16
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Verónica Del Carmen Samudio Fothy
Universidad Tecnológica Oteima
veronica.samudio@oteima.ac.pa
https://orcid.org/0000-0003-4677-9593
Resumen
Esta revisión bibliográfica examina el desarrollo y la evaluación empírica de estrategias pedagógicas
orientadas a la personalización de contenidos educativos en entornos de educación superior virtuales.
La revisión identifica y analiza enfoques como algoritmos de aprendizaje adaptativo, andamiaje,
personalización basada en estilos de aprendizaje, micro aprendizaje y la implementación de
inteligencia artificial y analítica de aprendizaje. Los estudios incluidos emplean diseños
experimentales, cuasi experimentales y de métodos mixtos, destacando los impactos en la
participación, la motivación, la autorregulación y, en algunos contextos, el rendimiento académico de
los estudiantes. Los hallazgos indican consistentemente que las estrategias personalizadas mejoran la
motivación y la participación de los estudiantes, aunque las mejoras en el rendimiento académico
varían según el contexto y la modalidad de instrucción. Los desafíos identificados incluyen la
necesidad de una mayor transparencia algorítmica, consideraciones éticas con respecto a la privacidad
de los datos, la escalabilidad en contextos institucionales y la importancia de la participación del
instructor y del estudiante en el codiseño de soluciones adaptativas. El artículo concluye con
recomendaciones para priorizar sistemas de aprendizaje adaptativo transparentes, éticos y escalables
en la educación superior virtual.
Palabras clave: Aprendizaje adaptativo, Aprendizaje personalizado, Educación superior virtual,
Estrategias pedagógicas, Aprendizaje autorregulado.
Abstract
This literature review examines the development and empirical assessment of pedagogical strategies
aimed at personalizing educational content in virtual higher education environments. The review
identifies and analyzes approaches such as adaptive learning algorithms, scaffolding, personalization
based on learning styles, microlearning, and the implementation of artificial intelligence and learning
analytics. Studies included employ experimental, quasi-experimental, and mixed methods designs,
highlighting impacts on student engagement, motivation, self-regulation, and, in some contexts,
academic achievement. The findings consistently indicate that personalized strategies enhance
student motivation and engagement, although improvements in academic performance vary
depending on instructional context and modality. Challenges identified include the need for greater
algorithmic transparency, ethical considerations regarding data privacy, scalability across institutional
contexts, and the importance of instructor and learner involvement in the co-design of adaptive
solutions. The article concludes with recommendations to prioritize transparent, ethical, and scalable
adaptive learning systems in virtual higher education.
Estrategias Pedagógicas para la Personalización de
Contenidos en Entornos Virtuales de Educación Superior
DOI: 10.61209/re.v3i1.158
Recibido: 05/2025
Aceptado: 08/2025
17
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Keywords: Adaptive learning, Personalized learning, Virtual higher education, Pedagogical strategies,
Online education.
1. Introducción
La personalización de la experiencia de aprendizaje es uno de los retos y oportunidades más
relevantes en la educación superior virtual. Las investigaciones recientes exploran la eficacia de la
adaptación de contenidos, el uso de plataformas adaptativas, el andamiaje y la aplicación de modelos
inteligentes para ajustar recorridos, actividades y materiales a las características y necesidades
individuales de los estudiantes (Rosen et al., 2018; Rincón Flores et al., 2024; Contrino et al., 2024;
Song & Kim, 2020; Alamri et al., 2020). El interés por estas estrategias se centra en su capacidad para
aumentar el compromiso, la motivación y el rendimiento, así como en abordar la heterogeneidad de
los perfiles estudiantiles en entornos virtuales.
Este artículo examina el estado del arte sobre el desarrollo y la evaluación de estrategias pedagógicas
orientadas a la personalización de contenidos en escenarios virtuales de educación superior. Se
identifican y analizan enfoques de aprendizaje adaptativo, andamiaje, personalización basada en
estilos de aprendizaje, micro aprendizaje y el uso de inteligencia artificial y analíticas del aprendizaje.
Se presentan los métodos de evaluación utilizados, los principales resultados de impacto en el
aprendizaje, participación y satisfacción estudiantil, así como los desafíos metodológicos y vacíos
identificados en la literatura reciente (Rosen et al., 2018; Rincón Flores et al., 2024; Contrino et al.,
2024; Song & Kim, 2020; Alamri et al., 2020; entre otros).
2. Metodología para la selección y análisis bibliográfico
La revisión presentada se basa en estudios identificados a través de una búsqueda sistemática
automatizada. Los criterios de inclusión fueron: (1) descripción del desarrollo/diseño de una o más
estrategias pedagógicas de personalización, (2) implementación y/o evaluación en contextos virtuales
de educación superior, y (3) inclusión de algún tipo de evaluación empírica de impacto (resultados de
aprendizaje, métricas de compromiso, análisis cualitativo o mixto). La mayoría de los estudios
analizados se concentran en cursos universitarios virtuales, MOOCs, plataformas adaptativas y
experiencias piloto completamente en línea (Rosen et al., 2018; Rincón Flores et al., 2024; Contrino et
al., 2024; Song & Kim, 2020; Alamri et al., 2020, entre otros).
3. Principales estrategias pedagógicas de personalización
3.1 Aprendizaje adaptativo y secuenciación personalizada
Una de las estrategias más analizadas consiste en la adaptación dinámica de rutas de aprendizaje,
tareas y materiales. Por ejemplo, Rosen et al. (2018) desarrollaron e implementaron el sistema ALOSI
en un MOOC auto-ritmado, comparando dos estrategias de adaptación: priorización de remediación
(ofreciendo materiales según menor dominio evidenciado) y continuidad (ofreciendo materiales
cercanos temáticos o secuencialmente hasta demostrar dominio), frente a un grupo control con ruta
tradicional. El sistema midió progresos, ajustes en tiempo real y resultados de aprendizaje.
Otros trabajos exploran plataformas de aprendizaje adaptativo en cursos universitarios de ingeniería,
ciencias, tecnología, ciencias políticas, inglés y estadística (Rincón Flores et al., 2024; Contrino et al.,
18
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
2024; Brown et al., 2022; Clark & Kaw, 2019; Hakim et al., 2024; Donevska-Todorova et al., 2022; Xi et
al., 2018). Estas plataformas suelen ajustar la secuencia y dificultad de los contenidos y proporcionar
rutas no lineales o diferenciadas.
3.2 Andamiaje y apoyo a la autorregulación
El andamiaje (andamio), implementado mediante agentes pedagógicos, avisos y apoyos
metacognitivos, es otra estrategia destacada. Song y Kim (2020) utilizaron un agente conversacional
que ofrecía apoyos de autorregulación en un curso virtual de posgrado. El grupo experimental logró
mayores niveles de autorregulación y mejor desempeño respecto al grupo control.
Marta y col. (2019) diseñan una integración de andamiaje metacognitivo y motivacional mediante
agentes pedagógicos en escenarios de aprendizaje online, aunque el resumen no provee resultados
evaluativoas finales.
En ingeniería y STEM, Rincón Flores et al. (2024) y otros autores integran estrategias de
microaprendizaje, flipped Classroom y módulos adaptativos con elementos de autoevaluación y
soporte progresivo, reportando impacto positivo en competencias y percepciones.
3.3 Personalización basada en estilos de aprendizaje
Algunos estudios personalizan el contenido en función de los estilos de aprendizaje de los estudiantes.
Vanegas et al. (2024) diseñan un curso virtual adaptado al modelo VARK, evidenciando, mediante
métodos mixtos, mejoras en desempeño académico y satisfacción estudiantil según la congruencia
entre el material y el estilo preferido.
3.4 Microaprendizaje y trayectorias individualizadas
La segmentación de los aprendizajes en micro-unidades ajustadas (“microlearning”) combinadas con
trayectorias diferenciadas por retroalimentación y secuenciación ha sido implementada y evaluada,
por ejemplo, en la propuesta de Donevska-Todorova et al. (2022), orientado a caminos
individualizados y a diferenciación granular de tareas.
3.5 Integración con modelos flipped y blended
Numerosas intervenciones implementan recursos adaptativos como parte de modelos volteados; en
estos casos, las plataformas asignan materiales personalizados para la preparación pre-clase, lo que
incrementa la preparación, participación y satisfacción (Clark & Kaw, 2019; Kaw et al., 2024; Clark et al.,
2019; Clark et al., 2021). Los estudios resaltan que el uso combinado de aprendizaje adaptativo y
flipped es especialmente beneficioso para estudiantes con menos experiencia previa o en grupos
subrepresentados (Clark & Kaw, 2019; Clark et al., 2019).
4. Evaluación y resultados de impacto
4.1 Compromiso, satisfacción y autorregulación
El aprendizaje adaptativo contribuye a mejorar el compromiso y la satisfacción. Contrino et al. (2024)
evaluaron el uso de la herramienta CogBooks® en cursos de estadística, y reportaron mayores logros
académicos y una preferencia manifiesta por los cursos con aprendizaje adaptativo, tanto en línea
como en modalidad presencial innovadora.
19
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Rincón Flores et al. (2024) detectan que la integración de estrategias adaptativas con flipped
Classroom, autoaprendizaje y microaprendizaje tiene un efecto positivo sobre el aprendizaje y la
percepción de mejora en los estudiantes.
Alamri et al. (2020) y Yulianti (2023) destacan, empleando marcos de la teoría de la autodeterminación,
que la personalización incrementó la autonomía, la competencia y la motivación intrínseca, según lo
expresado en estudios cualitativos.
Song y Kim (2020) identifican un aumento significativo de las habilidades autorreguladas y la
participación en el grupo con scaffold conversacional.
4.2 Impacto en el rendimiento académico
Los resultados de impacto en rendimiento son, en general, positivos, aunque matizados. Varios
estudios muestran mejorías en el desempeño académico, exámenes o tasas de aprobación
comparando estrategias adaptativas con controles (Rosen et al., 2018; Brown et al., 2022; Contrino et
al., 2024; Clark & Kaw, 2019; Hakim et al., 2024; Lameres & Plumb, 2017; Xi et al., 2018). Sin embargo,
en algunos casos las diferencias no alcanzan significación estadística o el beneficio es principalmente
en eficiencia (menos intentos para aprobar, mayor proporción de logros) más que en nota final (López
et al., 2021; Brown et al., 2022; Clark et al., 2021).
Brown y cols. (2022) reportaron reducción significativa de tasas DFW (D-Fail-Withdrawal) tras
implementar un curso de ciencias políticas adaptativo en modalidad virtual, aunque hubo variabilidad
por docente e impacto menor en la versión online respecto a la presencial.
En el contexto STEM, Clark y Kaw (2019) informan mejoras en preparación y rendimiento, incluyendo
reducción de brechas en grupos subrepresentados y preferencia estudiantil por el formato adaptativo.
4.3 Diferencias por modalidad y subgrupos
Los resultados muestran que la eficacia de las estrategias personalizadas puede variar según
modalidad (presencial, en línea, híbrida) y características demográficas. Contrino et al. (2024)
encontraron que los estudiantes logran mejores resultados en el formato presencial con aprendizaje
adaptativo que en cursos enteramente virtuales, aunque la satisfacción es mayor en línea.
Clark y Kaw (2019) informan respuestas particularmente positivas en estudiantes pertenecientes a
grupos tradicionalmente subrepresentados.
5. Tendencias metodológicas y tecnológicas
La revisión muestra dominio de:
•Enfoques experimentales/cuasiexperimentales (Rosen et al., 2018; Contrino et al., 2024; Rincón
Flores et al., 2024).
•Métodos mixtos y cualitativos (Rincón Flores et al., 2024; Vanegas et al., 2024; Alamri et al., 2020;
Yulianti, 2023).
•Analíticas y modelado avanzado (Rosen et al., 2018; Donevska-Todorova et al., 2022; Yan, 2020; Xi
et al., 2018).
• Expansión al uso de inteligencia artificial (Cheng, 2025; Qushwa & Onia, 2024).
20
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
6. Desafíos y vacíos detectados
•Transparencia algorítmica y control docente: Pocos estudios documentan mecanismos de
supervisión o intervención docente sobre los algoritmos de personalización (Rosen et al., 2018; Xi
et al., 2018).
•Ética y privacidad: Se mencionan recomendaciones para equilibrar el uso de datos y la supervisión
humana (Qushwa & Onia, 2024), pero la discusión es limitada.
•Escalabilidad y estudios longitudinales: La mayoría de los análisis corresponden a períodos cortos,
sin despliegues multiasignatura o multi-institucional (Donevska-Todorova et al., 2022).
•Variabilidad contextual: La eficacia diferencial según modalidad, perfil de grupo o nivel formativo
sugiere la necesidad de enfoques más matizados y estudios que desagreguen resultados por
subgrupos (Contrino et al., 2024; Clark & Kaw, 2019).
7. Conclusiones y recomendaciones
La revisión de la literatura evidencia que las estrategias pedagógicas personalizadas —especialmente
el aprendizaje adaptativo, el andamiaje metacognitivo y la personalización atendiendo estilos o
trayectorias— son eficaces para incrementar el compromiso, la motivación, la autorregulación y, en
ciertos contextos, el rendimiento académico en la educación superior virtual (Contrino et al., 2024;
Rincón Flores et al., 2024; Rosen et al., 2018; Song & Kim, 2020). No obstante, los resultados sobre
rendimiento muestran variabilidad según modalidad y contexto, señalando la necesidad de enfoques
sensibles a la diversidad estudiantil y al diseño instruccional (Clark & Kaw, 2019; Brown et al., 2022).
Recomendaciones principales:
•Desarrollar sistemas adaptativos transparentes, con opciones de supervisión y ajuste docente, para
favorecer la confianza y el control pedagógico (Rosen et al., 2018; Xi et al., 2018).
•Profundizar en aspectos éticos y de protección de datos, garantizando la privacidad estudiantil al
emplear algoritmos adaptativos avanzados (Qushwa & Onia, 2024).
•Diseñar estudios longitudinales y en múltiples contextos institucionales para analizar la
sostenibilidad y escalabilidad de las estrategias (Donevska-Todorova et al., 2022).
•Fomentar la participación estudiantil y docente en el codiseño de soluciones, asegurando la
pertinencia y la sensibilidad a la equidad y diversidad (Rincón Flores et al., 2024; Song & Kim,
2020).
21
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
8. Tablas
Tabla 1. Resumen de estrategias personalizadas y resultados reportados.
Nota: Adaptada a partir de la información explícita de los resúmenes analizados.
22
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
9. Referencias
Alamri, Hamdan A., Victoria Lynn Lowell, W. Watson, and S. Watson. 2020. Using Personalized
Learning as an Instructional Approach to Motivate Learners in Online Higher Education: Learner
Self-Determination and Intrinsic Motivation.”Journal of Research on Technology in Education.
https://doi.org/10.1080/15391523.2020.1728449
Alamri, Hamdan A., S. Watson, and W. Watson. 2020. Learning Technology Models That Support
Personalization Within Blended Learning Environments in Higher Education. TechTrends.
https://doi.org/10.1007/s11528-020-00530-3
Brown, Christopher L., Jeannie Grussendorf, Michael D. Shea, and Clark J. DeMas. 2022. Changing
the Paradigm? Creating an Adaptive Course to Improve Student Engagement and Outcomes in
Introductory Political Science Classes. Journal of Political Science Education.
https://doi.org/10.1080/15512169.2022.2069573
Cheng, Qiong. 2022. Towards Connected Modern Teaching Machine: An Agile Adaptive Learning
App to Customize Learning Materials and Assessments on the Fly. Proceedings of the 54th ACM
Technical Symposium on Computer Science Education V. 2.
https://doi.org/10.1145/3545947.3573238
Cheng, Xin. 2025. Design and Application of Personalized Learning for Integrated English Course
Based on Online Platforms. 2025 14th International Conference on Educational and Information
Technology (ICEIT). https://doi.org/10.1109/ICEIT64364.2025.10976188
Clark, R., and A. Kaw. 2019a. Adaptive Learning in a Numerical Methods Course for Engineers:
Evaluation in Blended and Flipped Classrooms. Computer Applications in Engineering Education.
https://doi.org/10.1002/cae.22175
———. 2019b. Benefits of Adaptive Lessons for Pre-Class Preparation in a Flipped Numerical
Methods Course. International Journal of Mathematical Education in Science and Technology.
https://doi.org/10.1080/0020739X.2019.1617439
Clark, R., A. Kaw, and Eleonora Delgado. 2018. Board 69: Do Adaptive Lessons for Pre-Class
Experience Improve Flipped Learning? Unknown Journal. https://doi.org/10.18260/1-2--30088
Clark, R., A. Kaw, and Rafael Braga Gomes. 2021. Adaptive Learning: Helpful to the Flipped
Classroom in the Online Environment of COVID? Computer Applications in Engineering Education.
https://doi.org/10.1002/cae.22470
Clark, R., A. Kaw, Yingyan Lou, Andrew Scott, and M. Besterfield-Sacre. 2018. Evaluating Blended
and Flipped Instruction in Numerical Methods at Multiple Engineering Schools. The International
Journal for the Scholarship of Teaching and Learning. https://doi.org/10.20429/IJSOTL.2018.120111
23
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Contrino, Monica F., Maribell Reyes-Millán, Patricia Vázquez-Villegas, and Jorge
Membrillo-Hernández. 2024. Using an Adaptive Learning Tool to Improve Student Performance and
Satisfaction in Online and Face-to-Face Education for a More Personalized Approach. Smart Learn
Environments. https://doi.org/10.1186/s40561-024-00292-y
Donevska-Todorova, Ana, K. Dziergwa, and Katharina Simbeck. 2022. Individualizing Learning
Pathways with Adaptive Learning Strategies: Design, Implementation and Scale. Unknown Journal.
https://doi.org/10.5220/0010995100003182
Hakim, Nur, Bella Jastacia, and Ahmed Al-Mansoori. 2024. Personalizing Learning Paths: A Study of
Adaptive Learning Algorithms and Their Effects on Student Outcomes. Journal Emerging
Technologies in Education. https://doi.org/10.70177/jete.v2i4.1365
Kaw, A., R. Clark, Eleonora Delgado, and N. Abate. 2019. Analyzing the Use of Adaptive Learning in
a Flipped Classroom for Preclass Learning. Computer Applications in Engineering Education.
https://doi.org/10.1002/cae.22106
Kaw, A., Ali Yalcin, Renee M. Clark, Rafael Braga Gomes, Luis Serrano, Andrew Scott, and Yingyan
Lou. 2024. On Building and Implementing Adaptive Learning Platform Lessons for Pre-Class Learning
in a Flipped Course. CoED. https://doi.org/10.18260/b259-8f-13373
Lameres, B. 2015. Deploying Adaptive Learning Environments to Overcome Background Deficiencies
and Facilitate Mastery of Computer Engineering Content. Unknown Journal.
https://doi.org/10.18260/p.23783
Lameres, B., and C. Plumb. 2017. Board # 80: Measuring the Impact of Adaptive Learning Modules in
Digital Logic Courses. Unknown Journal. https://doi.org/10.18260/1-2--27930
Martha, Ati Suci Dian, and H. Santoso. 2018. Investigation of Motivation Theory on Pedagogical
Agents Design in the Online Learning Environment. Unknown Journal.
https://doi.org/10.1145/3290511.3290530
———. 2019. The Design and Impact of the Pedagogical Agent: A Systematic Literature Review. The
Journal of Educators Online. https://doi.org/10.9743/JEO.2019.16.1.8
Martha, Ati Suci Dian, H. Santoso, K. Junus, and H. Suhartanto. 2019. A Scaffolding Design for
Pedagogical Agents Within the Higher-Education Context. Proceedings of the 11th International
Conference on Education Technology and Computers. https://doi.org/10.1145/3369255.3369267
———. 2023. The Effect of the Integration of Metacognitive and Motivation Scaffolding Through a
Pedagogical Agent on Self- and Co-Regulation Learning. IEEE Transactions on Learning
Technologies. https://doi.org/10.1109/TLT.2023.3266439
24
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Lopes, A. P., and Filomena Soares. 2019. LEARNING ANALYTICS TO SUPPORT STUDY SUCCESS
BASED ON a SMALL PRIVATE ONLINE COURSE. EDULEARN19 Proceedings.
https://doi.org/10.21125/EDULEARN.2019.0160
López, Carlos Javier Mas, I. Vidal, and Gissell Labrada Balmaseda. 2021. Adaptive Hypermedia
System in Times of COVID-19: Application in Management Accounting Course 1 at the University of
Havana. Unknown Journal. https://doi.org/10.21203/rs.3.rs-651357/v1
Qushwa, Febriyanti Ghayatul, and Saifaldin Idris Onia. 2024. AI Innovation in Education: Realizing
Personalized Learning in the Digital Age. Educative: Journal Ilmiah Pendidikan.
https://doi.org/10.70437/educative.v2i3.822
Rincon-Flores, E.G., Castano, L., Guerrero Solis, S.L.et al.Improving the learning-teaching process
through adaptive learning strategy.Smart Learn. Environ.11, 27 (2024).
https://doi.org/10.1186/s40561-024-00314-9
Rincón-Flores, Elvira G., Nohemi Rivera Vázquez, Leticia Castaño Sanchez, Sadie L. Guerrero Solís,
Patricia Aldape Valdes, and Laura Castillo Lara. 2023. Improving Face-to-Face Learning Using an
Adaptive Technology. 2023 IEEE Global Engineering Education Conference (EDUCON).
https://doi.org/10.1109/EDUCON54358.2023.10125276
Rosen, Y., I. Rushkin, Andrew M. Ang, Colin Fredericks, D. Tingley, and Mary Jean Blink. 2017.
Designing Adaptive Assessments in MOOCs. Proceedings of the Fourth (2017) ACM Conference on
Learning @ Scale. https://doi.org/10.1145/3051457.3053993
Rosen, Y., I. Rushkin, Rob Rubin, Liberty Munson, Andrew M. Ang, G. Weber, Glenn Lopez, and D.
Tingley. 2018. The Effects of Adaptive Learning in a Massive Open Online Course on Learners’ Skill
Development. Proceedings of the Fifth Annual ACM Conference on Learning at Scale.
https://doi.org/10.1145/3231644.3231651
Song, Donggil, and Dongho Kim. 2020. Effects of Self-Regulation Scaffolding on Online Participation
and Learning Outcomes. Journal of Research on Technology in Education.
https://doi.org/10.1080/15391523.2020.1767525
Vanegas, Carolina Vargas, Jorge Enrique Arboleda Puerta, Marcelo Noreña Ceballos, and Jorge
Mario Moreno Sánchez. 2024. Personalized Learning: An Adaptive Approach Based on the VARK
Model to Improve Distance Education. Revista de Gestão Social e Ambiental.
https://doi.org/10.24857/rgsa.v18n12-046
Xi, Junfu, Yehua Chen, and G. Wang. 2018. Design of a Personalized Massive Open Online Course
Platform. Int. J. Emerg. Technol. Learn. https://doi.org/10.3991/IJET.V13I04.8470
Yan, Bihong, and Xiaoyan Yan. 2025. Teaching Model of English Education in Biomechanical
Environment. Molecular &Amp; Cellular Biomechanics. https://doi.org/10.62617/mcb1001
25
Epicentro N°1 - 2025. Ciencia - Tecnología - Innovación.
Yan, Hongxin. 2020. Using Learning Analytics and Adaptive Formative Assessment to Support at- Risk
Students in Self-Paced Online Learning. 2020 IEEE 20th International Conference on Advanced
Learning Technologies (ICALT). https://doi.org/10.1109/icalt49669.2020.00125
Yan, Hongxin, Dr. Fuhua Lin, and Dr. Kinshuk. 2022. Removing Learning Barriers in Self-Paced Online
STEM Education. Canadian Journal of Learning and Technology. https://doi.org/10.21432/cjlt28264
Yan, Hongxin, Fuhua Lin, and Kinshuk. 2025. Adaptive Practicing Design to Facilitate Self-Regulated
Learning. Canadian Journal of Learning and Technology. https://doi.org/10.21432/cjlt28768
Yulianti, Kartika. 2023. Students’ Experience with Online Personalized Learning in Character
Building-Civics Course at a Private University in Indonesia. Proceedings of the 2023 7th International
Conference on Education and E-Learning. https://doi.org/10.1145/3637989.3637999
