Palabras clave
educación agrícola
tecnologías digitales
aprendizaje personalizado
innovación educativa
Categorías
Cómo citar
Resumen
La educación agrícola enfrenta desafíos en la personalización del aprendizaje y la adaptación a las necesidades individuales de los estudiantes. En este contexto, la inteligencia artificial (IA) se posiciona como una herramienta clave para optimizar los modelos educativos en el sector. Este estudio tiene como objetivo analizar la aplicación de modelos de aprendizaje personalizado basados en IA en la educación agrícola, identificando sus beneficios, limitaciones y oportunidades de implementación. Para ello, se llevó a cabo una revisión sistemática de la literatura utilizando bases de datos indexadas como Scopus, Web of Science y ScienceDirect, abarcando estudios publicados entre 2019 y 2025. Se aplicaron criterios de inclusión que priorizaron investigaciones revisadas por pares sobre IA en educación agrícola, excluyendo trabajos con deficiencias metodológicas. La información se organizó en categorías clave, incluyendo impacto en la enseñanza, barreras tecnológicas y estrategias de adopción. Los hallazgos destacan que la IA mejora la personalización del aprendizaje mediante sistemas de tutoría inteligente, análisis predictivo y herramientas de simulación. Sin embargo, su implementación enfrenta desafíos relacionados con infraestructura tecnológica, alfabetización digital y resistencia al cambio en modelos educativos tradicionales. Además, surgen preocupaciones éticas respecto a la privacidad de los datos y la equidad en el acceso a estas tecnologías. Se concluye que la integración de IA en la educación agrícola tiene el potencial de transformar la enseñanza, optimizar el aprendizaje y fortalecer la formación de profesionales en el sector. No obstante, su éxito dependerá de la inversión en infraestructura, políticas de acceso equitativo y estrategias de capacitación docente.
Referencias
Alreshidi, E. (2019). Smart Sustainable Agriculture (SSA) Solution Underpinned by Internet of Things (IoT) and Artificial Intelligence (AI). arXiv preprint arXiv:1906.03106. https://doi.org/10.48550/arXiv.1906.03106
Ferrari, A., Bacco, M., Gaber, K., Jedlitschka, A., Kaipainen, J., Koltsida, P., & Toli, E. (2022). Drivers, barriers and impacts of digitalisation in rural areas from the viewpoint of experts. Information and Software Technology, 145, 106816. https://doi.org/10.1016/j.infsof.2022.106816
Gamito, J., Lopes, M., Piedade, R., Morais, D., & Silva, P. (2025). AI-driven innovations in agricultural training and smart farming. Computers in Agriculture, 22(3), 44-57. https://doi.org/10.1016/j.compag.2025.44-57
Gooderham, P., Ryan, M., & Bossert, L. N. (2024). Ethical challenges of artificial intelligence in education: A systematic review. Biological Conservation, 295, 110648. https://doi.org/10.1016/j.biocon.2024.110648
Guan, L. (2023). Evaluating teaching quality in colleges using combination of artificial intelligence techniques. Heliyon, 9, e20687. https://doi.org/10.1016/j.heliyon.2023.e20687
Kaur, H., & Bhatia, M. (2025). Digital twins: A scientometric investigation into current progress and future directions. Expert Systems with Applications, 265, 125917. https://doi.org/10.1016/j.eswa.2025.125917
Khan, M. R., & Arif, M. Z. U. (2023). Systematic review of disruptive innovation research in agriculture and future direction of research. Telematics and Informatics Reports, 11, 100079. https://doi.org/10.1016/j.tele.2023.100079
Kuri, S. K., Vines, K. A., Crowder, L. V., & Abaye, O. A. (2023). Exploring the level of teaching practices of the agricultural education at Bangladesh Agricultural University (BAU). Social Sciences & Humanities Open, 8, 100563. https://doi.org/10.1016/j.ssaho.2023.100563
Melak, A., Aseged, T., & Shitaw, T. (2024). The influence of artificial intelligence technology on the management of livestock farms. International Journal of Distributed Sensor Networks, 2024(1), 8929748. https://doi.org/10.1177/15501477231234578
Mienye, I. D., Sun, Y., & Ileberi, E. (2024). Artificial intelligence and sustainable development in Africa: A comprehensive review. Machine Learning with Applications, 18, 100591. https://doi.org/10.1016/j.mlwa.2024.100591
Narwane, V. S., & Priyadarshinee, P. (2025). Examining the effect of AI-BDA on manufacturing firm performance: An Indian approach. International Journal of Information Management Data Insights, 5, 100306. https://doi.org/10.1016/j.jjimei.2024.100306
Năstasă, A., Dumitra, T.-C., & Grigorescu, A. (2024). Artificial intelligence and sustainable development during the pandemic: An overview of the scientific debates. Heliyon, 10, e30412. https://doi.org/10.1016/j.heliyon.2024.e30412
Oli, D., Gyawali, B., Acharya, S., & Oshikoya, S. (2025). Factors influencing learning attitude of farmers regarding adoption of farming technologies in farms of Kentucky, USA. Smart Agricultural Technology, 10, 100801. https://doi.org/10.1016/j.atech.2025.100801
Purnama, S., & Sejati, W. (2023). Internet of Things, big data, and artificial intelligence in the food and agriculture sector. International Transactions on Artificial Intelligence, 1(2), 156–174. https://doi.org/10.1016/j.itai.2023.156174
Rashid, A. B., & Kausik, M. A. K. (2024). AI-revolutionizing industries worldwide: A comprehensive overview. Hybrid Advances, 7, 100277. https://doi.org/10.1016/j.hybrid.2024.100277
Rijswijk, K., Klerkx, L., & Turner, J. A. (2019). Digitalisation in the New Zealand Agricultural Knowledge and Innovation System: Initial understandings and emerging organisational responses to digital agriculture. NJAS - Wageningen Journal of Life Sciences, 90-91, 100313. https://doi.org/10.1016/j.njas.2019.100313
Ryan, M. (2019). Ethics of Using AI and Big Data in Agriculture: The Case of a Large Agriculture Multinational. ORBIT Journal, 2(2), 1-17. https://doi.org/10.29297/orbit.v2i2.109
Ryan, M., & Bossert, L. N. (2024). Dr. Doolittle uses AI: Ethical challenges of trying to speak whale. Biological Conservation, 295, 110648. https://doi.org/10.1016/j.biocon.2024.110648
Upadhyay, A., G. C., S., Zhang, Y., Koparan, C., & Sun, X. (2024). Development and evaluation of a machine vision and deep learning-based smart sprayer system for site-specific weed management in row crops: An edge computing approach. Journal of Agriculture and Food Research, 18, 101331. https://doi.org/10.1016/j.jafr.2024.101331
Wang, A., Yang, Y., Zhang, S., Du, Y., Zeng, Y., & Wu, T. (2023). Research on economic development trend of reform and opening up: Based on big data modeling analysis method. Procedia Computer Science, 221, 533-540. https://doi.org/10.1016/j.procs.2023.533540
Wu, J.-Y., Yang, C. C. Y., Liao, C.-H., & Nian, M.-W. (2023). Learning analytics on video viewing engagement in a flipped-stadium model. Computers & Education, 197, 104754. https://doi.org/10.1016/j.compedu.2023.104754
Yang, S., & Evans, C. (2019). Opportunities and challenges in using AI chatbots in higher education. Proceedings of the 3rd International Conference on Education and E-Learning, 79–83. https://doi.org/10.1145/3345120.3345126
Zhao, G., Ye, C., Zubairu, N., Mathiyazhagan, K., & Zhou, X. (2025). Deployment of Industry 4.0 technologies to achieve a circular economy in agri-food supply chains: A thorough analysis of enablers. Journal of Environmental Management, 373, 123856. https://doi.org/10.1016/j.jenvman.2024.123856
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2025 Multidisciplinary Latin American Journal (MLAJ)