Como punto de partida, el Neuro-DUA Algorítmico puede definirse como una propuesta emergente que conecta el Diseño Universal para el Aprendizaje (DUA) con interfaces adaptativas y analítica multimodal. Todavía no constituye un estándar oficial ni una metodología clínicamente consolidada en el ámbito educativo. Su valor conceptual radica en la capacidad de imaginar entornos capaces de modificar su presentación en función de las barreras observadas durante la interacción. Las directrices DUA 3.0 de CAST priorizan el reconocimiento de la variabilidad humana y la eliminación de barreras asociadas a sistemas de exclusión. Este marco propone múltiples formas de implicación, representación, acción y expresión. El salto algorítmico consistiría en ajustar esas alternativas de forma dinámica, y no únicamente mediante configuraciones predeterminadas. Una interfaz podría simplificar la navegación, reducir los estímulos secundarios o activar la lectura asistida cuando el usuario lo solicite o autorice. También podría ofrecer una representación esquemática antes de presentar un texto especializado de alta densidad conceptual. La ventaja sería disminuir fricciones innecesarias, mientras que el riesgo surgiría al inferir estados cognitivos con evidencia insuficiente. El DUA conserva su sentido ético cuando la adaptación amplía la autonomía y no cuando clasifica silenciosamente al estudiante.
En el plano conceptual, el DUA parte de la variabilidad y no de la existencia de un alumno promedio. Meyer et al. (2014) explican que los entornos educativos deben diseñarse desde el inicio para ofrecer diversas rutas hacia objetivos comunes. Esta orientación evita tener que esperar al fracaso para incorporar posteriormente una adaptación individual. La personalización no implica reducir el rigor académico, sino modificar los medios de acceso, la participación y la demostración del aprendizaje. Un estudiante puede comprender un concepto mediante texto, audio, representación visual, un ejemplo aplicado o una simulación interactiva. Del mismo modo, puede demostrar dominio mediante ensayo, exposición, modelo, prototipo o resolución argumentada de un problema. El enfoque disruptivo sustituye la lista burocrática de comprobaciones por una arquitectura flexible de decisiones pedagógicas. No obstante, atribuir preferencias fijas a categorías diagnósticas puede generar nuevos estereotipos sobre las personas con TDAH, dislexia o autismo. La neurodiversidad describe variaciones humanas complejas y no conjuntos homogéneos de respuestas sensoriales. Por ello, la interfaz debe ofrecer opciones controlables y reversibles antes que imponer una supuesta adaptación biológica.
A la luz de lo anterior, la analítica multimodal permite estudiar el aprendizaje a partir de datos provenientes de diversas formas de interacción. Estos datos pueden incluir clics, desplazamientos, pausas, voz, postura, mirada, gestos y determinadas señales fisiológicas. Ouyang & Bai (2026) muestran que este campo busca comprender las relaciones complejas entre la interacción, la regulación, la cognición y la colaboración. La combinación de fuentes puede ofrecer una representación más completa que el registro aislado de actividades en un LMS. En un sistema experimental, los patrones de navegación podrían indicar que una persona vuelve repetidamente al mismo fragmento o abandona una actividad. La plataforma podría responder ofreciendo un resumen, una lectura guiada o una visualización alternativa. La principal ventaja sería proporcionar apoyo antes de que la dificultad se traduzca en abandono o evaluación negativa. Sin embargo, gran parte de la investigación continúa en fases descriptivas, en ensayos controlados o en escenarios con muestras limitadas. La presencia de una correlación entre una señal y una conducta no implica automáticamente la existencia de ansiedad, desatención o sobrecarga cognitiva. En consecuencia, el Neuro-DUA debe presentarse como una frontera de investigación y no como una capacidad ordinaria de los LMS actuales.
De forma paralela, los sensores pueden aportar información relevante cuando están vinculados a una finalidad pedagógica previamente definida. Harrington & Sellberg (2026) examinan el uso potencial de mirada, voz y registros de simuladores dentro de analíticas diseñadas con participación docente. Su investigación evidencia que los profesores valoran ciertos datos, pero también rechazan paneles que incrementan el ruido y la sobrecarga informativa. El seguimiento ocular puede ayudar a analizar qué instrumentos observa un estudiante durante una simulación profesional. La voz puede aportar indicios sobre los protocolos comunicativos, la distribución de la participación o las secuencias de colaboración. La variabilidad cardíaca puede estudiarse como señal fisiológica, aunque no debe traducirse automáticamente en diagnósticos emocionales. La ventaja de estas tecnologías consiste en registrar procesos difíciles de captar mediante una prueba final. La desventaja se presenta cuando la institución confunde la medición abundante con la comprensión pedagógica. Una interfaz biomórfica responsable requiere la participación de docentes y estudiantes en la definición de los datos, los objetivos y los límites. La adaptación solo resulta legítima cuando existen utilidad demostrable, consentimiento informado y posibilidad real de desactivarla.
En términos operativos, cualquier adaptación algorítmica debe construirse sobre una base sólida de accesibilidad digital verificable. Las WCAG 2.2 (2023) establecen criterios para que los contenidos e interfaces puedan ser percibidos, operados y comprendidos por personas con diversas discapacidades. Estas directrices incluyen navegación predecible, identificación clara de los controles, asistencia consistente y alternativas accesibles. También recomiendan reducir los elementos distractores y utilizar jerarquías visuales que favorezcan la orientación. Un sistema no puede considerarse inteligente si sus botones carecen de etiquetas compatibles con lectores de pantalla. Tampoco resulta inclusivo un recurso personalizado que obliga a realizar tareas de memoria innecesarias para autenticarse. La accesibilidad normativa representa el nivel mínimo, mientras que el DUA amplía el diseño hacia la participación y el aprendizaje. La adaptación algorítmica constituye una tercera capa posible, pero no sustituye las dos anteriores. Su ventaja radica en responder a necesidades situacionales, como la fatiga visual, la sobrecarga informativa o las dificultades temporales de concentración. Su limitación radica en que ninguna configuración automática puede cubrir todas las combinaciones de capacidades, contextos y preferencias.
No obstante, ya existen herramientas capaces de aproximarse parcialmente a esta visión sin recurrir a la vigilancia biométrica permanente. Microsoft Immersive Reader permite modificar el espaciado, el contraste, el tamaño del texto, el enfoque de las líneas y la lectura en voz alta. Read&Write incorpora texto a voz, predicción de palabras, diccionarios visuales y apoyos para la producción de textos. Equatio facilita la creación y la verbalización de expresiones matemáticas en formatos accesibles. Ally puede identificar barreras en los materiales digitales y generar formatos alternativos. Los subtítulos automáticos, la transcripción de voz y la descripción de imágenes mediante IA amplían el acceso a contenidos multimodales. Los asistentes generativos pueden simplificar un texto, crear ejemplos graduados o convertir explicaciones en preguntas de comprobación. Alfredo et al. (2024) subrayan que estas soluciones deben diseñarse con la participación de los usuarios y mantener un equilibrio entre la automatización y el control humano. La principal ventaja es que muchas adaptaciones pueden activarse voluntariamente sin inferir una discapacidad. El desafío consiste en integrar estas funciones en el flujo académico sin fragmentar la experiencia ni exponer información sensible.
Por otra parte, el uso de la biometría educativa plantea riesgos éticos más profundos que los asociados a una herramienta convencional de accesibilidad. Slade & Prinsloo (2013) advierten que la analítica de aprendizaje puede afectar la autonomía, la privacidad y la capacidad de negociación del estudiante. Un algoritmo puede interpretar la errancia del cursor como falta de atención cuando esta responde a una estrategia personal de lectura.La mirada desviada tampoco demuestra desinterés, pues puede deberse a reflexión, cansancio, condiciones ambientales o diversidad funcional. Los modelos entrenados con poblaciones poco diversas pueden cometer más errores, especialmente en los grupos que pretenden apoyar.Otra desventaja consiste en convertir la inclusión en una forma permanente de monitorización corporal. La recogida de señales fisiológicas requiere explicar quién accede a los datos, cuánto tiempo se conservan y con qué otros registros se combinan. La adaptación debe minimizar la recopilación de datos y utilizar primero información menos intrusiva, como preferencias declaradas y elecciones voluntarias. Los resultados nunca deberían emplearse para sancionar, diagnosticar o reducir oportunidades académicas de manera automatizada. La ventaja inclusiva desaparece cuando el estudiante debe renunciar a su privacidad para recibir un apoyo educativo básico.
En síntesis, el Neuro-DUA Algorítmico ofrece una dirección innovadora siempre que se distinga claramente entre la posibilidad técnica, la evidencia científica y la práctica institucional. La Unesco IITE promoverá en 2026 el diálogo sobre tecnologías e inteligencia artificial para responder a la diversidad y apoyar a los estudiantes con dislexia. Este interés internacional demuestra que la personalización accesible constituye una agenda relevante, aunque todavía abierta a investigación y regulación. Las instituciones pueden comenzar con auditorías de accesibilidad, opciones configurables y pruebas participativas con personas neurodivergentes. Después pueden incorporar analítica limitada para identificar barreras generales sin crear perfiles clínicos encubiertos. Los modelos de IA deben auditarse en términos de precisión, sesgo, explicabilidad y consecuencias educativas. El profesorado necesita interpretar las recomendaciones y decidir cuándo una modificación favorece realmente el objetivo de aprendizaje. Los estudiantes deben saber qué cambia, por qué cambia y cómo recuperar la configuración anterior. La innovación más avanzada no será la interfaz que pretende leer la mente, sino aquella que escucha las decisiones y devuelve el control al usuario. Finalmente, un DUA verdaderamente disruptivo adapta el entorno a la diversidad sin convertirla en un objeto de vigilancia.
Referencias
Alfredo, R., Echeverria, V., Zhao, L., Lawrence, L., Fan, J. X., Yan, L., Li, X., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024). Designing a human-centred learning analytics dashboard in-use. Journal of Learning Analytics, 11(3), 62–81. https://doi.org/10.18608/jla.2024.8487
CAST. (2024). Universal Design for Learning guidelines version 3.0. CAST.
Harrington, S., & Sellberg, C. (2026). User wants, needs and resistance in the postdigital university: Prioritizing pedagogical concerns in learning analytics design. Technology, Knowledge and Learning.
Meyer, A., Rose, D. H., & Gordon, D. (2014). Universal Design for Learning: Theory and practice. CAST Professional Publishing.
Ouyang, F., & Bai, X. (2026). A systematic review of multimodal learning analytics in computer-supported collaborative learning. Computers & Education, 247, Article 105574. https://doi.org/10.1016/j.compedu.2026.105574
Slade, S., & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366
UNESCO Institute for Information Technologies in Education. (2026). Steering committee explores learning diversity, AI and dyslexia support in education.
World Wide Web Consortium – (WCAG) 2.2. (2023). Web Content Accessibility Guidelines 2.2.
