Multidisciplinary Collaborative Journal
|
Vol
.
0
4
| Núm
.
0
1
|
Ene
–
Mar
| 202
6
|
https://mcjournal.editorialdoso.com
ISSN:
3073
-
1356
327
Revisi
ón
Software basado en inteligencia artificial generativa para la
enseñanza
-
aprendizaje de matemáticas: una revisión de
literatura
Software based on Generative Artificial Intelligence for the Teaching
-
Learning
of
Mathematics: A Literature Review
Sonia Tatiana
Cruz Laz
1
,
Orlando Ramiro
Erazo Moreta
2
,
Valeria Dayanna
Torres Lindao
3
,
Geovanny José
Brito Casanova
4
,
*
1
Facultad
de Ciencias de la Computación de la Universidad Técnica Estatal de
Quevedo, Ecuador, Quevedo, Ecuador, Quevedo;
https://orcid.org/0009
-
0008
-
6010
-
7914
;
scruzl@
uteq.edu.ec
2
Facultad de Ciencias de la Computación de la Universidad Técnica Estatal de
Quevedo, Ecuador, Quevedo, Ecuador, Quevedo;
https://orcid.org/0000
-
0001
-
5642
-
9920
;
oerazo@uteq.edu.ec
3
Facultad de Ciencias de la Computación de la Universidad Técnica Estatal de
Quevedo, Ecuador, Quevedo;
https://orcid.org/0000
-
0001
-
8778
-
2794
;
vtorresl@uteq.edu.ec
4
Facultad de Ciencias de la Computación de la Universidad Técnica Estatal de
Quevedo, Ecuador, Quevedo;
https://orcid.org/0000
-
000
2
-
7715
-
7706
*
Correspondencia
:
gbritoc@uteq.edu.ec
https://doi.org/10.70881/mcj/v4/n1/132
Resumen:
La inteligencia artificial generativa (IAGen) ha
emergido como
una tecnología con alto potencial para transformar el proceso de enseñanza
-
aprendizaje de matemáticas, al posibilitar experiencias educativas más
personalizadas e interactivas. Para organizar todas esas potencialidades,
este artículo presenta
una revisión de literatura sobre software educativo
basado en IAGen aplicado a la educación matemática, considerando
distintos niveles educativos y contextos de uso. A partir del análisis de
artículos científicos, se identificaron y caracterizaron los pri
ncipales tipos de
software, incluyendo tutores inteligentes, agentes enseñables, generadores
de contenidos y herramientas de retroalimentación y andamiaje. Asimismo,
se sintetizó la evidencia sobre los beneficios reportados en términos de
resultados de apr
endizaje, compromiso estudiantil y apoyo a la labor
docente, junto con los desafíos persistentes relacionados con la precisión
matemática, la dependencia tecnológica, la equidad y las implicaciones
éticas. El artículo también discute principios de diseño e
implicaciones
pedagógicas, destacando la importancia de la supervisión humana, el uso
estructurado de la IAGen y la formación docente en alfabetización en
inteligencia artificial. Finalmente, se identificaron brechas de investigación
proponiendo líneas fu
turas orientadas a optimizar el diseño, la
implementación y la evaluación de software basado en IAGen para la
educación matemática
.
Palabras clave:
Inteligencia artificial generativa, educación matemática,
tecnología educativa, métodos de enseñanza, proce
sos de aprendizaje
Cita:
Cruz Laz, S. T., Erazo
Moreta, O. R., Torres Lindao, V.
D., & Br
ito Casanova, G. J. (2026).
Software basado en inteligencia
artificial generativa para la
enseñanza
-
aprendizaje de
matemáticas: una revisión de
literatura.
Multidisciplinary
Collaborative Journal
,
4
(1), 327
-
346.
https://doi.org/10.70881/mcj/
v4/n1/132
Recibido:
01
/
02
/20
26
Revisado:
03
/
03
/20
26
Aceptado:
04
/
03
/20
26
Publicado:
0
6
/
03
/20
26
Copyright:
© 202
6
por los
autores
.
Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
328
Abstract:
Generative artificial intelligence (GenAI) has emerged as a technology with
high potential to transform the teaching
–
learning process in mathematics by enabling
more personalized and interactive educational experiences. To sy
stematize these
potentials, this article presents a literature review on GenAI
-
based educational
software applied to mathematics education, considering different educational levels
and usage contexts. Through the analysis of scientific articles, the main t
ypes of
software were identified and characterized, including intelligent tutoring systems,
teachable agents, content generators, and feedback and scaffolding tools. In addition,
the evidence on reported benefits was synthesized in terms of learning outcom
es,
student engagement, and support for teaching practice, together with persistent
challenges related to mathematical accuracy, technological dependence, equity, and
ethical implications. The article also discusses design principles and pedagogical
implic
ations, highlighting the importance of human oversight, the structured use of
GenAI, and teacher training in artificial intelligence literacy. Finally, research gaps are
identified, and future research directions are proposed to optimize the design,
implem
entation, and evaluation of GenAI
-
based software for mathematics education
.
Keywords:
Generative artificial intelligence; mathematics education; educational
technology; teaching methods; learning processes
1. Introducción
La enseñanza y el
aprendizaje de las matemáticas han sido históricamente un desafío
persistente en todos los niveles educativos, no solo por la complejidad intrínseca de los
contenidos, sino también por factores afectivos, motivacionales y contextuales que
influyen en la ex
periencia del estudiantado
(Mutlu, 2019; Raj Acharya, 2017)
.
Dificultades como la ansiedad matemática, la desmotivación y la brecha entre la
instrucción formal y las necesidades individuales siguen afectando de manera
significativa los resultados de apre
ndizaje y la equidad educativa
(Mutlu, 2019; Raj
Acharya, 2017)
.
En este contexto, la incorporación de tecnologías digitales ha sido vista
recurrentemente como una vía para transformar las prácticas educativas
(Rane, 2023;
Rizos et al., 2024)
.
Sin emba
rgo, no todas las innovaciones tecnológicas han logrado un
impacto sostenido ni pedagógicamente significativo
(Xasanovna, 2025)
.
En las últimas décadas, diversas soluciones tecnológicas han buscado responder a
estos retos en la educación matemática. Los
sistemas tutoriales inteligentes, las
plataformas adaptativas, los entornos de práctica automatizada y los sistemas de
evaluación asistida por computadora han mostrado avances importantes en
personalización y retroalimentación
(G. J. Hwang & Tu, 2021)
,
a
unque con limitaciones
claras en flexibilidad, escalabilidad y capacidad de diálogo pedagógico. Más
recientemente, la irrupción de la inteligencia artificial generativa (IAGen), especialmente
a través de modelos de lenguaje de gran escala, ha ampliado el h
orizonte de
posibilidades al permitir interacciones más naturales, generación dinámica de
contenidos y retroalimentación en tiempo real
(Daher & Anabousy, 2025; Walkington,
2025; Xing et al., 2025)
.
Estudios empíricos y revisiones recientes
sugieren que estas
tecnologías pueden apoyar la resolución de problemas, la tutoría personalizada y la
planificación docente, siempre que su uso esté cuidadosamente diseñado y
contextualizado
(Ma & Zhong, 2025; Rizos et al., 2024; X. Wang & Wei, 2025)
.
A
unque la evidencia muestra beneficios,
el uso de software basado en IAGen en
educación matemática plantea interrogantes relevantes que aún no han sido abordadas
de forma sistemática. La literatura muestra resultados positivos en términos de
desempeño y com
promiso, pero también evidencia riesgos asociados a errores
matemáticos, dependencia excesiva de la tecnología, falta de alineación curricular y
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
329
desafíos éticos relacionados con la equidad y la privacidad
(Bastani et al., 2025; Y.
Wang et al., 2025)
.
Ade
más, muchos estudios se centran en aplicaciones aisladas o
contextos específicos, lo que dificulta una comprensión integrada de los tipos de
software existentes, sus beneficios reales, sus limitaciones y las condiciones
pedagógicas bajo las cuales resultan
efectivos.
Ante esta situación, el problema concreto que aborda este trabajo es la falta de una
síntesis estructurada y crítica del estado del arte sobre el software educativo basado en
IAGen para la enseñanza y el aprendizaje de las matemáticas, que inte
gre evidencia
empírica, principios de diseño y consideraciones pedagógicas. Sin una visión articulada,
docentes, investigadores y responsables de políticas educativas carecen de referentes
claros para tomar decisiones informadas sobre la adopción, el diseñ
o y la
implementación de estas tecnologías en contextos educativos reales.
Como respuesta a este problema, el presente artículo propone una revisión comprensiva
y temática de la literatura reciente sobre software basado en IAGen aplicado a la
educación mat
emática, con énfasis en sus tipos, beneficios reportados, desafíos,
principios de diseño e implicaciones pedagógicas. La contribución principal de este
trabajo radica en organizar y analizar críticamente la evidencia existente, destacando no
solo los resul
tados positivos, sino también las condiciones necesarias para un uso
efectivo y responsable. Asimismo, se identifican vacíos de investigación y líneas futuras
que pueden orientar tanto el desarrollo de nuevas herramientas como la formulación de
políticas y
programas de formación docente
(Biton et al., 2025; Daher & Anabousy, 2025;
Farillon
-
Labis, 2025; Y. Wang et al., 2025; Xing et al., 2025)
.
El artículo se estructura de la siguiente manera. En primer lugar, se presentan los
principales tipos de
software basado en IAGen utilizados en educación matemática,
describiendo sus características y aplicaciones. A continuación, se analizan los
beneficios y la efectividad reportados en la literatura, considerando resultados de
aprendizaje, personalización y
apoyo docente. Posteriormente, se discuten los
principios de diseño y las implicaciones pedagógicas que emergen de los estudios
revisados, junto con los desafíos y riesgos asociados. Finalmente, se desarrolla una
discusión general que integra los hallazgo
s, se identifican brechas de investigación y se
presentan las conclusiones principales del estudio.
2.
Software
basado en
IAGen
El software basado en IAGen aplicado a la educación matemática abarca un conjunto
diverso de herramientas que integran modelos generativos en contextos pedagógicos
con distintos objetivos y niveles de intervención. Estas aplicaciones no se limitan a
automa
tizar tareas existentes, sino que reconfiguran prácticas tradicionales como la
tutoría, el diseño de actividades, la retroalimentación y la producción matemática
creativa. La literatura reciente permite identificar tipologías relativamente estables de
soft
ware
basado en
IAGen, cuya diferenciación resulta relevante para comprender tanto
sus beneficios como sus limitaciones educativas.
Con el fin de sintetizar y organizar la diversidad de enfoques identificados en la literatura,
la Tabla 1 presenta una clasif
icación de los principales tipos de software
basado en
IAGen utilizados en la educación matemática. Esta tabla resume, para cada tipo de
herramienta, su propósito pedagógico predominante, el nivel educativo en el que ha sido
estudiado con mayor frecuencia,
el rol asignado a la IAGen dentro del proceso de
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
330
enseñanza
-
aprendizaje y el tipo de evidencia empírica reportada. La organización
propuesta no pretende ser exhaustiva ni excluyente, sino que busca ofrecer un marco
analítico que facilite la comparación ent
re distintas aplicaciones y que sirva como
referencia para el análisis detallado que se desarrolla en las subsecciones siguientes.
Tabla 1
Tipos de software
basado en
IAGen en educación matemática
Tipo de
software con
IAGen
Propósito
pedagógico
principal
Nivel
educativo
predominante
Rol de la
IAGen
Evidencia
empírica
reportada
Agentes
enseñables y
tutores
inteligentes
Fomentar el
aprendizaje
por
enseñanza,
tutoría
personalizad
a y diálogo
socrático
Educación
secundaria
Compañero de
aprendizaje,
agente
enseñable,
tutor
adaptativo
Mejores
ganancias de
conocimiento
frente a grupos
control; alta
usabilidad y
compromiso;
percepción de
roles múltiples
(facilitador,
colaborador)
(Song, Kim, Liu, et
al., 2025; Xing et
al., 2025)
Generador
es
de lecciones y
hojas de
trabajo
Apoyar la
planificación
docente y la
adaptación
curricular
Primaria,
secundaria y
educación
especial
Asistente de
diseño
didáctico
Generación de
lecciones
coherentes;
mejoras en
compromiso y
actitudes; alta
utilidad para
estudiantes con
NEE cuando hay
personalización y
supervisión
docente
(Daher &
Anabousy, 2025;
Malik et al., 2025;
Rizos et al., 2024)
Generación
automática de
problemas y
evaluación
Crear,
resolver y
explicar
problemas
matemáticos;
apoyar
práctica y
evaluación
Secundaria y
educación
superior
Generador de
contenido
matemático y
solucionador
Problemas y
soluciones a nivel
humano en
matemáticas
avanzadas;
mejora del
aprendizaje con
contextualización
y control de
dificultad; calidad
dependiente
del
prompting
(Drori
et al., 2022; W. Y.
Hwang & Utami,
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
331
2024; Utami et al.,
2024; Yu et al.,
2025)
Herramientas
de
retroalimentaci
ón y andamiaje
Proporcionar
feedback
formativo y
reducir carga
cognitiva
Educación
básica y
secundaria
Proveedor de
retroa
limentaci
ón
estructurada y
adaptativa
Rendimiento
comparable a
retroalimentación
humana; menor
carga cognitiva;
apoyo eficiente
cuando se integra
en enfoques
híbridos humano
-
IA
(Cosentino et
al., 2025; Malik et
al., 2025)
Plataformas
creativas y
colabor
ativas
Promover
formulación
de
problemas,
escritura
matemática y
pensamiento
crítico
Primaria,
secundaria y
formación
docente
Mediador
creativo y
colaborativo
Mayor
compromiso y
desarrollo del
lenguaje
matemático;
mejoras en
TPACK docente;
riesgos de
autenticidad,
sesgos y
superficialidad sin
mediación
pedagógica
(Biton
et al., 2025; Biton
& Segal, 2025;
Walkington et al.,
2025)
2
.1.
Agentes enseñables y tutores inteligentes
Los agentes enseñables y tutores inteligentes constituyen una de las aproximaciones
más estudiadas dentro del software educativo
basado en
IAGen. En términos generales,
estos sistemas simulan un interlocutor peda
gógico capaz de sostener interacciones en
lenguaje natural, adaptarse al progreso del estudiante y orientar el aprendizaje mediante
preguntas, explicaciones parciales y retroalimentación contextualizada. En el caso
específico de los agentes enseñables, el
estudiante asume el rol de “enseñar” al
sistema, lo que activa procesos metacognitivos asociados al aprendizaje por
enseñanza.
ALTER
-
Math representa un ejemplo paradigmático de esta categoría, al integrar IAGen
para potenciar prácticas de aprendizaje media
nte la enseñanza en matemáticas de nivel
secundario. Un estudio basado en investigación de diseño reporta que, tras varias
iteraciones de implementación en aulas reales, los estudiantes que utilizaron ALTER
-
Math mostraron mejoras significativas en su conoc
imiento matemático en comparación
con un grupo de control
(Xing et al., 2025)
.
Estos resultados se complementan con
evidencias de altos niveles de usabilidad y compromiso percibido por parte de
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
332
estudiantes y docentes, lo que refuerza la viabilidad de est
e tipo de sistemas en
contextos escolares auténticos
(Xing et al., 2025)
.
Desde la perspectiva del estudiante, los agentes enseñables con IAGen son percibidos
no solo como receptores pasivos de conocimiento, sino como compañeros de
aprendizaje, facilitad
ores y colaboradores en la resolución de problemas. Un estudio
cualitativo con estudiantes de educación media revela que los usuarios atribuyen
múltiples roles pedagógicos a estos agentes, al tiempo que reconocen desafíos
relacionados con la precisión mate
mática y la necesidad de orientación docente
(Song,
Kim, Liu, et al., 2025)
. En conjunto, la evidencia sugiere que la efectividad de estos
sistemas depende tanto de la capacidad generativa del modelo como del diseño
pedagógico que regula la interacción.
2
.
2
.
Generadores de lecciones y hojas de trabajo
Los generadores de lecciones y hojas de trabajo basados en IAGen constituyen otra
tipología ampliamente documentada en la literatura reciente. Este tipo de software utiliza
modelos de lenguaje generativo pa
ra producir materiales didácticos alineados con
contenidos curriculares, incluyendo planes de clase, actividades introductorias y
ejercicios diferenciados. Su principal valor pedagógico radica en el apoyo al docente en
tareas de planificación y adaptación
curricular.
Estudios que analizan el desempeño de herramientas como ChatGPT, Gemini, Claude
y Perplexity muestran que estos sistemas son capaces de generar lecciones
matemáticas coherentes y estructuradas, con una comprensión funcional de métodos,
estrateg
ias y técnicas didácticas
(Daher & Anabousy, 2025)
. No obstante,
se observan
diferencias en la forma en que los modelos conceptualizan estos elementos, lo que
sugiere limitaciones en su conocimiento didáctico profundo. Estos hallazgos refuerzan
la necesi
dad de que el profesorado evalúe críticamente los materiales generados antes
de su implementación.
En contextos de educación inclusiva, la generación personalizada de hojas de trabajo
mediante IAGen ha mostrado resultados particularmente prometedores. Un e
studio de
caso con estudiantes con necesidades educativas especiales reporta mejoras en la
participación, la confianza y la actitud hacia las matemáticas cuando se utilizan
materiales adaptados generados por ChatGPT
(Rizos et al., 2024)
.
De manera
complementaria, investigaciones sobre andamiaje curricular indican que, cuando los
modelos reciben contexto suficiente y prompts informados por expertos, pueden
producir tareas de alta calidad, incluso valoradas por encima de las creadas por
doce
ntes experimentados en ciertos criterios
(Malik et al., 2025)
.
2.
3
.
Generación automática de problemas y evaluación
La generación automática de problemas matemáticos y la evaluación asistida por IAGen
conforman una tercera categoría relevante. Estos sist
emas combinan modelos de
lenguaje de gran escala con técnicas de síntesis de programas para crear, resolver y
explicar problemas matemáticos en distintos niveles educativos. Su uso se orienta tanto
al diseño de prácticas como al apoyo en procesos evaluativ
os.
Investigaciones centradas en educación matemática avanzada muestran que la IAGen
puede generar problemas de calidad variable, pero que su desempeño mejora
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
333
notablemente cuando se proporcionan ejemplos y contexto disciplinar específico
(Yu et
al., 2025)
.
En este sentido, la calidad del resultado no depende únicamente del modelo,
sino de la estrategia de interacción empleada por el usuario. Estos hallazgos permiten
comprender el potencial real de estas herramientas en escenarios educativos.
Desde una per
spectiva técnica, estudios que utilizan modelos como Codex demuestran
que la combinación de generación de código y razonamiento matemático permite
resolver y explicar problemas universitarios con niveles de precisión cercanos al
desempeño humano
(Drori et
al., 2022)
.
Asimismo, sistemas orientados a la generación
de problemas contextualizados en geometría muestran mejoras significativas en el
aprendizaje cuando incorporan personalización y contextos auténticos
(G. J. Hwang & Tu,
2021; Utami et al., 2024)
.
No obstante, la literatura también advierte que el uso de estas
herramientas en evaluación formal requiere cautela debido a implicaciones éticas y
pedagógicas.
2.
4
.
Herramientas de retroalimentación y andamiaje
Las herramientas de
retroalimentación y andamiaje basadas en IAGen se centran en
ofrecer apoyo formativo durante la resolución de tareas matemáticas. A diferencia de
los sistemas orientados a la generación de contenido, estas aplicaciones intervienen
directamente en el proces
o cognitivo del estudiante, proporcionando pistas, preguntas
guiadas o explicaciones parciales. Su diseño busca sostener el aprendizaje sin sustituir
el razonamiento del alumno.
Evidencia empírica en entornos de aprendizaje incorporado muestra que la
retro
alimentación generada por IAGen puede ser tan efectiva como la retroalimentación
humana en términos de desempeño
(Cosentino et al., 2025)
.
Además, se reporta una
reducción significativa de la carga cognitiva y diferencias en las estrategias de
procesamie
nto de la información visual
(Cosentino et al., 2025)
. Estos resultados
sugieren que la IAGen puede contribuir a experiencias de aprendizaje más eficientes
cuando se integra de forma estructurada.
Desde una perspectiva curricular, estudios sobre andamiaj
e con modelos de lenguaje
destacan que la calidad de la retroalimentación mejora cuando el sistema recibe
información contextual detallada y sigue procesos inspirados en la práctica docente
experta
(Malik et al., 2025)
. En conjunto, estos trabajos refuer
zan la idea de que la IAGen
es más efectiva como complemento del juicio pedagógico humano que como sustituto
de la interacción docente.
2.
5
.
Plataformas creativas y colaborativas
Las plataformas creativas y colaborativas con IAGen representan una
aproximación
distinta al aprendizaje matemático, centrada en la producción, el lenguaje y la
exploración conceptual. Estas herramientas promueven actividades abiertas como la
formulación de problemas, la escritura matemática creativa y el uso de narrativas
para
expresar ideas matemáticas. Su objetivo principal es ampliar las formas de participación
y expresión en matemáticas.
Estudios con alumnos de educación media muestran que el uso de IAGen en actividades
de formulación de problemas favorece el compromis
o y el pensamiento crítico, aunque
también revela limitaciones relacionadas con la autenticidad de los problemas
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
334
generados y posibles sesgos en los resultados
(Walkington et al., 2025)
.
Desde la
formación docente, investigaciones con futuros profesores i
ndican que la interacción con
IAGen puede fortalecer el conocimiento pedagógico del contenido y las habilidades de
diseño de tareas matemáticas
(Biton & Segal, 2025)
. En niveles de educación primaria,
investigaciones cualitativas destacan que tanto estud
iantes como docentes perciben
positivamente el uso de IAGen para apoyar la escritura matemática creativa. Sin
embargo, estos estudios también subrayan la importancia de un diseño cuidadoso y de
una mediación pedagógica activa para evitar usos superficiales
de la tecnología
(Song,
Kim, Xing, et al., 2025)
. En conjunto, esta línea de trabajo posiciona a la IAGen como
un mediador creativo más que como un solucionador automático de problemas.
3.
Efectos en la enseñanza
-
aprendizaje
La literatura reciente coinc
ide en que el software educativo basado en IAGen presenta
un conjunto de beneficios relevantes para la enseñanza y el aprendizaje de las
matemáticas. Estos beneficios abarcan dimensiones cognitivas, afectivas y
pedagógicas, y han sido documentados mediante
estudios empíricos, revisiones
sistemáticas y metaanálisis en distintos niveles educativos. No obstante, la evidencia
también sugiere que la magnitud y naturaleza de los efectos dependen del tipo de
herramienta, del diseño instruccional y del rol que asum
en docentes y estudiantes en la
interacción con la IAGen. A continuación, se desarrollan algunos de tales beneficios.
3.1. Resultados de aprendizaje y desempeño cognitivo
La literatura da muestras de que la incorporación de IAGen en contextos educativos
produce efectos positivos estadísticamente significativos en los resultados de
aprendizaje. En particular, metaanálisis recientes reportan mejoras en resultados
cognitivos,
desarrollo de competencias y variables afectivas, siendo las áreas de
matemáticas y ciencias aquellas donde se observan los tamaños de efecto más
elevados
(Ma & Zhong, 2025; Rizos et al., 2024; X. Wang & Wei, 2025; Xing et al., 2025)
.
Estos resultados su
gieren una afinidad entre las capacidades generativas de la IA
—
como la explicación paso a paso y la adaptación del contenido
—
y las demandas
cognitivas propias del aprendizaje matemático.
A nivel empírico, investigaciones controladas indican que herramien
tas basadas en
IAGen pueden mejorar la comprensión conceptual y procedimental cuando se integran
en actividades estructuradas. En estudios cuasi
-
experimentales y de intervención
prolongada, los estudiantes que utilizaron sistemas con retroalimentación gene
rativa y
andamiaje adaptativo mostraron un desempeño superior frente a condiciones
tradicionales, especialmente en tareas de resolución de problemas y razonamiento
matemático
(Rizos et al., 2024; X. Wang & Wei, 2025)
. Sin embargo, la literatura enfatiza
que estos efectos no deben interpretarse como universales ni independientes del
contexto pedagógico.
3.2. Personalización del aprendizaje, compromiso y variables afectivas
Uno de los beneficios más consistentemente reportados del software con IAGen es su
c
apacidad para facilitar experiencias de aprendizaje personalizadas. Mediante la
generación dinámica de tareas, ejemplos y explicaciones, estas herramientas permiten
ajustar el nivel de dificultad y el tipo de apoyo a las necesidades individuales de los
est
udiantes
(Börekci et al., 2025; Rizos et al., 2024; Shi, 2024)
.
Esta personalización se
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
335
ha asociado con incrementos en la motivación, el compromiso y la percepción de
autoeficacia en matemáticas.
Adicionalmente, varios estudios reportan una reducción de l
a ansiedad matemática
cuando los estudiantes interactúan con sistemas generativos que ofrecen
retroalimentación inmediata y no evaluativa
(X. Wang & Wei, 2025; Y. Wang et al.,
2025)
. En contextos de educación especial y atención a la diversidad, la gener
ación de
materiales adaptados ha mostrado efectos positivos en la actitud hacia las matemáticas
y en la confianza del alumnado, particularmente en estudiantes con necesidades
educativas especiales
(Rizos et al., 2024; Shi, 2024)
. Estos hallazgos refuerza
n el
potencial de la IAGen como herramienta para promover entornos de aprendizaje más
accesibles y emocionalmente seguros.
3.
3
.
Apoyo al profesorado y desarrollo profesional docente
La efectividad del software
basado en
IAGen no se limita al aprendizaje e
studiantil, sino
que también se manifiesta en el ámbito docente. La literatura documenta que estas
herramientas pueden apoyar a los profesores en la planificación de clases, el diseño de
tareas, la elaboración de evaluaciones y la adaptación curricular, re
duciendo el tiempo
dedicado a tareas rutinarias y ampliando el repertorio didáctico disponible
(Aqazade et
al., 2025; Daher & Anabousy, 2025; Lu et al., 2024; Oh, 2025)
. Desde la perspectiva del
desarrollo profesional, varios estudios reportan mejoras en
el conocimiento pedagógico
del contenido tecnológico (TPACK) de docentes y futuros docentes que utilizan
herramientas generativas de manera reflexiva
(Biton et al., 2025; Börekci et al., 2025;
Farillon
-
Labis, 2025; Zhuang & Zhang, 2025)
. Asimismo, inves
tigaciones basadas en
modelos de aceptación tecnológica indican que la percepción de utilidad y la confianza
en el uso de la IAGen influyen significativamente en su adopción sostenible en la
enseñanza de las matemáticas
(Börekci et al., 2025; Y. Wang et al
., 2025; Zhuang &
Zhang, 2025)
. No obstante, los autores coinciden en que estos beneficios requieren
formación específica y acompañamiento pedagógico.
3.
4
.
Retroalimentación formativa y apoyo al proceso de aprendizaje
Un aspecto que emerge con fuerza en
la literatura es el papel de la IAGen como
proveedor de retroalimentación formativa. Estudios recientes muestran que la
retroalimentación generada automáticamente puede ser comparable, en términos de
efectividad, a la retroalimentación humana, especialmen
te cuando se centra en
procesos y no solo en respuestas finales
(Cosentino et al., 2025; Malik et al., 2025)
. En
entornos digitales y corporeizados, este tipo de apoyo ha demostrado reducir la carga
cognitiva y favorecer un aprendizaje más eficiente. Sin
embargo, la evidencia también
señala que la calidad de la retroalimentación depende en gran medida del diseño del
sistema y de las restricciones impuestas al modelo generativo. La retroalimentación
abierta y no guiada puede derivar en explicaciones superf
iciales o en dependencia
excesiva del sistema, mientras que los enfoques con andamiaje explícito tienden a
preservar el razonamiento matemático y la metacognición del estudiante
(Malik et al.,
2025; Shi, 2024)
.
Para sintetizar los principales beneficios y tipos de evidencia reportados en la literatura,
la Tabla 2 presenta un resumen de los efectos asociados al uso de software
basado en
IAGen en la educación matemática. La tabla organiza los hallazgos según la dim
ensión
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
336
impactada, el tipo de beneficio identificado y las fuentes que lo respaldan, facilitando
una visión comparativa de los resultados discutidos en esta sección.
Tabla 2
Beneficios y efectividad reportados del software
basado en
IAGen en educación
matem
ática
Dimensión
Beneficios reportados
Tipo de evidencia
Citas
Resultados de
aprendizaje
Mejora del rendimiento
cognitivo y desarrollo de
competencias
matemáticas
metaanálisis y
estudios empíricos
(Ma & Zhong,
2025; Rizos et
al., 2024; X.
Wang & Wei,
2025; Xing et al.,
2025)
Variables
afectivas
Mayor motivación,
reducción de ansiedad
matemática, aumento
de autoeficacia
Estudios
cuasiexperimentales
(Rizos et al.,
2024; Shi, 2024;
X. Wang & Wei,
2025; Y. Wang
et al., 2025)
Personalización
Adaptación de tareas y
contenidos a
necesidades
individuales
Estudios de
intervención y diseño
(Börekci et al.,
2025; Rizos et
al., 2024; Shi,
2024)
Apoyo docente
Mejora en planificación,
diseño de tareas y
evaluación
Estudios con
docent
es y futuros
docentes
(Aqazade et al.,
2025; Biton et
al., 2025;
Börekci et al.,
2025; Daher &
Anabousy,
2025; Farillon
-
Labis, 2025; Lu
et al., 2024; Oh,
2025; Zhuang &
Zhang, 2025)
Retroalimentaci
ón
Feedback
formativo
efectivo y reducción de
carga cognitiva
Estudios
experimentales
(Cosentino et
al., 2025; Malik
et al., 2025)
4. De
safíos, riesgos y limitaciones del uso de IAGen
El uso de software basado en IAGen en la educación matemática ha mostrado
beneficios relevantes, pero también introduce un conjunto de desafíos, riesgos y
limitaciones que deben ser tomados en consideración. La literatura reciente coincide en
que estos sis
temas no pueden ser comprendidos únicamente como herramientas
neutrales de apoyo al aprendizaje, sino como tecnologías con implicaciones
pedagógicas, cognitivas, éticas y organizacionales complejas. En el ámbito específico
de las matemáticas, estas tension
es se intensifican debido a la naturaleza formal,
abstracta y acumulativa del conocimiento matemático
(Rane, 2023; Walkington, 2025;
Zhu, 2025)
. Por ello, esta sección aborda los principales riesgos reportados en el estado
del arte, agrupados en torno a
la fiabilidad del contenido, los efectos sobre el aprendizaje
a largo plazo, y las preocupaciones éticas, de equidad y adopción institucional.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
337
4
.1.
Precisión, fiabilidad y validez matemática del contenido generado
Uno de los riesgos más consistentemente d
ocumentados en la literatura es la falta de
fiabilidad matemática del contenido generado por sistemas de IAGen. Diversos estudios
señalan que, aunque estos sistemas pueden producir explicaciones plausibles y bien
estructuradas, no garantizan corrección mat
emática, especialmente en tareas que
involucran razonamiento formal, demostraciones, geometría o interpretación visual
(Rane, 2023; Walkington, 2025; Zhu, 2025)
. Este problema se agrava cuando los errores
no son evidentes para estudiantes con menor domin
io conceptual, lo que puede
conducir a la internalización de concepciones incorrectas.
Investigaciones centradas en la generación de lecciones y tareas matemáticas muestran
que los modelos de IAGen presentan inconsistencias en su comprensión didáctica,
par
ticularmente al distinguir entre métodos, estrategias y técnicas de enseñanza
(Daher
& Anabousy, 2025)
. Estas ambigüedades no solo afectan la calidad del material
generado, sino que también trasladan una carga adicional al docente, quien debe
validar, co
rregir y adaptar el contenido antes de su uso en el aula. En estudios con
formación docente, se destaca que la supervisión humana sigue siendo indispensable
para asegurar la coherencia curricular y la adecuación al nivel cognitivo de los
estudiantes
(Oh, 2
025)
. Desde una perspectiva más amplia, la literatura advierte que la
aparente fluidez discursiva de la IAGen puede generar una ilusión de corrección,
dificultando que tanto estudiantes como docentes detecten errores conceptuales o
razonamientos incomple
tos
(Rane, 2023)
. Esto plantea un riesgo pedagógico
significativo si las herramientas son utilizadas sin mecanismos de verificación o sin una
alfabetización matemática y tecnológica adecuada.
4
.
2
.
Dependencia excesiva, uso acrítico y erosión de habilidad
es cognitivas
Otro eje crítico identificado en la literatura se relaciona con el riesgo de dependencia
excesiva de la IAGen por parte de los estudiantes. Varios autores señalan que el acceso
irrestricto a soluciones paso a paso, explicaciones automáticas o
generación
instantánea de respuestas puede debilitar el desarrollo de habilidades fundamentales,
como el razonamiento matemático, la resolución autónoma de problemas y la
metacognición
(Bastani et al., 2025; Rane, 2023; Zhu, 2025)
. Este riesgo es
especi
almente relevante en contextos donde la IAGen se utiliza como sustituto del
esfuerzo cognitivo, en lugar de como un andamiaje pedagógico.
Estudios en formación inicial docente también evidencian esta tensión. Aunque el uso
de herramientas generativas incre
menta la confianza y la creatividad en el diseño de
lecciones, los propios participantes reconocen el peligro de caer en un uso superficial o
acrítico del contenido generado
(Oh, 2025)
. De manera similar, investigaciones sobre la
adopción de IAGen en edu
cación escolar subrayan la necesidad de establecer límites
pedagógicos claros, así como actividades estructuradas que promuevan la reflexión y el
control consciente del uso de la tecnología
(Y. Wang et al., 2025)
. Los estudios apunta
n
a que la clave no radica en restringir el acceso a la IAGen, sino en diseñar estrategias
de integración guiada, donde el estudiante interactúe críticamente con las respuestas
generadas, contraste soluciones y justifique procesos matemáticos
(Rane, 2023;
W
alkington, 2025)
. Sin este enfoque, el uso prolongado de estas herramientas podría
comprometer la calidad del aprendizaje a largo plazo.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
338
4
.
3
.
Consideraciones éticas, de privacidad, equidad y adopción institucional
Las preocupaciones éticas y sociales co
nstituyen otro conjunto de desafíos relevantes.
Diversos estudios destacan riesgos asociados a la privacidad de los datos, el uso no
transparente de información estudiantil y la falta de claridad sobre los mecanismos de
entrenamiento de los modelos generat
ivos
(Rane, 2023; Walkington, 2025)
. Estas
cuestiones adquieren especial importancia en contextos educativos donde participan
menores de edad o poblaciones vulnerables. Asimismo, la literatura subraya problemas
relacionados con la integridad académica, d
ado que la IAGen puede facilitar prácticas
como el plagio o la delegación completa de tareas cognitivas, si no se redefinen
adecuadamente los criterios de evaluación
(Zhu, 2025)
. Desde la perspectiva docente,
estas preocupaciones influyen directamente en
la aceptación y adopción de la
tecnología. Estudios basados en modelos como Technology Acceptance Model y
Theory of Planned Behavior muestran que la falta de conciencia sobre los riesgos, junto
con una baja percepción de control, limita el uso efectivo de
la IAGen en la enseñanza
de las matemáticas
(Y. Wang et al., 2025)
.
Adicionalmente, varios autores advierten sobre el riesgo de ampliar brechas de
inequidad, especialmente en contextos con acceso limitado a infraestructura tecnológica
o formación docent
e especializada
(Rane, 2023; Zhu, 2025)
. La adopción de IAGen sin
políticas institucionales claras puede beneficiar solo a ciertos grupos, reproduciendo
desigualdades existentes en el sistema educativo. Finalmente, la Tabla 3 presenta una
visión comparat
iva de los tipos de limitaciones e implicaciones pedagógicas
identificadas, permitiendo visualizar las tensiones que emergen del uso de software con
IAGen.
Tabla 3
Desafíos, riesgos y limitaciones del uso de IAGen en la educación matemática
Tipo de
desafí
o
Descripción principal
Implicaciones
educativas
Citas
Precisión y
fiabilidad
Errores conceptuales,
razonamientos
incompletos y
ambigüedades
didácticas en el
contenido generado
Necesidad de
validación docente
y alfabetización
crítica
(Daher &
Anabousy, 2025;
Rane, 2023;
Walkington, 2025;
Zhu, 2025)
Dependencia
cognitiva
Uso acrítico de la IAGen
como sustituto del
razonamiento
matemático
Riesgo de
aprendizaje
superficial y
erosión de
habilidades
(Oh, 2025; Rane,
2023; Zhu, 2025)
Integridad
académica
Facilita prácticas de
plagio y delegación
cognitiva
Rediseño de
evaluaciones y
criterios de autoría
(Walkington, 2025;
Zhu, 2025)
Ética y
privacidad
Uso de datos, sesgos
algorítmicos y falta de
transparencia
Necesidad de
marcos éticos y
políticas
institucionales
(Rane, 2023;
Walkington, 2025)
Equidad y
adopción
Acceso desigual y
resistencia docente
Formación docente
y políticas de
(Y. Wang et al.,
2025; Zhu, 2025)
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
339
inclusión
tecnológica
5. Principios de diseño e
implicaciones pedagógicas
La evidencia analizada sugiere que los beneficios del software basado en IAGen en la
educación matemática no dependen únicamente de la tecnología, sino también de cómo
esta es diseñada e integrada pedagógicamente. Los estudios rev
isados coinciden en
que la IAGen puede potenciar el aprendizaje, la enseñanza y la formación docente solo
cuando se inserta dentro de marcos pedagógicos explícitos, con roles bien definidos
para docentes y estudiantes
(Bastani et al., 2025; Oh, 2025; Walki
ngton, 2025; Xing et
al., 2025)
. Esta sección sintetiza los principales principios de diseño y las implicaciones
pedagógicas obtenidos de la revisión del estado del arte.
5.1
.
Supervisión humana y alineación pedagógica
Uno de los principios más reiterado
s en la literatura es la centralidad del docente en
cualquier implementación efectiva de IAGen. Estudios empíricos y de diseño muestran
que la supervisión humana es indispensable para garantizar la corrección matemática,
la coherencia didáctica y la alinea
ción con los objetivos curriculares
(Daher & Anabousy,
2025; Farillon
-
Labis, 2025; Oh, 2025; Xing et al., 2025)
. En particular, investigaciones
basadas en diseño, como el desarrollo del agente enseñable ALTER
-
Math, evidencian
que los mayores beneficios s
e alcanzan cuando el sistema de IAGen opera dentro de
una arquitectura pedagógica claramente definida y validada por el profesorado
(Xing et
al., 2025)
.
Desde la perspectiva de la planificación y el diseño de lecciones, los modelos
generativos son capace
s de producir materiales estructurados y aparentemente
coherentes, pero presentan limitaciones en su conocimiento didáctico profundo,
especialmente al distinguir entre métodos, estrategias y técnicas de enseñanza
(Daher
& Anabousy, 2025)
. Por ello, diver
sos autores enfatizan que la IAGen debe concebirse
como una herramienta de apoyo a la toma de decisiones docentes, y no como un
sustituto del juicio profesional
(Oh, 2025; Walkington, 2025)
. Esta necesidad de
supervisión también se refleja en estudios so
bre adopción docente, donde la percepción
de control y la conciencia de las limitaciones del sistema influyen directamente en el uso
responsable de la tecnología
(Y. Wang et al., 2025)
.
5.2
.
Uso andamiado, guiado y contextualizado de la IA generativa
Un
segundo principio se relaciona con la importancia de diseñar interacciones
estructuradas entre los estudiantes y los sistemas de IAGen. La evidencia muestra que
el uso no guiado o sin restricciones puede tener efectos negativos sobre el aprendizaje
a largo
plazo, mientras que los enfoques basados en andamiaje pedagógico tienden a
maximizar los beneficios y minimizar los riesgos
(Bastani et al., 2025; Y. Wang et al.,
2025)
. En este sentido, el diseño de prompts estructurados, el uso de diálogo socrático
y
la provisión de retroalimentación contextualizada emergen como estrategias
particularmente efectivas.
Estudios experimentales en educación secundaria demuestran que los sistemas de
IAGen con salvaguardas pedagógicas fomentan el razonamiento matemático y ev
itan la
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
340
dependencia cognitiva, en contraste con interfaces tipo “ChatGPT libre” que incentivan
el uso de la IA como atajo
(Bastani et al., 2025)
. De manera complementaria,
investigaciones sobre generación automática de tareas y problemas matemáticos
mues
tran que la calidad del contenido mejora sustancialmente cuando los modelos
reciben contexto curricular explícito, ejemplos y criterios claros de dificultad y propósito
didáctico
(W. Y. Hwang & Utami, 2024; Malik et al., 2025; Yu et al., 2025)
. Asimismo,
trabajos centrados en la formación docente destacan que el proceso de redacción,
evaluación y refinamiento de prompts no solo mejora los resultados generados por la
IA, sino que también fortalece el conocimiento tecnológico
-
pedagógico del profesorado
y su
capacidad para diseñar tareas matemáticas de mayor calidad
(Aqazade et al., 2025;
Biton & Segal, 2025)
. En este marco, la IAGen actúa como un catalizador del
pensamiento didáctico, siempre que el proceso esté mediado por reflexión crítica.
5.3
.
Desarrollo profesional d
o
cente y alfabetización en IA
La literatura revisada subraya de forma consistente que la integración sostenible de la
IAGen en la educación matemática requiere programas sistemáticos de formación
docente. Diversos estudios empírico
s muestran que la capacitación en alfabetización en
IA, evaluación crítica de resultados y diseño de prompts tiene efectos positivos sobre la
autoeficacia docente, el pensamiento de orden superior y la disposición a adoptar estas
tecnologías
(Börekci et al
., 2025; Lu et al., 2024; Zhuang & Zhang, 2025)
. Sin esta
formación, los docentes tienden a subutilizar la IAGen o a emplearla de manera
instrumental y superficial.
Investigaciones con docentes en formación inicial y formadores de profesores revelan
que
el uso reflexivo de la IAGen contribuye al desarrollo del TPACK, especialmente
cuando se emplea para analizar eventos pedagógicos complejos, anticipar dificultades
conceptuales y explorar múltiples enfoques didácticos
(Biton et al., 2025; Farillon
-
Labis,
2
025)
. No obstante, estos mismos estudios enfatizan que la formación debe incluir
dimensiones éticas, críticas y contextuales, particularmente en entornos con recursos
limitados.
Desde una perspectiva institucional, la literatura sugiere que el desarrollo
profesional
debe ir acompañado de políticas claras de uso, lineamientos éticos y espacios de
reflexión colectiva que permitan a los docentes compartir experiencias y construir
criterios comunes para la integración de la IAGen
(Farillon
-
Labis, 2025; Y. Wan
g et al.,
2025)
. De este modo, la tecnología se incorpora como parte de una cultura pedagógica
compartida, y no como una innovación aislada.
6
.
Discusión
6.1. E
fectividad y condiciones pedagógicas
El cuerpo de investigación sobre software
educativo basado en IAGen para la
enseñanza y el aprendizaje de las matemáticas muestra un campo sólido, diverso y en
rápida consolidación. La evidencia empírica disponible, que incluye estudios
experimentales, investigaciones de diseño y revisiones sistem
áticas, converge en
señalar que la IAGen puede mejorar de manera significativa los resultados de
aprendizaje, la motivación y la participación estudiantil cuando se integra de forma
pedagógicamente fundamentada
(Ma & Zhong, 2025; Rizos et al., 2024; X. Wan
g & Wei,
2025; Xing et al., 2025)
. Estos hallazgos son consistentes en distintos niveles educativos
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
341
y contextos, lo que refuerza la relevancia del fenómeno para la educación matemática
contemporánea.
Un patrón transversal en los estudios revisados es que
los mayores beneficios no
provienen del uso irrestricto de la IAGen, sino de implementaciones cuidadosamente
diseñadas que combinan capacidades adaptativas del sistema con supervisión docente,
prompts estructurados y alineación curricular explícita
(Biton
et al., 2025; Daher &
Anabousy, 2025; Farillon
-
Labis, 2025; Oh, 2025; Walkington, 2025; Y. Wang et al., 2025;
Xing et al., 2025)
. En este sentido, los enfoques que posicionan a la IA como tutor
guiado, agente enseñable o asistente de diseño didáctico mu
estran resultados más
consistentes que aquellos que la conciben como un simple generador de respuestas.
Esta evidencia refuerza la idea de que el valor educativo de la IAGen es
fundamentalmente pedagógico y no meramente tecnológico.
6.2.
Limitaciones, ries
gos y desafíos éticos
Desde otra perspectiva, el estado del arte también revela limitaciones persistentes.
Diversos estudios documentan problemas de precisión matemática, especialmente en
dominios complejos como demostraciones, geometría o tareas que requi
eren
razonamiento visual, lo que obliga a mantener mecanismos de validación humana
(Bastani et al., 2025; Daher & Anabousy, 2025; Rane, 2023; Svičević et al., 2025)
.
Además, investigaciones de campo alertan sobre el riesgo de dependencia cognitiva
cuando
los estudiantes utilizan herramientas generativas sin andamiaje adecuado, lo
que puede afectar negativamente el desarrollo del razonamiento matemático
independiente a largo plazo
(Bastani et al., 2025; Y. Wang et al., 2025)
. Estos resultados
matizan las
narrativas excesivamente optimistas y subrayan la necesidad de diseños
con salvaguardas pedagógicas.
Desde una perspectiva ética y social, la literatura presenta preocupaciones relevantes
en torno a privacidad de datos, integridad académica, sesgos algorí
tmicos y brechas de
acceso, particularmente en contextos educativos con recursos limitados
(Bani
-
Mattar,
2025; Ma & Zhong, 2025; Rane, 2023; Y. Wang et al., 2025; Zhu, 2025)
.
Aunque estos
temas suelen abordarse de manera conceptual o normativa, aún existe
escasa
evidencia empírica sobre cómo estas problemáticas se manifiestan en la práctica
cotidiana del aula de matemáticas. Esto sugiere una brecha importante entre el
desarrollo tecnológico y la investigación educativa aplicada.
6.3.
Formación docente y ag
enda futura
E
s necesario
también
pone
r
de relieve el papel central del desarrollo profesional
docente. Estudios recientes muestran que la adopción efectiva de software basado en
IAGen está fuertemente mediada por la alfabetización en IA, las actitudes del
profesorado y su capacidad para integr
ar críticamente estas herramientas en su práctica
(Daher & Anabousy, 2025; Farillon
-
Labis, 2025; Oh, 2025; Y. Wang et al., 2025)
. Sin
una formación específica, existe el riesgo de usos superficiales o acríticos que limiten el
potencial transformador de l
a tecnología. En contraste, los programas de formación que
enfatizan reflexión pedagógica, diseño de tareas y evaluación crítica de resultados
parecen fortalecer el conocimiento tecnológico
-
pedagógico del profesorado y promover
una integración más sostenib
le.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
342
Finalmente, el análisis conjunto de la evidencia permite identificar vacíos de
investigación. A pesar del creciente número de estudios, persisten lagunas en torno a
los efectos a largo plazo de la IAGen sobre el pensamiento matemático, su impacto en
es
tudiantes con necesidades educativas especiales y su uso en sistemas
automatizados de evaluación
(Bastani et al., 2025; Rane, 2023; Trindade et al., 2025;
Zhu, 2025)
. Abordar estas brechas requerirá investigaciones longitudinales, diseños
metodológicos m
ás robustos y una mayor atención a contextos subrepresentados.
7
.
Conclusiones
El análisis de la literatura efectuado muestra que el software educativo basado en IAGen
está reconfigurando de manera significativa la enseñanza y el aprendizaje de las
matemát
icas, principalmente al posibilitar experiencias más personalizadas, adaptativas
y potencialmente motivadoras. La evidencia revisada indica de forma consistente que
estos sistemas pueden contribuir a mejorar los resultados de aprendizaje y el
compromiso es
tudiantil, especialmente cuando se emplean como apoyo al
razonamiento matemático y no como sustitutos de la actividad cognitiva del estudiante.
Un hallazgo destacable de esta revisión es que la efectividad de la IAGen depende
fuertemente de su integración
pedagógica. Las implementaciones más exitosas
combinan las capacidades adaptativas y generativas de la IA con supervisión humana,
prompts estructurados y una clara alineación con objetivos curriculares. En este sentido,
el rol del profesorado sigue siendo
insustituible, tanto para validar los contenidos
generados como para diseñar experiencias de aprendizaje que fomenten la
comprensión conceptual, la metacognición y el pensamiento crítico.
Al mismo tiempo, la literatura pone en evidencia desafíos relevantes
que no pueden ser
ignorados. Persisten problemas asociados a la precisión matemática, especialmente en
tareas complejas, así como riesgos de dependencia excesiva, cuestiones éticas
relacionadas con privacidad e integridad académica, y desigualdades en el
acceso a la
tecnología. Estos factores limitan el impacto potencial de la IAGen y subrayan la
necesidad de marcos normativos, criterios de calidad y políticas institucionales claras
para su uso en educación matemática.
Así, se concluye que el futuro del so
ftware con IAGen en matemáticas no depende
únicamente de avances tecnológicos, sino del desarrollo de diseños pedagógicos
sólidos, formación docente específica y agendas de investigación que aborden efectos
a largo plazo y contextos poco estudiados. Aborda
r estos aspectos será necesario para
maximizar los beneficios educativos de la IAGen y garantizar un uso responsable,
equitativo y orientado al aprendizaje profundo en la educación matemática.
Contribución de los autores:
Conceptualización,
STCL
.
y OREM.
; metodología,
STCL
.
y OREM.
;
software,
STCL.
;
validación,
VDTL. y GJBC
.; análisis formal,
STCL.
;
investigación,
STCL. y VDTL.
; recursos,
STCL. y GJBC
.
; redacción del borrador original,
STCL
.
y OREM.
; redacción, revisión y edición,
VDTL. y GJBC
.
;
visualización,
VDTL. y
GJBC
.
; supervisión,
OREM
. Todos los autores han leído y aceptado la versión publicada
del manuscrito.
Agradecimientos:
O. Erazo
agradece el soporte brindado por el proyecto de
investigación de la Décima Convocatoria FOCICYT 2024
-
2025 de la UTEQ.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
343
Financiamiento:
El proceso investigativo no ha recibido financiación externa.
Conflicto de intereses
: Los autores declaran no tener ningú
n conflicto de intereses
Declaración de disponibilidad de los datos:
Los datos están disponibles previa
solicitud a los autores de correspondencia:
gbritoc@uteq.edu.ec
Referencias Bibliográficas
Aqazade, M., Mauntel, M., & Atabas, S. (2025).
Empowering mathematics teacher
educators: Exploring Artificial Intelligence
-
driven mathematical tasks.
School
Science and Mathematics
,
126
(1), 24
–
43. https://doi.org/10.1111/ssm.18339
Bani
-
Mattar, H. (2025). Academic Integrity in Mathematics Teaching and Learning: A
Systematic Review in the Context of Generative Artificial Intelligence.
Journal of
Palestine Ahliya University for Research and Studies
, 119
–
148.
https://doi.org/10.59994/pa
u.2025.SI.119
Bastani, H., Bastani, O., Sungu, A., Ge, H. I., Kabakcı, Ö., Mariman, R., & Brunskill, E.
(2025).
Generative AI without guardrails can harm learning: Evidence from high
school mathematics
. https://doi.org/10.1073/pnas.2422633122
Biton, Y., &
Segal, R. (2025). Learning to Craft and Critically Evaluate Prompts: The Role
of Generative AI (ChatGPT) in Enhancing Pre
-
service Mathematics Teachers’
TPACK and Problem
-
Posing Skills.
International Journal of Education in
Mathematics, Science and Technolo
gy
,
13
(1), 202
–
223.
https://doi.org/10.46328/ijemst.4654
Biton, Y., Segal, R., & Alush, K. (2025). How Utilizing Generative AI When Addressing
Pedagogical and Mathematical Events Contributes to Mathematics Teacher
Educators’ TPACK (Technological Pedagogica
l Content Knowledge).
International
Journal of Education in Mathematics, Science and Technology (IJEMST)
,
13
(4),
895
–
913. https://doi.org/10.46328/ijemst.4928
Börekci, C., Uyangör, N., & Tarihi, G. (2025).
The role of academic self
-
efficacy in pre
-
service
mathematics and science teachers’ use of generative artificial intelligence
tools.
Araştırma Makalesi BAUN Fen Bil. Enst. Dergisi
,
27
(2), 681
–
704.
https://doi.org/10.25092/baunfbed.1596547
Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, M.,
& Abrahamson, D.
(2025). Generative AI and multimodal data for educational feedback: Insights from
embodied math learning.
British Journal of Educational Technology
,
56
(5), 1686
–
1709. https://doi.org/10.1111/bjet.13587
Daher, W., & Anabousy, A. A. (2025).
The didactical knowledge of generative artificial
intelligence tools: The case of writing mathematics lessons.
Eurasia Journal of
Mathematics, Science and Technology Education
,
21
(9).
https://doi.org/10.29333/ejmste/16769
Drori, I., Zhang, S., Shuttlewort
h, R., Tang, L., Lu, A., Ke, E., Liu, K., Chen, L., Tran, S.,
Cheng, N., Wang, R., Singh, N., Patti, T. L., Lynch, J., Shporer, A., Verma, N., Wu,
E., & Strang, G. (2022). A neural network solves, explains, and generates university
math problems by program
synthesis and few
-
shot learning at human level.
Proceedings of the National Academy of Sciences, 119(32)
.
https://doi.org/10.1073/pnas.212343311
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
344
Farillon
-
Labis, S. J. (2025). Exploring Pre
-
service Mathematics Teachers’ Reflections in
Lesson Planning with
Generative Artificial Intelligence.
International Journal of
Learning, Teaching and Educational Research
,
24
(11), 334
–
355.
https://doi.org/10.26803/ijlter.24.11.16
Hwang, G. J., & Tu, Y. F. (2021).
Roles and research trends of artificial intelligence in
mathematics education: A bibliometric mapping analysis and systematic review.
Mathematics
,
9
(6). https://doi.org/10.3390/math9060584
Hwang, W. Y., & Utami, I. Q. (2024). Using GPT and authentic contex
tual recognition to
generate math word problems with difficulty levels.
Education and Information
Technologies 2024 29:13
,
29
(13), 1
–
29. https://doi.org/10.1007/s10639
-
024
-
12537
-
x
Lu, J., Zheng, R., Gong, Z., & Xu, H. (2024). Supporting Teachers’ Professio
nal
Development With Generative AI: The Effects on Higher Order Thinking and Self
-
Efficacy.
IEEE Transactions on Learning Technologies
,
17
, 1279
–
1289.
https://doi.org/10.1109/TLT.2024.3369690
Ma, N., & Zhong, Z. (2025). A Meta
-
Analysis of the Impact of Gen
erative Artificial
Intelligence on Learning Outcomes.
Journal of Computer Assisted Learning
,
41
(5),
e70117. https://doi.org/10.1111/jcal.70117
Malik, R., Abdi, D., Wang, R., & Demszky, D. (2025). Scaffolding middle school
mathematics curricula with large l
anguage models.
British Journal of Educational
Technology
,
56
(3), 999
–
1027. https://doi.org/10.1111/bjet.13571
Mutlu, Y. (2019). Math anxiety in students with and without math learning difficulties.
International Electronic Journal of Elementary Education
,
11
(5), 471
–
475.
https://doi.org/10.26822/iejee.2019553343
Oh, S. (2025). Integration of MATH41 and Generative AI in Pre
-
Service Mathematics
Teacher Education: An Empirical Study on Lesson Design Competency.
IEEE
Access
,
13
, 128959
–
128973. https://doi.org/
10.1109/ACCESS.2025.3586593
Raj Acharya, B. (2017). Factors Affecting Difficulties in Learning Mathematics by
Mathematics Learners.
International Journal of Elementary Education
,
6
(2), 8.
https://doi.org/10.11648/j.ijeedu.20170602.11
Rane, N. (2023). Enhan
cing Mathematical Capabilities through ChatGPT and Similar
Generative Artificial Intelligence: Roles and Challenges in Solving Mathematical
Problems.
SSRN Electronic Journal
. https://doi.org/10.2139/ssrn.4603237
Rizos, I., Foykas
, E., & Georgakopoulos, S. V. (2024). Enhancing mathematics
education for students with special educational needs through generative AI: A case
study in Greece.
Contemporary Educational Technology
,
16
(4).
https://doi.org/10.30935/cedtech/15487
Shi, W. (202
4). Leveraging Generative Artificial Intelligence to Enhance Mathematical
Innovation and Practical Abilities of University Students.
Higher Education and
Practice
,
1
(11). https://doi.org/10.62381/h241b19
Song, Y., Kim, J., Liu, Z., Li, C., & Xing, W. (2025). Students’ perceived roles,
opportunities, and challenges of a generative AI
-
powered teachable agent: a case
of middle school math class.
Journal of Research on Technology in Education
.
https://doi.org/
10.1080/15391523.2024.2447727
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
345
Song, Y., Kim, J., Xing, W., Liu, Z., Li, C., & Oh, H. (2025). Elementary School Students’
and Teachers’ Perceptions Towards Creative Mathematical Writing with Generative
AI.
Journal of Research on Technology in Education
, 1
–
2
3.
https://doi.org/10.1080/15391523.2025.2455057
Svičević, M., Milenković, A., Vučićević, N., & Stanković, M. (2025). Evaluating the
Success of AI Tools in Supporting Student Performance in Mathematical Kangaroo
Competition.
Computer Applications in Engine
ering Education
,
33
(4), e70063.
https://doi.org/10.1002/cae.70063
Trindade, M. A. M., Edirisinghe, G. S., & Luo, L. (2025).
Teaching mathematical concepts
in management with generative artificial intelligence: The power of human oversight
in AI
-
driven lear
ning.
The International Journal of Management Education
,
23
(2),
101104. https://doi.org/10.1016/j.ijme.2024.101104
Utami, I. Q., Hwang, W. Y., & Hariyanti, U. (2024). Contextualized and Personalized
Math Word Problem Generation in Authentic Contexts Using
Generative Pre
-
trained
Transformer and Its Influences on Geometry Learning.
Journal of Educational
Computing Research
,
62
(6), 1604
–
1639.
https://doi.org/10.1177/07356331241249225
Walkington, C. (2025). The implications of generative artificial intelligence
for
mathematics education.
School Science and Mathematics
.
https://doi.org/10.1111/ssm.18356
Walkington, C., Pando, M., Lipsmeyer, L. L., Beauchamp, T., Sager, M., & Milton, S.
(2025). Middle school girls using generative AI to engage in mathematical prob
lem
-
posing.
Mathematical Thinking and Learning
.
https://doi.org/10.1080/10986065.2025.2542724
Wang, X., & Wei, Y. (2025). The Influence of Gen
-
AI Assisted Learning on Primary
School Students’ Math Anxiety: An Intervention Study.
Applied Cognitive
Psychology
,
39
(4), e70088. https://doi.org/10.1002/acp.70088
Wang, Y., Wei, Z., Wijaya, T. T., Cao, Y.,
& Ning, Y. (2025). Awareness, acceptance,
and adoption of Gen
-
AI by K
-
12 mathematics teachers: an empirical study
integrating TAM and TPB.
BMC Psychology
,
13
(1). https://doi.org/10.1186/s40359
-
025
-
02781
-
2
Xasanovna, B. D. (2025). The use of innovative tec
hnologies in mathematics lessons as
a pedagogical issue.
International Journal of Pedagogics
,
5
(1), 66
–
70.
https://doi.org/10.37547/ijp/Volume05Issue01
-
19
Xing, W., Song, Y., Li, C., Liu, Z., Zhu, W., & Oh, H. (2025). Development of a generative
AI
-
powered
teachable agent for middle school mathematics learning: A design
-
based research study.
British Journal of Educational Technology
,
56
(5), 2043
–
2077. https://doi.org/10.1111/bjet.13586
Yu, Y., Krantz, A., & Lobczowski
, N. G. (2025). From Recall to Reasoning: Automated
Question Generation for Deeper Math Learning through Large Language Models.
In A. I. Cristea (Ed.),
Artificial Intelligence in Education
(Vol. 15881, pp. 414
–
422).
Springer Nature Switzerland. https://doi
.org/10.1007/978
-
3
-
031
-
98462
-
4_52
Zhu, Y. (2025). Research on the Integration Path of Artificial Intelligence in College
Mathematics Education: A Multi
-
source Literature Analysis based on ChatGPT.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
346
International Journal of Education and Humanities
,
20
(1), 6
6.
https://doi.org/10.54097/2xxsa509
Zhuang, Y., & Zhang, S. (2025). Pre
-
service mathematics teachers’ perceptions of using
GenAI for practicing teacher questioning: A semester
-
long study.
Eurasia Journal
of Mathematics, Science and Technology Education
,
2
1
(9).
https://doi.org/10.29333/ejmste/16764