Miguel Zapata-Ros, Universidad de Alcalá

Éste es el segundo de una serie de posts que sobre este tema, y con este título, constituirán un artículo en el número 57 de RED, especial dedicado a la “Web social y sistemas inteligentes de gestión del aprendizaje en Educación Superior”. En la entrada anterior se introduce el tema y se hace una sucinta revisión de la literatura.

La transición de los LMS a los Sistemas inteligentes de gestión del aprendizaje (Smart Learning Environment SLE) en Educación Superior.

(Ensayo y revisión de la literatura)

 

Aprendizaje inteligente

Los sistemas de aprendizaje inteligente, desde el punto de vista que vamos a desarrollar, constituyen una evolución de los sistemas adaptativos de aprendizaje y de los sistemas de aprendizaje sensibles y conscientes del contexto, a los que se han añadido las posibilidades de ayuda pedagógica que posibilitan las herramientas de detección y de recomendación que presta la Inteligencia artificial. De manera que no podremos entender el constructo aprendizaje inteligente sin hacer referencia a estos entornos.

Así entenderemos que “aprendizaje inteligente” es aquél aprendizaje que pueden desencadenar y producir los sistemas de aprendizaje inteligente, y que se puede entender de forma diferenciado por las funciones y efectos que no se pueden realizar en ambientes de aprendizaje adaptativo y de aprendizaje contextualizado [el aprendizaje social y el aprendizaje colaborativo de esta forma se puede entender como una subcategoría del aprendizaje contextualizado] sin excluirlas. De esta forma se puede decir que el aprendizaje inteligente es el aprendizaje adaptativo y contextualizado con mecanismos de detección, de respuesta y de recomendación.

Así, como veremos en el apartado siguiente, los “entornos de aprendizaje inteligentes” pueden considerarse, a partir de la definición de Hwang et al (2008), como entornos de aprendizaje apoyados por la tecnología que realizan adaptaciones y brindan el soporte adecuado con la tecnología de detección y de recomendación (por ejemplo, orientación, retroalimentación, consejos o herramientas) en los lugares adecuados y en el momento oportuno, según las necesidades individuales de cada alumnos, determinados mediante el análisis de sus comportamientos de aprendizaje, su trayectoria de rendimiento y los contextos en línea y del mundo real en los que se encuentran tanto grupales y sociales como compuesto por los recursos de que se provee o a los que accede, descarga, lee o elabora.

Diferencias entre aprendizaje en entornos inteligentes, aprendizaje por contexto y aprendizaje inclusivo

Hemos dicho que el aprendizaje inteligente como apoyo a los alumnos en la tutoría y en la entrega de materiales se considera una evolución del aprendizaje adaptativo y del aprendizaje contextualizado, o sensible al contexto.

Por tanto ninguno de los dos puede considerarse como estado óptimo de aprendizaje apoyado por la tecnología, al que llamaremos aprendizaje inteligente en lo sucesivo.

Como veremos igualmente en el apartado siguiente, y consecuentemente con la distinción anterior, un entorno de aprendizaje inteligente no sólo es el que permite a los estudiantes acceder a recursos digitales e interactuar mediante un sistema adecuado de aprendizaje en cualquier lugar y en cualquier momento, sino que también proporciona activamente y dinámicamente una guía de aprendizaje, orientaciones, affordances de apoyo o propuestas de actividades de aprendizaje necesarias y adecuadas a los objetivos y a su situación de aprendizajes, en el lugar adecuado, en el momento oportuno y en la forma correcta.

Hay varias características que hacen que una noción tan innovadora de aprendizaje, como es la de aprendizaje inteligente, vaya más allá de la combinación de las dos de donde procede. En lo que sigue se proporcionan elementos de discusión en profundidad para definir claramente el “entorno de aprendizaje inteligente” y su marco teniendo como referencia lo que hace o cómo se produce en relación a sus predecesores, es decir haciendo una comparación entre entornos de aprendizaje adaptativos, entornos de aprendizaje ubicuos conscientes del contexto y sistemas de tutoría inteligentes.

Sobre la base de esos criterios y en ese marco, en la Tabla 1, obtenida a partir del trabajo anterior de  Hwang (2014) se presenta una comparación de un entorno de aprendizaje inteligente, un entorno de aprendizaje basado en el contexto y un entorno de aprendizaje adaptativo convencional. Se puede ver que un entorno de aprendizaje inteligente es más que una combinación de u-learning consciente del contexto y aprendizaje adaptativo. En particular, guía a los estudiantes a hacer lo correcto (es decir, las tareas que son más factibles e importantes para el alumno en este momento) de la manera correcta (es decir, con herramientas o estrategias de aprendizaje efectivas) en el momento adecuado y en el derecho lugar basado en el estado de aprendizaje en línea y del mundo real de los estudiantes individuales, así como sus factores personales.

Tabla 1.- Comparación del aprendizaje inteligente con los sistemas de aprendizaje por contexto y con el aprendizaje adaptativo

	Aprendizaje inteligente	Aprendizaje contextualizado	Aprendizaje adaptativo
Detecta y tiene en cuenta los contextos del mundo real del alumno	Sí	Sí	No
Sitúa a los alumnos en escenarios del mundo real,  para que completen su aprendizaje en condiciones que puedan aplicar lo aprendido con autonomía y transfiriéndolo a situaciones diferentes[1]	Sí	Sí	No
Adapta contenidos y situaciones de aprendizaje para alumnos individuales	Sí	No	Sí
Adapta la interfaz y las affordances de aprendizaje para alumnos individuales	Sí	No	Sí
Adapta tareas u objetivos de aprendizaje para alumnos individuales, y los criterios de evaluación, cómo alcanza los logros	Sí	No	No
Proporciona comentarios personalizados y orientaciones	Sí	Sí	Sí
Proporciona comentarios personalizados y orientaciones como resultado de sistemas de recomendación	Sí	No	No
Proporciona orientación de aprendizaje, apoyo y regulación en la entrega de materiales en todas las disciplinas	Sí	No	No
Proporciona orientación de aprendizaje o apoyo en todos los contextos (por ejemplo, en los salones de clase, en los campus de las escuelas, en la biblioteca, en casa y en la calle)	Sí	Sí	No
Recomienda herramientas o estrategias de aprendizaje específicas para cada situación	Sí	No	No
Tiene en cuenta la situación y las condiciones de aprendizaje en línea de los estudiantes	Sí	No	Sí
Tiene en cuenta la situación de aprendizaje en el mundo real de los estudiantes	Sí	Sí	No
Facilita tanto el aprendizaje formal como el informal	Sí	Sí	No
Tiene en cuenta los múltiples y diversos factores personales y ambientales del alumno (en relación con aspectos relacionados con el aprendizaje. Por ejemplo, necesidades de aprendizaje, preferencias, hábitos, horarios y contexto del mundo real)	Sí	No	No
Utiliza sistemas de recomendación a partir de lo detectado, y que se describe en los apartados anteriores	Sí	No	No
Interactúa con los usuarios a través de múltiples canales (por ejemplo teléfonos inteligentes, affordances sociales u otros medios informáticos ubicuos)	Sí	Sí	No
Brinda apoyo a los alumnos con “adaptación anticipada” al desarrollo o la ejecución de actividades  en contextos reales y virtuales	Sí	No	No
Brinda apoyo a los alumnos con “adaptaciones en progreso” en contextos reales y virtuales	Sí	No	No

 

Los entornos inteligentes de aprendizaje

Qué son los entornos inteligentes de aprendizaje. Definición, criterios y marco de un entorno de aprendizaje inteligente.

Así, a partir de lo dicho para los entornos inteligentes de gestión del aprendizaje, y desde la posibilidad de que el aprendizaje sea ubicuo y sensible al contexto, es decir de que pueda crear y detectar y procesar las interacciones entre los estudiantes y de ellos con el ambiente, proporcionando recomendaciones podemos hablar de entornos inteligentes de aprendizaje.

Por tanto, siguiendo lo dicho por Hwang et al (2008) y añadiendo la consideración de las posibilidades de recomendación que permite la tecnología inteligente, podemos decir que

Los “entornos de aprendizaje inteligentes” pueden considerarse como aquellos entornos de aprendizaje apoyados por la tecnología que realizan recomendaciones, adaptaciones de la ayuda al individuo (por ejemplo, orientación, retroalimentación, consejos o affordances),  y que proporcionan el soporte adecuado para ello en el   lugar en que se produce la necesidad de la ayuda, en el momento oportuno según las necesidades individuales de los alumnos, y en la forma más eficiente. Coordenadas que podrían determinarse mediante el análisis de los comportamientos de aprendizaje, el rendimiento anterior y en proceso y los contextos del estudiante, tanto en línea como del mundo real.

Obviamente una consideración nueva que aparece es la de la distribución del  tiempo del alumno, la diferenciación entre ocio y trabajo.  En un entorno de aprendizaje no existe una cantidad de tiempo fijo y libre. No porque se le quite el ocio, que ahora lo tendrá igualmente y posiblemente más sino que recibirá consejos y aportaciones incluso en su tiempo libre, es como un sabio amigo. Este sistema tiene como objetivo ayudar a los alumnos a aprender incluso cuando tiene otras relaciones o realizan otras actividades. Es el amigo aventajado, o el profesor amigo, que busca oportunidades para asesorar al estudiante en su vida diaria teniendo en cuenta sus necesidades y preferencias. Obviamente esto es una ventaja pero igualmente puede ser considerado como algo intrusivo, en cualquier caso los conceptos de disposición y de distribución del tiempo cambian, como cambian en otros órdenes estos conceptos con relación al trabajo en la sociedad del conocimiento. Y esto tendrá repercusiones evidentes para la configuración de espacios universitarios, espacios de aprendizaje y espacios vitales.

Por tanto podemos visto lo anterior podemos definir un entorno inteligente de aprendizaje como aquél que cumple los criterios potenciales siguientes:

1. Es sensible y consciente del contexto y puede elaborar recomendaciones en función de él. Es decir detecta la situación del alumno en su contexto en el mundo real, y puede proporcionar ayuda al alumno en función de ella.

 

2. Es adaptativo. Puede ofrecer apoyo instantáneo y adaptado a los alumnos mediante el análisis inmediato de las necesidades, en términos de organizar la instrucción en el nivel más pequeño e inmediato, y hacerlo desde diferentes perspectivas (por ejemplo desde la perspectiva del rendimiento del aprendizaje, conociendo las estrategias de aprendizaje del alumno, su perfil para el trabajo y el estudio, otros factores personales), así como su contexto en línea y el del mundo real (familia, amigos, hábitos,…). Este carácter supone además que puede proporcionar ayuda pedagógica de diverso tipo y activamente, incluidas guías específicas de aprendizaje, comentarios, sugerencias y affordances educativas en función de sus necesidades.

 

3. Puede modificar en proceso la interfaz de usuario (es decir, las formas de presentación de la información) y los contenidos de la asignatura. Adaptándolos a los factores personales (por ejemplo, a la forma de leer y reconocer la información que es más eficiente para él y su forma de aprender y a sus preferencias para leer e interpretar información) y al estado de aprendizaje (por ejemplo, presentando la información en la forma y en el momento que es mayor el rendimiento de aprendizaje) de los alumnos individuales. La interfaz de usuario no es necesariamente una computadora convencional, puede ser un teléfono móvil, o un tablet. Los alumnos pueden interactuar con el sistema de aprendizaje a través de dispositivos actuales, por ejemplo, teléfonos inteligentes o tablets, dispositivos que vayan apareciendo, por ejemplo visores de realidad virtual, relojes digitales o incluso, en un futuro no muy lejano sistemas informáticos integrados en objetos cotidianos (Internet of Things, IoT).  Es un reto pues para la investigación adaptar la interfaz de usuario para satisfacer las necesidades educativas en un entorno de aprendizaje inteligente.

 

Es la idea de quien esto escribe que los requerimientos pedagógicos de los sistemas se pueden establecer desde un conocimiento sucinto de las funcionalidades de los sistemas inteligentes en otros entornos,  de lo que los algoritmos de recomendación son capaces de hacer  en otros ámbitos Y que su papel culmina ahí. Cualquier otra pretensión quedaría necesariamente inadecuada al poco de producirse y además se produciría de forma pretenciosa al conocer del conocimiento suficiente y en profundidad para saber cuales son las posibilidades ce los sistemas computacionales.

Por tanto no recomendamos ninguna configuración de sistemas. Sin embargo dentro del objetivo de poner a disposición de los investigadores lo que hay en la literatura sobre el tema no podemos evitar incluir la propuesta de Para que se cumplan estas funciones, según Hwang et al (2008) el marco de un entorno de aprendizaje inteligente debe contemplar al menos los siguientes módulos:

1. Un módulo de detección de estado de aprendizaje, que detecte el estado del mundo real de los estudiantes (por ejemplo, ubicaciones y comportamientos, hábitos de aprendizaje) y contextos ambientales (por ejemplo horarios, temperatura y humedad) mediante la conexión a algunos dispositivos de detección y de recomendación, y con algoritmos que busquen regularidades.
2. Un módulo de evaluación formativa del rendimiento de aprendizaje que registra todo lo que está sucediendo y los resultados de aprendizaje valorando cómo inciden los cambios de organización y de carácter instruccional en el total del curso. Por ejemplo análisis e atención y de abandono, accesos a los elementos de entrega de contenidos de aprendizaje y resultados, efecto de las medidas que se toman, por ejemplo en la evaluación en el rendimiento global del curso o de los grupos de alumnos etc.
3. Un módulo de tareas de aprendizaje adaptativo. Este módulo, ayudado por una base de datos, asigna tareas de aprendizaje a cada alumno en función de su progreso de aprendizaje (recomendamos en este sentido la metodología docente y de evaluación Mastery Learning, que hemos tratado en otros trabajos (Zapata-Ros, 2015), Brandman (2013) y que se debe originalmente a Bloom (1984) ), pero también a otros datos que hay en el sistema sobre rendimiento de aprendizaje, expectativas, intereses, percepciones, aspectos léxicos y, sobre todo, a sus objetivos de aprendizaje en todas las disciplinas. Sobre el carácter adaptativo de las tareas en línea o en el mundo real hay bastante escrito (Hwang et al, 2014). Con la ayuda de este módulo se consigue que los alumnos además trabajen de forma adecuada y adaptada al medio donde están, no es igual el repaso de un PDF cuando viaja en el transporte colectivo, que una labor que necesita un ambiente cómodo para consultar escribir, o una actividad de laboratorio o de campo. Los alumnos de esta forma siempre tendrán la oportunidad de hacer las tareas de aprendizaje más factibles e importantes en relación con el contexto, al considerar su estado de aprendizaje y sus factores personales cuando se le recomiendan en el lugar correcto y en el momento adecuado.
4. Un módulo de contenidos de aprendizaje adaptativos. Este módulo proporciona materiales de aprendizaje para los estudiantes basándose para ello en el progreso del aprendizaje y el rendimiento del aprendizaje efectivo. Aquí otra vez recomendamos Mastery Learning (Zapata-Ros, 2015; Bloom, 1984) y en los factores personales de aprendizaje del alumno. Para esto, en la línea de utilizar los resultados de la investigación y de las teorías del aprendizaje recomendamos lo que hay estudiado y elaborado sobre técnicas y teoría de la secuenciación de contenidos, en el contexto de Diseño Instruccional. Todo para recomendar contenidos en función de las actividades que el alumno necesita realizar para conseguir un resultado específico de aprendizaje. Es fundamental pues adaptar las técnicas y algoritmos de recomendación a este tema. El sistema de aprendizaje debe recomendar y organizar materiales de aprendizaje, que propone a través de la interfaz del usuario al alumno, para satisfacer la demanda individual de contenidos de cara a un objetivo específico.

5. El módulo de apoyo de aprendizaje personal es el núcleo del sistema En él deben estar centradas las funciones de asistencia y recomendación al alumno en función de sus necesidades de aprendizaje que detectan el resto de herramientas de detección y procesando las informaciones que sobre él y sobre su contexto disponen las bases de datos del sistema. Como ejemplos, el apoyo al aprendizaje puede consistir en una guía de la tareas de aprendizaje o con documentos, textos, PDF,… con contenidos, una ayuda particular para una tarea, feedback sobre lo que está haciendo la herramienta adecuada para ayudar a su trabajo, retroalimentación sobre su trabajo, o una Mindtools para ayudar a organizar sus ideas.

6. El módulo anterior puede contener otro o estar diferenciado del que gestiona las bases de datos para organizar la ayuda al estudiante. Sería en todo caso el módulo soporte de la ayuda al estudiante. Y lo realmente importante sería el conjunto de bases de datos para mantener y gestionar los perfiles del alumno, los porfolios (carteras de aprendizaje), las guías de aprendizaje (es decir, las fichas que presentan las tareas de aprendizaje para cada unidad temática o para cada tema de aprendizaje), y en general los materiales de aprendizaje, los ejercicios a proponer y las evidencias de logros (elementos que sirven para probar los aprendizajes conseguidos). A través del análisis de los registros en los porfolios, el sistema tiene constancia y permite analizar los conceptos y las habilidades individuales que los estudiantes han desarrollado y cuáles han de ser mejoradas.

7. Un módulo de evaluación del rendimiento de aprendizaje. Este módulo debe estar basado en los criterios del diseño instruccional y debe relacionar el rendimiento en el aprendizaje con las otras componentes del diseño instruccional: Resultados esperados y deseados de aprendizaje, actividades, tareas, competencias que se desea que el alumno desarrolle, grado de logro y de desempeño progresivos, en conexión con el módulo de evaluación adaptativa,… Este módulo evalúa y registra el desempeño de los estudiantes a través de pruebas en línea o en el mundo real.
8. Y por último, un módulo constituido por un motor de inferencia y por una base de conocimientos (Zapata-Ros, 1990) en el sentido clásico de la programación declarativa. Mediante el motor de inferencia se determinaría (Hwang, 2014) el “valor” de las tareas, estrategias y herramientas de aprendizaje del candidato, así como sus posibles combinaciones. Y la  base de conocimientos estaría constituida por la recopilación del conocimiento y de experiencias de tutoría de proveída por los docentes, tutores y evaluadores. El motor de inferencia también podría  contener las reglas para toma de decisiones generadas por el análisis de casos anteriores. El motor de inferencia es un sistema de software de bajo nivel en los sistemas declarativos que toma decisiones mediante reglas (zapata-Ros, 1990), obtenidas en este caso de las experiencia, aplicadas al caso actual (es decir, el estado del estudiante y los contextos ambientales) en base a las reglas en la base de conocimiento (Wu et al. (2013a, b).

Figura 1 

[1] Según lo que establecen los desarrollos clásicos sobre condiciones de aprendizaje, como son por ejemplo “Las condiciones del aprendizaje” y los “Principios del diseño instruccional” de Gagné (1965, 1975)

Referencias

Bloom, B. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as effective as One-to-One Tutoring, Educational Researcher, 13:6 (4-16).

Brandman,  R. (2013) 5 Tips: Learn more effectively in class with Mastery Learning. Course Operations MOOC Pedagogy Specialist, Accesible el 09/06/13 en http://blog.coursera.org/post/50352075945/5-tips-learn-more-effectively-in-class-with-mastery

Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning. Educational researcher, 18(1), 32-42.

Bomsdorf, B. (2005). Adaptation of learning spaces: Supporting ubiquitous learning in higher distance education. In Dagstuhl Seminar Proceedings. Schloss Dagstuhl-Leibniz-Zentrum fr Informatik.

Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User modeling and user-adapted interaction, 6(2-3), 87-129.

Chen, N. S., Cheng, I. L., & Chew, S. W. (2016). Evolution is not enough: Revolutionizing current learning environments to smart learning environments. International Journal of Artificial

Chen, Y. L., Cheng, L. C., & Chuang, C. N. (2008). A group recommendation system with consideration of interactions among group members. Expert systems with applications, 34(3), 2082-2090.

Chu, H. C., Hwang, G. J., & Tsai, C. C. (2010). A knowledge engineering approach to developing mindtools for context-aware ubiquitous learning. Computers & Education, 54(1), 289-297.

Chiou, C. K., Tseng, J. C., Hwang, G. J., & Heller, S. (2010). An adaptive navigation support system for conducting context-aware ubiquitous learning in museums. Computers & Education, 55(2), 834-845.

Clancey, W. J. (1984). Methodology for building an intelligent tutoring system. Methods and tactics in cognitive science, 51-84.

Gagné, R. M. (1965). The conditions of learning and theory of instruction ( 1st ed.). New York, NY: Holt, Rinehart & Winston.

Gagné, R. M., & Briggs, L. J. (1974). The principles of instructional design ( 1st ed.). New York, NY: Holt.

Gagné, R. M. (1985). The conditions of learning and theory of instruction ( 4th ed.). New York, NY: Holt, Rinehart & Winston.

Gonzalez, A. J., & Ingraham, L. R. (1994). Automated exercise progression in simulation-based training. IEEE transactions on systems, man, and cybernetics, 24(6), 863-874.

Graf, S., & Ives, C. (2010, July). A flexible mechanism for providing adaptivity based on learning styles in learning management systems. In Advanced Learning Technologies (ICALT), 2010 IEEE 10th International Conference on (pp. 30-34). IEEE.

Hsieh, S. W., Jang, Y. R., Hwang, G. J., & Chen, N. S. (2011). Effects of teaching and learning styles on students’ reflection levels for ubiquitous learning. Computers & Education, 57(1), 1194-1201.

Hung, P. H., Hwang, G. J., Lin, Y. F., Wu, T. H., & Su, I. H. (2013). Seamless Connection between Learning and Assessment-Applying Progressive Learning Tasks in Mobile Ecology Inquiry. Educational Technology & Society, 16(1), 194-205.

Hung, I. C., Yang, X. J., Fang, W. C., Hwang, G. J., & Chen, N. S. (2014). A context-aware video prompt approach to improving students’ in-field reflection levels. Computers & Education, 70, 80-91.

Hwang, G. J. (1998). A tutoring strategy supporting system for distance learning on computer networks. IEEE TRANSACTIONS ON EDUCATION E, 41, 343-343.

Hwang, G. J., & Chang, H. F. (2011). A formative assessment-based mobile learning approach to improving the learning attitudes and achievements of students. Computers & Education, 56(4), 1023-1031.

Hwang, G. J., Tsai, C. C., Chu, H. C., Kinshuk, K., & Chen, C. Y. (2012). A context-aware ubiquitous learning approach to conducting scientific inquiry activities in a science park. Australasian Journal of Educational Technology, 28(5).

Hwang, G. J. (2014). Definition, framework and research issues of smart learning environments-a context-aware ubiquitous learning perspective. Smart Learning Environments, 1(1), 4. https://slejournal.springeropen.com/articles/10.1186/s40561-014-0004-5

Hwang, G. J., Chin-Chung, T., & Yang, S. J. (2008). Criteria, strategies and research issues of context-aware ubiquitous learning. Journal of Educational Technology & Society, 11(2).

Hwang, G. J., Hung, P. H., Chen, N. S., & Liu, G. Z. (2014). Mindtool-assisted in-field learning (MAIL): An advanced ubiquitous learning project in Taiwan. Journal of Educational Technology & Society, 17(2).

Joiner, R., Nethercott, J., Hull, R., & Reid, J. (2006). Designing Educational Experiences Using Ubiquitous Technology. Computers in Human Behavior, 22 (1), 67-76.

Jonassen, D. H., Carr, C., & Yueh, H. P. (1998). Computers as mindtools for engaging learners in critical thinking. TechTrends, 43(2), 24-32.

Karampiperis, P., & Sampson, D. (2005). Adaptive learning resources sequencing in educational hypermedia systems. Journal of Educational Technology & Society, 8(4).

Kinshuk, T. L., & Patel, A. (2003). User exploration based adaptation in adaptive learning systems. International Journal of Information Systems in Education, 1(1), 22-31.

Kinshuk, K., Hwang, G. J., Tsai, C. C., Chu, H. C. & Chen, C. Y. (2012). A context-aware ubiquitous learning approach to conducting scientific inquiry activities in a science park. Australasian Journal of Educational Technology, 28(5).

Lave, J. (1991). Situating learning in communities of practice. Perspectives on socially shared cognition, 2, 63-82.

Liu, G. Z., & Hwang, G. J. (2010). A key step to understanding paradigm shifts in e‐learning: towards context‐aware ubiquitous learning. British Journal of Educational Technology, 41(2).

Mampadi, F., Chen, S. Y., Ghinea, G., & Chen, M. P. (2011). Design of adaptive hypermedia learning systems: A cognitive style approach. Computers & Education, 56(4), 1003-1011.

Martens, A., & Uhrmacher, A. M. (2002, June). Adaptive tutoring processes and mental plans. In International Conference on Intelligent Tutoring Systems (pp. 71-80). Springer, Berlin, Heidelberg.

Martens, A. (2006). Modeling of adaptive tutoring processes. Web-based intelligent e-learning systems: Technologies and applications, 193-215.

Merrill, M. D. (1991). Constructivism and instructional design. Educational technology, 31(5), 45-53.

Minami, M., Morikawa, H., & Aoyama, T. (2004, January). The design of naming-based service composition system for ubiquitous computing applications. In Applications and the Internet Workshops, 2004. SAINT 2004 Workshops. 2004 International Symposium on (pp. 304-312). IEEE.

Ogata, H., & Yano, Y. (2004). Context-aware support for computer-supported ubiquitous learning. In Wireless and Mobile Technologies in Education, 2004. Proceedings. The 2nd IEEE International Workshop on (pp. 27-34). IEEE.

Papanikolaou, K. A., Grigoriadou, M., Magoulas, G. D., & Kornilakis, H. (2002). Towards new forms of knowledge communication: the adaptive dimension of a web-based learning environment. Computers & Education, 39(4), 333-360.

Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive web (pp. 325-341). Springer, Berlin, Heidelberg.

Reigeluth, C. M. (2016). Teoría instruccional y tecnología para el nuevo paradigma de la educación. Revista de Educación a Distancia, (50).

Rogers, Y., Price, S., Randell, C., Fraser, D. S., Weal, M., & Fitzpatrick, G. (2005). Ubi-learning integrates indoor and outdoor experiences. Communications of the ACM, 48(1), 55-59.

Sharples, M., Sánchez, I. A., Milrad, M., & Vavoula, G. (2009). Mobile Learning: Small devices, Big issues. In and SBS Balacheff, S. Ludvigsen, T. de Long, A. Lazonder (Ed.), Technology enhanced learning: Principles and products (pp. 233–49).

Specht, M., Weber, G., Heitmeyer, S., & Schöch, V. (1997, June). AST: adaptive WWW-courseware for statistics. In Proceedings of Workshop” Adaptive Systems and User Modeling on the World Wide Web” at 6th International Conference on User Modeling, UM97, Chia Laguna, Sardinia, Italy (pp. 91-95).

Tsai, P. S., Tsai, C. C., & Hwang, G. J. (2012). Developing a survey for assessing preferences in constructivist context‐aware ubiquitous learning environments. Journal of computer assisted learning, 28(3), 250-264.

Tseng, J. C., Chu, H. C., Hwang, G. J., & Tsai, C. C. (2008a). Development of an adaptive learning system with two sources of personalization information. Computers & Education, 51(2), 776-786.

Tseng, S. S., Jun-Ming, S., Hwang, G. J., Hwang, G. H., Chin-Chung, T., & Tsai, C. J. (2008b). An object-oriented course framework for developing adaptive learning systems. Journal of Educational Technology & Society, 11(2).

Van Seters, J. R., Ossevoort, M. A., Tramper, J., & Goedhart, M. J. (2012). The influence of student characteristics on the use of adaptive e-learning material. Computers & Education, 58(3), 942-952.

Wu, H. K., Lee, S. W. Y., Chang, H. Y., & Liang, J. C. (2013a). Current status, opportunities and challenges of augmented reality in education. Computers & education, 62, 41-49.

Wu, P. H., Hwang, G. J., & Tsai, W. H. (2013b). An expert system-based context-aware ubiquitous learning approach for conducting science learning activities. Journal of Educational Technology & Society, 16(4).

Yang, C. C., Hwang, G. J., Hung, C. M., & Tseng, S. S. (2013a). An evaluation of the learning effectiveness of concept map-based science book reading via mobile devices. Journal of Educational Technology & Society, 16(3).

Yang, T. C., Hwang, G. J., & Yang, S. J. H. (2013b). Development of an adaptive learning system with multiple perspectives based on students’ learning styles and cognitive styles. Journal of Educational Technology & Society, 16(4), 185.

ZAPATA-ROS, M. (1990) Técnicas de programación declarativa en el aula. Seco Olea Ediciones, SL Madrid.

Zapata-Ros, M. (2012). Calidad en entornos ubicuos de aprendizaje. RED: Revista de Educación a Distancia, (31), 1-12.

Zapata-Ros, M. (2015). Teorías y modelos sobre el aprendizaje en entornos conectados y ubicuos. Bases para un nuevo modelo teórico a partir de una visión crítica del “conectivismo”. Teoría de la Educación. Educación y Cultura en la Sociedad de la Información, 16(1).

Zapata-Ros, M. (2015b). El diseño instruccional de los MOOC y el de los nuevos cursos abiertos personalizados. Revista de Educación a Distancia, (45).