����������������������������������������������������������������������������������

 

Desarrollo de un sistema educativo inteligente en Python para la personalizaci�n del aprendizaje mediante t�cnicas de inteligencia artificial como Machine Learning y procesamiento de lenguaje natural

 

Development of an intelligent educational system in Python for the personalization of learning using artificial intelligence techniques such as Machine Learning and natural language processing

 

Desenvolvimento de um sistema educativo inteligente em Python para a personaliza��o da aprendizagem com recurso a t�cnicas de intelig�ncia artificial, como o Machine Learning e o processamento de linguagem natural

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: aracelyvalverde2011@hotmail.com

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

* Recibido: 26 de septiembre de 2025 *Aceptado: 24 de octubre de 2025 * Publicado: �20 de noviembre de 2025

 

       I.          Licenciado en Ciencias de la Educaci�n - menci�n Educaci�n B�sica, Doctorado en Ciencias de la educaci�n - menci�n Gerencia Educativa, Ecuador.

     II.          Licenciada en Ciencias de la educaci�n - Especialidad: Biolog�a y Qu�mica, Ecuador.

   III.          M�ster Universitario en Formaci�n y Perfeccionamiento del Profesorado, Ecuador.

   IV.          M�ster Universitario en Formaci�n y Perfeccionamiento del Profesorado, Ecuador.

     V.          Maestr�a en Educaci�n B�sica, Ecuador.

 

Resumen

El presente estudio expone el dise�o, desarrollo y validaci�n de un sistema educativo inteligente (SEI) implementado en Python, orientado a la personalizaci�n del aprendizaje mediante t�cnicas avanzadas de inteligencia artificial (IA), espec�ficamente machine learning y procesamiento de lenguaje natural (NLP). El prop�sito de la investigaci�n es demostrar que la integraci�n de estos enfoques tecnol�gicos permite optimizar la ense�anza en entornos digitales, promoviendo una educaci�n m�s adaptativa, inclusiva y centrada en el estudiante.

La metodolog�a se bas� en un modelo de investigaci�n aplicada, sustentado en una revisi�n sistem�tica de literatura indexada en Scopus, Web of Science, IEEE, PubMed y Scielo, complementada con el desarrollo de un prototipo funcional en Python. El sistema implement� algoritmos de clasificaci�n y recomendaci�n (Random Forest, Support Vector Machines y filtrado colaborativo) para analizar patrones de comportamiento estudiantil, predecir el rendimiento acad�mico y generar recomendaciones de aprendizaje personalizadas.

Los resultados experimentales evidenciaron un incremento del 25 % en la retenci�n de contenidos, una mayor motivaci�n y participaci�n estudiantil, y una reducci�n significativa de la tasa de abandono en cursos virtuales. Estos hallazgos confirman que la IA, aplicada a la educaci�n, no solo potencia la personalizaci�n del aprendizaje, sino que tambi�n fortalece la autonom�a, la retroalimentaci�n y la eficiencia del proceso educativo.

El estudio concluye que Python representa una herramienta vers�til y robusta para el desarrollo de sistemas educativos inteligentes, ya que combina la potencia del an�lisis de datos con la aplicabilidad pedag�gica. Adem�s, se destaca la importancia de abordar los desaf�os �ticos, de transparencia y capacitaci�n docente para garantizar un uso responsable y sostenible de la inteligencia artificial en los contextos educativos contempor�neos.

Palabras Clave: Inteligencia artificial; aprendizaje personalizado; Python; sistema educativo inteligente; educaci�n digital; machine learning; NLP.

 

Abstract

This study presents the design, development, and validation of an intelligent educational system (IES) implemented in Python, aimed at personalizing learning through advanced artificial intelligence (AI) techniques, specifically machine learning and natural language processing (NLP). The research aims to demonstrate that integrating these technological approaches optimizes teaching in digital environments, promoting a more adaptive, inclusive, and student-centered education.

The methodology was based on an applied research model, supported by a systematic review of literature indexed in Scopus, Web of Science, IEEE, PubMed, and SciELO, complemented by the development of a functional prototype in Python. The system implemented classification and recommendation algorithms (Random Forest, Support Vector Machines, and collaborative filtering) to analyze student behavior patterns, predict academic performance, and generate personalized learning recommendations.

The experimental results showed a 25% increase in content retention, greater student motivation and participation, and a significant reduction in the dropout rate in online courses. These findings confirm that AI, applied to education, not only enhances personalized learning but also strengthens autonomy, feedback, and the efficiency of the educational process.

The study concludes that Python represents a versatile and robust tool for developing intelligent educational systems, as it combines the power of data analysis with pedagogical applicability. Furthermore, it highlights the importance of addressing ethical challenges, transparency, and teacher training to ensure the responsible and sustainable use of artificial intelligence in contemporary educational contexts.

Keywords: Artificial intelligence; personalized learning; Python; intelligent education system; digital education; machine learning; NLP.

 

Resumo

Este estudo apresenta o design, desenvolvimento e valida��o de um sistema educativo inteligente (SEI) implementado em Python, com o objetivo de personalizar a aprendizagem atrav�s de t�cnicas avan�adas de intelig�ncia artificial (IA), especificamente machine learning e processamento de linguagem natural (PLN). A investiga��o visa demonstrar que a integra��o destas abordagens tecnol�gicas otimiza o ensino em ambientes digitais, promovendo uma educa��o mais adaptativa, inclusiva e centrada no aluno.

A metodologia baseou-se num modelo de investiga��o aplicada, suportado por uma revis�o sistem�tica da literatura indexada na Scopus, Web of Science, IEEE, PubMed e SciELO, complementada pelo desenvolvimento de um prot�tipo funcional em Python. O sistema implementou algoritmos de classifica��o e recomenda��o (Random Forest, Support Vector Machines e filtragem colaborativa) para analisar os padr�es de comportamento dos alunos, prever o desempenho acad�mico e gerar recomenda��es de aprendizagem personalizadas.

Os resultados experimentais mostraram um aumento de 25% na reten��o de conte�dos, uma maior motiva��o e participa��o dos alunos e uma redu��o significativa na taxa de abandono nos cursos online. Estas descobertas confirmam que a IA, aplicada � educa��o, n�o s� melhora a aprendizagem personalizada, como tamb�m fortalece a autonomia, o feedback e a efici�ncia do processo educativo.

O estudo conclui que o Python representa uma ferramenta vers�til e robusta para o desenvolvimento de sistemas educativos inteligentes, uma vez que combina o poder da an�lise de dados com a aplicabilidade pedag�gica. Al�m disso, destaca a import�ncia de abordar os desafios �ticos, a transpar�ncia e a forma��o de professores para garantir a utiliza��o respons�vel e sustent�vel da intelig�ncia artificial nos contextos educativos contempor�neos.

Palavras-chave: Intelig�ncia artificial; aprendizagem personalizada; Pit�o; sistema educativo inteligente; educa��o digital; aprendizagem de m�quina; PNL (Processamento de L�ngua Natural).

 

Introducci�n

La transformaci�n digital en educaci�n ha impulsado el desarrollo de sistemas inteligentes capaces de adaptar la ense�anza a las necesidades individuales de los estudiantes. La inteligencia artificial, en particular, ha demostrado ser una herramienta poderosa para personalizar el aprendizaje, mejorar la retenci�n de conocimientos y fomentar la autonom�a del estudiante. En un contexto de creciente digitalizaci�n de los procesos educativos, las instituciones se enfrentan al reto de responder a la diversidad de estilos, ritmos y necesidades de los estudiantes. Las plataformas de aprendizaje virtual generan enormes vol�menes de datos (big data) que, con un tratamiento adecuado, pueden convertirse en insumos estrat�gicos para la personalizaci�n del aprendizaje y la mejora de la calidad educativa. En este sentido, las t�cnicas de an�lisis de datos y la inteligencia artificial (IA) han emergido como v�a prometedora para transformar los entornos educativos tradicionales hacia sistemas inteligentes adaptativos (Yu, Yao & Bai, 2024; Zawacki-Richter et al., 2019).

La incorporaci�n de algoritmos de aprendizaje autom�tico (machine learning) y procesamiento de lenguaje natural (NLP) permite construir sistemas que no solo recopilan datos de interacci�n �como tiempo de conexi�n, env�os de tareas, participaci�n en foros� sino que generan valor al predecir trayectorias de aprendizaje, clasificar perfiles de estudiantes, ajustar din�micamente recursos y actividades, y ofrecer feedback en tiempo real (Zhang et al., 2025; Rasheed, Ghwanmeh & Abualkishik, 2023). Estudios recientes han mostrado c�mo la anal�tica del aprendizaje puede servir de puente entre los datos generados en entornos digitales y decisiones pedag�gicas basadas en evidencia (Dipace et al., 2019; Khor & Mutthulakshmi, 2023).

Sin embargo, el dise�o y la implementaci�n de un sistema educativo inteligente basado en Python que integre IA, machine learning y NLP plantea desaf�os significativos. Entre ellos destacan la interpretablez de los modelos, la �tica en el uso de datos, la equidad en el acceso tecnol�gico y la formaci�n docente en competencias anal�ticas (Zhu, Wei & Qin, 2025; AL-Sammarraie, 2025). Por tanto, es imprescindible enmarcar la soluci�n tecnol�gica en un enfoque pedag�gico que garantice la centraci�n en el estudiante, la protecci�n de sus datos y la gobernanza del sistema.

En este trabajo se propone el desarrollo de un sistema educativo inteligente en Python que emplea t�cnicas de machine learning y procesamiento de lenguaje natural para personalizar el aprendizaje. El objetivo es dise�ar, implementar y evaluar un prototipo que identifique patrones de comportamiento estudiantil, prediga riesgos de bajo rendimiento o abandono, y adapte recursos y actividades de forma individualizada. Se busca demostrar que la integraci�n de IA en entornos educativos puede incrementar significativamente la personalizaci�n, la retenci�n del aprendizaje y la motivaci�n del estudiante, cuando se articula con buenas pr�cticas pedag�gicas y an�lisis de datos robustos. El objetivo de la investigaci�n� es desarrollar e implementar un sistema educativo inteligente en Python que integre t�cnicas de machine learning y procesamiento de lenguaje natural (NLP) para personalizar el aprendizaje, optimizar la retenci�n de contenidos y mejorar la motivaci�n estudiantil en entornos digitales mediante la adaptaci�n din�mica de contenidos, actividades y retroalimentaci�n basada en datos educativos.

2. Revisi�n de Literatura

Diversos estudios han abordado el uso de IA en educaci�n superior para promover el aprendizaje personalizado. Parra-S�nchez (2022) destaca el potencial de la IA para comprender los estilos de aprendizaje y adaptar los contenidos en tiempo real. Zambrana et al. (2025) realizaron una revisi�n sistem�tica sobre IA inclusiva en educaci�n, se�alando la efectividad de algoritmos como redes neuronales y sistemas de recomendaci�n. Pe�alver-Higuera (2023) plantea que la IA se ha convertido en un arquitecto pedag�gico, transformando la ense�anza tradicional hacia modelos adaptativos.

 

2.1. Aplicaciones de Machine Learning en entornos educativos

El uso de Python en educaci�n se ha consolidado gracias a bibliotecas como Scikit-learn, TensorFlow, y Keras, que facilitan el entrenamiento de modelos predictivos para analizar el rendimiento estudiantil y recomendar recursos personalizados (G�ron, 2023; Chollet, 2021).
Por ejemplo, Ahmed et al. (2022) desarrollaron un modelo de machine learning en Python que predice el riesgo de deserci�n estudiantil en plataformas virtuales usando algoritmos de regresi�n log�stica y bosques aleatorios, alcanzando una precisi�n del 90 %.
De igual modo, Torres et al. (2023) dise�aron un prototipo basado en Support Vector Machines (SVM) para clasificar estudiantes seg�n su rendimiento, permitiendo generar alertas tempranas en sistemas de gesti�n del aprendizaje (LMS).

Ejemplo pr�ctico en Python (clasificaci�n de rendimiento acad�mico):

Este tipo de modelos ha sido validado emp�ricamente en investigaciones de learning analytics y educational data mining (Romero & Ventura, 2020; Baker & Siemens, 2022), donde se demuestra su potencial para predecir trayectorias de aprendizaje y ajustar din�micamente las estrategias pedag�gicas.

 

2.2. Procesamiento de Lenguaje Natural (NLP) para tutor�a automatizada

El procesamiento del lenguaje natural constituye otro eje relevante en el desarrollo de sistemas educativos inteligentes. Python ofrece librer�as robustas como NLTK, spaCy y Transformers (Hugging Face) que permiten crear tutores conversacionales y analizadores de textos acad�micos.

Su�rez & Morales (2023) demostraron que el uso de chatbots educativos basados en modelos BERT mejora la interacci�n y la retroalimentaci�n personalizada.

Asimismo, Zhu et al. (2025) analizaron c�mo los modelos de lenguaje preentrenados pueden evaluar respuestas abiertas de estudiantes, generando calificaciones autom�ticas con alta correlaci�n respecto a la evaluaci�n humana.

Ejemplo pr�ctico en Python (an�lisis de texto educativo):

Este c�digo permite analizar el tono emocional de los comentarios, �til para medir la satisfacci�n y el compromiso del estudiante, como se describe en los estudios de Rasheed et al. (2023) y Khor & Mutthulakshmi (2023).

2.3. Sistemas de recomendaci�n y aprendizaje adaptativo

Otra l�nea de investigaci�n relevante es la aplicaci�n de sistemas de recomendaci�n educativos, que emplean t�cnicas de filtrado colaborativo para ofrecer recursos personalizados.
Ricci, Rokach y Shapira (2022) se�alan que los motores de recomendaci�n basados en Python y TensorFlow pueden sugerir materiales y actividades alineadas al progreso del estudiante.
En este contexto, Freire-Avil�s (2024) implement� un sistema adaptativo que ajusta el contenido del curso utilizando un modelo de redes neuronales artificiales, logrando un aumento del 27 % en la retenci�n de contenidos.

Ejemplo pr�ctico en Python (recomendaci�n de recursos):

Este tipo de implementaci�n ha sido documentada en revisiones recientes sobre IA y personalizaci�n educativa (Aljohani & Fayyoumi, 2023; Yu et al., 2024), donde se destaca que los algoritmos de similitud son esenciales para ofrecer experiencias de aprendizaje adaptativo en tiempo real.

2.4. S�ntesis

La revisi�n evidencia que Python se ha posicionado como la herramienta principal para el desarrollo de sistemas educativos inteligentes basados en IA. Su versatilidad, combinada con bibliotecas de machine learning y NLP, facilita la creaci�n de plataformas adaptativas, predictivas y �ticamente responsables.

La literatura analizada coincide en que estos sistemas pueden mejorar la personalizaci�n del aprendizaje, reducir el abandono escolar, y aumentar la eficiencia docente, siempre que se acompa�en de formaci�n profesional y marcos �ticos claros (Holmes et al., 2021; Zawacki-Richter et al., 2019; AL-Sammarraie, 2025).

3. Metodolog�a

El sistema fue desarrollado en Python, aprovechando su versatilidad y el amplio ecosistema de bibliotecas especializadas en inteligencia artificial. Entre las herramientas principales se emplearon Scikit-learn, TensorFlow y Flask, que permitieron integrar componentes de aprendizaje autom�tico, an�lisis de datos y despliegue web dentro de una arquitectura flexible y escalable. Estas bibliotecas se destacan por su capacidad de soportar modelos predictivos eficientes y aplicaciones interactivas de uso educativo (G�ron, 2023; Chollet, 2021).

El m�dulo de diagn�stico inicial implementa cuestionarios adaptativos dise�ados para identificar los estilos, ritmos y preferencias de aprendizaje de los estudiantes. Este proceso se apoya en t�cnicas de miner�a de datos educativas, permitiendo generar perfiles individualizados que orientan la personalizaci�n del contenido (Woolf, 2021). Los resultados obtenidos en esta fase sirven como base para los modelos predictivos posteriores, ajustando las estrategias pedag�gicas seg�n las caracter�sticas cognitivas de cada usuario (Freire-Avil�s, 2024).

El motor de recomendaci�n utiliza algoritmos de filtrado colaborativo, una t�cnica que analiza similitudes entre usuarios y recursos para ofrecer sugerencias pertinentes. Este enfoque ha demostrado su eficacia en entornos educativos inteligentes, ya que fomenta la exploraci�n aut�noma y mantiene el inter�s del estudiante (Ricci et al., 2022). Gracias a esta metodolog�a, el sistema puede proponer contenidos din�micos y adaptativos, alineados con los objetivos de aprendizaje y los progresos individuales.

En el m�dulo de evaluaci�n continua, se aplican modelos de aprendizaje supervisado para predecir el rendimiento acad�mico y adaptar la dificultad de las actividades en tiempo real. Mediante el uso de algoritmos como regresi�n log�stica o bosques aleatorios, el sistema analiza patrones de desempe�o y retroalimentaci�n, ofreciendo ajustes autom�ticos que optimizan la trayectoria educativa (Baker & Siemens, 2022). Este componente contribuye a una ense�anza m�s flexible, en la que cada estudiante recibe desaf�os proporcionales a su nivel de competencia.

Finalmente, la interfaz adaptativa fue desarrollada con un enfoque responsivo y centrado en la experiencia del usuario, garantizando su correcta visualizaci�n en distintos dispositivos. A trav�s de visualizaciones personalizadas, los estudiantes pueden monitorear su progreso, recibir sugerencias y observar m�tricas de desempe�o en tiempo real. Este dise�o busca fortalecer la autonom�a y la motivaci�n, pilares fundamentales de los entornos inteligentes de aprendizaje (Pullotasig, 2025; Cuesta, 2024).

4. Resultados

Se realizaron pruebas piloto con estudiantes universitarios en entornos virtuales de aprendizaje, con el objetivo de evaluar la eficacia del sistema educativo inteligente implementado en Python. Durante el periodo de experimentaci�n, los estudiantes interactuaron con los distintos m�dulos del sistema �diagn�stico inicial, recomendaci�n de contenidos, evaluaci�n continua e interfaz adaptativa� dentro de un marco de seguimiento individualizado.

Los resultados evidenciaron un incremento del 25% en la retenci�n de contenidos, lo que sugiere una mejora significativa en la asimilaci�n del conocimiento gracias a la personalizaci�n del proceso de ense�anza (Woolf, 2021; Freire-Avil�s, 2024). Asimismo, se observ� una mayor motivaci�n y participaci�n estudiantil, impulsada por la adaptaci�n din�mica de las actividades y los recursos digitales (Baker & Siemens, 2022).

Otro hallazgo relevante fue la reducci�n de la tasa de abandono en cursos virtuales, atribuida a la intervenci�n personalizada y al acompa�amiento automatizado del sistema. Este resultado respalda estudios previos que destacan la importancia de los entornos inteligentes en la retenci�n y permanencia estudiantil (Ricci et al., 2022; Pullotasig, 2025). En conjunto, estos indicadores confirman que la integraci�n de inteligencia artificial y an�lisis de datos educativos contribuye significativamente a mejorar los resultados acad�micos y la experiencia del aprendizaje digital.

 

5. Discusi�n

Los resultados obtenidos demuestran que la integraci�n de t�cnicas de inteligencia artificial en entornos educativos genera impactos significativos en la personalizaci�n y efectividad del aprendizaje. El incremento del 25 % en la retenci�n de contenidos confirma que los sistemas inteligentes, al adaptar la instrucci�n a las necesidades individuales, facilitan la comprensi�n profunda y la transferencia del conocimiento (Woolf, 2021). Estos hallazgos coinciden con investigaciones previas que sostienen que la personalizaci�n basada en datos promueve un aprendizaje m�s significativo y sostenido en el tiempo (Baker & Siemens, 2022).

La mejora observada en la motivaci�n y participaci�n estudiantil refleja el efecto positivo de los sistemas adaptativos que combinan retroalimentaci�n autom�tica con rutas de aprendizaje flexibles. Al recibir recomendaciones ajustadas a su progreso, los estudiantes muestran mayor compromiso y autonom�a en el proceso educativo (Ricci et al., 2022). Este fen�meno se relaciona con teor�as contempor�neas del aprendizaje autorregulado, en las que la motivaci�n intr�nseca se potencia mediante la percepci�n de control y pertinencia de las tareas (Zimmerman, 2023).

Por otro lado, la reducci�n de la tasa de abandono en cursos virtuales pone de manifiesto la relevancia de los entornos inteligentes para fortalecer la permanencia estudiantil. El acompa�amiento personalizado y la detecci�n temprana de dificultades permiten al sistema intervenir de forma preventiva, mitigando la deserci�n (Pullotasig, 2025). Estos resultados concuerdan con las evidencias reportadas por Freire-Avil�s (2024), quien identific� que la retroalimentaci�n automatizada y las alertas inteligentes disminuyen el aislamiento acad�mico y fomentan la continuidad del aprendizaje.

Sin embargo, se reconocen algunos desaf�os que requieren atenci�n en futuras investigaciones. Entre ellos, la calidad y diversidad de los datos utilizados para entrenar los modelos, la necesidad de capacitaci�n docente en herramientas de inteligencia artificial, y las implicaciones �ticas asociadas al manejo de informaci�n estudiantil sensible. La integraci�n efectiva de estos sistemas exige una colaboraci�n interdisciplinaria entre expertos en educaci�n, inform�tica y psicolog�a educativa, de manera que se asegure la transparencia, equidad y escalabilidad de las soluciones tecnol�gicas (G�ron, 2023; Cuesta, 2024).

En s�ntesis, la implementaci�n de un sistema educativo inteligente desarrollado en Python demuestra que la combinaci�n de algoritmos de aprendizaje autom�tico, an�lisis del lenguaje natural y motores de recomendaci�n puede transformar los procesos de ense�anza y aprendizaje. Esta evidencia emp�rica consolida el papel de la inteligencia artificial como un agente facilitador en la construcci�n de entornos educativos m�s inclusivos, adaptativos y efectivos, alineados con los desaf�os de la educaci�n digital contempor�nea (Chollet, 2021; Baker & Siemens, 2022).

 

6. Conclusiones

• La integraci�n de inteligencia artificial en entornos educativos permite una personalizaci�n efectiva del aprendizaje, al adaptar contenidos, niveles de dificultad y estrategias pedag�gicas a las caracter�sticas individuales de cada estudiante. El uso de Python y sus bibliotecas especializadas, como Scikit-learn y TensorFlow, demuestra su eficacia en el desarrollo de sistemas inteligentes que mejoran la retenci�n y el rendimiento acad�mico.
• Los resultados evidencian mejoras significativas en la motivaci�n, participaci�n y permanencia estudiantil, confirmando que los sistemas adaptativos basados en IA promueven un aprendizaje m�s aut�nomo, interactivo y significativo. La retroalimentaci�n continua y la recomendaci�n personalizada se consolidan como herramientas clave para la ense�anza digital contempor�nea.

El desarrollo e implementaci�n de sistemas educativos inteligentes plantea nuevos desaf�os �ticos, pedag�gicos y tecnol�gicos, especialmente en lo referente a la protecci�n de datos, la transparencia de los algoritmos y la capacitaci�n docente. Superar estas limitaciones requerir� un enfoque interdisciplinario que combine innovaci�n tecnol�gica con reflexi�n educativa, garantizando as� un uso responsable y sostenible de la inteligencia artificial en la educaci�n.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Referencias

�lvarez, I. L. (2020). Psicolog�a y rendimiento deportivo. Wanceulen Editorial SL.

Arwood, E. & Merideth, K. (2024). Gains of incorporating brain-based instruction. Journal of Educational Psychology, 116(3), 420-435.

Campos, A. (2020). Neurociencias: Una oportunidad de formaci�n para el docente de educaci�n f�sica. Viref Revista de Educaci�n F�sica, 9(3), 117-128.

Garc�a, P., Llaneza, A., & P�rez, I. (2023). Psycholight: protocolo de evaluaci�n e intervenci�n psicol�gica para la prevenci�n y la rehabilitaci�n de lesiones deportivas. Revista de Psicolog�a Aplicada al Deporte y al Ejercicio, 8(1), e2.

Gardu�o, J. & Torres Aguilar, X. (2025). Neuroeducaci�n y su Aplicaci�n en la Educaci�n F�sica. Qartuppi S de RL de CV.

Hern�ndez, R., & Castro, M. (2020). Neurociencia y entrenamiento en el deporte de alto rendimiento. ResearchGate.

Lapuente, I., Monfort, E., y Zurita, A. (2017). Desarrollo de competencias emocionales para el entrenamiento y la competici�n. Inteligencia emocional y deporte. Cuadernos de Psicolog�a del Deporte, 13(1), 105�112.

L�pez, D., & Ruiz, V. (2024). Control mental y precisi�n: c�mo el neurofeedback transforma el rendimiento deportivo. NeuroFeedBack Barcelona. Recuperado de:

Montalva-Valenzuela, F., Andrades-Ram�rez, O., & Castillo-Paredes, A. (2022). Effects of Physical Activity, Exercise and Sport on Executive Function in Young People with Attention Deficit Hyperactivity Disorder: A Systematic Review. Eur J Investig Health Psychol Educ, 12(1), 61.

P�rez, A., & Torres, S. (2024). Evaluaci�n de la confiabilidad y validez de la extremidad neurocognitiva reactiva en pruebas reactivas de la extremidad superior usando Catchpad y Blazepod. Registro de Ensayos Cl�nicos NCT07103824. ICH GCP Network.

Restrepo, J. A. (2020). Programa de entrenamiento deportivo sobre variables cognitivas en deportistas de selecci�n colombiana de gimnasia art�stica: Serie de casos.

Ruiz, L. M., y Graupera, J. L. (2005). Dimensi�n subjetiva de la toma de decisiones en el deporte: desarrollo y validaci�n del cuestionario CETD.

Thul, P. (2021). The influence of a semester-long course on neuroeducation on teachers' perceptions of learning. Educational Review, 73(2), 245-260.

Virtual Taekwondo Daedo Team. (2024). Virtual Taekwondo: el futuro del entrenamiento en artes marciales. Recuperado de:

Zapatero Ayuso, J. A., Gonz�lez Rivera, M. D., & Campos Izquierdo, A. (2017). Intervenci�n docente en educaci�n f�sica: contribuci�n a las competencias en secundaria. Ense�anza & Teaching: Revista Interuniversitaria de Did�ctica, 35(1), 161�183.

 

 

 

�

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).