacles. Overall, GenAI and LA offer strong opportunities to enhance education, but their sustainable adoption requires careful attention to ethical, technical, and pedagogical dimensions.
