Entre el algoritmo y la comprensión: una revisión exploratoria de la inteligencia artificial en la enseñanza de la matemática (2020–2025)
DOI:
https://doi.org/10.69639/arandu.v13i2.2197Palabras clave:
inteligencia artificial en educación, revisión exploratoria, marcos teóricos, enseñanza de la matemática, TPACKResumen
El presente artículo sistematiza y clasifica los marcos teóricos sobre inteligencia artificial (IA) en educación publicados entre 2020 y 2025, con énfasis en su aplicabilidad a la enseñanza de la matemática. Se condujo una revisión exploratoria (Scoping Review) conforme a la declaración PRISMA-ScR, que recuperó 457 registros en Web of Science, Scopus, ERIC, IEEE Xplore, SciELO y ACM Digital Library. Tras el cribado en dos etapas se incluyeron 153 estudios, de los cuales 112 conforman el subcorpus de enseñanza de la matemática y 80 constituyen el subcorpus efectivo con análisis didáctico operativo. Los estudios se analizaron mediante una matriz de extracción de 73 variables organizada en cuatro núcleos conceptuales (tecnológico, pedagógico, crítico-ético y psicológico-afectivo) cruzados con tres dimensiones transversales (función del marco, nivel de generalidad y relación con la matemática). Los resultados evidencian un predominio del núcleo tecnológico (49,0 %) seguido del pedagógico (30,1 %), con la articulación entre ambos concentrando el 48,7 % de las 158 co-ocurrencias identificadas. TPACK y sus extensiones constituyen el marco más recurrente (14,4 %), mientras que los marcos críticos y éticos se consolidan como núcleo emergente (13,7 %) aunque con predominio analítico (81,0 %) y escasa proyección hacia el diseño. En el subcorpus efectivo, el razonamiento y demostración (70,0 %) y el pensamiento crítico orientado a validar las respuestas de la IA (67,5 %) emergen como los procesos matemáticos más promovidos, mientras que la modelización matemática (21,2 %) permanece subrepresentada. Se documenta así un desplazamiento pedagógico relevante: el razonamiento matemático con IA se ejerce, en buena medida, como razonamiento crítico sobre la IA. Se proponen criterios operativos para el diseño didáctico, la mediación docente y la evaluación del aprendizaje matemático mediado por IA.
Descargas
Citas
Acuña, C. R. Y., y Marrero, C. M. (2025). Integración de activas e inteligencia artificial en la enseñanza del tema de sucesiones y series: una experiencia de clase en un curso semipresencial del Instituto Tecnológico de Costa Rica. Cuadernos de Investigación y Formación en Educación Matemática, 18(2), 135–160. https://doi.org/10.15517/eqxwfy21
Arksey, H., y O’Malley, L. (2005). Scoping studies: towards a methodological framework. International Journal of Social Research Methodology, 8(1), 19–32. https://doi.org/10.1080/1364557032000119616
Campos, M. J. E. (2024). Inteligencia artificial en la educación superior de Costa Rica: desafíos y oportunidades desde una perspectiva ética [Tesis de Maestría, Universidad Nacional de Costa Rica]. Repositorio Institucional UNA. https://hdl.handle.net/11056/29614
Chacón-Rivadeneira, K., Morales-Maure, L., García-Marimón, O., Sáez-Delgado, F., Gutiérrez González, J., y Alfaro Ponce, B. (2024). Artificial intelligence adoption in Latin American mathematics education: challenges and opportunities. Journal of Posthumanism, 4(3), 1141–1161. https://doi.org/10.63332/joph.v4i3.3195
Creswell, J. W., y Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5.ª ed.). SAGE Publications.
Gallent-Torres, C., Zapata-González, A., y Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2). https://doi.org/10.30827/relieve.v29i2.29134
Meza-Cascante, L. G., Ramírez-Bogantes, M., y Meza-Chavarría, L. A. (2026). Actitudes del estudiantado de ingeniería ante la inteligencia artificial generativa: estudio en el Instituto Tecnológico de Costa Rica. Revista Tecnología en Marcha, 39(5), 137–146.
Mishra, P., y Koehler, M. J. (2006). Technological pedagogical content knowledge: a framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Ning, Y., Zhang, C., Xu, B., Zhou, Y., y Wijaya, T. T. (2024). Teachers’ AI-TPACK: exploring the relationship between knowledge elements. Sustainability, 16(3), 978. https://doi.org/10.3390/su16030978
Opesemowo, O. A. G., y Adewuyi, H. O. (2024). A systematic review of artificial intelligence in mathematics education: the emergence of 4IR. Eurasia Journal of Mathematics, Science and Technology Education, 20(7), em2478. https://doi.org/10.29333/ejmste/14762
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., . . . Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pepin, B., Buchholtz, N., y Salinas-Hernández, U. (2025). A scoping survey of ChatGPT in mathematics education. Digital Experiences in Mathematics Education, 11(1), 9–41. https://doi.org/10.1007/s40751-025-00172-1
Pochulu, M. D., y Font, V. (2025). Idoneidad didáctica de tareas de matemáticas reformuladas con inteligencia artificial. Paradigma, 46(1), e2025027. https://doi.org/10.37618/PARADIGMA.1011-2251.2025.e2025027.id1621
Priyanda, R., Herman, T., Amalia, R., y Ihsan, I. R. (2025). Exploring teachers’ pedagogical reasoning in mathematics education using the TPACK framework. Frontiers in Education, 10, 1552760. https://doi.org/10.3389/feduc.2025.1552760
Ramírez-Bogantes, M., Monge-Fallas, J., Borbón-Alpízar, A., Gutiérrez-Montenegro, M. V., Acuña-Chacón, R., y Meza-Cascante, L. G. (2026). Innovación didáctica con IA-G generativa en matemática universitaria: experiencias en el TEC. Revista Tecnología en Marcha, 39(5), 147–156.
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., . . . Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
Wardat, Y., Tashtoush, M. A., AlAli, R., y Jarrah, A. M. (2023). ChatGPT: a revolutionary tool for teaching and learning mathematics. Eurasia Journal of Mathematics, Science and Technology Education, 19(7), em2286. https://doi.org/10.29333/ejmste/13272
Yoon, H., Hwang, J., Lee, K., Roh, K. H., y Kwon, O. N. (2024). Students’ use of generative artificial intelligence for proving mathematical statements. ZDM – Mathematics Education, 56(7), 1531–1551. https://doi.org/10.1007/s11858-024-01629-0
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Kenneth Mejía Luna, Melvin Ramírez Bogantes
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
