0 cumulative citations
View corpus contextAI-powered personalization sharply raises engagement and pass rates in workplace learning: recipients used platforms substantially more and passed many more modules, while recommendation and predictive models delivered strong accuracy across three multinational firms.
Personalització i coneixements predictius: estratègies d'IA aplicada en les tecnologies d'aprenentatge modernes
openalex
quasi_experimental
medium evidence
7/10 relevance
Summary only
summary available; pdf_status=pending
Source
AI-enabled personalization across three corporate learning platforms increased active usage by 22 percentage points, raised module pass rates from 62.4% to 81.7%, and produced strong predictive performance for completion and post-test scores.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
Quan les empreses han de fer front a canvis tecnològics cada cop més ràpids i a requisits d'habilitats canviants, els models clàssics de sistemes d'aprenentatge en el lloc de treball de tipus únic no satisfan les necessitats d'una força laboral diversa i no aconsegueixen predir les trajectòries de rendiment. Estudiem com les estratègies d'IA aplicades, el filtratge col·laboratiu, la classificació d'arbres de decisions i la predicció de xarxes neuronals s'implementen en les tres tecnologies d'aprenentatge corporatiu líders (Sistemes de Gestió de l'Aprenentatge [LMS], Plataformes d'Experiència d'Aprenentatge [LXP] i Plataformes de Gestió del Talent [TMP]). Els objectius principals inclouen quantificar l'impacte de l'aprenentatge personalitzat habilitat per IA en el compromís i la satisfacció individual dels aprenents, validar el poder predictiu dels models d'IA per a la predicció dels resultats d'aprenentatge individuals i comparar l'eficàcia de les aplicacions d'IA en diferents arquetips de plataforma. Vam utilitzar un disseny quasi experimental de mètodes mixtos, col·laborant amb tres organitzacions multinacionals (tecnologia, finances i salut), amb tres empleats de cada organització assignats per provar una de les plataformes (N = 450). Es van recopilar registres detallats del sistema (visualitzacions de pàgina, accessos a contingut, intents de qüestionaris), taxes de finalització i puntuacions d'avaluació estandarditzades posteriors a la formació durant sis mesos, juntament amb respostes a enquestes prèvies i posteriors a la intervenció (satisfacció amb el contingut, rellevància percebuda). Les preguntes de l'enquesta oberta i les entrevistes de grups focals van proporcionar informació qualitativa sobre la usabilitat de la IA i la qualitat de les recomanacions. Els mòduls d'IA basats en microserveis es van integrar mitjançant API de la plataforma amb un pipeline de processament per lots nocturn. El filtratge col·laboratiu va aplicar la factorització de matrius d'elements d'usuari per generar les cinc millors recomanacions de cursos; els classificadors d'arbre de decisions (CART) van predir la probabilitat de completar un mòdul en funció de mètriques de compromís inicial; i els perceptrons multicapa de prealimentació van predir el rendiment posterior a l'avaluació mitjançant la incorporació de característiques (dades demogràfiques, rendiment previ i mètriques d'interacció). Els models es van entrenar durant els tres primers mesos de dades, es van validar al quart mes i es van desplegar al cinquè i sisè mes per permetre la personalització i la predicció en temps real. Les troballes suggereixen que la incorporació de la IA va millorar significativament el rendiment de l'aprenentatge. Els usuaris que van rebre recomanacions d'IA (n = 225) van aconseguir 22,1 punts percentuals més alts d'ús actiu en comparació amb els controls (n = 225), t(448) = 24,6, p < 0,001, i la proporció de mòduls aprovats va augmentar del 62,4% al 81,7%, χ²(1, N = 450) = 48,9, p < 0,001. Els predictors de xarxes neuronals van aconseguir un error absolut mitjà de 0,12 en les puntuacions d'avaluació normalitzades, mentre que els models d'arbre de decisió van aconseguir una puntuació F₁ de 0,87 per a les prediccions de finalització. La taxa d'encerts entre els cinc primers per a les recomanacions de filtratge col·laboratiu va ser de 0,78. Les puntuacions de satisfacció de l'enquesta van ser més altes entre els receptors d'IA (M = 4,5/5) que entre els controls (M = 3,8/5), F(1, 448) = 182,7, p < 0,001. Les anàlisis específiques de la plataforma van indicar que els LXP van mostrar un augment significatiu en la participació voluntària (Δ = +28,4 punts percentuals). Els TMP van proporcionar el millor suport per alinear la formació amb les fites de desenvolupament professional (74% d'acord/totalment d'acord enfront del 58% per als LMS i el 62% per als LXP). Els aspectes ètics, com ara el consentiment informat, l'anonimització de dades i el compliment del RGPD, s'han gestionat acuradament. Aquests resultats demostren que els enfocaments d'IA implementats poden millorar la personalització i les capacitats predictives de les tecnologies d'aprenentatge al lloc de treball. La recerca proporciona una arquitectura validada per a la producció d'IA, que inclou microserveis modulars, interfícies de recomanació transparents i canals de reentrenament de models. Ofereix suggeriments basats en l'evidència als professionals pel que fa a l'elecció de plataforma i l'estratègia del model.
Summary
Main Finding
La incorporació d’eines d’IA (filtrat col·laboratiu, arbres de decisió i xarxes neuronals) a les plataformes d’aprenentatge corporatiu va incrementar de manera significativa l’ús actiu, la taxa d’aprovació de mòduls i la satisfacció dels aprenents, i va proporcionar prediccions robustes del comportament i el rendiment dels empleats. A més, l’arquitectura modular de microserveis i els canals de reentrenament validats permeten desplegaments productius efectius entre LMS, LXP i TMP.
Key Points
- Disseny quasi-experimental mixt amb N = 450 (225 amb recomanacions/IA vs 225 controls).
- Període d’estudi: 6 mesos (3 mesos d’entrenament, 1 mes de validació, 2 mesos de desplegament).
- Millores mesurades:
- Ús actiu: +22,1 punts percentuals per als receptors d’IA (t(448)=24,6, p<0,001).
- Proporció de mòduls aprovats: de 62,4% a 81,7% (χ²(1, N=450)=48,9, p<0,001).
- Satisfacció: M=4,5/5 amb IA vs M=3,8/5 sense IA (F(1,448)=182,7, p<0,001).
- Rendiment dels models:
- Filtrat col·laboratiu (factorització de matrius): hit rate top-5 = 0,78.
- Árbre de decisió (CART) per completitud: F1 = 0,87.
- Perceptró multicapa per puntuacions posteriors: MAE = 0,12 (puntuacions normalitzades).
- Resultats per tipus de plataforma:
- LXP: augment significatiu en participació voluntària (Δ = +28,4 pp).
- TMP: millor alineament amb objectius de desenvolupament professional (74% d’acord/totalment d’acord vs 58% LMS, 62% LXP).
- Gestió ètica i reguladora: consentiment informat, anonimització i compliment RGPD implementats.
Data & Methods
- Mostra i context:
- Tres organitzacions multinacionals (sector tecnologia, finances, salut).
- 3 empleats per organització assignats a una de les tres plataformes; total N = 450.
- Disseny:
- Quasi-experiment amb grups tractament (IA) i control.
- Mètodes mixts: dades quantitatives de sistemes + enquestes pre/post + preguntes obertes i grups focals.
- Variables i mesures:
- Registres del sistema: visualitzacions, accessos a contingut, intents de qüestionaris.
- Indicators d’èxit: taxes de finalització, puntuacions d’avaluació estandarditzades posteriors, ús actiu, satisfacció percebuda, rellevància.
- Dades demogràfiques i rendiment previ com a característiques d’entrada.
- Implementació tècnica:
- Arquitectura basada en microserveis integrats via API; pipeline de processament per lots nocturn.
- Models:
- Filtrat col·laboratiu: factorització matriu per generar top-5 recomanacions.
- CART: predicció de probabilitat de completar un mòdul basada en mètriques d’engagement inicial.
- MLP (perceptró multicapa): predicció del rendiment posterior a l’avaluació.
- Procediment d’entrenament i desplegament: entrenament mesos 1–3, validació mes 4, desplegament mesos 5–6.
- Avaluació:
- Estadístiques inferencials per efectes grupals (t-tests, χ², ANOVA).
- Mètriques de model (MAE, F1, hit rate top-k).
- Evidència qualitativa sobre usabilitat i qualitat de recomanacions.
Implications for AI Economics
- Productivitat i rendiment humà: la personalització habilitada per IA pot accelerar l’adquisició de competències i augmentar la productivitat mitjana per empleat a través de millors taxes de completament i resultats d’aprenentatge.
- Rendibilitat de la inversió en tecnologia d’aprenentatge:
- Efectes directes mesurables (ús, aprovacions, satisfacció) faciliten avaluacions ROI i justificacions d’inversió en IA per a formació.
- Arquitectures modulars i reentrenament redueixen costos de manteniment i milloren escalabilitat.
- Diferenciació per plataforma i estratègia:
- Les organitzacions han de triar la plataforma segons objectius: LXP per augmentar participació voluntària; TMP per alinear formació amb hitos de carrera.
- Estratègia de model (recomanació vs predicció) ha d’adequar-se als incentius de l’empresa (participació vs retenció de competències).
- Mercat de treball i capital humà:
- Millors prediccions i recomanacions poden reduir la fricció en la reasignació de treball i accelerar la requalificació, potentment influenciant la dinàmica de demanda de competències (skill-biased change).
- Riscos i externalitats regulatòries:
- Compliment RGPD, anonimització i consentiment són costos i requisits que afecten la implementació i escala; la internalització d’aquests costos ha de formar part del càlcul econòmic.
- Necessitat d’avaluacions contínues de biaix, equitat i transparència per evitar exclusió o dispersió desigual dels beneficis d’aprenentatge.
- Public policy i empleadors:
- Polítiques que incentivin l’adopció responsable d’eines d’IA per capacitació poden amplificar els guanys de productivitat a nivell agregat.
- Suport per a estàndards d’interoperabilitat i transparencia (p. ex. interfícies de recomanació explicables) augmenta confiança i adopció.
- Requeriments futurs d’avaluació econòmica:
- Estudis longitudinals per quantificar impacte durable sobre salaris, promocions i mobilitat interna.
- Anàlisi cost-benefici detallada (implementació, manteniment, serveis humans) per comparar models i plataformes en diferents sectors.
Assessment
Paper Typequasi_experimental
Evidence Strengthmedium — Findings are supported by a reasonably large sample (N=450), a control group, pre/post data collection, and standard ML validation metrics, and the effects are large and statistically significant; however, the lack of clear random assignment, possible selection and novelty effects, short deployment window (2 months of active personalization), and testing in only three firms limit causal certainty and external validity.
Methods Rigormedium — The study uses appropriate mixed methods: system log measures, standardized post-tests, pre/post surveys, focus groups, and standard ML pipelines with train/validation/deploy splits and conventional performance metrics (MAE, F1, top-5 hit rate). Statistical tests are reported for key outcomes. Rigor is reduced by incomplete reporting on assignment procedures, adjustment for baseline covariates or potential confounders, limited duration of deployment, and potential heterogeneity in platform implementations that could confound platform-by-treatment comparisons.
Sample450 employees from three multinational firms in technology, finance and healthcare using three corporate learning platforms (LMS, LXP, TMP); 225 received AI-enabled personalization/recommendations and 225 served as controls; data comprised platform system logs (page views, content accesses, quiz attempts), completion rates, standardized post-training assessment scores over six months, pre/post surveys on satisfaction and perceived relevance, plus qualitative open-ended survey responses and focus group interviews; AI modules (collaborative filtering, CART classifiers, multilayer perceptrons) were trained on months 1–3, validated month 4, and deployed months 5–6.
Themesskills_training human_ai_collab
IdentificationNon-randomized controlled comparison: employees were assigned to either AI-enabled personalization (n=225) or control (n=225) and outcomes compared over a 6-month window; models were trained on months 1–3, validated in month 4 and deployed in months 5–6, with between-group hypothesis tests (t-tests, χ²) and ML out-of-sample validation used to support causal claims. No clear random assignment or explicit quasi-randomization (e.g., matching, instrumental variables, or difference-in-differences with parallel trends) is reported, so causal identification rests on contemporaneous treatment/control comparison and temporal separation of training/deployment rather than a randomized experiment.
GeneralizabilityOnly three multinational firms included (technology, finance, healthcare) — results may not generalize to SMEs or other sectors, Short deployment period (2 months of active personalization) — may capture novelty effects rather than sustained impacts, Unclear/random assignment — potential selection bias that limits causal generalizability, Findings tied to specific platform integrations and content libraries (LMS/LXP/TMP) — different platforms or content may yield different results, Study conducted under GDPR-compliant settings and particular privacy/consent procedures — implementation constraints may differ in other jurisdictions, Outcomes focus on engagement, completion and short-term assessment scores rather than long-run productivity, career outcomes, or firm-level performance
Claims (11)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| Els usuaris que van rebre recomanacions d'IA (n = 225) van aconseguir 22,1 punts percentuals més alts d'ús actiu en comparació amb els controls (n = 225), t(448) = 24,6, p < 0,001. Organizational Efficiency | positive | ús actiu (active usage) |
Reading fidelity
high
Study strength
medium
|
n=450
22,1 punts percentuals més alt d'ús actiu
|
| La proporció de mòduls aprovats va augmentar del 62,4% al 81,7%, χ²(1, N = 450) = 48,9, p < 0,001. Output Quality | positive | proporció de mòduls aprovats (module pass rate) |
Reading fidelity
high
Study strength
medium
|
n=450
del 62,4% al 81,7%
|
| Els predictors de xarxes neuronals van aconseguir un error absolut mitjà de 0,12 en les puntuacions d'avaluació normalitzades. Other | positive | error de predicció (MAE) en puntuacions d'avaluació normalitzades |
Reading fidelity
high
Study strength
high
|
error absolut mitjà de 0,12
|
| Els classificadors d'arbre de decisions (CART) van predir la probabilitat de completar un mòdul ... i van aconseguir una puntuació F₁ de 0,87 per a les prediccions de finalització. Other | positive | F1 score per a prediccions de finalització de mòdul |
Reading fidelity
high
Study strength
high
|
puntuació F₁ de 0,87
|
| El filtratge col·laboratiu ... va tenir una taxa d'encerts entre els cinc primers de 0,78. Other | positive | taxa d'encerts entre els cinc primers per a recomanacions de cursos (top-5 hit rate) |
Reading fidelity
high
Study strength
high
|
taxa d'encerts entre els cinc primers de 0,78
|
| Les puntuacions de satisfacció de l'enquesta van ser més altes entre els receptors d'IA (M = 4,5/5) que entre els controls (M = 3,8/5), F(1, 448) = 182,7, p < 0,001. Worker Satisfaction | positive | satisfacció amb el contingut (survey satisfaction score) |
Reading fidelity
high
Study strength
medium
|
n=450
M = 4,5/5 vs M = 3,8/5
|
| Les anàlisis específiques de la plataforma van indicar que els LXP van mostrar un augment significatiu en la participació voluntària (Δ = +28,4 punts percentuals). Adoption Rate | positive | taxa de participació voluntària (voluntary participation rate) |
Reading fidelity
medium
Study strength
medium
|
Δ = +28,4 punts percentuals
|
| Els TMP van proporcionar el millor suport per alinear la formació amb les fites de desenvolupament professional (74% d'acord/totalment d'acord enfront del 58% per als LMS i el 62% per als LXP). Training Effectiveness | positive | percepció d'alineament de la formació amb fites professionals |
Reading fidelity
medium
Study strength
medium
|
74% d'acord/totalment d'acord enfront del 58% per als LMS i el 62% per als LXP
|
| Els aspectes ètics, com ara el consentiment informat, l'anonimització de dades i el compliment del RGPD, s'han gestionat acuradament. Governance And Regulation | positive | mesures d'ètica i compliment (consentiment informat, anonimització, RGPD) |
Reading fidelity
high
Study strength
low
|
not reported
|
| La recerca proporciona una arquitectura validada per a la producció d'IA, que inclou microserveis modulars, interfícies de recomanació transparents i canals de reentrenament de models. Other | positive | existència i validació operativa d'una arquitectura de producció d'IA |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Els models es van entrenar durant els tres primers mesos de dades, es van validar al quart mes i es van desplegar al cinquè i sisè mes per permetre la personalització i la predicció en temps real. Other | positive | cronologia d'entrenament/validació/desplegament del model i capacitat de personalització en temps real |
Reading fidelity
high
Study strength
medium
|
not reported
|