El Sistema Tutor Inteligente (STI) en educación a distancia (C.EaD-76)

 Por Lorenzo García Aretio

AUDIO  –  VÍDEO

Todas las entradas de la serie “80 años. Compendio EaD”, VER AQUÍ

El Sistema Tutor Inteligente (STI) constituye una de las materializaciones más sólidas y con mayor recorrido de la inteligencia artificial en el ámbito educativo. A diferencia de la IA generativa de propósito general, que en la entrada anterior analizábamos como un nuevo y potente mediador del Diálogo Didáctico Mediado (DDM) de García Aretio (2001, 2025), el STI nace con una vocación estrictamente pedagógica. Su misión intrínseca es:

• diagnosticar el estado del aprendiz,
• decidir cuál es la siguiente mejor acción educativa para él, y
• sostener un diálogo formativo ajustado a metas de aprendizaje y a las evidencias de su progreso.

La promesa de estos STI es bien conocida, la podríamos resumir en pretender una personalización del aprendizaje a gran escala, sin por ello renunciar a la coherencia curricular y al sentido pedagógico que debe guiar todo proceso educativo. Sin embargo, su verdadero valor, así como sus límites, se comprenden mucho mejor si los situamos dentro del marco teórico del DDM. En este modelo, la mediación tecnológica no es un fin en sí misma; es valiosa solo cuando está al servicio de la intencionalidad pedagógica que orienta y cualifica el intercambio del estudiante con el docente, los otros estudiantes y con los contenidos. Por tanto, desde esta perspectiva, el interés de los STI para la Educación a Distancia (EaD) es triple:

• Permiten atender la diversidad de ritmos y necesidades en contextos masivos, algo especialmente complejo en la EaD, ofreciendo para ello rutas de aprendizaje adaptativas, un feedback inmediato y explicaciones alternativas.
• Aportan una necesaria escalabilidad del acompañamiento docente, un aspecto crítico cuando un único equipo debe atender a cientos o miles de estudiantes.
• Integran y utilizan datos de aprendizaje para regular el proceso en tiempo real porque, no solo responden al estudiante, sino que modelan su progreso para proponer la siguiente tarea con la mayor probabilidad de éxito, acciones que además se van perfeccionando con el uso continuado.

Ahora bien, es crucial subrayar que esta mera automatización del diálogo no equivale, per se, al diálogo didáctico en el sentido profundo que le damos en nuestra teoría DDM. Un STI, por muy sofisticado que sea, puede simular una conversación sin asegurar su calidad pedagógica. Por ejemplo, podría acabar reforzando respuestas superficiales, sobredimensionar lo que es fácilmente mensurable en detrimento de lo reflexivo, o incluso desdibujar la necesaria presencia docente si su diseño no responde a criterios pedagógicos claros.

Por eso, en clave DDM, la pregunta relevante no es “¿sustituirá el STI al tutor humano?“, sino más bien “¿cómo podemos integrar al STI en un rol de co-mediador para ampliar el diálogo intencional y humanizado?“. En esta entrada defendemos que el STI tiene una cabida legítima y potente en el DDM, siempre y cuando se le dote de un propósito, unos límites y una gobernanza explícitos. Esto se traduce en:

• objetivos bien definidos,
• reglas de intervención transparentes,
• explicaciones rastreables,
• espacios para la verificación humana, y
• una curaduría docente permanente.

Solo bajo estas condiciones, la inteligencia “de máquina” se convierte en una auténtica mediación didáctica, en lugar de ser un mero automatismo eficiente, y el DDM, en brújula del proceso.

CONCEPTO, ARQUITECTURA Y EVOLUCIÓN DEL STI

Un Sistema Tutor Inteligente es, en esencia, un sistema interactivo diseñado para diagnosticar el conocimiento y las estrategias de un alumno, tomar decisiones pedagógicas basadas en ese diagnóstico y adaptar tanto las tareas como las retroalimentaciones para maximizar sus aprendizajes valiosos. A diferencia de los tutoriales programados con secuencias rígidas y prefijadas, los STI utilizan modelos formales de conocimiento y del estudiante, lo que les permite responder de forma dinámica y flexible a las necesidades de cada usuario. Su arquitectura clásica suele articularse en tres modelos o módulos principales:

• Modelo de dominio o disciplinar. Contiene una representación formal del saber que ha de enseñarse, los contenidos. Esto incluye no solo los conceptos y sus relaciones, sino también los procedimientos y los errores más típicos asociados a ese dominio.
• Modelo del alumno. Construye y mantiene una estimación dinámica del estado del estudiante. Este modelo registra qué conocimientos domina, sus probabilidades de acierto, las estrategias que utiliza e, incluso, cuando es posible, variables afectivas o de motivación.
• Modelo pedagógico. Alberga las reglas, políticas o estrategias que el sistema utiliza para seleccionar la siguiente acción educativa más adecuada, por ejemplo, explicar un concepto, proponer un ejercicio, dar una pista, cambiar de tarea, ofrecer refuerzo o plantear una actividad de remedio.

A estos bloques fundamentales, como modelo de interacción se suman un módulo de comunicación (la interfaz, ya sea conversacional o basada en tareas) y. también, un motor de inferencia que implementa las decisiones del modelo pedagógico. Las versiones contemporáneas, además, integran componentes avanzados de Procesamiento de Lenguaje Natural (PLN) y de analítica de aprendizaje.

El recorrido histórico de los STI es largo. Arranca con los sistemas basados en conocimiento como SCHOLAR (Carbonell, 1970), pasa por los trabajos fundacionales que definieron su arquitectura (Sleeman y Brown, 1982) y llega a los influyentes tutores cognitivos basados en el rastreo de conocimientos (knowledge tracing) (Corbett y Anderson, 1995). Posteriormente, emergieron propuestas como AutoTutor, que incorporaron el diálogo en lenguaje natural para promover un aprendizaje más profundo (Graesser et al., 2004). En la última década hemos visto una nueva generación de tutores que integran aprendizaje automático, minería de datos y adaptaciones multimodales (Aleven et al., 2017), incluyendo finalmente ya, las capacidades de la IA generativa para enriquecer la interacción y la generación de contenido de forma dinámica (Kasneci et al., 2023).

Conviene hacer notar que, en la actualidad, la popularidad de los chatbots conversacionales ha generado cierta confusión. Aunque puedan simular un diálogo tutorial, no deben confundirse con los STI, dado que los primeros responden de manera generalista en función de grandes modelos lingüísticos, mientras que los segundos se fundamentan en una arquitectura tripartita, modelo de dominio, modelo del estudiante y modelo pedagógico, específicamente orientada al aprendizaje.

Esta diferencia resulta esencial para comprender por qué el STI puede considerarse una manifestación del Diálogo Didáctico Mediado (DDM), mientras que el chatbot es solo una interfaz conversacional que requiere, para adquirir valor educativo, ser integrado en marcos didácticos claros. Si bien es cierto que los STI modernos integran interfaces conversacionales muy avanzadas y que los chatbots actuales son cada vez más potentes, la distinción fundamental sigue estando en esa intencionalidad y capacidad pedagógica explícita en su diseño. Un chatbot generalista puede simular tutoría; un STI decide pedagógicamente con base a esos tres modelos citados, de dominio, estudiante y pedagógico

Nos preguntamos, finalmente, ¿cómo encajan estos sistemas en el DDM? Este modelo teórico coloca en el centro la intencionalidad didáctica y la gestión del diálogo. Desde esta perspectiva, un STI puede actuar como un mediador algorítmico que:

• explicita la intención (qué objetivo pedagógico guía cada intervención),
• interpreta las señales del alumno para decidir, y
• regula el intercambio con criterios pedagógicos predefinidos.

Visto así, el STI no reemplaza al tutor humano, sino que amplía su alcance y ofrece consistencia en la aplicación de estrategias, mientras el docente asume el rol insustituible de diseñador, curador y garante ético del sistema.

PERSONALIZACIÓN Y FLEXIBILIDAD

La personalización constituye la promesa más destacada y potente de los STI. Su funcionamiento se apoya en diagnósticos continuos y ajustes dinámicos, que se materializan en varias ventajas clave para el aprendizaje a distancia:

• Diagnóstico continuo: A partir del desempeño del estudiante en cada interacción, el STI estima las probabilidades de que haya alcanzado el dominio de un concepto o habilidad. Con esta información, ajusta dinámicamente la dificultad, el tipo de tarea y el nivel de andamiaje, evitando así tanto la frustración por un exceso de carga cognitiva como el estancamiento por tareas triviales.
• Retroalimentación formativa inmediata: El sistema puede ofrecer pistas graduadas, contraejemplos, micro-explicaciones alternativas y recapitulaciones breves. Esta inmediatez reduce la latencia entre el error y la corrección, una condición fundamental para fomentar el aprendizaje autorregulado.
• Rutas adaptativas coherentes: No se trata simplemente de saltarse contenidos. Una buena adaptación consiste en una secuenciación con criterio pedagógico, que mantiene en todo momento el alineamiento entre los objetivos de aprendizaje, las actividades y la evaluación, preservando la lógica curricular y evitando la dispersión del estudiante.
• Escalabilidad del acompañamiento: En cohortes masivas, el STI puede ofrecer un primer nivel de tutoría disponible 24/7. Esto libera tiempo docente que puede dedicarse a intervenciones de mayor valor añadido, como la promoción de la metacognición, la dinamización de debates, la creación de síntesis o la evaluación de competencias complejas.

La evidencia acumulada sobre sistemas tutoriales inteligentes (STI) es consistente. Antes de la irrupción de la inteligencia artificial generativa (IAG), los meta-análisis ya reportaban efectos positivos moderados frente a la enseñanza tradicional, y las revisiones señalaban que los STI superan de forma sostenida a la instrucción convencional, aunque sin alcanzar la tutoría humana individualizada.

En los estudios más recientes, el patrón que emerge es que la IA rinde mejor cuando apoya a los agentes humanos (p. ej., sugiere pistas, propone una primera retroalimentación o recomienda recursos que el tutor/docente revisa y decide), mientras que las tutorías basadas exclusivamente en modelos de lenguaje ofrecen resultados heterogéneos, dado que suelen aumentar el compromiso del alumnado y mejorar la calidad de sus revisiones de texto, pero el aprendizaje logrado varía mucho según cómo esté diseñada la actividad y si existen salvaguardas (verificación de fuentes, trazabilidad de la información y supervisión humana efectiva). En suma, potencial alto y efectos positivos moderados, con variabilidad según dominio y diseño (Ma et al., 2014; Kulik y Fletcher, 2016; VanLehn, 2011; Lin et al., 2023).

Ahora bien, personalizar no es sinónimo de atomizar el aprendizaje. Existen riesgos pedagógicos importantes que hay que gobernar conscientemente:

• Fragmentación del currículo. Rutas excesivamente divergentes pueden diluir los referentes comunes de un curso. El antídoto pasa por diseñar marcos de progresión con hitos obligatorios y criterios de salida claros para cada unidad.
• Sesgo hacia lo fácilmente mensurable. Si el sistema solo “ve” lo que es fácil de registrar (ejercicios cerrados, respuestas cortas), tenderá a reforzar conocimientos procedimentales e infravalorar competencias de orden superior. La solución es combinar tareas automatizables con actividades ricas, rúbricas y la evaluación del desempeño en contextos auténticos.
• Efectos sobre la agencia del estudiante. Un STI que decide todo de forma opaca puede infantilizar al estudiante y mermar su capacidad de autorregulación. El antídoto es doble, por una parte, apostar por la explicabilidad de las recomendaciones y, por otra, ofrecer siempre que sea posible opciones elegibles y metas compartidas.
• Privacidad y equidad. Más datos no siempre significan mejor aprendizaje. La personalización debe ser proporcional, transparente e inclusiva, garantizando mínimos de acceso y apoyos específicos para no profundizar las brechas existentes.

En clave DDM, la personalización realmente valiosa es la que amplifica el diálogo intencional, es aquella que usa los datos para comprender mejor al estudiante, le explica por qué le recomienda un camino, le ofrece alternativas y, en última instancia, le abre un espacio para la decisión informada. Solo entonces el STI deja de ser un piloto automático para convertirse en un verdadero mediador pedagógico al servicio de la comprensión, la autonomía y la calidad del vínculo educativo.

INTEGRACIÓN Y FLUJO DE DATOS

El verdadero potencial de un STI se revela cuando no funciona como una aplicación aislada, sino como parte de un ecosistema digital integrado. En contextos universitarios, ello implica su conexión con los sistemas de gestión del aprendizaje (LMS) y con otras plataformas de apoyo a la docencia. La interacción entre el STI y el LMS es bidireccional, pues mientras el LMS gestiona matrículas, materiales, foros o evaluaciones, el STI recoge evidencias del desempeño del estudiante, las procesa mediante sus modelos internos y devuelve al entorno recomendaciones, itinerarios o intervenciones personalizadas.

El flujo de datos constituye, así, la columna vertebral del STI. A través de registros de interacción (tiempos, aciertos, errores, recursos consultados), el sistema construye perfiles dinámicos de cada estudiante y, en paralelo, de grupos e instituciones. Esto permite no solo un seguimiento individualizado, sino también análisis agregados de retención, abandono, patrones de estudio o eficacia de las actividades.

En este punto, la relación con la analítica del aprendizaje, que estudiaremos en otra entrada, es ineludible. Los STI se alimentan de la misma materia prima, los datos, pero no se limitan a describir sino que actúan. La analítica genera informes; el STI decide qué tarea ofrecer a continuación. Ello plantea cuestiones pedagógicas y éticas sobre la opacidad de la toma de decisiones y la necesidad de explicabilidad,  umbrales y reglas documentados, ejemplos, etc.,(Holmes y Tuomi, 2022).

La integración con otros sistemas (bibliotecas digitales, repositorios de objetos de aprendizaje, sistemas de evaluación en línea, entornos inmersivos) amplía las posibilidades del STI. Por ejemplo, a partir del progreso registrado en un simulador de laboratorio virtual, el tutor inteligente puede recomendar lecturas específicas, proponer ejercicios de repaso o activar un foro de debate. En cualquier escenario, el factor decisivo es que la estrategia de personalización no opere desde compartimentos estancos, sino a partir de un enfoque holístico que salvaguarde la cohesión del currículo y la excelencia del diálogo pedagógico.

ALGORITMOS, SUGERENCIAS Y TOMA DE DECISIONES

El corazón de un STI reside en los algoritmos que regulan la interacción. Estos pueden variar desde reglas simples de “si esto… entonces” hasta modelos probabilísticos sofisticados, aprendizaje profundo o políticas de decisión basadas en refuerzo. En todos los casos, el objetivo es común, el de elegir la intervención pedagógica más adecuada en cada momento. Las principales dimensiones de esa toma de decisiones incluyen:

• Selección de contenidos: qué tema, concepto o habilidad trabajar a continuación.
• Tipo de actividad: ejercitación, explicación, simulación, pregunta de repaso, resolución de problemas.
• Nivel de ayuda: ofrecer una pista, mostrar un ejemplo, desplegar una explicación completa o retroceder a un nivel anterior.
• Feedback: inmediato o diferido, textual, visual o multimodal.
• Ritmo: acelerar, mantener o ralentizar la progresión.

El gran desafío es la transparencia. Si los estudiantes desconocen por qué se les asigna una tarea concreta, el sistema puede parecer arbitrario o paternalista. Por eso la Inteligencia Artificial Explicable (explainable artificial intelligence, XAI) es clave, porque un STI debe justificar en lenguaje pedagógico sus recomendaciones, favoreciendo la metacognición y la autorregulación. La IA potencia los STI con explicaciones orientadas a metas (no solo técnicas) para favorecer la autorregulación, para personalización, analítica y accesibilidad, destacando beneficios para una educación más sostenible (Lin et al., 2023).

Además, los algoritmos nunca son neutrales. Pueden estar sesgados por los datos con que fueron entrenados, favorecer estilos de aprendizaje más fácilmente medibles o reforzar desigualdades de acceso. La personalización algorítmica, lejos de ser neutra, refleja elecciones pedagógicas implícitas. De ahí la importancia de que el docente actúe como garante, definiendo los parámetros de decisión, supervisando resultados y asegurando que el sistema no derive hacia un mero adiestramiento instrumental.

Desde el marco del DDM, esta toma de decisiones se interpreta como una mediación pedagógica algorítmica dado que el STI dialoga con el estudiante al proponerle una acción, pero la calidad de ese diálogo dependerá de que la decisión esté orientada por intencionalidad pedagógica, no solo por correlaciones estadísticas. El reto es que el estudiante perciba al STI no como un “juez invisible”, sino como un colaborador explicativo que amplía sus oportunidades de aprendizaje.

ESCENARIOS DE INTERVENCIÓN Y NIVELES DE ACTUACIÓN

Los STI pueden desplegarse en múltiples escenarios educativos, desde microintervenciones en actividades concretas hasta la gestión de cursos completos. Su versatilidad permite describir distintos niveles de actuación:

1. Nivel micro (actividad o tarea): el STI ofrece pistas, corrige errores o adapta la dificultad de un ejercicio.
2. Nivel meso (asignatura o curso): el sistema gestiona la secuenciación de temas, el ritmo de avance y los recursos de apoyo, asegurando que cada estudiante alcance los objetivos mínimos.
3. Nivel macro (programa o institución): los STI aportan datos sobre retención, progresión y logros, permitiendo rediseñar planes de estudio, identificar asignaturas críticas o implementar políticas de apoyo más focalizadas.

En la EaD universitaria, donde la atención tutorial es un pilar, los sistemas tutoriales inteligentes pueden cumplir una función estratégica de apoyo temprano y retención, pueden detectan señales de desmotivación o riesgo (baja participación, errores recurrentes, inactividad) y activan intervenciones (mensajes, recursos, derivación al tutor). En coherencia con la evidencia sintetizada en apartados anteriores, su impacto depende del diseño pedagógico, del papel del tutor y de salvaguardas que garanticen trazabilidad e intervención humana (véase la revisión reciente de Lin et al., 2023, y un ECA en aula con GPT-4 como tutor de deberes que reporta mejoras en compromiso y aprendizaje, Vanzo et al., 2025).

No obstante, la dimensión grupal no debe quedar relegada. Un STI orientado exclusivamente al individuo corre el riesgo de fragmentar la experiencia colectiva del aprendizaje, debilitando la construcción social del conocimiento. En coherencia con el DDM, el desafío consiste en equilibrar la atención personalizada con actividades que fomenten el diálogo entre pares, el trabajo colaborativo y la construcción comunitaria. En este sentido, los STI pueden integrar funciones de dinamización grupal, como recomendar la participación en foros, sugerir compañeros para proyectos colaborativos o activar dinámicas de apoyo mutuo.

Finalmente, no conviene olvidar que la eficacia de los STI no se mide solo en términos de “aprobados” o “eficiencia”. Un escenario de actuación exitoso es aquel que logra mejorar la comprensión profunda, estimular la autonomía y sostener la motivación intrínseca. En otras palabras, que el diálogo algorítmico no se limite a guiar pasos inmediatos, sino que provoque reflexión y crecimiento en el estudiante.

DESAFÍOS ÉTICOS, TÉCNICOS Y DE IMPLEMENTACIÓN

El despliegue de un STI solo es legítimo si se garantiza que todos los estudiantes, independientemente de su perfil, acceden a oportunidades equitativas. La Recomendación sobre la Ética de la Inteligencia Artificial de la UNESCO (2021) subraya la necesidad de accesibilidad, inclusión y supervisión humana como principios básicos. Los datos de entrenamiento y uso reflejan desigualdades culturales y sociales. Si no se corrigen, el sistema puede reproducir estereotipos y penalizar formas de aprendizaje no canónicas. Esto requiere auditorías periódicas y protocolos de control.

El Reglamento Europeo de Inteligencia Artificial (AI Act) (Unión Europea, 2024) establece obligaciones para sistemas educativos de alto impacto: trazabilidad, documentación y supervisión humana. La transparencia no es un añadido opcional, sino un requisito legal y ético.

Un STI no es un software aislado, sino una infraestructura que exige inversión en contenidos etiquetados, formación docente, integración con LMS y mantenimiento continuo. Su sostenibilidad depende de la gobernanza institucional, más que de la tecnología en sí.

CONCLUSIONES

A lo largo de esta entrada hemos tratado el Sistema Tutor Inteligente (STI) como manifestación operativa del DDM, es decir, como un ensamblaje de modelos (del dominio, del estudiante, pedagógico -del docente, de la interacción-) que, coordinados, personalizan el andamiaje y la práctica hasta aproximarse, en determinados contextos, a la efectividad del tutor humano. La evidencia acumulada respalda su potencial con efectos positivos moderados, pero también matiza su alcance, los beneficios varían por dominio, diseño pedagógico y grado de integración. Las comparaciones rigurosas muestran que los STI suelen mejorar la enseñanza convencional, aunque no superan sistemáticamente a la tutoría humana, y que sus efectos dependen de la calidad del modelado cognitivo, de la granularidad de los ítems y de la coordinación docente.

Para que el STI sea, de verdad, una “manifestación del DDM” y no un mero algoritmo que recomienda ejercicios, proponemos cinco condiciones de calidad:

1. Validez pedagógica. El modelo de conocimiento y las estrategias tutoriales deben anclarse en teorías del aprendizaje y evidencias de dominio específicas (no en correlaciones opacas).
2. Transparencia y explicabilidad útil. Explicaciones legibles para docentes y estudiantes, con controles de sesgo y derecho a apelación.
3. Agencia docente. El STI debe aumentar la capacidad del profesorado para diagnosticar, adaptar y evaluar, nunca sustituir su juicio profesional.
4. Gobernanza y cumplimiento. Un uso responsable de la IA requiere contratos claros, registros y auditorías, y las evaluaciones previas correspondientes, Evaluación de impacto en protección de datos (EIPD/DPIA) y, cuando proceda, FRIA (Evaluación de impacto en derechos fundamentales. Esto asegura coherencia con los marcos éticos de UNESCO (2021; 2023) y con las obligaciones del AI Act (Unión Europea, 2024).
5. Sostenibilidad. inversión en contenidos etiquetados, formación y soporte; métricas de impacto que incluyan aprendizaje, equidad y coste-efectividad.

En suma, el STI encarna la inteligencia del DDM cuando traduce el conocimiento del docente en decisiones pedagógicas personalizadas, con evidencia, con transparencia y con responsabilidad compartida. Ese es el punto de equilibrio entre ambición tecnológica y misión educativa.

CUESTIONES PARA LA REFLEXIÓN Y EL DEBATE

• ¿Qué nivel de explicabilidad debe exigirse a un STI para que sea pedagógicamente útil y cumpla con los requisitos legales?
• ¿Cómo equilibrar la personalización individual con la coherencia curricular y la equidad entre estudiantes?

FUENTES

• Aleven, V., McLaughlin, E. A., Glenn, R. A., y Koedinger, K. R. (2017). Instruction based on adaptive learning technologies. In R. E. Mayer y P. A. Alexander (Eds.), Handbook of research on learning and instruction (2.ª ed., pp. 522–560). Routledge.
• Carbonell, J. R. (1970). AI in CAI: An artificial-intelligence approach to computer-assisted instruction. IEEE Transactions on Man-Machine Systems, 11(4)
• Corbett, A. T., y Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4).
• European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act -AI Act-). Official Journal of the European Union, L, 12.7.2024.
• García Aretio, L. (2001). Educación a distancia. De la teoría a la práctica. Ariel.
• García Aretio (2025). Diálogo Didáctico Mediado (DDM): Hacia una teoría superadora en educación a distancia (C.EaD-9). Contextos universitarios mediados.
• Graesser, A. C., Lu, S., Jackson, G. T., Mitchell, H., Ventura, M., Olney, A., y Louwerse, M. M. (2004). AutoTutor: A tutor with dialogue in natural language. Behavior Research Methods, Instruments, & Computers, 36(2).
• Holmes, W., y Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4).
• Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., … y  Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
• Kulik, J. A., y Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1).
• Lin, C.-C., Huang, A. Y. Q., y Lu, O. H. T. (2023). Artificial intelligence in intelligent tutoring systems toward sustainable education: A systematic review. Smart Learning Environments, 10, 41.
• Ma, W., Adesope, O. O., Nesbit, J. C., y Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4).
• Sleeman, D., y Brown, J. S. (Eds.). (1982). Intelligent Tutoring Systems. Academic Press.
• UNESCO. (2021). Recomendación sobre la Ética de la Inteligencia Artificial. París: UNESCO.
• UNESCO (Miao, F., Holmes, W., Huang, R., y Zhang, H.). (2021). AI and Education: Guidance for Policy-Makers. París: UNESCO.
• UNESCO (Miao, F., y Holmes, W.). (2023). Guidance for generative AI in education and research. París: UNESCO.
• VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4)
• Vanzo, A., Pal Chowdhury, S., y Sachan, M. (2025). GPT-4 as a homework tutor can improve student engagement and learning outcomes. In Proceedings of ACL 2025

OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (6 de octubre de 2025). El Sistema Tutor Inteligente (STI) en educación a distancia (C.EaD-76). Contextos universitarios mediados. Recuperado 12 de octubre de 2025 de https://doi.org/10.58079/14uyx