La utilización del aprendizaje por refuerzo (RL) en el campo de la educación tiene el potencial de provocar un cambio significativo en la forma en que los estudiantes abordan y se involucran con el aprendizaje y en cómo los profesores evalúan el progreso de los estudiantes. El uso de RL en la educación permite un aprendizaje personalizado y adaptativo, donde el nivel de dificultad puede ajustarse según el rendimiento de un estudiante. Como resultado, esto podría resultar en niveles elevados de motivación y compromiso entre los estudiantes. El objetivo de este artículo es investigar las aplicaciones y técnicas de RL en la educación y determinar su impacto potencial en la mejora de los resultados educativos. Compara las diversas políticas inducidas por RL con líneas de base e identifica cuatro técnicas distintas de RL: el proceso de decisión de Markov, el proceso de decisión de Markov parcialmente observable, la red de RL profunda y la cadena de Markov, así como su aplicación en la educación. El enfoque principal del artículo es identificar las mejores prácticas para incorporar RL en entornos educativos para lograr resultados efectivos y gratificantes. Para lograr esto, el artículo examina a fondo la literatura existente sobre el uso de RL en la educación y su potencial para avanzar en la tecnología educativa. Este trabajo proporciona un análisis exhaustivo de las diversas técnicas y aplicaciones de RL en la educación para responder preguntas relacionadas con la efectividad de RL en la educación y sus perspectivas futuras. Los hallazgos de este estudio proporcionarán a los investigadores un punto de referencia para comparar la utilidad y efectividad de los algoritmos de RL comúnmente empleados y ofrecerán dirección para futuras investigaciones en educación.