Vol. 13/ Núm. 3 2026 pág. 781
https://doi.org/10.69639/arandu.v13i3.2429
Usos educativos de la inteligencia artificial en el campo de las
matemáticas
Educational Applications of Artificial Intelligence in the Field of Mathematics
Mario Alberto Ibarra Martínez
mibarra@uagarria.edu.ec
https://orcid.org/0009-0004-5500-871X
Universidad Agraria del Ecuador
Ecuador-Milagro
Carla Guillermina Mendoza Arce
https://orcid.org/0009-0004-2110-6047
cmendoza75@unemi.edu.ec
Universidad Estatal de Milagro
Ecuador-Milagro
Daniel Adolfo Bustamante Villamar
daniel.bustamante@casagrande.edu.ec
https://orcid.org/0009-0008-4366-7864
Universidad Casa Grande
Ecuador-Milagro
Artículo recibido: 10 junio 2026- Aceptado para publicación:16 julio 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El estudio analizó los usos educativos de la inteligencia artificial en el campo de las matemáticas,
para determinar el uso de la IA en la enseñanza de matemáticas, así como describir las
características de las herramientas de IA usadas para el aprendizaje de matemática e identificar
las limitaciones y desafíos que presenta la IA como herramienta de aprendizaje matemático
mediante una revisión sistemática bajo el protocolo PRISMA generando una búsqueda en las
bases de datos Scopus, eligiendo diez investigaciones que cumplieron los criterios de inclusión
previamente establecidos. Cómo resultados se evidenció que dentro de las herramientas utilizadas
con mayor con frecuencia los tutores inteligentes, los sistemas adaptativos, IA generativa,
robótica educativa, chatbots, y plataformas de aprendizaje, empleados para la personalización de
la enseñanza, ya que proporcionan retroalimentación inmediata, diagnosticando errores y
fortaleciendo la resolución de problemas, además se identificaron mejoras en la comprensión
conceptual, el razonamiento lógico matemático y la autonomía; pero también se encontraron
desafíos relacionados con los procesos de capacitación docente, las políticas de privacidad de los
datos, la dependencia a los sistemas inteligentes y la brecha tecnológica. Se pudo concluir que la
IA es el principal recurso pedagógico más eficiente para elevar el potencial de aprendizaje
Vol. 13/ Núm. 3 2026 pág. 782
matemático siempre y cuando se incluyan criterios éticos, metodológicos y didácticos que
resguarden la intervención docente y los procesos formativos del estudiante.
Palabras clave: Inteligencia artificial, Matemáticas, Tutores inteligentes
ABSTRACT
The study analyzed the educational uses of artificial intelligence in the field of mathematics, to
determine the use of AI in mathematics education, as well as to describe the characteristics of AI
tools used for learning mathematics and to identify the limitations and challenges posed by AI as
a tool for learning mathematics through a systematic review conducted under the PRISMA
protocol, which involved a search of the Scopus database and the selection of ten studies that met
the previously established inclusion criteria. The results showed that among the most frequently
used tools were intelligent tutors, adaptive systems, generative AI, educational robotics, chatbots,
and learning platforms, which are employed to personalize instruction, as they provide immediate
feedback, diagnose errors, and enhance problem-solving skills. Additionally, improvements were
identified in conceptual understanding, mathematical logical reasoning, and autonomy; However,
challenges were also identified related to teacher training processes, data privacy policies,
dependence on intelligent systems, and the digital divide. It was concluded that AI is the most
effective pedagogical resource for enhancing mathematical learning potential, provided that
ethical, methodological, and didactic criteria are incorporated to safeguard teacher intervention
and student learning processes.
Keywords: Artificial intelligence, Mathematics, Intelligent tutors
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
matemático siempre y cuando se incluyan criterios éticos, metodológicos y didácticos que
resguarden la intervención docente y los procesos formativos del estudiante.
Palabras clave: Inteligencia artificial, Matemáticas, Tutores inteligentes
ABSTRACT
The study analyzed the educational uses of artificial intelligence in the field of mathematics, to
determine the use of AI in mathematics education, as well as to describe the characteristics of AI
tools used for learning mathematics and to identify the limitations and challenges posed by AI as
a tool for learning mathematics through a systematic review conducted under the PRISMA
protocol, which involved a search of the Scopus database and the selection of ten studies that met
the previously established inclusion criteria. The results showed that among the most frequently
used tools were intelligent tutors, adaptive systems, generative AI, educational robotics, chatbots,
and learning platforms, which are employed to personalize instruction, as they provide immediate
feedback, diagnose errors, and enhance problem-solving skills. Additionally, improvements were
identified in conceptual understanding, mathematical logical reasoning, and autonomy; However,
challenges were also identified related to teacher training processes, data privacy policies,
dependence on intelligent systems, and the digital divide. It was concluded that AI is the most
effective pedagogical resource for enhancing mathematical learning potential, provided that
ethical, methodological, and didactic criteria are incorporated to safeguard teacher intervention
and student learning processes.
Keywords: Artificial intelligence, Mathematics, Intelligent tutors
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 3 2026 pág. 783
INTRODUCCIÓN
El desarrollo investigativo sobre inteligencia artificial (IA) enfocada en la enseñanza de
las matemáticas, cuenta con un interés creciente, dado que las plataformas educativas poseen
actualmente un desarrollo tecnológico capaz de personalizar el aprendizaje, lo que les permite
adaptar los contenidos en función al ritmo de aprendizaje de cada estudiante, además que generan
procesos de retroalimentación inmediata, en una misma secuencia didáctica, logrando cambio
positivos en la asimilación conceptual y práctica de la asignatura (Zambrano et al., 2026).
Los programas analíticos de aprendizaje, contienen sistemas adaptativos y tutores
inteligentes, capaces de conseguir procesos de enseñanza-aprendizaje más significativos y
eficientes, en donde conjugan las competencias digitales y cognitivas estudiantiles; sin embargo,
existen aún limitaciones relacionadas con el nivel de capacitación de los docentes, la protección
de los datos de los estudiantes, el nivel de riesgo derivado del sesgo algorítmico y las restricciones
a la tecnología, provocando la necesidad información que permita una integración educativa
equitativa (Ibarra et al., 2025).
La evidencia internacional expuesta por Sunit y Deepak (2025), indica que el problema
se enfoca en el uso académico que se le otorga a la IA en al área matemática, ya que no es por la
falta de herramientas, más bien, es por la falta de conocimiento de dominio y adaptación
pedagógica de las mismas. Además se debe considerar que la escasez de estudios cuantitativos
(10.7%) en relación a los cuantitativos (67.9%) dificulta determinar el impacto real que tiene la
IA en el aprendizaje numérico.
En el ámbito ecuatoriano, Machuca et al. (2025), la inclusión de la IA en la asignatura de
matemáticas, se encuentra en consolidación, ya que persisten limitaciones vinculadas con la
brecha digital, porque existe poca disponibilidad de dispositivos tecnológicos y acceso reducido
a la tecnología lo que afecta la aplicación de esta herramienta de manera continua en los procesos
de aprendiza. Asimismo, se destaca la importancia de regular la privacidad y el uso de los datos,
ya que se debe considerar que la IA no cuenta con habilidades para dilucidar las emociones y las
necesidades socioafectivas de sus usuarios, esto impide que se sustituya el acompañamiento
docente.
De esta manera, aunque la IA manifiesta un potencial eficiente para personalizar el
aprendizaje matemático y así mejor el rendimiento académico, se identifican limitaciones
asociadas con un acceso inequitativo a la tecnología, insuficiente preparación tecnológica en los
docentes, así como la falta de sustento científico que demuestre su efectividad en los entornos
educativos. Por lo tanto, la pregunta de investigación que surge para esta indagación es: ¿Cuáles
son los usos educativos de la inteligencia artificial en el campo de las matemáticas?
En este sentido, la importancia de investigar el uso de la inteligencia artificial en el
aprendizaje de las matemáticas nace de las tensiones que presentan los estudiantes al momento
INTRODUCCIÓN
El desarrollo investigativo sobre inteligencia artificial (IA) enfocada en la enseñanza de
las matemáticas, cuenta con un interés creciente, dado que las plataformas educativas poseen
actualmente un desarrollo tecnológico capaz de personalizar el aprendizaje, lo que les permite
adaptar los contenidos en función al ritmo de aprendizaje de cada estudiante, además que generan
procesos de retroalimentación inmediata, en una misma secuencia didáctica, logrando cambio
positivos en la asimilación conceptual y práctica de la asignatura (Zambrano et al., 2026).
Los programas analíticos de aprendizaje, contienen sistemas adaptativos y tutores
inteligentes, capaces de conseguir procesos de enseñanza-aprendizaje más significativos y
eficientes, en donde conjugan las competencias digitales y cognitivas estudiantiles; sin embargo,
existen aún limitaciones relacionadas con el nivel de capacitación de los docentes, la protección
de los datos de los estudiantes, el nivel de riesgo derivado del sesgo algorítmico y las restricciones
a la tecnología, provocando la necesidad información que permita una integración educativa
equitativa (Ibarra et al., 2025).
La evidencia internacional expuesta por Sunit y Deepak (2025), indica que el problema
se enfoca en el uso académico que se le otorga a la IA en al área matemática, ya que no es por la
falta de herramientas, más bien, es por la falta de conocimiento de dominio y adaptación
pedagógica de las mismas. Además se debe considerar que la escasez de estudios cuantitativos
(10.7%) en relación a los cuantitativos (67.9%) dificulta determinar el impacto real que tiene la
IA en el aprendizaje numérico.
En el ámbito ecuatoriano, Machuca et al. (2025), la inclusión de la IA en la asignatura de
matemáticas, se encuentra en consolidación, ya que persisten limitaciones vinculadas con la
brecha digital, porque existe poca disponibilidad de dispositivos tecnológicos y acceso reducido
a la tecnología lo que afecta la aplicación de esta herramienta de manera continua en los procesos
de aprendiza. Asimismo, se destaca la importancia de regular la privacidad y el uso de los datos,
ya que se debe considerar que la IA no cuenta con habilidades para dilucidar las emociones y las
necesidades socioafectivas de sus usuarios, esto impide que se sustituya el acompañamiento
docente.
De esta manera, aunque la IA manifiesta un potencial eficiente para personalizar el
aprendizaje matemático y así mejor el rendimiento académico, se identifican limitaciones
asociadas con un acceso inequitativo a la tecnología, insuficiente preparación tecnológica en los
docentes, así como la falta de sustento científico que demuestre su efectividad en los entornos
educativos. Por lo tanto, la pregunta de investigación que surge para esta indagación es: ¿Cuáles
son los usos educativos de la inteligencia artificial en el campo de las matemáticas?
En este sentido, la importancia de investigar el uso de la inteligencia artificial en el
aprendizaje de las matemáticas nace de las tensiones que presentan los estudiantes al momento
Vol. 13/ Núm. 3 2026 pág. 784
de comprender los conceptos matemáticos, resolver problemas y aplicar el razonamiento lógico.
Ante estas limitaciones, la IA presenta diferentes opciones que adaptan los contenidos de acuerdo
a las necesidades individuales de los alumnos, favoreciendo un aprendizaje más dinámico,
motivador y ajustado a los ritmos de asimilación numérica de cada persona.
En el aspecto teórico, el estudio permite mejorar la comprensión de la relación entre la
IA, el aprendizaje personalizado y la enseñanza de las matemáticas, considerando el análisis de
evidencias recientes sobre sus fundamentos y aplicaciones educativas. En el aspecto práctico,
contribuye con información valiosa para uso de los docentes e instituciones educativas que buscan
incorporar este tipo de herramientas inteligentes en los procesos de aprendizaje y
retroalimentación inmediata.
En cuanto a la novedad científica, esta se encuentra en el estudio de la IA como un
mecanismo de personalización educativa, aplicable en la enseñanza matemática, que supera los
enfoques centrados en la repetición, ya que permite adaptar actividades académicas acorde a las
necesidades de aprendizaje de cada estudiante, siendo así los beneficiarios directos los
estudiantes, docentes e instituciones educativas, mientras que indirectamente también favorece a
los responsables de la planificación curricular que podrán fortalecer los procesos de innovación
pedagógica sustentada en tecnología educativa.
En consecuencia, como objetivo general, se busca analizar los usos educativos de la
inteligencia artificial en el campo de las matemáticas. Para este fin se plantean los siguientes
objetivos específicos: Determinar el uso de la IA en la enseñanza de matemáticas; Describir las
características de las herramientas de IA usadas para el aprendizaje de matemáticas; Identificar
las limitaciones y desafíos que presenta la IA como herramienta de aprendizaje matemático.
En este sentido, se puede establecer que, la IA, aplicada en el ámbito educativo
corresponde a un conjunto de tecnologías que procesan información a través de algoritmos
inteligentes, para procesar grandes volúmenes de datos y generar respuestas que buscan optimizar
los procesos de enseñanza. Al incorporarlas a nivel educativo permite automatizar tareas, ya que
promueven experiencias de aprendizaje personalizadas, retroalimentación y seguimiento de
desempeño estudiantil, promoviendo procesos formativos más adaptativos y eficientes
(Panqueban & Huincahue, 2024).
Entre sus modalidades de aplicación se encuentran los sistemas de tutoría inteligente, que
adaptan los contenidos de acuerdo al progreso del estudiante; por su parte, el aprendizaje
automático, permite identificar patrones de desempeño que anticipan dificultades de aprendizaje;
en cambio, los chatbots, agilizan la interacción entre los usuarios y los recursos académicos;
mientras que la robótica educativa, se encarga de fortalecer la asimilación de conceptos utilizando
experiencias prácticas; cada modalidad, posee sus mecanismos diferenciados que facilitan la
enseñanza matemática de manera individual o colaborativa.
de comprender los conceptos matemáticos, resolver problemas y aplicar el razonamiento lógico.
Ante estas limitaciones, la IA presenta diferentes opciones que adaptan los contenidos de acuerdo
a las necesidades individuales de los alumnos, favoreciendo un aprendizaje más dinámico,
motivador y ajustado a los ritmos de asimilación numérica de cada persona.
En el aspecto teórico, el estudio permite mejorar la comprensión de la relación entre la
IA, el aprendizaje personalizado y la enseñanza de las matemáticas, considerando el análisis de
evidencias recientes sobre sus fundamentos y aplicaciones educativas. En el aspecto práctico,
contribuye con información valiosa para uso de los docentes e instituciones educativas que buscan
incorporar este tipo de herramientas inteligentes en los procesos de aprendizaje y
retroalimentación inmediata.
En cuanto a la novedad científica, esta se encuentra en el estudio de la IA como un
mecanismo de personalización educativa, aplicable en la enseñanza matemática, que supera los
enfoques centrados en la repetición, ya que permite adaptar actividades académicas acorde a las
necesidades de aprendizaje de cada estudiante, siendo así los beneficiarios directos los
estudiantes, docentes e instituciones educativas, mientras que indirectamente también favorece a
los responsables de la planificación curricular que podrán fortalecer los procesos de innovación
pedagógica sustentada en tecnología educativa.
En consecuencia, como objetivo general, se busca analizar los usos educativos de la
inteligencia artificial en el campo de las matemáticas. Para este fin se plantean los siguientes
objetivos específicos: Determinar el uso de la IA en la enseñanza de matemáticas; Describir las
características de las herramientas de IA usadas para el aprendizaje de matemáticas; Identificar
las limitaciones y desafíos que presenta la IA como herramienta de aprendizaje matemático.
En este sentido, se puede establecer que, la IA, aplicada en el ámbito educativo
corresponde a un conjunto de tecnologías que procesan información a través de algoritmos
inteligentes, para procesar grandes volúmenes de datos y generar respuestas que buscan optimizar
los procesos de enseñanza. Al incorporarlas a nivel educativo permite automatizar tareas, ya que
promueven experiencias de aprendizaje personalizadas, retroalimentación y seguimiento de
desempeño estudiantil, promoviendo procesos formativos más adaptativos y eficientes
(Panqueban & Huincahue, 2024).
Entre sus modalidades de aplicación se encuentran los sistemas de tutoría inteligente, que
adaptan los contenidos de acuerdo al progreso del estudiante; por su parte, el aprendizaje
automático, permite identificar patrones de desempeño que anticipan dificultades de aprendizaje;
en cambio, los chatbots, agilizan la interacción entre los usuarios y los recursos académicos;
mientras que la robótica educativa, se encarga de fortalecer la asimilación de conceptos utilizando
experiencias prácticas; cada modalidad, posee sus mecanismos diferenciados que facilitan la
enseñanza matemática de manera individual o colaborativa.
Vol. 13/ Núm. 3 2026 pág. 785
Por lo tanto, implementar la inteligencia artificial en los procesos educativos requiere la
atención de diferentes factores como la preparación docente, infraestructura tecnológica,
desarrollo de recursos digitales, uso y calidad de los algoritmos, condicionan su efectividad
pedagógica, a esto se suma, la protección de datos y el uso ético de las herramientas,
constituyéndose en componentes que garantizan resultados permanentes y dentro de los criterios
pedagógicos. Asimismo, la capacidad de las instituciones para integrar las herramientas dentro de
procesos de enseñanzas basados en metodologías activas determina que los beneficios
tecnológicos se traduzcan en mejoras tangibles de aprendizaje y no solo en innovaciones
instrumentales (León, 2024).
Es por ello, que el campo de las matemáticas se considera como un proceso de formación
que busca el desarrollo del razonamiento lógico, la modelización numérica, la abstracción y la
resolución de problemas utilizando procesos cognitivos. Su aprendizaje requiere construir de
manera progresiva, relaciones conceptuales, además de generar una interpretación minuciosa de
las representaciones simbólicas, y al incorporar la IA, se amplían estas posibilidades, ya que
proporciona entornos interactivos que pueden adaptar los contenidos, para ofrecer una asistencia
personalizada con experiencias diferenciadas.
El aprendizaje matemático basado en IA, requiere sistemas inteligentes que favorecen la
retroalimentación, la identificación de errores y el ajuste del nivel de complejidad de acuerdo a
las necesidades evolutivas del desempeño del estudiante, estas características aumentan la
inclusión de un aprendizaje personalizado, ayudan a fortalecer la autonomía cognitiva durante el
proceso de construcción del conocimiento matemático (Borja et al., 2025).
Sin embargo, existen diversos factores que influyen sobre el desarrollo de estas
competencias numéricas, sobre todo cuando intervienen tecnologías basadas en IA; entre la cuales
se encuentran las habilidades digitales, el acceso a los recursos tecnológicos, la eficiencia y
calidad de la retroalimentación, la orientación pedagógica de los docentes y la motivación para
adaptarse a estos nuevos procesos educativos. Además se agregan elementos como la
personalización de la enseñanza, que permite asistir de manera individual los ritmos de
aprendizaje, disminuyendo las dificultades para asimilar los contenidos y fortaleciendo la
confianza del estudiante.
En este sentido, la Teoría del Conectivismo, propuesta por George Siemens, sostiene que
el aprendizaje surge de la creación de redes de información, en donde el conocimiento no se
concentra en el individuo, sino que se distribuye entre las personas, los recursos digitales y los
sistemas tecnológicos. Entonces, aprender requiere de conexiones oportunas, procesos de
evaluación meticulosos de la información y análisis permanentemente de los contenidos. El uso
de IA puede fortalecer todos estos procesos, al facilitar la creación de entornos adaptativos, con
recomendaciones personalizadas y acceso amigable a múltiples fuentes de información,
Por lo tanto, implementar la inteligencia artificial en los procesos educativos requiere la
atención de diferentes factores como la preparación docente, infraestructura tecnológica,
desarrollo de recursos digitales, uso y calidad de los algoritmos, condicionan su efectividad
pedagógica, a esto se suma, la protección de datos y el uso ético de las herramientas,
constituyéndose en componentes que garantizan resultados permanentes y dentro de los criterios
pedagógicos. Asimismo, la capacidad de las instituciones para integrar las herramientas dentro de
procesos de enseñanzas basados en metodologías activas determina que los beneficios
tecnológicos se traduzcan en mejoras tangibles de aprendizaje y no solo en innovaciones
instrumentales (León, 2024).
Es por ello, que el campo de las matemáticas se considera como un proceso de formación
que busca el desarrollo del razonamiento lógico, la modelización numérica, la abstracción y la
resolución de problemas utilizando procesos cognitivos. Su aprendizaje requiere construir de
manera progresiva, relaciones conceptuales, además de generar una interpretación minuciosa de
las representaciones simbólicas, y al incorporar la IA, se amplían estas posibilidades, ya que
proporciona entornos interactivos que pueden adaptar los contenidos, para ofrecer una asistencia
personalizada con experiencias diferenciadas.
El aprendizaje matemático basado en IA, requiere sistemas inteligentes que favorecen la
retroalimentación, la identificación de errores y el ajuste del nivel de complejidad de acuerdo a
las necesidades evolutivas del desempeño del estudiante, estas características aumentan la
inclusión de un aprendizaje personalizado, ayudan a fortalecer la autonomía cognitiva durante el
proceso de construcción del conocimiento matemático (Borja et al., 2025).
Sin embargo, existen diversos factores que influyen sobre el desarrollo de estas
competencias numéricas, sobre todo cuando intervienen tecnologías basadas en IA; entre la cuales
se encuentran las habilidades digitales, el acceso a los recursos tecnológicos, la eficiencia y
calidad de la retroalimentación, la orientación pedagógica de los docentes y la motivación para
adaptarse a estos nuevos procesos educativos. Además se agregan elementos como la
personalización de la enseñanza, que permite asistir de manera individual los ritmos de
aprendizaje, disminuyendo las dificultades para asimilar los contenidos y fortaleciendo la
confianza del estudiante.
En este sentido, la Teoría del Conectivismo, propuesta por George Siemens, sostiene que
el aprendizaje surge de la creación de redes de información, en donde el conocimiento no se
concentra en el individuo, sino que se distribuye entre las personas, los recursos digitales y los
sistemas tecnológicos. Entonces, aprender requiere de conexiones oportunas, procesos de
evaluación meticulosos de la información y análisis permanentemente de los contenidos. El uso
de IA puede fortalecer todos estos procesos, al facilitar la creación de entornos adaptativos, con
recomendaciones personalizadas y acceso amigable a múltiples fuentes de información,
Vol. 13/ Núm. 3 2026 pág. 786
favoreciendo así, las experiencias de aprendizaje matemático del estudiante con la tecnología y
las comunidades de aprendizaje inteligentes (Sánchez et al., 2019).
En cambio, la Teoría del Aprendizaje Significativo, desarrollada por David Ausubel,
plantea que el aprendizaje tiene una mayor profundidad cuando el conocimiento se encuentra en
relación con las estructuras cognitivas construidas por el estudiante. Por lo que, comprender es
más relevante que memorizar, por lo tanto, incluir nuevos conceptos dependerá de su integración
lógica con los saberes ya existentes. En el aprendizaje de matemáticas, la IA produce sistemas
con la capacidad de identificar los conocimientos previos de un alumno, y así puede adaptar la
secuencia de contenidos, presentando actividades diferenciadas que faciliten la construcción de
conceptos matemáticos que cada vez se pueden tornar más complejos, sin embargo este recurso,
respeta el ritmo individual de aprendizaje y promueve la comprensión sólida y duradera (Viganó
& Colombetti, 2007).
Finalmente, la Teoría del Aprendizaje por Descubrimiento, desarrollada por Jerome
Bruner, sostiene que la construcción del conocimiento se desarrolla mediante la exploración
activa, la resolución de problemas, la formulación de hipótesis y la reorganización de la
experiencia, es decir, en lugar de privilegiar la transmisión directa de contenido, se requiere que
el estudiante descubra por sí mismo las relaciones conceptuales mediante procesos de
investigación guiada. La presencia de IA en esta propuesta teórica, proporciona herramientas
tecnologías basadas en simulaciones, tutores inteligentes y entornos interactivos, cuyas capacidad
pueden ajustar los niveles de dificultad, favoreciendo la experimentación, el razonamiento
matemático y la autonomía intelectual durante la construcción del conocimiento (Schunk, 2012).
De este modo, la IA, se convierte en un mediador que aumenta las oportunidades de
aprendizaje e incrementa el desarrollo de competencias analíticas, pensamiento lógico -
matemático y potencia la capacidad de los estudiantes para resolver problemas matemáticos en
escenarios reales y complejos.
MATERIALES Y MÉTODOS
Este estudio tiene un diseño cualitativo, de tipo documental con alcance descriptivo. La
elección de la información científica se llevó a cabo a través de la búsqueda sistemática de
estudios en la base de datos de Scopus, seleccionada por su rigor metodológico. La estrategia de
indagación utilizó las variables “usos educativos de la inteligencia artificial” y “campo de las
matemáticas” permitiendo establecer como descriptores de búsqueda para la primera variable
“Artificial Intelligence" OR "AI" OR "Educational Artificial Intelligence" OR "Generative
Artificial Intelligence" OR "Inteligencia Artificial" OR “IA” OR "Inteligencia Artificial
Educativa" OR "Inteligencia Artificial Generativa"; estas expresiones fueron elegidas, ya que
corresponden a palabras claves utilizadas en los artículos científicos.
favoreciendo así, las experiencias de aprendizaje matemático del estudiante con la tecnología y
las comunidades de aprendizaje inteligentes (Sánchez et al., 2019).
En cambio, la Teoría del Aprendizaje Significativo, desarrollada por David Ausubel,
plantea que el aprendizaje tiene una mayor profundidad cuando el conocimiento se encuentra en
relación con las estructuras cognitivas construidas por el estudiante. Por lo que, comprender es
más relevante que memorizar, por lo tanto, incluir nuevos conceptos dependerá de su integración
lógica con los saberes ya existentes. En el aprendizaje de matemáticas, la IA produce sistemas
con la capacidad de identificar los conocimientos previos de un alumno, y así puede adaptar la
secuencia de contenidos, presentando actividades diferenciadas que faciliten la construcción de
conceptos matemáticos que cada vez se pueden tornar más complejos, sin embargo este recurso,
respeta el ritmo individual de aprendizaje y promueve la comprensión sólida y duradera (Viganó
& Colombetti, 2007).
Finalmente, la Teoría del Aprendizaje por Descubrimiento, desarrollada por Jerome
Bruner, sostiene que la construcción del conocimiento se desarrolla mediante la exploración
activa, la resolución de problemas, la formulación de hipótesis y la reorganización de la
experiencia, es decir, en lugar de privilegiar la transmisión directa de contenido, se requiere que
el estudiante descubra por sí mismo las relaciones conceptuales mediante procesos de
investigación guiada. La presencia de IA en esta propuesta teórica, proporciona herramientas
tecnologías basadas en simulaciones, tutores inteligentes y entornos interactivos, cuyas capacidad
pueden ajustar los niveles de dificultad, favoreciendo la experimentación, el razonamiento
matemático y la autonomía intelectual durante la construcción del conocimiento (Schunk, 2012).
De este modo, la IA, se convierte en un mediador que aumenta las oportunidades de
aprendizaje e incrementa el desarrollo de competencias analíticas, pensamiento lógico -
matemático y potencia la capacidad de los estudiantes para resolver problemas matemáticos en
escenarios reales y complejos.
MATERIALES Y MÉTODOS
Este estudio tiene un diseño cualitativo, de tipo documental con alcance descriptivo. La
elección de la información científica se llevó a cabo a través de la búsqueda sistemática de
estudios en la base de datos de Scopus, seleccionada por su rigor metodológico. La estrategia de
indagación utilizó las variables “usos educativos de la inteligencia artificial” y “campo de las
matemáticas” permitiendo establecer como descriptores de búsqueda para la primera variable
“Artificial Intelligence" OR "AI" OR "Educational Artificial Intelligence" OR "Generative
Artificial Intelligence" OR "Inteligencia Artificial" OR “IA” OR "Inteligencia Artificial
Educativa" OR "Inteligencia Artificial Generativa"; estas expresiones fueron elegidas, ya que
corresponden a palabras claves utilizadas en los artículos científicos.
Vol. 13/ Núm. 3 2026 pág. 787
En cambio, para la segunda variable, se aplicaron los siguientes descriptores de búsqueda
"Mathematics Learning" OR "Mathematics Education" OR "Mathematical Reasoning" OR
"Mathematical Problem Solving" OR "Aprendizaje de las Matemáticas" OR "Educación
Matemática" OR " OR "Razonamiento Matemático" OR "Resolución de Problemas Matemáticos.
Este matiz de descriptores favoreció la identificación de investigaciones relacionadas con el
aprendizaje de matemáticas mediante inteligencia artificial.
En la construcción de la estrategia de búsqueda se emplearon los operadores booleanos
OR para incluir equivalencias y sinónimos, y el operador AND para unificar ambas variables
generando la siguiente cadena de búsqueda: “Artificial Intelligence" OR "AI" OR "Educational
Artificial Intelligence" OR "Generative Artificial Intelligence" OR "Inteligencia Artificial" OR
“IA” OR "Inteligencia Artificial Educativa" OR "Inteligencia Artificial Generativa" AND
"Mathematics Learning" OR "Mathematics Education" OR "Mathematical Reasoning" OR
"Mathematical Problem Solving" OR "Aprendizaje de las Matemáticas" OR "Educación
Matemática" OR " OR "Razonamiento Matemático" OR "Resolución de Problemas
Matemáticos”.
Para el proceso de selección se aplicó el método Preferred Reporting Items for Systematic
Reviews and Meta-Analyses o PRISMA, con el cual se identificaron, analizaron, depuraron y
seleccionaron estudios de la base de datos establecida, que cumplieron con los criterios de
inclusión y elegibilidad establecidos. Como criterios de inclusión se estableció que se
seleccionarán revisiones sistemáticas y estudios descriptivos publicados entre 2020 y 2025,
indexados en Scopus, ya sea en idioma inglés o español, de acceso abierto y cuyo contenido
analiza la aplicación de IA en la enseñanza matemática. Mientras que los criterios de exclusión
omiten a las revisiones de metaanálisis, libros, cartas a la editorial, ensayos, congresos, editoriales,
comentarios académicos de blogs, manuscritos duplicados y publicaciones con suscripción o
pago.
La estrategia de búsqueda aplicada en Scopus recuperó 30 documentos y al aplicar los
criterios de elegibilidad e inclusión se eliminaron 20 registros ya sea por estar duplicados o porque
no responden al objeto de estudio, por lo tanto, sólo 10 estudios cumplieron los requerimientos
metodológicos para ser incorporados en esta investigación.
En cambio, para la segunda variable, se aplicaron los siguientes descriptores de búsqueda
"Mathematics Learning" OR "Mathematics Education" OR "Mathematical Reasoning" OR
"Mathematical Problem Solving" OR "Aprendizaje de las Matemáticas" OR "Educación
Matemática" OR " OR "Razonamiento Matemático" OR "Resolución de Problemas Matemáticos.
Este matiz de descriptores favoreció la identificación de investigaciones relacionadas con el
aprendizaje de matemáticas mediante inteligencia artificial.
En la construcción de la estrategia de búsqueda se emplearon los operadores booleanos
OR para incluir equivalencias y sinónimos, y el operador AND para unificar ambas variables
generando la siguiente cadena de búsqueda: “Artificial Intelligence" OR "AI" OR "Educational
Artificial Intelligence" OR "Generative Artificial Intelligence" OR "Inteligencia Artificial" OR
“IA” OR "Inteligencia Artificial Educativa" OR "Inteligencia Artificial Generativa" AND
"Mathematics Learning" OR "Mathematics Education" OR "Mathematical Reasoning" OR
"Mathematical Problem Solving" OR "Aprendizaje de las Matemáticas" OR "Educación
Matemática" OR " OR "Razonamiento Matemático" OR "Resolución de Problemas
Matemáticos”.
Para el proceso de selección se aplicó el método Preferred Reporting Items for Systematic
Reviews and Meta-Analyses o PRISMA, con el cual se identificaron, analizaron, depuraron y
seleccionaron estudios de la base de datos establecida, que cumplieron con los criterios de
inclusión y elegibilidad establecidos. Como criterios de inclusión se estableció que se
seleccionarán revisiones sistemáticas y estudios descriptivos publicados entre 2020 y 2025,
indexados en Scopus, ya sea en idioma inglés o español, de acceso abierto y cuyo contenido
analiza la aplicación de IA en la enseñanza matemática. Mientras que los criterios de exclusión
omiten a las revisiones de metaanálisis, libros, cartas a la editorial, ensayos, congresos, editoriales,
comentarios académicos de blogs, manuscritos duplicados y publicaciones con suscripción o
pago.
La estrategia de búsqueda aplicada en Scopus recuperó 30 documentos y al aplicar los
criterios de elegibilidad e inclusión se eliminaron 20 registros ya sea por estar duplicados o porque
no responden al objeto de estudio, por lo tanto, sólo 10 estudios cumplieron los requerimientos
metodológicos para ser incorporados en esta investigación.
Vol. 13/ Núm. 3 2026 pág. 788
Figura 1
Diagrama de flujo del tema de estudio
RESULTADOS Y DISCUSIÓN
La tabla permite observar una expansión progresiva de la IA en el área matemática, junto
con condiciones pedagógicas, éticas y tecnológicas que sistematizan su seguridad en ambientes
formativos diferenciados e inclusivos.
Tabla 1
Inteligencia artificial en el campo de las matemáticas
Autor y
año
País Tipo de
estudio
Herramienta
de IA utilizada
Uso educativo
identificado
Finalidad
pedagógica
Competencia
desarrollada
Manto et
al. (2026)
Filipina
s
Revisión
sistemática
54 estudios
entre el
2017 y
2025.
• Chatbots
• Tutoría
inteligente
• Plataformas de
progresión
individual
• Analítica del
aprendizaje
• Sistemas
multimodales y
computacionale
s
• Comprender
conceptos
matemáticos
complejos.
• Resolución de
problemas
mediante
• Adaptación de
actividades de
acuerdo al nivel
de dificultad
detectado.
• Desarrollo
práctico mediante
de ejercicios
• Promover
comprensión
conceptual
• Generar
contenidos
según las
necesidades
de aprendizaje
• Promover la
interacción y
desarrollo
matemático
colaborativo
• Razonamiento
lógico
matemático
• Pensamiento
crítico •
Resolución de
problemas
•
Autorregulación
.
Registro identificados en bases
de datos*:
Scopus (n = 30)
Total de registros (n = 30)
Registros eliminados antes del
cribado:
Duplicados (n = 8 )
Registros señalados como inelegibles
por herramientas de automatización
(n =0 )
Registros retirados por otras razones
(n = 0 )
Documentos cribados:
(n = 22)
Registros no encontrados:
(n = 0)
Documentos recuperados en la
búsqueda (n = 22)
Documentos no recuperados
(n = 0)
Documentos evaluados para
elegibilidad (n = 22 ) Documentos excluidos:
(n =12 )
Estudios incluidos en la revisión
(n = 10 )
Identificación de nuevos estudios vía bases de datos
IdentificaciónCribadoIncluidos
Figura 1
Diagrama de flujo del tema de estudio
RESULTADOS Y DISCUSIÓN
La tabla permite observar una expansión progresiva de la IA en el área matemática, junto
con condiciones pedagógicas, éticas y tecnológicas que sistematizan su seguridad en ambientes
formativos diferenciados e inclusivos.
Tabla 1
Inteligencia artificial en el campo de las matemáticas
Autor y
año
País Tipo de
estudio
Herramienta
de IA utilizada
Uso educativo
identificado
Finalidad
pedagógica
Competencia
desarrollada
Manto et
al. (2026)
Filipina
s
Revisión
sistemática
54 estudios
entre el
2017 y
2025.
• Chatbots
• Tutoría
inteligente
• Plataformas de
progresión
individual
• Analítica del
aprendizaje
• Sistemas
multimodales y
computacionale
s
• Comprender
conceptos
matemáticos
complejos.
• Resolución de
problemas
mediante
• Adaptación de
actividades de
acuerdo al nivel
de dificultad
detectado.
• Desarrollo
práctico mediante
de ejercicios
• Promover
comprensión
conceptual
• Generar
contenidos
según las
necesidades
de aprendizaje
• Promover la
interacción y
desarrollo
matemático
colaborativo
• Razonamiento
lógico
matemático
• Pensamiento
crítico •
Resolución de
problemas
•
Autorregulación
.
Registro identificados en bases
de datos*:
Scopus (n = 30)
Total de registros (n = 30)
Registros eliminados antes del
cribado:
Duplicados (n = 8 )
Registros señalados como inelegibles
por herramientas de automatización
(n =0 )
Registros retirados por otras razones
(n = 0 )
Documentos cribados:
(n = 22)
Registros no encontrados:
(n = 0)
Documentos recuperados en la
búsqueda (n = 22)
Documentos no recuperados
(n = 0)
Documentos evaluados para
elegibilidad (n = 22 ) Documentos excluidos:
(n =12 )
Estudios incluidos en la revisión
(n = 10 )
Identificación de nuevos estudios vía bases de datos
IdentificaciónCribadoIncluidos
Vol. 13/ Núm. 3 2026 pág. 789
Ibarra y
López
(2026)
Ecuador
Revisión
sistemátic
a
32
estudios
• Tutoría
inteligente
• IA generativa
• Análisis
predictivo
• Modelos
híbridos
• Diagnóstico de
errores
• Desarrollo de
explicaciones y
ejemplos de
ejercicios
• Proyección del
rendimiento
mediante
• Desarrollo
gráfico de
funciones y
relaciones
algebraicas
• Desarrollar
contenidos
personalizado
s
• Orientar el
desempeño
académico
• Garantizar
contenidos
pedagógicos
interpretables
• Comprensión
conceptual
• Pensamiento
computacional
• Autonomía en
el aprendizaje
• Razonamiento
matemático
Eti et al.
(2026) Sudáfrica
Revisión
sistemátic
a
20
estudios
entre el
2019 y
2025
• Sistemas
adaptativos
• Tutores
inteligentes
• Chatbots
• Analítica del
aprendizaje
• Modelos
generativos
• Adaptación de
actividades según
la dificultad
detectada.
•
Retroalimentació
n personalizada
• Selección de
estrategias para
resolver
problemas
matemáticos
• Seguimiento y
monitoreo del
desempeño
• Fortalecer
las habilidades
para la
resolución de
problemas
•Atender los
ritmos de
aprendizaje
•Promover el
aprendizaje
autónomo
• Integrar la
enseñanza
personalizada
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
• Autonomía
Moleman
e et al.
(2026)
Sudáfrica
Revisión
sistemátic
a
12
estudios
entre el
2015 y
2025
• Tutores
inteligentes
• Plataformas
educativas
• IA generativa
• Evaluación
automatizada
• Herramientas
algorítmicas
predictivas.
• Diagnóstico del
desempeño
Matemático
•
Retroalimentació
n
• Comprensión
guiada de
problemas
• Evaluación
automatizada
• Asistencia
remota para
resolver
problemas
complejos.
• Mejorar el
rendimiento
estudiantil en
matemáticas
• Incrementar
el nivel de
satisfacción
por el
aprendizaje
matemático
• Liberar
tiempo tanto
docente como
estudiantil
destinado al
desarrollo de
tareas
repetitivas.
• Mantener
continuidad
académica en
modalidades
virtuales e
híbridas.
• Comprensión
conceptual
• Resolución de
problemas
• Autonomía
Sunit y
Deepak
(2025)
India
Revisión
sistemátic
a
28
estudios
entre el
2020 y
2024
• Chatbots
• Plataformas
educativas
• Sistemas
adaptativos y
predictivos
Análisis
predictivo
• Apoyo en el
razonamiento y
solución de
problemas
• Personalización
de actividades
• Identificación
de errores
• Desarrollar
el
pensamiento
matemático
• Reducir la
carga
cognitiva en
problemas
complejos
• Resolución de
problemas
• Pensamiento
crítico •
Pensamiento
computacional
• Metacognición
Ibarra y
López
(2026)
Ecuador
Revisión
sistemátic
a
32
estudios
• Tutoría
inteligente
• IA generativa
• Análisis
predictivo
• Modelos
híbridos
• Diagnóstico de
errores
• Desarrollo de
explicaciones y
ejemplos de
ejercicios
• Proyección del
rendimiento
mediante
• Desarrollo
gráfico de
funciones y
relaciones
algebraicas
• Desarrollar
contenidos
personalizado
s
• Orientar el
desempeño
académico
• Garantizar
contenidos
pedagógicos
interpretables
• Comprensión
conceptual
• Pensamiento
computacional
• Autonomía en
el aprendizaje
• Razonamiento
matemático
Eti et al.
(2026) Sudáfrica
Revisión
sistemátic
a
20
estudios
entre el
2019 y
2025
• Sistemas
adaptativos
• Tutores
inteligentes
• Chatbots
• Analítica del
aprendizaje
• Modelos
generativos
• Adaptación de
actividades según
la dificultad
detectada.
•
Retroalimentació
n personalizada
• Selección de
estrategias para
resolver
problemas
matemáticos
• Seguimiento y
monitoreo del
desempeño
• Fortalecer
las habilidades
para la
resolución de
problemas
•Atender los
ritmos de
aprendizaje
•Promover el
aprendizaje
autónomo
• Integrar la
enseñanza
personalizada
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
• Autonomía
Moleman
e et al.
(2026)
Sudáfrica
Revisión
sistemátic
a
12
estudios
entre el
2015 y
2025
• Tutores
inteligentes
• Plataformas
educativas
• IA generativa
• Evaluación
automatizada
• Herramientas
algorítmicas
predictivas.
• Diagnóstico del
desempeño
Matemático
•
Retroalimentació
n
• Comprensión
guiada de
problemas
• Evaluación
automatizada
• Asistencia
remota para
resolver
problemas
complejos.
• Mejorar el
rendimiento
estudiantil en
matemáticas
• Incrementar
el nivel de
satisfacción
por el
aprendizaje
matemático
• Liberar
tiempo tanto
docente como
estudiantil
destinado al
desarrollo de
tareas
repetitivas.
• Mantener
continuidad
académica en
modalidades
virtuales e
híbridas.
• Comprensión
conceptual
• Resolución de
problemas
• Autonomía
Sunit y
Deepak
(2025)
India
Revisión
sistemátic
a
28
estudios
entre el
2020 y
2024
• Chatbots
• Plataformas
educativas
• Sistemas
adaptativos y
predictivos
Análisis
predictivo
• Apoyo en el
razonamiento y
solución de
problemas
• Personalización
de actividades
• Identificación
de errores
• Desarrollar
el
pensamiento
matemático
• Reducir la
carga
cognitiva en
problemas
complejos
• Resolución de
problemas
• Pensamiento
crítico •
Pensamiento
computacional
• Metacognición
Vol. 13/ Núm. 3 2026 pág. 790
• Entornos
STEAM.
• Ampliación de
contenidos
matemáticos
aplicados
• Explicación del
lenguaje y
expresiones
simbólicas.
• Alfabetización
matemática
Niño et al.
(2024)
Colombi
a
Revisión
sistemátic
a
43
estudios
entre el
2012 y
2022
• Tutores
inteligentes
• Modelos
predictivos
• Redes
neuronales
• Tutores
gamificados
• Enseñanza de
ecuaciones
lineales y
cuadráticas
• Resolución
guida de
problemas
• Seguimiento y
monitoreo del
desempeño
•Adaptación de
contenidos
• Integración de
prácticas
matemáticas
individualizadas.
• Facilitar la
comprensión,
desarrollo e
interpretación
de conceptos
matemáticos
•Incrementar
la
participación
estudiantil en
las actividades
matemáticas.
• Promover la
enseñanza
adaptativa
acorde a las
necesidades
estudiantiles
• Pensamiento
estratégico
• Comprensión
conceptual
• Atención
sostenida
Yoon y
Kwon
(2024)
Corea del
Sur
Revisión
sistemátic
a
57
estudios
• Tutores
inteligentes
• Plataformas
adaptativas
• IA generativa
• Evaluación
automatizada
• Sistemas
predictivos
• Enseñanza
personalizada de
operaciones y
expresiones
• Diagnóstico del
desempeño
matemático.
•Desarrollo de
actividades del
aprendizaje
invertido
• Evaluación
automatizada.
• Ajustar las
actividades
matemáticas
según las
necesidades
cognitivas y
motivacionale
s de los
estudiantes
• Reducir la
carga
operativa en la
resolución de
problemas
• Incrementar
el desarrollo
del
conocimiento
matemático
• Pensamiento
autónomo
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
Mohamed
et al.
(2022)
Malasia
Revisión
20
estudios
entre el
2017 y
2021
• Robótica
educativa
• Agentes de
simulación
• Tutores de
acompañamient
o
• Sistemas
inteligentes
• Herramientas
digitales de IA
• Desarrollo de
relaciones
matemáticas.
• Exploración de
problemas
• Visualización de
representaciones
matemáticas
• Desarrollo de
actividades y
ejercicios
• Promover la
motivación
por el
aprendizaje
matemático
• Fortalecer el
aprendizaje
autónomo
• Mejorar la
comprensión
conceptual
abstracta y
numérica
• Pensamiento
creativo
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
• Entornos
STEAM.
• Ampliación de
contenidos
matemáticos
aplicados
• Explicación del
lenguaje y
expresiones
simbólicas.
• Alfabetización
matemática
Niño et al.
(2024)
Colombi
a
Revisión
sistemátic
a
43
estudios
entre el
2012 y
2022
• Tutores
inteligentes
• Modelos
predictivos
• Redes
neuronales
• Tutores
gamificados
• Enseñanza de
ecuaciones
lineales y
cuadráticas
• Resolución
guida de
problemas
• Seguimiento y
monitoreo del
desempeño
•Adaptación de
contenidos
• Integración de
prácticas
matemáticas
individualizadas.
• Facilitar la
comprensión,
desarrollo e
interpretación
de conceptos
matemáticos
•Incrementar
la
participación
estudiantil en
las actividades
matemáticas.
• Promover la
enseñanza
adaptativa
acorde a las
necesidades
estudiantiles
• Pensamiento
estratégico
• Comprensión
conceptual
• Atención
sostenida
Yoon y
Kwon
(2024)
Corea del
Sur
Revisión
sistemátic
a
57
estudios
• Tutores
inteligentes
• Plataformas
adaptativas
• IA generativa
• Evaluación
automatizada
• Sistemas
predictivos
• Enseñanza
personalizada de
operaciones y
expresiones
• Diagnóstico del
desempeño
matemático.
•Desarrollo de
actividades del
aprendizaje
invertido
• Evaluación
automatizada.
• Ajustar las
actividades
matemáticas
según las
necesidades
cognitivas y
motivacionale
s de los
estudiantes
• Reducir la
carga
operativa en la
resolución de
problemas
• Incrementar
el desarrollo
del
conocimiento
matemático
• Pensamiento
autónomo
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
Mohamed
et al.
(2022)
Malasia
Revisión
20
estudios
entre el
2017 y
2021
• Robótica
educativa
• Agentes de
simulación
• Tutores de
acompañamient
o
• Sistemas
inteligentes
• Herramientas
digitales de IA
• Desarrollo de
relaciones
matemáticas.
• Exploración de
problemas
• Visualización de
representaciones
matemáticas
• Desarrollo de
actividades y
ejercicios
• Promover la
motivación
por el
aprendizaje
matemático
• Fortalecer el
aprendizaje
autónomo
• Mejorar la
comprensión
conceptual
abstracta y
numérica
• Pensamiento
creativo
• Pensamiento
computacional
• Razonamiento
lógico –
matemático
Vol. 13/ Núm. 3 2026 pág. 791
Van y
Pérez
(2021)
España
Estudio
conceptua
l
• Calculadoras
digitales
visuales
•
Reconocimiento
óptico de
contenidos
• Motores de
razonamiento
lógico-
matemático
• Explicadores
de
procedimientos•
Tutores
inteligentes
• Conversión de
imágenes en
expresiones
matemáticas.
• Resolución de
ecuaciones
• Verificación y
de proposiciones
geométricas.
• Identificación
de errores
• Exponer
paso a paso el
desarrollo de
ejercicios
• Identificar
errores
• Personalizar
el contenido
• Supervisar
procesos de
resolución de
problemas
• Razonamiento
simbólico y
algebraico
• Razonamiento
lógico -
matemático
• Pensamiento
crítico
Elaborado por los autores
Según los hallazgos, se identifica una coincidencia que reconoce que la IA logra obtener
un valor educativo cuando su retroalimentación proporciona información eficiente y ajustada a la
dificultad que presenta el estudiante; además, de hacer visible de manera amigable los errores que
se mantienen inadvertidos durante el proceso de enseñanza colectiva. Esta coexistencia suprime
la tensión presente en los sistemas de aprendizajes encaminados a gestionar respuestas rápidas
para mejorar el desarrollo de los procesos matemáticos, también fortalece la exploración de
contenidos, la comprensión conceptual y el aprendizaje autónomo sin afectar los procesos
cognitivos.
En lo concerniente a las herramientas de IA más utilizadas se encuentran las relacionadas
con los tutores y sistemas inteligentes como la IA generativa, Chatbots y las plataformas
adaptativas. En las aplicaciones utilizadas para interacción personalizada están la analítica
predictiva, evaluación automatizada y diagnostica, realidad aumentada, simulaciones y
seguimiento del desempeño. Entre las aplicaciones de IA de gama especializada están las redes
neuronales, la robótica y los tutores gamificados.
En cuanto al uso pedagógico asignado, la inclusión de IA en los procesos de aprendizaje
matemático, busca cambiar la asimilación de los conceptos teóricos y abstractos, personalizando
los contenidos, en función de las necesidades educativas de los estudiantes y considerando sus
estilos y ritmos de aprendizaje. Entre las competencias desarrolladas se encuentran como principal
el razonamiento lógico – matemático, simbólico y algebraico, seguido de la comprensión
conceptual y resolución de problemas, luego se presenta el desarrollo del pensamiento crítico,
computacional y estratégico; por último, se encuentran la autonomía, autorregulación y
metacognición.
Van y
Pérez
(2021)
España
Estudio
conceptua
l
• Calculadoras
digitales
visuales
•
Reconocimiento
óptico de
contenidos
• Motores de
razonamiento
lógico-
matemático
• Explicadores
de
procedimientos•
Tutores
inteligentes
• Conversión de
imágenes en
expresiones
matemáticas.
• Resolución de
ecuaciones
• Verificación y
de proposiciones
geométricas.
• Identificación
de errores
• Exponer
paso a paso el
desarrollo de
ejercicios
• Identificar
errores
• Personalizar
el contenido
• Supervisar
procesos de
resolución de
problemas
• Razonamiento
simbólico y
algebraico
• Razonamiento
lógico -
matemático
• Pensamiento
crítico
Elaborado por los autores
Según los hallazgos, se identifica una coincidencia que reconoce que la IA logra obtener
un valor educativo cuando su retroalimentación proporciona información eficiente y ajustada a la
dificultad que presenta el estudiante; además, de hacer visible de manera amigable los errores que
se mantienen inadvertidos durante el proceso de enseñanza colectiva. Esta coexistencia suprime
la tensión presente en los sistemas de aprendizajes encaminados a gestionar respuestas rápidas
para mejorar el desarrollo de los procesos matemáticos, también fortalece la exploración de
contenidos, la comprensión conceptual y el aprendizaje autónomo sin afectar los procesos
cognitivos.
En lo concerniente a las herramientas de IA más utilizadas se encuentran las relacionadas
con los tutores y sistemas inteligentes como la IA generativa, Chatbots y las plataformas
adaptativas. En las aplicaciones utilizadas para interacción personalizada están la analítica
predictiva, evaluación automatizada y diagnostica, realidad aumentada, simulaciones y
seguimiento del desempeño. Entre las aplicaciones de IA de gama especializada están las redes
neuronales, la robótica y los tutores gamificados.
En cuanto al uso pedagógico asignado, la inclusión de IA en los procesos de aprendizaje
matemático, busca cambiar la asimilación de los conceptos teóricos y abstractos, personalizando
los contenidos, en función de las necesidades educativas de los estudiantes y considerando sus
estilos y ritmos de aprendizaje. Entre las competencias desarrolladas se encuentran como principal
el razonamiento lógico – matemático, simbólico y algebraico, seguido de la comprensión
conceptual y resolución de problemas, luego se presenta el desarrollo del pensamiento crítico,
computacional y estratégico; por último, se encuentran la autonomía, autorregulación y
metacognición.
Vol. 13/ Núm. 3 2026 pág. 792
DISCUSIÓN
De acuerdo con Manto et al. (2026), la IA beneficia la comprensión conceptual, la
búsqueda de información y la personalización de los contenidos, pero puede reducir el esfuerzo
cognitivo al entregar respuestas inmediatas. Este planteamiento se complementa con lo expuesto
por Schunk (2012), quien indica que el aprendizaje por descubrimiento requiere de exploración
para reorganizar de la experiencia de aprendizaje, lo que confirma que el valor pedagógico de la
IA está enfocado en la mediación, sin sustituir la elaboración de conceptos propia del cuerpo
estudiantil.
Asimismo, Ibarra y López (2026), expresan que la inclusión de tutores inteligentes,
analítica predictiva e inteligencia artificial facilitan el diagnóstico de debilidades y errores. Este
resultado se complementa con lo expresado por Viganó y Colombetti (2007), quienes enlazan el
aprendizaje significativo con la construcción de nuevos saberes, esta coincidencia permite
personalizar los contenidos cuando se interpretan desde conocimientos existentes y no solo
ajustando ejercicios.
Por otra parte, Eti et al. (2026), demuestran que la personalización de los contenidos en
base a IA ayuda a fortalecer la comprensión y el monitoreo del aprendizaje, aunque su uso
excesivo puede debilitar el aprendizaje autónomo. Este hallazgo coincide con lo precisado por
Borja et al. (2025), quienes consideran que la identificación de errores y el ajuste progresivo de
la dificultad de los ejercicios, son convenientes para promover un aprendizaje constante y
duradero.
En la misma línea, Molemane et al. (2026), sostienen que los tutores inteligentes y la
evaluación automatizada mejoran el rendimiento académico de los estudiantes. Este resultado
complementa la postura de Panqueban y Huincahue (2024), quienes consideran que la
personalización, la retroalimentación y el seguimiento, son aportes significativos de inteligencia
artificial al proceso de enseñanza - aprendizaje. Esta es una relación complementaria, en donde
las percepciones favorables del uso de la IA en el desarrollo de conocimiento matemático, no
equivalen a un aprendizaje demostrado, por lo tanto, deben evidenciarse cambios tangibles
mediante logros matemáticos verificables.
En cambio, Sunit y Deepak (2025), señalan que los chatbots, los sistemas adaptativos, la
robótica y los recursos multimodales permiten ampliar las opciones de resolución de problemas.
Este resultado se complementa con lo expuesto por Sánchez et al. (2019), quienes refieren que el
conectivismo requiere de un acceso dinámico a redes distribuidas de conocimiento; lo que
demuestra que la conectividad no garantiza un aprendizaje equitativo.
De igual forma, Awang et al. (2025), mencionan que las plataformas educativas ofrecen
una visualización, retroalimentación y práctica diferenciada de los contenidos. El resultado se
complementa con lo descrito por León (2024), quien estipula que la certeza de la IA está
DISCUSIÓN
De acuerdo con Manto et al. (2026), la IA beneficia la comprensión conceptual, la
búsqueda de información y la personalización de los contenidos, pero puede reducir el esfuerzo
cognitivo al entregar respuestas inmediatas. Este planteamiento se complementa con lo expuesto
por Schunk (2012), quien indica que el aprendizaje por descubrimiento requiere de exploración
para reorganizar de la experiencia de aprendizaje, lo que confirma que el valor pedagógico de la
IA está enfocado en la mediación, sin sustituir la elaboración de conceptos propia del cuerpo
estudiantil.
Asimismo, Ibarra y López (2026), expresan que la inclusión de tutores inteligentes,
analítica predictiva e inteligencia artificial facilitan el diagnóstico de debilidades y errores. Este
resultado se complementa con lo expresado por Viganó y Colombetti (2007), quienes enlazan el
aprendizaje significativo con la construcción de nuevos saberes, esta coincidencia permite
personalizar los contenidos cuando se interpretan desde conocimientos existentes y no solo
ajustando ejercicios.
Por otra parte, Eti et al. (2026), demuestran que la personalización de los contenidos en
base a IA ayuda a fortalecer la comprensión y el monitoreo del aprendizaje, aunque su uso
excesivo puede debilitar el aprendizaje autónomo. Este hallazgo coincide con lo precisado por
Borja et al. (2025), quienes consideran que la identificación de errores y el ajuste progresivo de
la dificultad de los ejercicios, son convenientes para promover un aprendizaje constante y
duradero.
En la misma línea, Molemane et al. (2026), sostienen que los tutores inteligentes y la
evaluación automatizada mejoran el rendimiento académico de los estudiantes. Este resultado
complementa la postura de Panqueban y Huincahue (2024), quienes consideran que la
personalización, la retroalimentación y el seguimiento, son aportes significativos de inteligencia
artificial al proceso de enseñanza - aprendizaje. Esta es una relación complementaria, en donde
las percepciones favorables del uso de la IA en el desarrollo de conocimiento matemático, no
equivalen a un aprendizaje demostrado, por lo tanto, deben evidenciarse cambios tangibles
mediante logros matemáticos verificables.
En cambio, Sunit y Deepak (2025), señalan que los chatbots, los sistemas adaptativos, la
robótica y los recursos multimodales permiten ampliar las opciones de resolución de problemas.
Este resultado se complementa con lo expuesto por Sánchez et al. (2019), quienes refieren que el
conectivismo requiere de un acceso dinámico a redes distribuidas de conocimiento; lo que
demuestra que la conectividad no garantiza un aprendizaje equitativo.
De igual forma, Awang et al. (2025), mencionan que las plataformas educativas ofrecen
una visualización, retroalimentación y práctica diferenciada de los contenidos. El resultado se
complementa con lo descrito por León (2024), quien estipula que la certeza de la IA está
Vol. 13/ Núm. 3 2026 pág. 793
relacionada con la capacitación docente, la infraestructura tecnológica y la calidad algorítmica;
por lo tanto, la disponibilidad inmediata de recursos educativos en base a IA no garantiza el
desarrollo de conocimientos matemáticos específicos.
Además, Niño et al. (2024), consideran que los tutores inteligentes favorecen la
resolución de problemas matemáticos (ecuaciones), ayudan con el seguimiento y proporcionan
facilidades para lograr una argumentación efectiva. Este resultado se complementa con lo
mencionado por Viganó y Colombetti (2007), quienes destacan que el aprendizaje necesita
conectar los nuevos contenidos con los conocimientos previos. Esta relación muestra que el
estudiante puede necesitar rutas adaptativas que ayuden a gestionar la comprensión conceptual,
reduciendo los errores.
De la misma forma, Yoon y Kwon (2024), resaltan que es importante considerar la
transición del docente, quien deja de ser solo un receptor para convertirse en un sujeto activo con
dominio de habilidades inteligencia artificial. Este hallazgo coincide con lo descrito por León
(2024), quien enfatiza en que la preparación docente determina la aplicación de la tecnología
como herramienta de mejoras educativas. Esta coincidencia permite comprender que la
innovación matemática depende de seleccionar herramientas tecnológicas que promuevan sus
contenidos de manera eficiente y didáctica.
Por otro lado, Mohamed et al. (2022), considera que la robótica y los sistemas inteligentes
pueden incrementar la motivación estudiantil, el pensamiento computacional y la exploración
matemática; lo que coincide con lo expresado por Schunk (2012), quien considera que el
descubrimiento surge de la actividad, las hipótesis y resolución guiada de problemas; lo que
confirma que la interacción práctica puede desplazar la enseñanza tradicional y repetitiva.
Finalmente, Van y Pérez (2021), demuestran que calculadoras visuales y los explicadores
pueden convertir a las imágenes en expresiones matemáticas, ayudando en la resolución de
ecuaciones mediante procedimientos comprensibles. Este hallazgo se complementa con lo
expuesto por Panqueban y Huincahue (2024), quienes conciben que la IA es capaz de procesar
información para proporcionar respuestas que motiven el aprendizaje. Esta complementariedad
expresa que el uso correcto de la IA no es un equivalente de enseñanza, pues su utilidad para
matemática depende de la entrega de explicaciones interpretables que ayuden a comprender,
debatir y construir el procedimiento requerido.
CONCLUSIONES
Los usos educativos de la IA en matemáticas están enfocados en la personalización del
aprendizaje, la retroalimentación individualizada, la identificación de errores, la adaptación de
contenidos y la asistencia guiada en la resolución de problemas, incrementado las posibilidades
de acompañamiento para el desarrollo del razonamiento lógico matemático, comprensión
conceptual y aprendizaje autónomo, incrementando la participación estudiantil.
relacionada con la capacitación docente, la infraestructura tecnológica y la calidad algorítmica;
por lo tanto, la disponibilidad inmediata de recursos educativos en base a IA no garantiza el
desarrollo de conocimientos matemáticos específicos.
Además, Niño et al. (2024), consideran que los tutores inteligentes favorecen la
resolución de problemas matemáticos (ecuaciones), ayudan con el seguimiento y proporcionan
facilidades para lograr una argumentación efectiva. Este resultado se complementa con lo
mencionado por Viganó y Colombetti (2007), quienes destacan que el aprendizaje necesita
conectar los nuevos contenidos con los conocimientos previos. Esta relación muestra que el
estudiante puede necesitar rutas adaptativas que ayuden a gestionar la comprensión conceptual,
reduciendo los errores.
De la misma forma, Yoon y Kwon (2024), resaltan que es importante considerar la
transición del docente, quien deja de ser solo un receptor para convertirse en un sujeto activo con
dominio de habilidades inteligencia artificial. Este hallazgo coincide con lo descrito por León
(2024), quien enfatiza en que la preparación docente determina la aplicación de la tecnología
como herramienta de mejoras educativas. Esta coincidencia permite comprender que la
innovación matemática depende de seleccionar herramientas tecnológicas que promuevan sus
contenidos de manera eficiente y didáctica.
Por otro lado, Mohamed et al. (2022), considera que la robótica y los sistemas inteligentes
pueden incrementar la motivación estudiantil, el pensamiento computacional y la exploración
matemática; lo que coincide con lo expresado por Schunk (2012), quien considera que el
descubrimiento surge de la actividad, las hipótesis y resolución guiada de problemas; lo que
confirma que la interacción práctica puede desplazar la enseñanza tradicional y repetitiva.
Finalmente, Van y Pérez (2021), demuestran que calculadoras visuales y los explicadores
pueden convertir a las imágenes en expresiones matemáticas, ayudando en la resolución de
ecuaciones mediante procedimientos comprensibles. Este hallazgo se complementa con lo
expuesto por Panqueban y Huincahue (2024), quienes conciben que la IA es capaz de procesar
información para proporcionar respuestas que motiven el aprendizaje. Esta complementariedad
expresa que el uso correcto de la IA no es un equivalente de enseñanza, pues su utilidad para
matemática depende de la entrega de explicaciones interpretables que ayuden a comprender,
debatir y construir el procedimiento requerido.
CONCLUSIONES
Los usos educativos de la IA en matemáticas están enfocados en la personalización del
aprendizaje, la retroalimentación individualizada, la identificación de errores, la adaptación de
contenidos y la asistencia guiada en la resolución de problemas, incrementado las posibilidades
de acompañamiento para el desarrollo del razonamiento lógico matemático, comprensión
conceptual y aprendizaje autónomo, incrementando la participación estudiantil.
Vol. 13/ Núm. 3 2026 pág. 794
La evidencia demostró que su aporte no depende únicamente de la innovación e
infraestructura tecnológica, sino también se debe a la calidad del diseño didáctico, la participación
docente, la eficacia de los algoritmos y la correspondencia entre herramientas y competencias
matemáticas a fortalecer.
Estos hallazgos mantienen una limitante, al presentar un predominio de revisiones
sistemáticas y estudios de corto plazo, lo que deja abierta la línea de investigación para estudios
longitudinales y experimentales mediante los cuales se pueda comprobar la efectividad práctica
de la IA en la enseñanza de matemáticas.
Por otra parte, los tutores inteligentes, la IA generativa y los sistemas adaptativos tienen
una notoriedad ya que ayudan a reducir el esfuerzo cognitivo, sin embargo deben garantizar la
comprensión conceptual, simbólica y algebraica. También, los resultados respaldan posturas que
promueven el aprendizaje significativo y el aprendizaje por descubrimiento; siempre y cuando la
tecnología se conciba como mediadora y no como sustituto del pensamiento matemático.
Por lo tanto, se recomienda vigorizar la formación docente en IA enfatizando su
aplicación bajo criterios pedagógicos, éticos y evaluativos; además, se debe indagar aquellas
herramientas que tengan objetivos curriculares verificables y que promuevan políticas de
protección de datos estudiantiles.
Futuras investigaciones deberán incorporar diseños metodológicos diversificados que
permitan explorar poblaciones educativas de otros niveles de enseñanzas, para examinar cómo la
IA influye en la transferencia del aprendizaje.
La evidencia demostró que su aporte no depende únicamente de la innovación e
infraestructura tecnológica, sino también se debe a la calidad del diseño didáctico, la participación
docente, la eficacia de los algoritmos y la correspondencia entre herramientas y competencias
matemáticas a fortalecer.
Estos hallazgos mantienen una limitante, al presentar un predominio de revisiones
sistemáticas y estudios de corto plazo, lo que deja abierta la línea de investigación para estudios
longitudinales y experimentales mediante los cuales se pueda comprobar la efectividad práctica
de la IA en la enseñanza de matemáticas.
Por otra parte, los tutores inteligentes, la IA generativa y los sistemas adaptativos tienen
una notoriedad ya que ayudan a reducir el esfuerzo cognitivo, sin embargo deben garantizar la
comprensión conceptual, simbólica y algebraica. También, los resultados respaldan posturas que
promueven el aprendizaje significativo y el aprendizaje por descubrimiento; siempre y cuando la
tecnología se conciba como mediadora y no como sustituto del pensamiento matemático.
Por lo tanto, se recomienda vigorizar la formación docente en IA enfatizando su
aplicación bajo criterios pedagógicos, éticos y evaluativos; además, se debe indagar aquellas
herramientas que tengan objetivos curriculares verificables y que promuevan políticas de
protección de datos estudiantiles.
Futuras investigaciones deberán incorporar diseños metodológicos diversificados que
permitan explorar poblaciones educativas de otros niveles de enseñanzas, para examinar cómo la
IA influye en la transferencia del aprendizaje.
Vol. 13/ Núm. 3 2026 pág. 795
REFERENCIAS
Awang, L. A., Yusop, F. D., & Danaee, M. (2025). Current practices and future direction of
artificial intelligence in mathematics education : A systematic review. International
Electronic Journal of Mathematics Education, 20(2), 1–14.
https://doi.org/10.29333/iejme/16006
Borja, N., Chasiliquin, L., Grados, M., Toro, J., & Vera, M. (2025). El Uso de Inteligencia
Artificial para Fomentar la resolución de Problemas en Estudiantes con Baja Capacidad de
Razonamiento. Revista Veritas de Difusión Científica, 6(1), 1649–1670.
https://doi.org/10.61616/rvdc.v6i1.476
Eti, N., Mosia, M., & Egara, F. (2026). The role of AI-driven personalised learning in enhancing
mathematics problem-solving skills : a systematic review. Frontiers in Computer Science,
8, 1–14. https://doi.org/10.3389/fcomp.2026.1813431
Ibarra, M., & López, M. (2026). Inteligencia Artificial en la enseñanza y el aprendizaje de las
Matemáticas: una revisión sistemática (2020–2026). Revista Científica Sociedad &
Tecnología, 9(3), 418–432. https://doi.org/10.51247/st.v9i3.769
Ibarra, M., Mendoza, C., & López, M. (2025). Uso de las matemáticas en modelos de inteligencia
artificial. Ciencia y Educación, 6(6.1), 361–375. https://doi.org/10.5281/zenodo.17051987
León, I. (2024). La enseñanza de la matemática universitaria de la mano de la inteligencia
artificial. Ciencia Latina Revista Científica Multidisciplinar, 8(6), 10434–10446.
https://doi.org/10.37811/cl_rcm.v8i6.15723
Machuca, J., Díaz, T., Mero, F., Verdezoto, M., & Benalcázar, L. (2025). El uso de la inteligencia
artificial para personalizar el aprendizaje de la Matemática. Ciencia Latina Revista
Científica Multidisciplinar, 9(1), 11014–11024.
https://doi.org/10.37811/cl_rcm.v9i1.16681
Manto, A., Visitacion, M. A., Yee, A. M., Roble, J., Capuyan, S. N., Hermoso, F., Milano, M. L.,
Gonzales, R., Hallarte, D. K., & Gonzales, G. (2026). AI integration in mathematics
education: A systematic review of implementation challenges and pedagogical implications
(2017-2025). Social Sciences & Humanities Open, 14, 1–15.
https://doi.org/10.1016/j.ssaho.2026.103147
Mohamed, M., Hidayat, R., Suhaizi, N., Sabri, N., Mahmud, M., & Baharuddin, S. (2022).
Artificial intelligence in mathematics education : A systematic literature review.
International Electronic Journal of Mathematics Education, 17(3), 1–11.
https://doi.org/10.29333/iejme/12132
Molemane, N., Mosia, M., & Egara, O. (2026). Effectiveness of AI-based tutoring and assessment
systems in mathematics education : a systematic review. Discover Education Article in
Press, 1–39. https://doi.org/10.1007/ s44217-026-01872-5
REFERENCIAS
Awang, L. A., Yusop, F. D., & Danaee, M. (2025). Current practices and future direction of
artificial intelligence in mathematics education : A systematic review. International
Electronic Journal of Mathematics Education, 20(2), 1–14.
https://doi.org/10.29333/iejme/16006
Borja, N., Chasiliquin, L., Grados, M., Toro, J., & Vera, M. (2025). El Uso de Inteligencia
Artificial para Fomentar la resolución de Problemas en Estudiantes con Baja Capacidad de
Razonamiento. Revista Veritas de Difusión Científica, 6(1), 1649–1670.
https://doi.org/10.61616/rvdc.v6i1.476
Eti, N., Mosia, M., & Egara, F. (2026). The role of AI-driven personalised learning in enhancing
mathematics problem-solving skills : a systematic review. Frontiers in Computer Science,
8, 1–14. https://doi.org/10.3389/fcomp.2026.1813431
Ibarra, M., & López, M. (2026). Inteligencia Artificial en la enseñanza y el aprendizaje de las
Matemáticas: una revisión sistemática (2020–2026). Revista Científica Sociedad &
Tecnología, 9(3), 418–432. https://doi.org/10.51247/st.v9i3.769
Ibarra, M., Mendoza, C., & López, M. (2025). Uso de las matemáticas en modelos de inteligencia
artificial. Ciencia y Educación, 6(6.1), 361–375. https://doi.org/10.5281/zenodo.17051987
León, I. (2024). La enseñanza de la matemática universitaria de la mano de la inteligencia
artificial. Ciencia Latina Revista Científica Multidisciplinar, 8(6), 10434–10446.
https://doi.org/10.37811/cl_rcm.v8i6.15723
Machuca, J., Díaz, T., Mero, F., Verdezoto, M., & Benalcázar, L. (2025). El uso de la inteligencia
artificial para personalizar el aprendizaje de la Matemática. Ciencia Latina Revista
Científica Multidisciplinar, 9(1), 11014–11024.
https://doi.org/10.37811/cl_rcm.v9i1.16681
Manto, A., Visitacion, M. A., Yee, A. M., Roble, J., Capuyan, S. N., Hermoso, F., Milano, M. L.,
Gonzales, R., Hallarte, D. K., & Gonzales, G. (2026). AI integration in mathematics
education: A systematic review of implementation challenges and pedagogical implications
(2017-2025). Social Sciences & Humanities Open, 14, 1–15.
https://doi.org/10.1016/j.ssaho.2026.103147
Mohamed, M., Hidayat, R., Suhaizi, N., Sabri, N., Mahmud, M., & Baharuddin, S. (2022).
Artificial intelligence in mathematics education : A systematic literature review.
International Electronic Journal of Mathematics Education, 17(3), 1–11.
https://doi.org/10.29333/iejme/12132
Molemane, N., Mosia, M., & Egara, O. (2026). Effectiveness of AI-based tutoring and assessment
systems in mathematics education : a systematic review. Discover Education Article in
Press, 1–39. https://doi.org/10.1007/ s44217-026-01872-5
Vol. 13/ Núm. 3 2026 pág. 796
Niño, F., Lancheros, D., Jiménez, M., Mestre, G., & Gómez, S. (2024). Systematic Review :
Trends in Intelligent Tutoring Systems in Mathematics Teaching and Learning.
International Journal of Education in Mathematics, Science, and Technology (IJEMST),
12(1), 203–229. https://doi.org/10.46328/ijemst.3189
Panqueban, D., & Huincahue, J. (2024). Artificial Intelligence in Mathematics Education: A
Systematic Review. UNICIENCIA, 38(1), 1–18. https://doi.org/10.15359/ru.38-1.20
Sánchez, R., Costa, Ó., Mañoso, L., Novillo, M., & Pericacho, F. (2019). Orígenes del
conectivismo como nuevo paradigma del aprendizaje en la era digital. Revista Educación y
Humanismo, 21(36), 113–136.
http://revistas.unisimon.edu.co/index.php/educacion/article/view/3265/4083
Schunk, D. (2012). Teorías del Aprendizaje (Sexta). Pearson . https://ciec.edu.co/wp-
content/uploads/2017/06/Teorias-del-Aprendizaje-Dale-Schunk.pdf
Sunit, N., & Deepak, P. (2025). Artificial Intelligence in Mathematics Education: A Systematic
Review of Global Trends and Emerging Themes. Journal of Mathematics Science and
Technology Education, 2(2), 153–175. https://doi.org/10.12973/jmste.2.2.153
Van, S., & Pérez, A. (2021). A Classification of Artificial Intelligence Systems for Mathematics
Education. Springer Nature, 1–18.
https://www.researchgate.net/publication/353233810_A_Classification_of_Artificial_Intel
ligence_Systems_for_Mathematics_Education
Viganò, F., & Colombetti, M. (2007). Teoría del Aprendizaje Significativo. Lecture Notes in
Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics), 4386 LNAI, 115–129. https://doi.org/10.1007/978-3-540-74459-
7_8
Yoon, J., & Kwon, O. N. (2024). Systematic literature review on AI-based mathematics teaching
and learning: Focusing on the role of AI and teachers. Journal of the Korean Society of
Mathematical Education, 63(3), 573–591. https://doi.org/10.7468/mathedu.2024.63.3.573
Zambrano, E., Vásquez, C., Espinoza, J., Alvarado, G., Maximi, A., & Mora, I. (2026). Uso de
plataformas con inteligencia artificial para el fortalecimiento del pensamiento lógico-
matemático. Ciencia Latina Revista Científica Multidisciplinar, 10(1), 2683–2700.
https://doi.org/10.37811/cl_rcm.v10i1.22419
Niño, F., Lancheros, D., Jiménez, M., Mestre, G., & Gómez, S. (2024). Systematic Review :
Trends in Intelligent Tutoring Systems in Mathematics Teaching and Learning.
International Journal of Education in Mathematics, Science, and Technology (IJEMST),
12(1), 203–229. https://doi.org/10.46328/ijemst.3189
Panqueban, D., & Huincahue, J. (2024). Artificial Intelligence in Mathematics Education: A
Systematic Review. UNICIENCIA, 38(1), 1–18. https://doi.org/10.15359/ru.38-1.20
Sánchez, R., Costa, Ó., Mañoso, L., Novillo, M., & Pericacho, F. (2019). Orígenes del
conectivismo como nuevo paradigma del aprendizaje en la era digital. Revista Educación y
Humanismo, 21(36), 113–136.
http://revistas.unisimon.edu.co/index.php/educacion/article/view/3265/4083
Schunk, D. (2012). Teorías del Aprendizaje (Sexta). Pearson . https://ciec.edu.co/wp-
content/uploads/2017/06/Teorias-del-Aprendizaje-Dale-Schunk.pdf
Sunit, N., & Deepak, P. (2025). Artificial Intelligence in Mathematics Education: A Systematic
Review of Global Trends and Emerging Themes. Journal of Mathematics Science and
Technology Education, 2(2), 153–175. https://doi.org/10.12973/jmste.2.2.153
Van, S., & Pérez, A. (2021). A Classification of Artificial Intelligence Systems for Mathematics
Education. Springer Nature, 1–18.
https://www.researchgate.net/publication/353233810_A_Classification_of_Artificial_Intel
ligence_Systems_for_Mathematics_Education
Viganò, F., & Colombetti, M. (2007). Teoría del Aprendizaje Significativo. Lecture Notes in
Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics), 4386 LNAI, 115–129. https://doi.org/10.1007/978-3-540-74459-
7_8
Yoon, J., & Kwon, O. N. (2024). Systematic literature review on AI-based mathematics teaching
and learning: Focusing on the role of AI and teachers. Journal of the Korean Society of
Mathematical Education, 63(3), 573–591. https://doi.org/10.7468/mathedu.2024.63.3.573
Zambrano, E., Vásquez, C., Espinoza, J., Alvarado, G., Maximi, A., & Mora, I. (2026). Uso de
plataformas con inteligencia artificial para el fortalecimiento del pensamiento lógico-
matemático. Ciencia Latina Revista Científica Multidisciplinar, 10(1), 2683–2700.
https://doi.org/10.37811/cl_rcm.v10i1.22419