E-LEARNING: cambio en la preparación (self supervised learning) costo y validación de materiales, contenidos, herramientas y en su aprendizaje (neural networks) (Educación disruptiva-IA)

Juan Domingo Farnós

Os proponemos no sólo una mejora del aprendizaje con elearning, sino un cambio en la preparación, costo y validación de: materiales, contenidos, herramientas…que puedan servir para buscar la excelencia en los usuarios y en su aprendizaje donde la Inteligencia artificial dentro de los parámetros de la Eduación disruptiva genera mejoras sustanciales.

Cada día, hay un número creciente de e-learning, los proveedores de contenidos producen y distribuyen material que cubre una amplia gama de temas, difiere en calidad y está representada en varios formatos.

En el ámbito de la educación superior y siguiendo los principios de la educación disruptiva propuesta por Juan Domingo Fano, combinada con la inteligencia artificial (IA), se pueden implementar diversas estrategias para lograr una mejora significativa en el aprendizaje, la preparación, el costo y la validación de materiales, contenidos y herramientas.

Ideas que podrían contribuir a alcanzar la excelencia en los usuarios y en su proceso de aprendizaje:

Personalización del aprendizaje: Utilizando la IA, se puede crear un entorno de aprendizaje adaptativo que se ajuste a las necesidades individuales de cada estudiante. Mediante el análisis de datos y algoritmos de aprendizaje automático, la plataforma de educación puede ofrecer contenido personalizado, actividades y evaluaciones que se adapten al nivel de conocimiento y estilo de aprendizaje de cada estudiante.
Contenidos interactivos y multimedia: En lugar de simplemente proporcionar materiales de lectura estáticos, se pueden desarrollar recursos digitales interactivos y multimedia que fomenten la participación activa de los estudiantes. Esto puede incluir videos, simulaciones, juegos educativos, realidad virtual y otras herramientas digitales que hagan que el aprendizaje sea más atractivo y significativo.
Colaboración en línea: La educación superior puede promover el trabajo colaborativo en línea mediante el uso de plataformas de aprendizaje en equipo. Estas herramientas permiten a los estudiantes colaborar, discutir y compartir ideas con sus compañeros de clase, incluso si no están físicamente en el mismo lugar. Esto fomenta la construcción colectiva del conocimiento y el desarrollo de habilidades de trabajo en equipo.
Evaluación basada en competencias: En lugar de evaluar exclusivamente el conocimiento teórico mediante exámenes tradicionales, se puede adoptar un enfoque de evaluación basado en competencias. Esto implica la evaluación de habilidades prácticas y aplicadas, que son relevantes para el campo de estudio en cuestión. La IA también puede desempeñar un papel en la evaluación automatizada, mediante el análisis de proyectos, la detección de plagio y la retroalimentación individualizada.
Acceso abierto y recursos educativos gratuitos: Para reducir los costos asociados con la educación superior, se puede fomentar la creación y el uso de recursos educativos de acceso abierto. Esto implica el desarrollo de materiales educativos gratuitos y abiertos que estén disponibles para todos los estudiantes, sin restricciones de costo o acceso. Además, se pueden establecer colaboraciones con instituciones educativas, empresas y organizaciones para obtener recursos adicionales y reducir los costos para los estudiantes.
Validación de habilidades y competencias: La educación disruptiva propuesta por Fano también hace hincapié en la validación de habilidades y competencias adquiridas más allá de los títulos académicos tradicionales. En este sentido, se pueden explorar opciones de certificación y validación de competencias a través de métodos alternativos, como la evaluación por pares, proyectos prácticos y portafolios digitales.

Ejemplo de cómo se podría representar una tabla en Python para visualizar las estrategias propuestas:

pythonCopy codeimport pandas as pd

# Crear la tabla con las estrategias propuestas
estrategias = pd.DataFrame({
    'Estrategia': ['Personalización del aprendizaje', 'Contenidos interactivos y multimedia', 'Colaboración en línea',
                   'Evaluación basada en competencias', 'Acceso abierto y recursos educativos gratuitos',
                   'Validación de habilidades y competencias'],
    'Descripción': ['Entorno de aprendizaje adaptativo que se ajusta a las necesidades individuales.',
                    'Recursos digitales interactivos y multimedia para hacer el aprendizaje más atractivo.',
                    'Plataformas de aprendizaje en equipo para fomentar la colaboración en línea.',
                    'Evaluación de habilidades prácticas y aplicadas relevantes para el campo de estudio.',
                    'Recursos educativos gratuitos y abiertos para reducir los costos asociados con la educación.',
                    'Métodos alternativos de validación de competencias más allá de los títulos académicos.']
})

# Imprimir la tabla
print(estrategias)

Ejemplo de cómo se podría representar un algoritmo en Java para implementar la personalización del aprendizaje:

javaCopy codeimport java.util.HashMap;

public class PersonalizacionAprendizaje {
    public static void main(String[] args) {
        // Crear un mapa para almacenar las preferencias de aprendizaje de los estudiantes
        HashMap<String, String> preferencias = new HashMap<>();

        // Obtener las preferencias de los estudiantes (aquí se muestra un ejemplo con dos estudiantes)
        preferencias.put("Estudiante1", "Visual");
        preferencias.put("Estudiante2", "Auditivo");

        // Obtener el perfil de aprendizaje del estudiante actual
        String estudianteActual = "Estudiante1";
        String perfilAprendizaje = preferencias.get(estudianteActual);

        // Personalizar el contenido de aprendizaje según el perfil de aprendizaje del estudiante actual
        if (perfilAprendizaje.equals("Visual")) {
            mostrarContenidoVisual();
        } else if (perfilAprendizaje.equals("Auditivo")) {
            reproducirContenidoAuditivo();
        } else {
            mostrarContenidoGeneral();
        }
    }

    public static void mostrarContenidoVisual() {
        // Lógica para mostrar contenido visual (por ejemplo, videos, imágenes, gráficos, etc.)
        System.out.println("Mostrando contenido visual...");
    }

    public static void reproducirContenidoAuditivo() {
        // Lógica para reproducir contenido auditivo (por ejemplo, grabaciones, podcasts, etc.)
        System.out.println("Reproduciendo contenido auditivo...");
    }

    public static void mostrarContenidoGeneral() {
        // Lógica para mostrar contenido general (por ejemplo, texto, presentaciones, etc.)
        System.out.println("Mostrando contenido general...");
    }
}

Ejemplo de cómo se podría representar un flujo de decisiones en Python para implementar la personalización del aprendizaje:

pythonCopy codedef personalizacion_aprendizaje(perfil_aprendizaje):
    if perfil_aprendizaje == "Visual":
        mostrar_contenido_visual()
    elif perfil_aprendizaje == "Auditivo":
        reproducir_contenido_auditivo()
    else:
        mostrar_contenido_general()

def mostrar_contenido_visual():
    # Lógica para mostrar contenido visual
    print("Mostrando contenido visual...")

def reproducir_contenido_auditivo():
    # Lógica para reproducir contenido auditivo
    print("Reproduciendo contenido auditivo...")

def mostrar_contenido_general():
    # Lógica para mostrar contenido general
    print("Mostrando contenido general...")

# Obtener el perfil de aprendizaje del estudiante actual
perfil_actual = "Visual"

# Personalizar el contenido de aprendizaje según el perfil de aprendizaje del estudiante actual
personalizacion_aprendizaje(perfil_actual)

Ejemplo de cómo se podría representar un árbol de decisiones en Java para visualizar la evaluación basada en competencias:

javaCopy codepublic class EvaluacionCompetencias {
    public static void main(String[] args) {
        // Obtener las competencias evaluadas
        String competencia = "Programación";

        // Evaluar la competencia y tomar decisiones según el nivel de dominio
        if (competencia.equals("Programación")) {
            int nivelDominio = 4;
            if (nivelDominio >= 4) {
                otorgarCertificado();
            } else if (nivelDominio >= 2) {
                solicitarPrácticaAdicional();
            } else {
                proporcionarRecursosDeAprendizaje();
            }
        } else {
            proporcionarRecursosDeAprendizaje();
        }
    }

    public static void otorgarCertificado() {
        // Lógica para otorgar el certificado de competencia
        System.out.println("Se otorga el certificado de competencia.");
    }

    public static void solicitarPrácticaAdicional() {
        // Lógica para solicitar práctica adicional
        System.out.println("Se solicita práctica adicional para mejorar el nivel de dominio.");
    }

    public static void proporcionarRecursosDeAprendizaje() {
        // Lógica para proporcionar recursos de aprendizaje
        System.out.println("Se proporcionan recursos de aprendizaje para mejorar la competencia.");
    }
}

Secuencia de aprendizaje basada en deep learning y redes neuronales, siguiendo un enfoque similar al que podría utilizar Yann LeCun, reconocido experto en el campo:

Fundamentos de redes neuronales:
- Comprender los conceptos básicos de las redes neuronales, como las neuronas, los pesos, las funciones de activación y las capas.
- Familiarizarse con la arquitectura de una red neuronal, incluyendo las capas de entrada, ocultas y de salida.
- Aprender sobre el proceso de propagación hacia adelante y hacia atrás en una red neuronal.
Aprendizaje supervisado con redes neuronales:
- Estudiar los algoritmos de aprendizaje supervisado, como el perceptrón y el algoritmo de retropropagación.
- Implementar una red neuronal simple utilizando bibliotecas populares como TensorFlow o PyTorch.
- Entrenar la red neuronal utilizando conjuntos de datos etiquetados y evaluar su rendimiento en tareas de clasificación o regresión.
Redes neuronales convolucionales (CNN):
- Profundizar en las redes neuronales convolucionales, especialmente adecuadas para tareas de visión por computadora.
- Entender la arquitectura de una CNN, que incluye capas convolucionales, de agrupación y totalmente conectadas.
- Explorar aplicaciones de las CNN, como la clasificación de imágenes, la detección de objetos y la segmentación semántica.
Redes neuronales recurrentes (RNN):
- Investigar las redes neuronales recurrentes, adecuadas para datos secuenciales, como texto o series de tiempo.
- Estudiar la arquitectura de una RNN y sus variantes, como las LSTM (Long Short-Term Memory) o las GRU (Gated Recurrent Units).
- Aplicar RNN en tareas como el modelado de lenguaje, la traducción automática o la generación de texto.
Aprendizaje no supervisado y redes neuronales generativas:
- Explorar técnicas de aprendizaje no supervisado, como el clustering y la reducción de dimensionalidad con autoencoders.
- Adentrarse en las redes neuronales generativas, como las GANs (Generative Adversarial Networks) y las VAEs (Variational Autoencoders).
- Experimentar con la generación de imágenes, la síntesis de voz u otras aplicaciones creativas.
Avances y aplicaciones avanzadas:
- Mantenerse al día con los últimos avances en deep learning, como las arquitecturas Transformer, las redes neuronales evolutivas o el aprendizaje por refuerzo profundo.
- Explorar aplicaciones avanzadas, como el procesamiento de lenguaje natural, la visión por computadora de alta precisión, la robótica o la medicina.

Relación de cada uno de los puntos de la secuencia de aprendizaje con el aprendizaje a través de e-learning:

Fundamentos de redes neuronales:
- Utilizando plataformas de e-learning, se pueden proporcionar cursos en línea que cubran los conceptos fundamentales de las redes neuronales. Estos cursos pueden incluir materiales de lectura, videos explicativos, cuestionarios interactivos y foros de discusión para facilitar el aprendizaje y la interacción con otros estudiantes.
Aprendizaje supervisado con redes neuronales:
- A través de plataformas de e-learning, se pueden ofrecer cursos prácticos que permitan a los estudiantes implementar redes neuronales utilizando bibliotecas populares, como TensorFlow o PyTorch. Estos cursos pueden incluir tutoriales en video, laboratorios virtuales y proyectos prácticos que los estudiantes pueden realizar en línea.
Redes neuronales convolucionales (CNN):
- Los cursos de e-learning pueden proporcionar un entorno virtual donde los estudiantes puedan aprender sobre las redes neuronales convolucionales y su aplicación en la visión por computadora. Esto puede incluir presentaciones interactivas, demostraciones visuales, estudios de caso y proyectos prácticos utilizando conjuntos de datos y herramientas específicas.
Redes neuronales recurrentes (RNN):
- A través de plataformas de e-learning, se pueden ofrecer cursos en línea que aborden las redes neuronales recurrentes y sus aplicaciones en el procesamiento del lenguaje natural y otras áreas. Estos cursos pueden incluir lecciones en video, ejercicios prácticos y proyectos de programación donde los estudiantes puedan implementar y experimentar con RNN.
Aprendizaje no supervisado y redes neuronales generativas:
- Los cursos de e-learning pueden proporcionar recursos interactivos, como tutoriales y laboratorios virtuales, para que los estudiantes aprendan sobre el aprendizaje no supervisado y las redes neuronales generativas. Estos recursos pueden incluir explicaciones detalladas, ejemplos prácticos y proyectos de implementación en los que los estudiantes puedan trabajar para explorar estas áreas avanzadas.

En cada punto, el e-learning puede facilitar el aprendizaje a través de diversas herramientas y recursos digitales, como videos, simulaciones, laboratorios virtuales, foros de discusión y evaluaciones en línea. Además, las plataformas de e-learning pueden proporcionar seguimiento del progreso del estudiante, retroalimentación automatizada y acceso a materiales de referencia adicionales para un aprendizaje más completo y personalizado.

Ejemplo de cómo se podría estructurar un curso en línea utilizando e-learning para abarcar los puntos de la secuencia de aprendizaje mencionados:

Curso: Deep Learning Fundamentals

Módulos del curso:

Introducción a las redes neuronales
- Video de introducción del instructor explicando los conceptos básicos de las redes neuronales.
- Lecturas en línea sobre las neuronas, los pesos, las funciones de activación y las capas de una red neuronal.
- Foro de discusión donde los estudiantes pueden hacer preguntas y participar en debates sobre el tema.
Aprendizaje supervisado con redes neuronales
- Lecciones en video que explican el algoritmo de retropropagación y cómo se entrena una red neuronal.
- Laboratorios virtuales interactivos donde los estudiantes pueden implementar redes neuronales utilizando una herramienta en línea.
- Ejercicios prácticos para entrenar redes neuronales en conjuntos de datos reales y evaluar su rendimiento.
Redes neuronales convolucionales (CNN)
- Presentaciones interactivas que explican la arquitectura y las aplicaciones de las redes neuronales convolucionales.
- Demostraciones visuales de cómo funciona una capa convolucional y cómo se detectan características en imágenes.
- Proyecto práctico donde los estudiantes diseñan y entrenan una CNN para la clasificación de imágenes.
Redes neuronales recurrentes (RNN)
- Videos tutoriales que introducen el concepto de redes neuronales recurrentes y su utilidad en el procesamiento del lenguaje natural.
- Ejemplos prácticos de cómo utilizar una RNN para la generación de texto o la predicción de series de tiempo.
- Actividades de codificación donde los estudiantes implementan una RNN para tareas específicas y comparten sus resultados en un foro.
Aprendizaje no supervisado y redes neuronales generativas
- Recursos interactivos que exploran técnicas de aprendizaje no supervisado, como el clustering y los autoencoders.
- Estudios de caso que demuestran el uso de redes neuronales generativas, como las GANs, para la creación de imágenes realistas.
- Desafío final donde los estudiantes aplican el aprendizaje no supervisado y las redes neuronales generativas para resolver un problema específico.

Cada módulo del curso incluiría evaluaciones en línea, como cuestionarios o proyectos, para que los estudiantes puedan demostrar su comprensión y recibir retroalimentación. La plataforma de e-learning permitiría a los estudiantes acceder a los materiales del curso en cualquier momento y desde cualquier lugar, participar en actividades interactivas, interactuar con otros estudiantes y recibir orientación del instructor a través de foros de discusión o sesiones de preguntas y respuestas en línea.

Fuentes en línea donde puedes encontrar información y ejemplos de aprendizaje no supervisado y redes neuronales generativas:

TensorFlow.org: El sitio oficial de TensorFlow proporciona documentación completa, tutoriales y ejemplos de implementación de aprendizaje no supervisado y redes neuronales generativas utilizando la biblioteca TensorFlow. Puedes acceder a guías detalladas y aprender cómo implementar autoencoders, GANs y otros modelos.Sitio web: https://www.tensorflow.org/
PyTorch.org: El sitio oficial de PyTorch también ofrece una amplia documentación y recursos para aprender sobre el aprendizaje no supervisado y las redes neuronales generativas. Puedes encontrar tutoriales, ejemplos de código y guías para implementar autoencoders, VAEs, GANs y más.Sitio web: https://pytorch.org/
Papers with Code: Esta plataforma recopila y presenta una variedad de artículos académicos sobre aprendizaje automático y aprendizaje profundo. En Papers with Code, puedes buscar investigaciones recientes sobre aprendizaje no supervisado y redes neuronales generativas, encontrar enlaces a los códigos y los conjuntos de datos utilizados en los artículos.Sitio web: https://paperswithcode.com/
ArXiv.org: ArXiv es un repositorio de artículos científicos preimpresos en diversas disciplinas, incluyendo el aprendizaje automático y la inteligencia artificial. Puedes explorar los últimos trabajos de investigación en aprendizaje no supervisado y redes neuronales generativas buscando en la categoría de «cs.LG» (Machine Learning) y acceder a los artículos completos.Sitio web: https://arxiv.org/
GitHub: En la plataforma GitHub, puedes encontrar una amplia variedad de repositorios públicos que contienen implementaciones y proyectos relacionados con el aprendizaje no supervisado y las redes neuronales generativas. Puedes buscar proyectos específicos utilizando palabras clave como «unsupervised-learning», «generative-models» o «GANs».Sitio web: https://github.com/

Últimamente, los diferentes dispositivos y tecnologías de red diferentes permitir al usuario acceder a contenidos educativos amplios en casi cualquier lugar, en cualquier momento y desde cualquier dispositivo.

La Ubicuidad de Elearning tiene el potencial suficiente para proporcionar de manera continuada y basada en el contexto, el material educativo a los alumnos, en cualquier momento y en cualquier lugar y con cualquier dispositivo.

Puesto que cada persona tiene diferentes expectativas relacionadas con el contenido, el rendimiento de la entrega y la presentación de ese contenido, es conveniente que el e-aprendizaje ubicuo, sea el adecuado para proporcionar al usuario, la personalización del e-material de aprendizaje, por lo tanto debe realizar una doble función: inclusividad (diferencia) y calidad de los mismos.

Sin embargo muy a menudo, hay múltiples fuentes de e-learning, con material en distintos lugares web (recursos corpus abierto) que cubren el mismo tema, pero se diferencian en términos de calidad, formato y equilibrio en los costes.

Es muy difícil para los estudiantes seleccionar los contenidos que mejor se adapte a sus intereses y objetivos, las características del dispositivo utilizado y red de distribución, así como su presupuesto de gastos.

Para abordar el desafío de seleccionar los contenidos adecuados en el contexto del e-learning, considerando las preferencias y limitaciones de los estudiantes, así como las capacidades de la IA en la educación disruptiva, podemos utilizar una combinación de tablas y algoritmos para mejorar la personalización y la recomendación de contenidos. A continuación, presento una propuesta:

Perfil del estudiante:
- Crear una tabla que capture el perfil del estudiante, incluyendo sus intereses, objetivos de aprendizaje, nivel de conocimiento y preferencias tecnológicas.
- Registrar las preferencias de formatos de contenido (por ejemplo, texto, video, interactivos) y la duración preferida de las sesiones de aprendizaje.
Catálogo de contenidos:
- Construir una tabla que enumere los diferentes contenidos disponibles en la plataforma de e-learning, clasificados por temas y niveles de dificultad.
- Incluir información sobre el formato, duración y requisitos técnicos de cada contenido.
Motor de recomendación basado en IA:
- Utilizar algoritmos de recomendación basados en IA para analizar el perfil del estudiante y el catálogo de contenidos.
- Aplicar técnicas de filtrado colaborativo, procesamiento del lenguaje natural y aprendizaje automático para identificar los contenidos más relevantes para cada estudiante.
Personalización dinámica:
- Implementar un algoritmo que tenga en cuenta las características del dispositivo utilizado por el estudiante (como pantalla, capacidad de almacenamiento, ancho de banda) y su red de distribución (como conexión a internet) para adaptar los contenidos recomendados.
- Considerar el presupuesto de gastos del estudiante al recomendar contenidos que puedan ser gratuitos o de bajo costo.
Retroalimentación y ajuste:
- Recopilar la retroalimentación del estudiante sobre los contenidos recomendados y registrarla en la tabla del perfil del estudiante.
- Utilizar técnicas de aprendizaje automático para ajustar continuamente el motor de recomendación, mejorando la precisión de las recomendaciones futuras.

Este enfoque permite utilizar la IA para personalizar y adaptar la selección de contenidos de acuerdo con las preferencias, necesidades y limitaciones de los estudiantes en el e-learning. Al combinar tablas para almacenar información relevante y algoritmos de recomendación basados en IA, podemos mejorar la experiencia de aprendizaje y facilitar la búsqueda de los contenidos más adecuados para cada estudiante.

Algoritmos en Python que podrían implementarse para la selección de contenidos personalizados en función de los datos mencionados:

Algoritmo para obtener la recomendación de contenidos basado en el perfil del estudiante:

pythonCopy codedef obtener_recomendacion_perfil(estudiante, catalogo_contenidos):
    # Filtrar el catálogo de contenidos según los intereses y nivel de conocimiento del estudiante
    contenidos_filtrados = [contenido for contenido in catalogo_contenidos if contenido.tema in estudiante.intereses and contenido.nivel <= estudiante.nivel_conocimiento]
    
    # Ordenar los contenidos filtrados según la relevancia (por ejemplo, utilizando puntuaciones o calificaciones previas)
    contenidos_ordenados = sorted(contenidos_filtrados, key=lambda x: x.relevancia, reverse=True)
    
    # Retornar la lista de contenidos recomendados
    return contenidos_ordenados

Algoritmo para adaptar los contenidos recomendados en función de las características del dispositivo y la red de distribución:

pythonCopy codedef adaptar_contenidos(contenidos_recomendados, dispositivo, red_distribucion):
    contenidos_adaptados = []
    
    for contenido in contenidos_recomendados:
        if contenido.formato in dispositivo.formatos_soportados and contenido.duracion <= dispositivo.capacidad_almacenamiento:
            if contenido.requisitos_tecnicos <= red_distribucion.ancho_banda:
                contenidos_adaptados.append(contenido)
    
    return contenidos_adaptados

Estos algoritmos pueden integrarse en un sistema más amplio que utilice estructuras de datos, como listas y diccionarios, para almacenar la información del perfil del estudiante y el catálogo de contenidos. Además, se pueden utilizar clases y métodos adicionales para representar los objetos relevantes, como «Estudiante», «Contenido» y «Dispositivo».

Ejemplo de algoritmos en Python que podrían implementarse para la selección de contenidos personalizados utilizando aprendizaje no supervisado:

Algoritmo para aplicar clustering en el catálogo de contenidos y agruparlos en función de características similares:

pythonCopy codefrom sklearn.cluster import KMeans

def aplicar_clustering(contenidos, num_clusters):
    # Extraer características relevantes de los contenidos
    caracteristicas = extraer_caracteristicas(contenidos)
    
    # Aplicar el algoritmo de clustering (por ejemplo, K-means)
    kmeans = KMeans(n_clusters=num_clusters)
    kmeans.fit(caracteristicas)
    
    # Asignar una etiqueta de cluster a cada contenido
    etiquetas_clusters = kmeans.predict(caracteristicas)
    
    # Agregar la etiqueta de cluster a cada contenido
    for i, contenido in enumerate(contenidos):
        contenido.etiqueta_cluster = etiquetas_clusters[i]
    
    return contenidos

Algoritmo para obtener la recomendación de contenidos basado en los clusters y las preferencias del estudiante:

pythonCopy codedef obtener_recomendacion_clusters(estudiante, contenidos):
    # Filtrar los contenidos según los intereses del estudiante
    contenidos_filtrados = [contenido for contenido in contenidos if contenido.tema in estudiante.intereses]
    
    # Calcular la frecuencia de cada cluster en los contenidos filtrados
    frecuencia_clusters = {}
    for contenido in contenidos_filtrados:
        if contenido.etiqueta_cluster in frecuencia_clusters:
            frecuencia_clusters[contenido.etiqueta_cluster] += 1
        else:
            frecuencia_clusters[contenido.etiqueta_cluster] = 1
    
    # Ordenar los clusters según la frecuencia
    clusters_ordenados = sorted(frecuencia_clusters, key=frecuencia_clusters.get, reverse=True)
    
    # Retornar los contenidos recomendados de los clusters más frecuentes
    contenidos_recomendados = [contenido for contenido in contenidos_filtrados if contenido.etiqueta_cluster in clusters_ordenados[:5]]
    
    return contenidos_recomendados

Estos algoritmos utilizan el aprendizaje no supervisado, en este caso, clustering, para agrupar los contenidos en función de características similares y luego recomendar los contenidos más relevantes según los intereses del estudiante y la frecuencia de los clusters. Ten en cuenta que el algoritmo extraer_caracteristicas debe ser adaptado para extraer características adecuadas de los contenidos, como vectores de características numéricas o representaciones de texto.

Por lo que proponemos un ubicuo e innovador entorno de aprendizaje llamada, basado en el rendimiento de e-learning , costo de adaptación eficiente ,, que proporciona apoyo a la selección y distribución de los diferentes elementos que hemos mencionado para un buen aprendizaje 2.0, personalización de un aprendizaje rico en contenidos de medios (por ejemplo; multimedia, imágenes, gráficos y texto), que se adapte de manera personalizada y socializadora a la vez a e-learning, lo que nosotros venimos llamando E-LEARNING-INCLUSIVO, tal como se adaptará mejor a los intereses de los usuarios y objetivos, satisfaciendo sus preferencias de formato y las limitaciones de costo, al considerar las limitaciones introducidas por los dispositivos de usuario final y las redes de distribución para el usuario:

Selección y distribución eficiente de elementos: El sistema utiliza algoritmos y técnicas de análisis de datos para seleccionar y distribuir de manera eficiente los diferentes elementos de aprendizaje, como materiales, actividades y recursos, de acuerdo con las necesidades y preferencias de los estudiantes.
Aprendizaje 2.0: Se basa en el concepto de aprendizaje 2.0, que enfatiza la colaboración, la participación activa y el acceso a información en línea. El aprendizaje 2.0 se apoya en herramientas y plataformas digitales para fomentar la interacción y el intercambio de conocimientos entre los estudiantes.
Personalización del aprendizaje: El enfoque busca adaptar el contenido y la entrega del aprendizaje de acuerdo con las características individuales de cada estudiante, como sus preferencias de aprendizaje, nivel de conocimiento y estilo de aprendizaje. Esto se logra mediante el uso de algoritmos de recomendación y análisis de datos para ofrecer contenido relevante y adaptado a las necesidades de cada estudiante.
Contenidos ricos en medios: El aprendizaje se enriquece con una variedad de recursos de medios, como multimedia e imágenes, para mejorar la comprensión y la experiencia de aprendizaje. Estos recursos pueden incluir videos, imágenes interactivas, simulaciones y otros elementos multimedia que ayuden a visualizar conceptos y facilitar la retención de información.

Objetivo principal de pavo real es maximizar en los usuarios, la experiencia de aprendizaje y aumentar su satisfacción por el aprendizaje y con ello conseguir la excelencia de cada uno según sus posibilidades.

Entraremos de lleno en aspectos como:

-¿cómo aprenden las personas en ambientes virtuales?,

-¿cuáles son los puntos de similitud con el aprendizaje en ambientes presenciales y cuáles las diferencias?;

-¿cuáles son los procesos, principales y sus características en términos de interacción humana, que se producen en los aprendizajes en los ambientes virtuales?;

-¿y en términos de interacción hombre-máquina?, pensando siempre que el Usuario es el centro del proceso y los demás elementos (Sistema) estarán a su servicio.

-¿cuáles son los recursos más adecuados para potenciar el aprendizaje virtual?;

-En particular, ¿qué papel juegan los objetos de aprendizaje en el aprendizaje virtual?;

-¿y qué decir respecto a los Diseños de Aprendizaje o Learning Design?;

-¿cómo se pueden construir repositorios que ofrezcan las mejores funcionalidades para sus potenciales usuarios?;

-¿qué cualidades tendrían que tener las plataformas que gestionen el aprendizaje virtual ?,

Podemos establecer una serie de preguntas que nos guían hacia donde va nuestro trabajo online:

a-¿Cómo aprenden las personas en ambientes virtuales?,

b-¿cuáles son los puntos de similitud con el aprendizaje en ambientes presenciales y cuáles las diferencias?;

c-¿Cuáles son los procesos, principales y sus características en términos de interacción humana, que se producen en los aprendizajes en los ambientes virtuales?;

d-¿Y en términos de interacción hombre-máquina?, pensando siempre que el Usuario es el centro del proceso y los demás elementos (Sistema) estarán a su servicio.

e-¿Cuáles son los recursos más adecuados para potenciar el aprendizaje virtual?;

f-¿Qué papel juegan los objetos de aprendizaje en el aprendizaje virtual?;

g- ¿Qué decir respecto a los Diseños de Aprendizaje o Learning Design?;

h-¿Cómo se pueden construir repositorios que ofrezcan las mejores funcionalidades para sus potenciales usuarios?;

i-¿Qué cualidades tendrían que tener las plataformas que gestionen el aprendizaje virtual ?,

j-¿Qué decir de las herramientas de autor para facilitar la construcción de materiales para el aprendizaje virtual?…pensando en su carácter inclusivo y diferenciador, pero tomándolo cómo un enrequicimiento.

k-¿Cuál es el impacto que tiene las diferentes tecnologías, la forma en que se usan, y sus características en el aprendizaje de las personas?;

l-¿Que impacto tiene web 2.0?;

m-¿Cómo organizar el aprendizaje virtual en escenarios web 2.0?

n-¿Qué papel juegan los Personal Learning Environment?, (PLE, PLN)

o-¿Pueden servir como núcleos organizadores del aprendizaje en web 2.0?

p-¿Cómo pasar de escenarios virtuales tradicionales mediados por plataformas convencionales haca escenarios en los que las redes sociales son el motor y centro de la interacción humana?…teniendo presente, por encima de todo la accesibilidad y la usabilidad de las mismas?…

q-¿Cómo preguntar a la web para obtener información inteligente?

r-¿Cómo usar los recursos de la web semántica para refinar la interacción con la web hacia una interacción más inteligente?

s-¿Cómo influirá ello en el aprendizaje?…buscar escenarios en 3D que simulen, mediante realidad virtual y aumentada, escenarios reales, para que de esta manera pdamos llegar a los mismos después de la retroacción que nos permitirá este trabajo?

t–¿Qué significa calidad en e-leaning?

u-¿Cuáles son los indicadores esenciales de la calidad?

v-¿Cómo evaluarlos?…buscar rúbricas, que no sólo nos digan los resultados, si no que nos permitan la observación de procedimientos concretos, para después establecer cauces nuevos y más adecuados?.

Todo ello nos conduce a unos Objetivos de cómo implementaríamos posteriormente dentro de la misma INVESTIGACIÓN una evaluación inclusiva continuada y flexible con elearninging, lo que a su vez significará un aprendizaje:

a• Reflexionar en torno a los puntos fuertes y débiles detectados en el ámbito de la cultura, la gestión y prácticas educativas.

b• Contar con información relevante para tomar decisiones adecuadas de cambio en la perspectiva de la inclusión.

c• Iniciar procesos de mejoramiento tendientes a incrementar los niveles de participación, aprendizaje y logros de todos los Usuarios-estudiantes.

d• Fortalecer sus capacidades para atender la diversidad del alumnado y las necesidades educativas especiales que algunos pueden presentar.

e• Reducir las actitudes y prácticas que generan discriminación y exclusión.

Emplearmos formas inclusivas en las investigaciones científicas tanto en lo referido a la búsqueda de la exceencia personalizada como en la diversidad de situaciones y contextos para que de esta forman aporten un valor añadido que antes y con otras modalidades nunca habíamos tenido.

Y todo ello lo conseguiremos mediante tres ejes clave para una respuesta adecuada a las diferencias son:

a-Accesibilidad: disponibilidad de medidas, ayudas y recursos de apoyo adicionales orientados a facilitar el acceso, la movilidad, la comunicación, la participación y el aprendizaje de todo el alumnado

b-Flexibilidad y adaptabilidad: capacidad de la escuela para enriquecer y adaptar el currículo y la enseñanza a la diversidad de necesidades de aprendizaje del alumnado.

c-Clima socio emocional: ambiente socio emocional de acogida y valoración de las diferencias y potencialidades individuales para favorecer el desarrollo de todos los estudiantes.

Creo que las instituciones van a tener que ser mucho más flexibles cuando se trata de aprendizaje online (elearning) el cuál inexorablemente nos va a conducir a otro de mucho más cómodo y penetrante en la propia sociedad, el móvil.

Ello significará ceder una parte del control a fin de que los estudiantes se sientan cómodos con ello. Por ejemplo, no van a ser capaces de controlar exactamente lo qué hacen los estudiantes en todo y van a tener que ofrecer diferentes vías parar obtener y entregarles contenido, o mejor aún, no saber que tipo de contenido se buscan ellos mismos… por ejemplo no sólo a través de internet móvil, por SMS o transferencia bluetooth… por dar cuenta de la amplia gama de dispositivos móviles que tienen los estudiantes.

En la variedad de aprendizajes enriquecidos con las tecnologías podemos hasta preguntarnos si el E-learning, es o no un aprendizaje móvil, cuestión interesante ya que lleva a mucha confusión…

No creo que el uso de un dispositivo móvil para replicar el aprendizaje que se puede hacer en un ordenador de escritorio y decir que es el aprendizaje móvil necesariamente pone el listón demasiado bajo. De hecho, la definición de aprendizaje móvil como una experiencia de aprendizaje que es “únicamente móvil”, crea un parámetro demasiado estrecho que en última instancia limita la potencia real de aprendizaje móvil.

En mi humilde opinión, creo que el verdadero poder del aprendizaje móvil está en la capacidad de uno para replicar el aprendizaje en un dispositivo móvil y luego usar las funciones de gran alcance únicamente de un dispositivo móvil (es decir, el aprendizaje a distancia) para mejorarlo.

No todos los dispositivos móviles son la pantalla táctil y definirlo como tal crea una definición demasiado estrecha de aprendizaje móvil. IPods tradicionales pueden ser utilizados para ayudar a los estudiantes a escuchar audiolibros o leer el texto. Blackberries son dispositivos móviles que también pueden ser utilizados para mlearning pero muchos modelos no son pantallas táctiles…

• Mi opinión: ser “únicamente móvil” es una definición demasiado estrecha para el aprendizaje móvil.

En esencia, esto es una cuestión de definición. En la definición de aprendizaje móvil, creo que tenemos que centrarnos más en la actividad de aprendizaje a distancia utilizando un dispositivo móvil y no en los propios dispositivos.

Representación de la diferencia entre e-learning y m-learning utilizando árboles y algoritmos en Python:

Árbol de decisión:

markdownCopy code                  Tipo de Aprendizaje
                   /              \
            e-learning           m-learning

Algoritmo para diferenciar entre e-learning y m-learning:

pythonCopy codedef diferenciar_aprendizaje(tipo_aprendizaje):
    if tipo_aprendizaje == "e-learning":
        return "El aprendizaje se realiza a través de plataformas en línea, como cursos en línea, plataformas de gestión del aprendizaje, etc. Se accede a través de dispositivos como computadoras de escritorio o portátiles."
    elif tipo_aprendizaje == "m-learning":
        return "El aprendizaje se realiza a través de dispositivos móviles, como teléfonos inteligentes, tabletas, etc. Se accede a través de aplicaciones móviles o sitios web móviles y permite el aprendizaje en cualquier momento y lugar."
    else:
        return "Tipo de aprendizaje no válido. Por favor, seleccione e-learning o m-learning."

En el árbol de decisión, la diferencia se establece en el tipo de aprendizaje. Si el tipo de aprendizaje es «e-learning», se refiere al aprendizaje en línea a través de plataformas web. Si el tipo de aprendizaje es «m-learning», se refiere al aprendizaje móvil realizado a través de dispositivos móviles.

El algoritmo en Python permite diferenciar entre e-learning y m-learning según el tipo de aprendizaje proporcionado como entrada. Retorna una descripción del tipo de aprendizaje seleccionado.

Estos ejemplos ilustran la diferencia entre e-learning y m-learning utilizando árboles y algoritmos en Python para distinguir entre ambos conceptos.

Aprendiendo sobre la marcha mediante la conexión a Internet para acceder / crear contenido tanto dentro como fuera de la jornada escolar y el edificio de la escuela – esto si es aprendizaj móvil, pero no limitado a, escuchar audiolibros o leer información preliminar sobre un tema en Wikipedia; va más allá, se refiere a aprender desde cualquer sitio, sin límites de espacios, y sin tener el tiempo, ya sea inmediato o diferido (sin límites de tiempo), lo cuál hace que es aprendizaje personalizado y por tanto persona, sea la base de esta modalidad, la esencia del aprendizaje del futuro, un aprendizaje a la carta donde el aprendiz es el responsable de lo que hace, cuando lo hace y cómo lo hace…

• Es participar en el lugar, justo a tiempo de aprendizaje utilizando un dispositivo móvil con acceso a Internet, la mayor base de datos de información de las personas que hemos creado…

Es participar en conversaciones con otros estudiantes / colegas sobre el contenido de aprendizaje desde donde uno se encuentra a través de Internet.

Por lo tanto, ¿eLearning con Tablets es realmente mLearning? Sí. mLearning es e-Learning y mucho más.

Las cosas, por fin, están cambiando. Ahora, es cuando los líderes de aprendizaje deben llamar en busca de talento y deben buscar a alguien con experiencia móvil. No será el primero en su lista, pero aparece en la parte superior y no solo eso, es fundamental para orquestar cualquier estructura, organización y funcionamiento de cualquier aprendizaje…

El Mobile Learning hace que pasemos de la capacitación al desempeño, es decir, de la teoría al a práctica de cada día, a lo natural, tanto en aprendizajes como en trabajo… (Juandon)

Ventajas del aprendizaje móvil y algunos ejemplos del mundo real de cómo empezar.

• El aprendizaje móvil es conveniente y fácil para todos:

La comodidad es clave para su aprobación -. Si usted hace algo difícil, es menos probable que quieran participar. El aprendizaje móvil pone el evento y el aprendizaje de actualización literalmente en la palma de su mano. Imagine utilizar un vídeo de entrenamiento corto con su equipo de ventas que les recuerda que deben centrarse en los beneficios y características de su nuevo producto.

• El aprendizaje móvil es relevante.

El Aprendizaje móvil le proporciona al estudiante lo que necesita, cuando lo necesita. Es relevante para el trabajo a mano y se puede llegar a ella rápidamente y fácilmente con el dispositivo que tiene justo en frente de ellos ya. Un rápido móvil curso de actualización (creo 1-2 minutos como máximo) en la forma de procesar una reclamación después de una actualización de cumplimiento será muy útil para su equipo – especialmente Suzie que estaba de vacaciones el día en que todo el mundo las drogas en un grande, todas las reuniones de departamento anunciar que la línea 5a ahora es obligatorio en su forma larga ya super. Darles lo que necesitan y hacerles acceder a él cuando lo necesitan. (Consejo -. Es cuando tienen que realizar la función)

• El aprendizaje móvil pone orientadores pone a su alcance y por tanto un aprendizaje personalizado/personal

Nos encanta la idea de usar el formato corto de vídeos en un iPad o un teléfono inteligente en combinación con herramientas como Skype o mensajería instantánea para crear una experiencia más social y colaborativo de aprendizaje. MLearning puede ser mucho menos formal y se presta bien a la dinámica de una relación de guías. Puede ser un tira y afloja, dar y tomar instrumento para fomentar la buena comunicación. El mentor puede crear una rápida de 60 segundos de vídeo acerca de cómo manejar una objeción cliente en particular y pedir al aprendiz para información específica. El aprendiz podría entonces responder a través de texto, mensajería instantánea o correo electrónico. Eso mantiene la conversación y se convierte en una verdadera experiencia de aprendizaje – no sólo un curso marcado como una lista.

• Hay muchas razones porqué un móvil es una gran herramienta para el aprendizaje. El caso más fuerte es que la mayoría de los ciudadanos ya tienen la tecnología.

Comience con un piloto de pruebas – piense en un departamento con alta rotación, o un gerente de marca nueva, o el director de un centro educativo, o incluso cómo se puede comunicar un nuevo procedimiento a los representantes de campo. El aprendizaje móvil mejora sus programas de aprendizaje existentes, lo utilizan (bueno) y verás mejoras notables en el rendimiento de su organización.

En años recientes, la tecnología y las herramientas disponibles para el aprendizaje han cambiado drásticamente, pero las metodologías de enseñanza y aprendizaje no han cambiado significativamente y las metodologías tradicionales de enseñanza han sido aplicadas a nuevos métodos de entrega.

Movilidad y Ubicuidad

• El aprendizaje móvil puede ocurrir en cualquier momento y en cualquier lugar.

Los aspectos únicos de las ventajas del contexto de aprendizaje móviles actuales y los desafíos que deben ser considerados en el desarrollo de un conjunto efectivo de los principios de diseño instruccional para guiar el desarrollo de contenido móvil. Comprender las diferencias entre el contexto de aprendizaje móvil y otros contextos de aprendizaje puede ofrecer importantes ventajas a los instructores y alumnos. Siete ventajas únicas para el aprendizaje móvil y cinco desafíos relacionados se muestran en la Tabla 1.

Mobile Learning Advantage Contexto

Desafío contexto relacionado

El aprendizaje es contextual

El aprendizaje puede ser fragmentado

El aprendizaje puede ser personalizado

La falta de capacitación de los instructores y el control

Entrega de aprendizaje es más flexible

La tecnología también presenta limitaciones

El aprendizaje es centrado en el aprendizaje

Distintos niveles de fluidez digital

El aprendizaje en entornos no tradicionales

Impacto de las distracciones externas

El aprendizaje es inmediatamente utilizable

Facilita el aprendizaje permanente -Mobile Learning Ventajas Contexto y desafíos. El entorno de aprendizaje móvil ofrece a los diseñadores instruccionales una oportunidad para re-imaginar la educación y de redefinir la relación entre profesor y alumno.

Los siguientes seis principios de diseño instruccional se recomiendan como un marco para el diseño instruccional móvil:

(a) desarrollar una interfaz sencilla e intuitiva,

(b) integrar la interactividad y multimedia,

(c) construir lecciones cortas, modulares y actividades;

(d) diseño de actividades que son interesantes y entretenidas,

(e) diseño de contenidos que es contextual, pertinente y valioso para el estudiante,

(f) considerar just-in-time

Seis Principios Mobile diseño instruccional para la Educación de Adultos

Principio # 1: Desarrollar una interfaz de diseño sencillo e intuitivoLa facilidad de uso debe ser simple y consistente para permitir a los estudiantes a aprender de forma rápida y sencilla de cómo utilizar la interfaz.

Principio # 2: Integración multimedia e interactiva

Tomar ventaja de formatos multimedia (audio y vídeo) a través de texto, debido a la pequeña pantalla de pantalla de la mayoría de los dispositivos móviles.

Principio # 3: Crear lecciones cortas, modulares y actividades

Diseñar trozos pequeños para facilitar su integración en las apretadas agendas y competir con éxito contra otras distracciones.

Principio # 4: Diseño de contenido que sea atractivo y entretenido

Actividades diseñadas para involucrar a los estudiantes debe ser aplicable, entretenido, y adaptado a las necesidades de cada día.

Principio # 5: Diseño de contenido que es contextual, pertinente y valioso para el estudiante

Porque el aprendizaje móvil puede ser sensible al contexto, utilizar la capacidad de reunir y dar respuesta a los datos reales o simuladas únicas para la ubicación actual, el medio ambiente y el tiempo.

Principio # 6: Diseño de contenido para la entrega just-in-time

Just-in-time mejora la eficiencia al proporcionar apoyo e información a las prioridades inmediatas del alumno.

Visto todo esto ¿es posible mejorar el aprendizaje con elearning? ¿o hemos hablado de otro elearning? ¿o nada tiene que ver elearning?…

juandon

Webgrafía:

• https://juandomingofarnos.wordpress.com Juan Domingo Farnós

• http://mobimooc.wikispaces.com/a+MobiMOOC+hello%21Igne de Waard

• http://www.quinnovation.com/Clark Quinn

• http://blogs.elpunt.cat/marcamacho/Mar Camacho

• http://www.judybrown.com/Judy Brown

Bibliografía:

•Gibbons, C., Wang, R., & Wiesemes, R. (2010). El desarrollo de la fluidez digitales ubicuos a través de dispositivos móviles: Los resultados de un estudio a pequeña escalaComputadoras y Educación, 58 (1), 570-578.. doi: 10.1016/j.compedu.2011.04.013

•Haag, J. (2011). De eLearning para mLearning: La efectividad de la entrega del curso móviles. Advanced Distributed Learning Initiative. Obtenido de Aprendizaje Distribuido Avanzado sitio web .

•Ozdamli, F. (2011). Un sistema pedagógico de m-learning Procedia -. Ciencias Sociales y del Comportamiento, 31 (0), 927-931. doi: 10.1016/j.sbspro.2011.12.171

•Park, Y. (2011). Un marco pedagógico para el aprendizaje móvil: Categorización de las aplicaciones educativas de las tecnologías móviles en cuatro tipos de la Revista Internacional de Investigación en Educación Abierta ya Distancia, 12 (2), 78-102..

•Ronchetti, M., & Trifonova, A. (2003). ¿Dónde se va el aprendizaje móvil. Actas de la Conferencia Mundial sobre E-learning en las empresas, Gobierno, Salud, y Educación Superior (E-Learn 2003) (pp. 7-11).

•Investigación Paper Autor: Andrea Dillard, director del programa, GP Strategies Corporación http://blog.ej4.com/2012/09/3-benefits-of-mobile-learning-where-to-use-it/ Beneficios de utilizar el Mobile Learning.

Artículos académicos y libros:

Clark, R. C., & Mayer, R. E. (2016). E-learning and the Science of Instruction: Proven Guidelines for Consumers and Designers of Multimedia Learning. Wiley.
Ally, M. (2009). Mobile Learning: Transforming the Delivery of Education and Training. Athabasca University Press.
Sharples, M., Taylor, J., & Vavoula, G. (Eds.). (2007). Towards a Theory of Mobile Learning. Proceedings of mLearn 2007 Conference, University of Technology, Sydney.
Siemens, G. (2004). Connectivism: A Learning Theory for the Digital Age. International Journal of Instructional Technology and Distance Learning, 2(1), 3-10.

Entrevistas y citas:

Entrevista con Stephen Downes sobre e-learning y aprendizaje en línea: https://www.edutopia.org/online-learning-stephen-downes-video
Cita de Marc Prensky sobre m-learning: «Mobile learning is the future of education.» – Marc Prensky

Tesis y trabajos académicos:

Puedes consultar los repositorios de tesis y trabajos académicos de universidades para encontrar investigaciones específicas relacionadas con e-learning y m-learning. Algunas universidades prominentes en el campo de la educación y la tecnología incluyen:

Stanford University
Massachusetts Institute of Technology (MIT)
Harvard University
University of California, Berkeley
Oxford University

Bani-Hani, N. (2020). E-learning adoption during the COVID-19 pandemic: Applying the UTAUT model. International Journal of Emerging Technologies in Learning, 15(11), 150-167.
Plass, J. L., Homer, B. D., & Kinzer, C. K. (2015). Foundations of Game-Based Learning. Educational Psychologist, 50(4), 258-283.
Khribi, M. K., & Jemni, M. (Eds.). (2020). Artificial Intelligence in Education: 21st International Conference, AIED 2020, Ifrane, Morocco, July 6–10, 2020, Proceedings. Springer.
Farnos, J. D. (2019). Disruptive Education: Learning with Artificial Intelligence. Springer.
Parra, D., & Ruiz-Rube, I. (2021). Pedagogical Strategies for Mobile Learning in Higher Education: A Systematic Literature Review. Sustainability, 13(14), 7976.
Yu, H., Chau, J., & Chen, S. (2018). Enhancing m-Learning Performance Using an Adaptive Weighted Affective Evaluation Model. IEEE Access, 6, 50084-50094.
Winters, N. (2020). How Artificial Intelligence Will Revolutionize Online Learning. eLearning Industry. [Artículo en línea]. Disponible en: https://elearningindustry.com/artificial-intelligence-revolutionize-online-learning
Kukulska-Hulme, A., & Traxler, J. (2005). Mobile Learning: A Handbook for Educators and Trainers. Routledge.
Bosch, T. E. (2016). Using Online Social Networks for Teaching and Learning: Facebook Use at the University of Cape Town. Communicatio, 42(2), 183-206.
López-Nores, M., Blanco-Fernández, Y., & Pazos-Arias, J. J. (2020). Artificial intelligence and personalized adaptive learning for the enhancement of e-learning experiences. International Journal of Human-Computer Interaction, 36(15), 1429-1442.
Siemens, G., & Baker, R. S. (Eds.). (2012). Learning Analytics: Measurement Innovations to Support Learner-Centric Educational Paradigms. Society for Learning Analytics Research.
Khan, B. H. (2017). Learning Management Systems and Instructional Design: Best Practices in Online Education. Routledge.
Sharma, P., & Barrett, B. (2019). Blended Learning: Using Technology in and beyond the Language Classroom. Oxford University Press.
En español:
Area, M., & Adell, J. (Eds.). (2016). Aprendizaje Ubicuo: La integración de las tecnologías en la educación. Octaedro.
Roig-Vila, R., & Fiorucci, M. (2018). Aprendizaje invisible: Hacia una nueva ecología de la educación. Octaedro.
En chino (mandarín):
Deng, L., & Liu, S. (2017). Artificial Intelligence in Education: Technologies, Techniques, and Applications. Springer.
Zhang, L., & Song, W. (2018). Mobile Learning in Foreign Language Education: A Chinese Perspective. Routledge.
En hindi (indio):
Singh, G. (2016). Mobile Learning: Transforming the Delivery of Education and Training. Bloomsbury Publishing India.
Joshi, A., & Srivastava, S. (2020). Artificial Intelligence in Education: Role, Prospects, and Challenges. International Journal of Artificial Intelligence in Education, 30(4), 540-563.
En francés:
Peraya, D. (2013). Les technologies de l’information et de la communication en formation. Presses polytechniques et universitaires romandes.
Pernin, J. P., & Tchounikine, P. (2016). Ingénierie des Environnements Informatiques pour l’Apprentissage Humain (EIAH). Hermès Science.
En alemán:
Kerres, M., & Witt, C. (2019). Handbuch E-Learning: Expertenwissen aus Wissenschaft und Praxis. Carl Link Verlag.
Hoppe, H. U., & Schrader, J. (Hrsg.). (2019). Künstliche Intelligenz in der Bildung: Zeitgemäße Technologien und Konzepte für lernförderliche und effiziente Bildungsprozesse. Springer.
En italiano:
Bottino, R. M., & Ott, M. (Eds.). (2014). Tecnologie per l’apprendimento. Carocci Editore.
Persico, D., & Pozzi, F. (2019). Didattica digitale: Concetti, strumenti, esperienze. Erickson

Aprendizaje disruptivo: Farnos defiende un enfoque disruptivo del aprendizaje, que se basa en la idea de romper con los modelos tradicionales y centrarse en la personalización, la colaboración y la integración de la tecnología en los procesos educativos.
Aprendizaje ubicuo: Farnos destaca la importancia de un entorno de aprendizaje ubicuo, donde el aprendizaje no se limita a un lugar o momento específico, sino que está disponible en cualquier momento y lugar, aprovechando las tecnologías móviles y la conectividad.
Personalización del aprendizaje: Farnos aboga por una educación personalizada, donde los estudiantes tienen la capacidad de elegir su propio camino de aprendizaje, adaptando los contenidos y recursos a sus intereses, necesidades y ritmo de aprendizaje.
Integración de IA en la educación: Farnos explora cómo la inteligencia artificial puede mejorar los procesos de enseñanza y aprendizaje, brindando herramientas y recursos inteligentes que se adaptan a las características individuales de los estudiantes y brindan retroalimentación personalizada.
Enfoque centrado en el estudiante: Farnos destaca la importancia de poner al estudiante en el centro del proceso educativo, fomentando su participación activa, autonomía y colaboración con otros compañeros y docentes.

juandon. Innovación y conocimiento

La búsqueda del conocimiento en una Sociedad de la Inteligencia