pág. 1034
INTELIGENCIA ARTIFICIAL GENERATIVA Y
PENSAMIENTO ALGEBRAICO EN
EDUCACIÓN MATEMÁTICA: TENDENCIAS,
APORTES Y DESAFÍOS DESDE UNA
REVISIÓN SISTEMÁTICA
GENERATIVE ARTIFICIAL INTELLIGENCE AND
ALGEBRAIC THINKING IN MATHEMATICS EDUCATION:
TRENDS, CONTRIBUTIONS, AND CHALLENGES BASED ON
A SYSTEMATIC REVIEW
Edgar Iván Calero Bravo
Investigador independiente
Carrera Córdova Mabel Ximena
Investigador independiente
López Bayetero Michael Stalin
Investigador independiente
Encarnación Bravo Fabricio Leonel
Investigador independiente
pág. 1035
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25108
Inteligencia artificial generativa y pensamiento algebraico en educación
matemática: tendencias, aportes y desafíos desde una revisión sistemática
Edgar Iván Calero Bravo1
edgarcalero011@gmail.com
https://orcid.org/0009-0000-7989-9212
Investigador independiente
Ibarra-Ecuador
Carrera Córdova Mabel Ximena
mabelcarreracordova@gmail.com
https://orcid.org/0009-0007-3811-2875
Investigador independiente
Quito-Ecuador
López Bayetero Michael Stalin
mbayetero0801@gmail.com
https://orcid.org/0009-0005-4251-6341
Investigador independiente
Ibarra-Ecuador
Encarnación Bravo Fabricio Leonel
bravoleo701@gmail.com
https://orcid.org/0009-0000-3594-6881
Investigador independiente
Ibarra-Ecuador
RESUMEN
Bajo los lineamientos de PRISMA 2020, esta revisión reunió dieciséis estudios publicados entre 2020 y
2026 sobre inteligencia artificial generativa y su papel en el desarrollo del pensamiento algebraico. La
búsqueda se apoyó en bases de datos científicas como: ERIC, Redalyc, Scopus, Dialnet, SciELO,
ScienceDirect, SpringerLink y Web of Science, entre cuyas herramientas predominaron ChatGPT. Los
hallazgos indicaron que estos sistemas favorecieron la resolución de problemas, la construcción de
explicaciones y la retroalimentación inmediata, siempre que operaran como apoyo al razonamiento y no
como sustituto de este. No obstante, cuando el uso se limitó a obtener respuestas rápidas, en cambio,
surgió el riesgo de dependencia tecnológica capaz de erosionar la autonomía del estudiante. Los estudios
latinoamericanos, en particular los ecuatorianos, aportaron evidencia aún emergente sobre la mediación
docente, aunque persistieron limitaciones de formación e infraestructura. La calidad metodológica,
evaluada mediante MMAT, resultó mayormente moderada a alta. Se concluyó que el docente sigue
siendo determinante para orientar el uso pedagógico de estas herramientas. Quedan pendientes estudios
longitudinales sobre efectos concretos en habilidades algebraicas específicas.
Palabras clave: Inteligencia artificial generativa; pensamiento algebraico; educación matemática;
ChatGPT; revisión sistemática.
1 Autor principal
Correspondencia: edgarcalero011@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25108
Inteligencia artificial generativa y pensamiento algebraico en educación
matemática: tendencias, aportes y desafíos desde una revisión sistemática
Edgar Iván Calero Bravo1
edgarcalero011@gmail.com
https://orcid.org/0009-0000-7989-9212
Investigador independiente
Ibarra-Ecuador
Carrera Córdova Mabel Ximena
mabelcarreracordova@gmail.com
https://orcid.org/0009-0007-3811-2875
Investigador independiente
Quito-Ecuador
López Bayetero Michael Stalin
mbayetero0801@gmail.com
https://orcid.org/0009-0005-4251-6341
Investigador independiente
Ibarra-Ecuador
Encarnación Bravo Fabricio Leonel
bravoleo701@gmail.com
https://orcid.org/0009-0000-3594-6881
Investigador independiente
Ibarra-Ecuador
RESUMEN
Bajo los lineamientos de PRISMA 2020, esta revisión reunió dieciséis estudios publicados entre 2020 y
2026 sobre inteligencia artificial generativa y su papel en el desarrollo del pensamiento algebraico. La
búsqueda se apoyó en bases de datos científicas como: ERIC, Redalyc, Scopus, Dialnet, SciELO,
ScienceDirect, SpringerLink y Web of Science, entre cuyas herramientas predominaron ChatGPT. Los
hallazgos indicaron que estos sistemas favorecieron la resolución de problemas, la construcción de
explicaciones y la retroalimentación inmediata, siempre que operaran como apoyo al razonamiento y no
como sustituto de este. No obstante, cuando el uso se limitó a obtener respuestas rápidas, en cambio,
surgió el riesgo de dependencia tecnológica capaz de erosionar la autonomía del estudiante. Los estudios
latinoamericanos, en particular los ecuatorianos, aportaron evidencia aún emergente sobre la mediación
docente, aunque persistieron limitaciones de formación e infraestructura. La calidad metodológica,
evaluada mediante MMAT, resultó mayormente moderada a alta. Se concluyó que el docente sigue
siendo determinante para orientar el uso pedagógico de estas herramientas. Quedan pendientes estudios
longitudinales sobre efectos concretos en habilidades algebraicas específicas.
Palabras clave: Inteligencia artificial generativa; pensamiento algebraico; educación matemática;
ChatGPT; revisión sistemática.
1 Autor principal
Correspondencia: edgarcalero011@gmail.com
pág. 1036
Generative Artificial Intelligence and Algebraic Thinking in Mathematics
Education: Trends, Contributions, and Challenges Based on a Systematic
Review
ABSTRACT
In accordance with the PRISMA 2020 guidelines, this review included sixteen studies published
between 2020 and 2026 on generative artificial intelligence and its role in the development of algebraic
thinking. The search drew on scientific databases such as ERIC, Redalyc, Scopus, Dialnet, SciELO,
ScienceDirect, SpringerLink, and Web of Science, with ChatGPT being the predominant tool among
them. The findings indicated that these systems facilitated problem-solving, the construction of
explanations, and immediate feedback, provided they functioned as a support for reasoning rather than
a substitute for it. However, when their use was limited to obtaining quick answers, the risk of
technological dependence emerged, which could erode student autonomy. Latin American studies,
particularly those from Ecuador, provided still-emerging evidence on teacher mediation, although
limitations in training and infrastructure persisted. Methodological quality, assessed using the MMAT,
was mostly moderate to high. It was concluded that teachers continue to play a decisive role in guiding
the pedagogical use of these tools. Longitudinal studies on concrete effects on specific algebraic skills
remain to be conducted.
Keywords: Generative artificial intelligence; algebraic thinking; mathematics education; ChatGPT;
systematic review.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Generative Artificial Intelligence and Algebraic Thinking in Mathematics
Education: Trends, Contributions, and Challenges Based on a Systematic
Review
ABSTRACT
In accordance with the PRISMA 2020 guidelines, this review included sixteen studies published
between 2020 and 2026 on generative artificial intelligence and its role in the development of algebraic
thinking. The search drew on scientific databases such as ERIC, Redalyc, Scopus, Dialnet, SciELO,
ScienceDirect, SpringerLink, and Web of Science, with ChatGPT being the predominant tool among
them. The findings indicated that these systems facilitated problem-solving, the construction of
explanations, and immediate feedback, provided they functioned as a support for reasoning rather than
a substitute for it. However, when their use was limited to obtaining quick answers, the risk of
technological dependence emerged, which could erode student autonomy. Latin American studies,
particularly those from Ecuador, provided still-emerging evidence on teacher mediation, although
limitations in training and infrastructure persisted. Methodological quality, assessed using the MMAT,
was mostly moderate to high. It was concluded that teachers continue to play a decisive role in guiding
the pedagogical use of these tools. Longitudinal studies on concrete effects on specific algebraic skills
remain to be conducted.
Keywords: Generative artificial intelligence; algebraic thinking; mathematics education; ChatGPT;
systematic review.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 1037
1. INTRODUCCIÓN
La aparición de la inteligencia artificial generativa transformó, en un lapso relativamente corto, el
escenario educativo, al abrir vías inéditas para acceder a la información, enfrentar problemas y respaldar
los procesos de aprendizaje (Benavides et al., 2026). Con la aparición de los modelos de lenguaje de
gran escala, las instituciones educativas empezaron a mirar de qué forma estos sistemas podían apoyar
la enseñanza. No solo generan explicaciones. También resuelven ejercicios, arman ejemplos y
devuelven retroalimentación en lenguaje natural, lo que fue despertando cada vez más interés dentro de
la investigación educativa, ya que a diferencia de otras tecnologías digitales, la IAG arma una
interacción dinámica con el usuario, donde este registro indica que las respuestas se van adaptando según
el contexto de cada consulta particular. Pero el entusiasmo inicial no subsistió intacto. Después vino la
discusión, sobre todo en torno al alcance real de estas herramientas en el desarrollo de habilidades
cognitivas complejas, discusión que se agudiza cuando el uso de estos sistemas no viene acompañado
de una planificación didáctica sólida (Kasneci et al., 2023; Zawacki-Richter et al., 2024).
El crecimiento de la producción científica alrededor de la inteligencia artificial generativa ha sido
particularmente evidente desde finales de 2022. En pocos meses, numerosas investigaciones empezaron
a documentar experiencias con el uso de ChatGPT y otros modelos generativos en distintos niveles
educativos. Rendimiento académico, motivación, evaluación, alfabetización digital, diseño de recursos
educativos: los temas abordados fueron variando, ampliándose casi al mismo ritmo que crecía la
producción científica sobre el tema. Pero conforme aumentó el número de publicaciones también
empezaron a emerger resultados que invitan a una lectura más prudente. Mientras algunos estudios
describen mejoras en la participación de los estudiantes y en la personalización del aprendizaje, otros
advierten que la dependencia excesiva de respuestas automatizadas podría limitar procesos esenciales
como la argumentación, la reflexión crítica o la construcción autónoma del conocimiento. Esta
diversidad de hallazgos evidencia que el impacto de la IAG no puede comprenderse únicamente desde
sus capacidades tecnológicas, sino también desde las condiciones pedagógicas bajo las cuales se
incorpora al aula (Lo, 2023; Tlili et al., 2023).
En el ámbito de la educación matemática la discusión adquiere una relevancia distinta, en función de la
naturaleza propia del razonamiento matemático. Aprender matemáticas no se reduce a aplicar
1. INTRODUCCIÓN
La aparición de la inteligencia artificial generativa transformó, en un lapso relativamente corto, el
escenario educativo, al abrir vías inéditas para acceder a la información, enfrentar problemas y respaldar
los procesos de aprendizaje (Benavides et al., 2026). Con la aparición de los modelos de lenguaje de
gran escala, las instituciones educativas empezaron a mirar de qué forma estos sistemas podían apoyar
la enseñanza. No solo generan explicaciones. También resuelven ejercicios, arman ejemplos y
devuelven retroalimentación en lenguaje natural, lo que fue despertando cada vez más interés dentro de
la investigación educativa, ya que a diferencia de otras tecnologías digitales, la IAG arma una
interacción dinámica con el usuario, donde este registro indica que las respuestas se van adaptando según
el contexto de cada consulta particular. Pero el entusiasmo inicial no subsistió intacto. Después vino la
discusión, sobre todo en torno al alcance real de estas herramientas en el desarrollo de habilidades
cognitivas complejas, discusión que se agudiza cuando el uso de estos sistemas no viene acompañado
de una planificación didáctica sólida (Kasneci et al., 2023; Zawacki-Richter et al., 2024).
El crecimiento de la producción científica alrededor de la inteligencia artificial generativa ha sido
particularmente evidente desde finales de 2022. En pocos meses, numerosas investigaciones empezaron
a documentar experiencias con el uso de ChatGPT y otros modelos generativos en distintos niveles
educativos. Rendimiento académico, motivación, evaluación, alfabetización digital, diseño de recursos
educativos: los temas abordados fueron variando, ampliándose casi al mismo ritmo que crecía la
producción científica sobre el tema. Pero conforme aumentó el número de publicaciones también
empezaron a emerger resultados que invitan a una lectura más prudente. Mientras algunos estudios
describen mejoras en la participación de los estudiantes y en la personalización del aprendizaje, otros
advierten que la dependencia excesiva de respuestas automatizadas podría limitar procesos esenciales
como la argumentación, la reflexión crítica o la construcción autónoma del conocimiento. Esta
diversidad de hallazgos evidencia que el impacto de la IAG no puede comprenderse únicamente desde
sus capacidades tecnológicas, sino también desde las condiciones pedagógicas bajo las cuales se
incorpora al aula (Lo, 2023; Tlili et al., 2023).
En el ámbito de la educación matemática la discusión adquiere una relevancia distinta, en función de la
naturaleza propia del razonamiento matemático. Aprender matemáticas no se reduce a aplicar
pág. 1038
procedimientos ni a memorizar algoritmos. Supone interpretar relaciones, formular conjeturas,
establecer generalizaciones y justificar resultados a partir de representaciones diversas, donde este
conjunto de competencias exige procesos cognitivos que difícilmente se dejan reducir a la obtención de
una respuesta correcta. Por ello, el interés por integrar herramientas basadas en inteligencia artificial ha
despertado expectativas importantes, especialmente porque ofrecen la posibilidad de proporcionar
explicaciones inmediatas, ejemplos contextualizados y retroalimentación personalizada durante la
resolución de problemas. Aun así, permanece abierta la discusión acerca de si dichas interacciones
favorecen realmente una comprensión conceptual más profunda o si, por el contrario, incentivan
estrategias de resolución cada vez más dependientes de la tecnología (Grassini, 2023; Kasneci et al.,
2023).
Dentro de este escenario, el pensamiento algebraico ocupa un lugar central. Numerosas investigaciones
coinciden en señalar que constituye una de las bases sobre las cuales se desarrolla el razonamiento
matemático durante la educación obligatoria, ya que permite reconocer regularidades, expresar
relaciones entre cantidades, interpretar representaciones simbólicas y formular generalizaciones que
posteriormente sustentan el aprendizaje formal del álgebra. Su desarrollo comienza mucho antes de que
el estudiante manipule ecuaciones o funciones. Aparece cuando identifica patrones, compara
estructuras, establece equivalencias y representa situaciones mediante distintos lenguajes matemáticos,
donde este conjunto de procesos va configurando las bases del razonamiento algebraico desde etapas
muy tempranas. Fortalecer esta forma de pensamiento desde edades tempranas no solo favorece el
desempeño posterior en matemáticas, también fortalece la capacidad para enfrentar problemas en
contextos científicos y tecnológicos cada vez más complejos (Levin & Walkoe, 2022; Coles & Ahn,
2022).
A pesar de su importancia, distintos estudios siguen mostrando que una proporción considerable de
estudiantes presenta dificultades persistentes al transitar desde el pensamiento aritmético hacia formas
de razonamiento algebraico. La interpretación del significado de las variables aparece entre los
problemas más frecuentes, junto con la comprensión del signo de igualdad como relación y no
únicamente como resultado, la generalización de patrones y la construcción de argumentos que
expliquen los procedimientos utilizados. Estas dificultades suelen mantenerse incluso después de varios
procedimientos ni a memorizar algoritmos. Supone interpretar relaciones, formular conjeturas,
establecer generalizaciones y justificar resultados a partir de representaciones diversas, donde este
conjunto de competencias exige procesos cognitivos que difícilmente se dejan reducir a la obtención de
una respuesta correcta. Por ello, el interés por integrar herramientas basadas en inteligencia artificial ha
despertado expectativas importantes, especialmente porque ofrecen la posibilidad de proporcionar
explicaciones inmediatas, ejemplos contextualizados y retroalimentación personalizada durante la
resolución de problemas. Aun así, permanece abierta la discusión acerca de si dichas interacciones
favorecen realmente una comprensión conceptual más profunda o si, por el contrario, incentivan
estrategias de resolución cada vez más dependientes de la tecnología (Grassini, 2023; Kasneci et al.,
2023).
Dentro de este escenario, el pensamiento algebraico ocupa un lugar central. Numerosas investigaciones
coinciden en señalar que constituye una de las bases sobre las cuales se desarrolla el razonamiento
matemático durante la educación obligatoria, ya que permite reconocer regularidades, expresar
relaciones entre cantidades, interpretar representaciones simbólicas y formular generalizaciones que
posteriormente sustentan el aprendizaje formal del álgebra. Su desarrollo comienza mucho antes de que
el estudiante manipule ecuaciones o funciones. Aparece cuando identifica patrones, compara
estructuras, establece equivalencias y representa situaciones mediante distintos lenguajes matemáticos,
donde este conjunto de procesos va configurando las bases del razonamiento algebraico desde etapas
muy tempranas. Fortalecer esta forma de pensamiento desde edades tempranas no solo favorece el
desempeño posterior en matemáticas, también fortalece la capacidad para enfrentar problemas en
contextos científicos y tecnológicos cada vez más complejos (Levin & Walkoe, 2022; Coles & Ahn,
2022).
A pesar de su importancia, distintos estudios siguen mostrando que una proporción considerable de
estudiantes presenta dificultades persistentes al transitar desde el pensamiento aritmético hacia formas
de razonamiento algebraico. La interpretación del significado de las variables aparece entre los
problemas más frecuentes, junto con la comprensión del signo de igualdad como relación y no
únicamente como resultado, la generalización de patrones y la construcción de argumentos que
expliquen los procedimientos utilizados. Estas dificultades suelen mantenerse incluso después de varios
pág. 1039
años de escolarización. Lo que evidencia que la enseñanza tradicional, basada en la repetición de
procedimientos, resulta insuficiente para promover una comprensión profunda de los conceptos
algebraicos. Levin y Walkoe (2022), junto con Vlassis y Demonty (2022), coinciden en que frente a esta
situación resulta necesario avanzar hacia metodologías activas, recursos digitales y ambientes
interactivos orientados a favorecer procesos de exploración, representación y reflexión matemática.
Las posibilidades para enfrentar estos desafíos se ampliaron de la mano del desarrollo tecnológico.
Plataformas de aprendizaje adaptativo, sistemas tutoriales inteligentes, simuladores, aplicaciones de
visualización dinámica: todo este conjunto de recursos fue apareciendo con un mismo propósito, apoyar
la comprensión de conceptos matemáticos mediante experiencias más interactivas. Pero algo cambia
con la irrupción de la inteligencia artificial generativa. Frente a las herramientas anteriores, introduce
una diferencia que no es menor (Benavides et al., 2026).
Mientras la mayoría de los recursos digitales tradicionales funcionan a partir de rutas de aprendizaje
previamente definidas, los modelos generativos son capaces de construir respuestas originales,
modificar el nivel de complejidad de una explicación, plantear nuevas situaciones problemáticas e
incluso mantener conversaciones que acompañan el razonamiento del estudiante durante la resolución
de una tarea. Esta característica ha motivado que numerosos investigadores la consideren una tecnología
con potencial para transformar las prácticas de enseñanza, aunque sus efectos sobre competencias
matemáticas específicas todavía requieren mayor evidencia empírica (Zawacki-Richter et al., 2024)
Sobre la incorporación de la inteligencia artificial generativa en la educación matemática no hay
consenso, más bien lo contrario: la literatura reciente muestra posiciones bastante diversas al respecto.
Algunos autores sostienen que estas herramientas facilitan procesos de andamiaje al proporcionar
orientaciones inmediatas que permiten a los estudiantes avanzar cuando encuentran obstáculos durante
la resolución de problemas. Otros, en cambio, advierten que el acceso permanente a soluciones
completas puede reducir el esfuerzo cognitivo necesario para construir significados matemáticos
duraderos. El debate, dejó de centrarse únicamente en las capacidades técnicas de la inteligencia
artificial. Ahora se enfoca en las condiciones pedagógicas que determinan cuándo, cómo y para qué
debe utilizarse dentro del aula. Kasneci et al. (2023) y Tlili et al. (2023) forman parte de este cambio de
perspectiva, que impulsó investigaciones orientadas a analizar no solo la precisión de las respuestas
años de escolarización. Lo que evidencia que la enseñanza tradicional, basada en la repetición de
procedimientos, resulta insuficiente para promover una comprensión profunda de los conceptos
algebraicos. Levin y Walkoe (2022), junto con Vlassis y Demonty (2022), coinciden en que frente a esta
situación resulta necesario avanzar hacia metodologías activas, recursos digitales y ambientes
interactivos orientados a favorecer procesos de exploración, representación y reflexión matemática.
Las posibilidades para enfrentar estos desafíos se ampliaron de la mano del desarrollo tecnológico.
Plataformas de aprendizaje adaptativo, sistemas tutoriales inteligentes, simuladores, aplicaciones de
visualización dinámica: todo este conjunto de recursos fue apareciendo con un mismo propósito, apoyar
la comprensión de conceptos matemáticos mediante experiencias más interactivas. Pero algo cambia
con la irrupción de la inteligencia artificial generativa. Frente a las herramientas anteriores, introduce
una diferencia que no es menor (Benavides et al., 2026).
Mientras la mayoría de los recursos digitales tradicionales funcionan a partir de rutas de aprendizaje
previamente definidas, los modelos generativos son capaces de construir respuestas originales,
modificar el nivel de complejidad de una explicación, plantear nuevas situaciones problemáticas e
incluso mantener conversaciones que acompañan el razonamiento del estudiante durante la resolución
de una tarea. Esta característica ha motivado que numerosos investigadores la consideren una tecnología
con potencial para transformar las prácticas de enseñanza, aunque sus efectos sobre competencias
matemáticas específicas todavía requieren mayor evidencia empírica (Zawacki-Richter et al., 2024)
Sobre la incorporación de la inteligencia artificial generativa en la educación matemática no hay
consenso, más bien lo contrario: la literatura reciente muestra posiciones bastante diversas al respecto.
Algunos autores sostienen que estas herramientas facilitan procesos de andamiaje al proporcionar
orientaciones inmediatas que permiten a los estudiantes avanzar cuando encuentran obstáculos durante
la resolución de problemas. Otros, en cambio, advierten que el acceso permanente a soluciones
completas puede reducir el esfuerzo cognitivo necesario para construir significados matemáticos
duraderos. El debate, dejó de centrarse únicamente en las capacidades técnicas de la inteligencia
artificial. Ahora se enfoca en las condiciones pedagógicas que determinan cuándo, cómo y para qué
debe utilizarse dentro del aula. Kasneci et al. (2023) y Tlili et al. (2023) forman parte de este cambio de
perspectiva, que impulsó investigaciones orientadas a analizar no solo la precisión de las respuestas
pág. 1040
generadas por los modelos de lenguaje, sino también su influencia sobre procesos de razonamiento,
autonomía y aprendizaje profundo.
La discusión sobre el papel de la inteligencia artificial generativa en la educación matemática todavía
presenta interrogantes que no han sido resueltos de manera suficiente por la literatura científica. Aunque
el número de publicaciones ha aumentado considerablemente desde la aparición de modelos como
ChatGPT, gran parte de los estudios se ha concentrado en analizar percepciones de estudiantes y
docentes, posibilidades generales de uso o implicaciones éticas de estas tecnologías. En menor medida
se han desarrollado investigaciones centradas en habilidades matemáticas específicas, como aquellas
relacionadas con la comprensión algebraica, la identificación de patrones, la formulación de
generalizaciones o la interpretación de representaciones simbólicas. Esta situación evidencia una brecha
entre el potencial atribuido a la inteligencia artificial generativa y la evidencia empírica disponible sobre
su contribución efectiva al aprendizaje matemático (Lo, 2023).
El valor de estas herramientas, desde una perspectiva educativa, no debería medirse solo por su
capacidad para producir respuestas correctas. Importa más la manera en que pueden favorecer procesos
cognitivos asociados con la construcción del conocimiento. La interacción con modelos generativos, en
ese sentido, podría convertirse en una oportunidad para promover preguntas, comparar procedimientos,
analizar errores y desarrollar explicaciones alternativas. UNESCO (2023) plantea, sin embargo, que la
incorporación de la inteligencia artificial en educación debe mantenerse bajo un enfoque centrado en las
personas, donde la tecnología complemente la acción pedagógica y no sustituya los procesos
intelectuales que permiten al estudiante comprender, cuestionar y crear conocimiento. El desafío, bajo
esta mirada, no consiste simplemente en introducir herramientas de inteligencia artificial en las aulas.
Consiste más bien en determinar qué condiciones didácticas permiten aprovecharlas de manera
significativa, un punto en el que coinciden tanto UNESCO (2023) como Kasneci et al. (2023) y
Benavides et al. (2026).
En relación con el pensamiento algebraico, esta discusión adquiere mayor complejidad debido a que su
desarrollo requiere procesos progresivos de razonamiento. El estudiante no aprende álgebra únicamente
al memorizar reglas de transformación simbólica; necesita comprender relaciones, establecer
conexiones entre diferentes representaciones y otorgar significado a los objetos matemáticos. Kaput
generadas por los modelos de lenguaje, sino también su influencia sobre procesos de razonamiento,
autonomía y aprendizaje profundo.
La discusión sobre el papel de la inteligencia artificial generativa en la educación matemática todavía
presenta interrogantes que no han sido resueltos de manera suficiente por la literatura científica. Aunque
el número de publicaciones ha aumentado considerablemente desde la aparición de modelos como
ChatGPT, gran parte de los estudios se ha concentrado en analizar percepciones de estudiantes y
docentes, posibilidades generales de uso o implicaciones éticas de estas tecnologías. En menor medida
se han desarrollado investigaciones centradas en habilidades matemáticas específicas, como aquellas
relacionadas con la comprensión algebraica, la identificación de patrones, la formulación de
generalizaciones o la interpretación de representaciones simbólicas. Esta situación evidencia una brecha
entre el potencial atribuido a la inteligencia artificial generativa y la evidencia empírica disponible sobre
su contribución efectiva al aprendizaje matemático (Lo, 2023).
El valor de estas herramientas, desde una perspectiva educativa, no debería medirse solo por su
capacidad para producir respuestas correctas. Importa más la manera en que pueden favorecer procesos
cognitivos asociados con la construcción del conocimiento. La interacción con modelos generativos, en
ese sentido, podría convertirse en una oportunidad para promover preguntas, comparar procedimientos,
analizar errores y desarrollar explicaciones alternativas. UNESCO (2023) plantea, sin embargo, que la
incorporación de la inteligencia artificial en educación debe mantenerse bajo un enfoque centrado en las
personas, donde la tecnología complemente la acción pedagógica y no sustituya los procesos
intelectuales que permiten al estudiante comprender, cuestionar y crear conocimiento. El desafío, bajo
esta mirada, no consiste simplemente en introducir herramientas de inteligencia artificial en las aulas.
Consiste más bien en determinar qué condiciones didácticas permiten aprovecharlas de manera
significativa, un punto en el que coinciden tanto UNESCO (2023) como Kasneci et al. (2023) y
Benavides et al. (2026).
En relación con el pensamiento algebraico, esta discusión adquiere mayor complejidad debido a que su
desarrollo requiere procesos progresivos de razonamiento. El estudiante no aprende álgebra únicamente
al memorizar reglas de transformación simbólica; necesita comprender relaciones, establecer
conexiones entre diferentes representaciones y otorgar significado a los objetos matemáticos. Kaput
pág. 1041
(2008) planteó que el pensamiento algebraico temprano implica procesos de generalización y expresión
de relaciones que pueden construirse desde los primeros niveles educativos, una idea que continúa
siendo retomada por investigaciones actuales sobre enseñanza del álgebra. Por ello, cualquier
herramienta tecnológica que pretenda apoyar este aprendizaje debería analizarse desde su capacidad
para estimular dichas formas de razonamiento y no solamente desde la rapidez con la que proporciona
soluciones (Levin & Walkoe, 2022).
Un aspecto particularmente relevante es el tipo de interacción que los estudiantes establecen con los
sistemas generativos. A diferencia de los recursos digitales tradicionales, donde las rutas de aprendizaje
suelen estar previamente determinadas, los modelos de lenguaje permiten una conversación flexible en
la que el usuario puede solicitar aclaraciones, modificar preguntas o explorar diferentes procedimientos.
Esta característica podría favorecer procesos cercanos al andamiaje pedagógico, especialmente cuando
las respuestas generadas funcionan como puntos de partida para la reflexión. Sin embargo, también
existe el riesgo de que la herramienta entregue procedimientos terminados que reduzcan la necesidad de
analizar el proceso matemático. Como advierten diversos investigadores, la calidad del aprendizaje
dependerá menos del acceso a la inteligencia artificial y más del diseño de actividades que exijan
interpretación, argumentación y toma de decisiones (Baker & Hawn, 2022; Kasneci et al., 2023).
La evidencia científica sobre inteligencia artificial generativa y educación matemática aún se encuentra
en una etapa inicial. Aunque las investigaciones recientes han documentado su potencial para ofrecer
retroalimentación, generar explicaciones y apoyar procesos de aprendizaje personalizados, la mayoría
de los estudios se ha concentrado en aplicaciones educativas generales, mientras que su influencia en
competencias matemáticas específicas continúa poco explorada (Lo, 2023). En particular, son limitados
los trabajos que analizan cómo estas herramientas pueden contribuir al desarrollo del pensamiento
algebraico, entendido como la capacidad de establecer relaciones, reconocer patrones y construir
generalizaciones matemáticas.
Esta ausencia de evidencia específica genera interrogantes sobre las estrategias pedagógicas más
adecuadas, los niveles educativos en los que se han aplicado y los resultados obtenidos en habilidades
algebraicas concretas. Por ello, resulta necesario realizar una revisión sistemática que permita identificar
(2008) planteó que el pensamiento algebraico temprano implica procesos de generalización y expresión
de relaciones que pueden construirse desde los primeros niveles educativos, una idea que continúa
siendo retomada por investigaciones actuales sobre enseñanza del álgebra. Por ello, cualquier
herramienta tecnológica que pretenda apoyar este aprendizaje debería analizarse desde su capacidad
para estimular dichas formas de razonamiento y no solamente desde la rapidez con la que proporciona
soluciones (Levin & Walkoe, 2022).
Un aspecto particularmente relevante es el tipo de interacción que los estudiantes establecen con los
sistemas generativos. A diferencia de los recursos digitales tradicionales, donde las rutas de aprendizaje
suelen estar previamente determinadas, los modelos de lenguaje permiten una conversación flexible en
la que el usuario puede solicitar aclaraciones, modificar preguntas o explorar diferentes procedimientos.
Esta característica podría favorecer procesos cercanos al andamiaje pedagógico, especialmente cuando
las respuestas generadas funcionan como puntos de partida para la reflexión. Sin embargo, también
existe el riesgo de que la herramienta entregue procedimientos terminados que reduzcan la necesidad de
analizar el proceso matemático. Como advierten diversos investigadores, la calidad del aprendizaje
dependerá menos del acceso a la inteligencia artificial y más del diseño de actividades que exijan
interpretación, argumentación y toma de decisiones (Baker & Hawn, 2022; Kasneci et al., 2023).
La evidencia científica sobre inteligencia artificial generativa y educación matemática aún se encuentra
en una etapa inicial. Aunque las investigaciones recientes han documentado su potencial para ofrecer
retroalimentación, generar explicaciones y apoyar procesos de aprendizaje personalizados, la mayoría
de los estudios se ha concentrado en aplicaciones educativas generales, mientras que su influencia en
competencias matemáticas específicas continúa poco explorada (Lo, 2023). En particular, son limitados
los trabajos que analizan cómo estas herramientas pueden contribuir al desarrollo del pensamiento
algebraico, entendido como la capacidad de establecer relaciones, reconocer patrones y construir
generalizaciones matemáticas.
Esta ausencia de evidencia específica genera interrogantes sobre las estrategias pedagógicas más
adecuadas, los niveles educativos en los que se han aplicado y los resultados obtenidos en habilidades
algebraicas concretas. Por ello, resulta necesario realizar una revisión sistemática que permita identificar
pág. 1042
tendencias, aportes y limitaciones de la literatura existente, aportando una visión integral sobre el papel
de la inteligencia artificial generativa en el fortalecimiento del pensamiento algebraico.
Otro vacío identificado corresponde a la escasa atención otorgada al papel del docente como mediador
del uso de la inteligencia artificial generativa. Aunque muchas investigaciones destacan las posibilidades
de personalización y retroalimentación inmediata, todavía existe poca claridad sobre las competencias
pedagógicas necesarias para integrar estas herramientas en ambientes reales de aprendizaje matemático.
El rol docente permanece como un eje central para seleccionar actividades, orientar preguntas, analizar
respuestas generadas por la IA y promover procesos de reflexión que eviten un uso superficial de la
tecnología, donde esta incorporación de la inteligencia artificial generativa exige repensar tanto los
recursos disponibles como las prácticas docentes y los modelos de enseñanza que acompañan su
implementación (Redecker, 2017; Benavides et al., 2026).
Bajo estas consideraciones, la ejecución de una revisión sistemática resulta necesaria para comprender
el estado actual del conocimiento sobre la relación entre inteligencia artificial generativa y pensamiento
algebraico, donde este tipo de análisis permite superar la visión fragmentada de estudios individuales y
construir una interpretación global sobre los enfoques predominantes, las herramientas empleadas, los
resultados alcanzados y las áreas que todavía requieren investigación, contribuyendo además a
identificar si las aplicaciones actuales de la inteligencia artificial están orientadas realmente al desarrollo
del razonamiento matemático o si permanecen limitadas a funciones de apoyo operativo, como la
generación automática de ejercicios o la resolución de procedimientos.
Esta investigación busca, en consecuencia, revisar de manera sistemática la producción científica
disponible sobre el uso de la inteligencia artificial generativa como apoyo al fortalecimiento del
pensamiento algebraico. El análisis se orienta a identificar las principales aplicaciones educativas
reportadas en la literatura, junto con los enfoques metodológicos utilizados y los aportes que los distintos
estudios documentan al respecto. A partir de ahí atañe también reconocer los vacíos de investigación
que subsisten en el área, de modo que sirvan como referencia para orientar futuras líneas de estudio
dentro de la educación matemática.
tendencias, aportes y limitaciones de la literatura existente, aportando una visión integral sobre el papel
de la inteligencia artificial generativa en el fortalecimiento del pensamiento algebraico.
Otro vacío identificado corresponde a la escasa atención otorgada al papel del docente como mediador
del uso de la inteligencia artificial generativa. Aunque muchas investigaciones destacan las posibilidades
de personalización y retroalimentación inmediata, todavía existe poca claridad sobre las competencias
pedagógicas necesarias para integrar estas herramientas en ambientes reales de aprendizaje matemático.
El rol docente permanece como un eje central para seleccionar actividades, orientar preguntas, analizar
respuestas generadas por la IA y promover procesos de reflexión que eviten un uso superficial de la
tecnología, donde esta incorporación de la inteligencia artificial generativa exige repensar tanto los
recursos disponibles como las prácticas docentes y los modelos de enseñanza que acompañan su
implementación (Redecker, 2017; Benavides et al., 2026).
Bajo estas consideraciones, la ejecución de una revisión sistemática resulta necesaria para comprender
el estado actual del conocimiento sobre la relación entre inteligencia artificial generativa y pensamiento
algebraico, donde este tipo de análisis permite superar la visión fragmentada de estudios individuales y
construir una interpretación global sobre los enfoques predominantes, las herramientas empleadas, los
resultados alcanzados y las áreas que todavía requieren investigación, contribuyendo además a
identificar si las aplicaciones actuales de la inteligencia artificial están orientadas realmente al desarrollo
del razonamiento matemático o si permanecen limitadas a funciones de apoyo operativo, como la
generación automática de ejercicios o la resolución de procedimientos.
Esta investigación busca, en consecuencia, revisar de manera sistemática la producción científica
disponible sobre el uso de la inteligencia artificial generativa como apoyo al fortalecimiento del
pensamiento algebraico. El análisis se orienta a identificar las principales aplicaciones educativas
reportadas en la literatura, junto con los enfoques metodológicos utilizados y los aportes que los distintos
estudios documentan al respecto. A partir de ahí atañe también reconocer los vacíos de investigación
que subsisten en el área, de modo que sirvan como referencia para orientar futuras líneas de estudio
dentro de la educación matemática.
pág. 1043
2. METODOLOGÍA
2.1 Diseño de la investigación
Para desarrollar este estudio se optó por una revisión sistemática de literatura, con la intención de
examinar la evidencia científica disponible en torno a la incorporación de inteligencia artificial
generativa dentro del fortalecimiento del pensamiento algebraico. Este tipo de diseño metodológico
ofrece una ventaja particular: permite reunir bajo un mismo procedimiento, ordenado y verificable, los
hallazgos que distintos estudios previos han producido de manera independiente. Así se evita quedarse
en la simple descripción de resultados sueltos, avanzando hacia una lectura integrada y comparativa de
lo que ya se ha investigado sobre el tema. De acuerdo con Page et al. (2021), las revisiones sistemáticas
requieren una planificación explícita de las fases de búsqueda, selección y análisis, con el propósito de
reducir sesgos y garantizar la trazabilidad del proceso investigativo.
Page et al. (2021) son quienes proponen la declaración PRISMA 2020, un marco de referencia muy
utilizado a la hora de ordenar la calidad metodológica y la forma de presentar revisiones sistemáticas, y
fue justamente ese marco el que guió la estructura de esta revisión. Documentar cada decisión tomada
durante la identificación, evaluación e inclusión de estudios que es lo que PRISMA permite hacer, de
modo que cualquier otro investigador pueda seguir el mismo camino y llegar a resultados comparables.
El carácter del enfoque fue cualitativo-descriptivo. No se buscó calcular un efecto estadístico combinado
entre los estudios, sino más bien reconocer tendencias, características metodológicas y herramientas
empleadas, además de los aportes educativos y los vacíos que todavía deja la literatura sobre inteligencia
artificial generativa y aprendizaje del álgebra.
El enfoque adoptado fue de carácter cualitativo-descriptivo, debido a que la finalidad principal no fue
establecer un efecto estadístico combinado, sino identificar tendencias, características metodológicas,
herramientas utilizadas, aportes educativos y vacíos presentes en la literatura relacionada con la
inteligencia artificial generativa y el aprendizaje del álgebra. En este sentido, la revisión buscó responder
cómo se está investigando actualmente esta relación y cuáles son los desafíos que permanecen abiertos
dentro del campo de la educación matemática.
2. METODOLOGÍA
2.1 Diseño de la investigación
Para desarrollar este estudio se optó por una revisión sistemática de literatura, con la intención de
examinar la evidencia científica disponible en torno a la incorporación de inteligencia artificial
generativa dentro del fortalecimiento del pensamiento algebraico. Este tipo de diseño metodológico
ofrece una ventaja particular: permite reunir bajo un mismo procedimiento, ordenado y verificable, los
hallazgos que distintos estudios previos han producido de manera independiente. Así se evita quedarse
en la simple descripción de resultados sueltos, avanzando hacia una lectura integrada y comparativa de
lo que ya se ha investigado sobre el tema. De acuerdo con Page et al. (2021), las revisiones sistemáticas
requieren una planificación explícita de las fases de búsqueda, selección y análisis, con el propósito de
reducir sesgos y garantizar la trazabilidad del proceso investigativo.
Page et al. (2021) son quienes proponen la declaración PRISMA 2020, un marco de referencia muy
utilizado a la hora de ordenar la calidad metodológica y la forma de presentar revisiones sistemáticas, y
fue justamente ese marco el que guió la estructura de esta revisión. Documentar cada decisión tomada
durante la identificación, evaluación e inclusión de estudios que es lo que PRISMA permite hacer, de
modo que cualquier otro investigador pueda seguir el mismo camino y llegar a resultados comparables.
El carácter del enfoque fue cualitativo-descriptivo. No se buscó calcular un efecto estadístico combinado
entre los estudios, sino más bien reconocer tendencias, características metodológicas y herramientas
empleadas, además de los aportes educativos y los vacíos que todavía deja la literatura sobre inteligencia
artificial generativa y aprendizaje del álgebra.
El enfoque adoptado fue de carácter cualitativo-descriptivo, debido a que la finalidad principal no fue
establecer un efecto estadístico combinado, sino identificar tendencias, características metodológicas,
herramientas utilizadas, aportes educativos y vacíos presentes en la literatura relacionada con la
inteligencia artificial generativa y el aprendizaje del álgebra. En este sentido, la revisión buscó responder
cómo se está investigando actualmente esta relación y cuáles son los desafíos que permanecen abiertos
dentro del campo de la educación matemática.
pág. 1044
2.2 Preguntas de investigación
Con el propósito de orientar la búsqueda y análisis de la información, se formularon las siguientes
preguntas de investigación:
RQ1. ¿Cuáles son las características de las investigaciones científicas que han abordado el uso de
inteligencia artificial generativa en el desarrollo del pensamiento algebraico?
RQ2. ¿Qué herramientas basadas en inteligencia artificial generativa han sido utilizadas en procesos
educativos relacionados con el aprendizaje del álgebra?
RQ3. ¿Qué beneficios, limitaciones y desafíos reportan los estudios sobre la integración de inteligencia
artificial generativa para fortalecer habilidades asociadas al pensamiento algebraico?
RQ4. ¿Qué vacíos de investigación persisten respecto a la aplicación educativa de modelos generativos
en la enseñanza y aprendizaje del álgebra?
A partir de esas preguntas fue posible construir las categorías de análisis, agrupadas en torno al contexto
educativo donde se sitúa cada estudio, sus características metodológicas, las tecnologías que se
emplearon y finalmente los resultados principales que cada investigación reportó.
2.3 Estrategia de búsqueda y fuentes de información
La búsqueda bibliográfica se realizó mediante una estrategia estructurada destinada a localizar estudios
relacionados con inteligencia artificial generativa y pensamiento algebraico. Para la búsqueda se
consultaron bases de datos internacionales reconocidas por su cobertura científica, entre ellas Scopus,
Web of Science Core Collection y ERIC. De manera complementaria, se realizaron búsquedas en
plataformas editoriales como ScienceDirect y SpringerLink, así como en fuentes de alcance regional,
entre las que se incluyeron SciELO, Redalyc y Dialnet., siempre que los documentos cumplieran con
los criterios de pertinencia establecidos.
La búsqueda incorporó estudios provenientes de diferentes contextos geográficos con el propósito de
obtener una visión amplia sobre la integración de la inteligencia artificial generativa en la educación
matemática. Se consideraron, en primer lugar, investigaciones internacionales, dado el mayor desarrollo
de evidencia científica existente en este campo; no obstante, también se incluyeron estudios
latinoamericanos y ecuatorianos siempre que presentaran una relación directa con el objetivo de la
investigación. Esta decisión metodológica respondió a la necesidad de interpretar la aplicación de estas
2.2 Preguntas de investigación
Con el propósito de orientar la búsqueda y análisis de la información, se formularon las siguientes
preguntas de investigación:
RQ1. ¿Cuáles son las características de las investigaciones científicas que han abordado el uso de
inteligencia artificial generativa en el desarrollo del pensamiento algebraico?
RQ2. ¿Qué herramientas basadas en inteligencia artificial generativa han sido utilizadas en procesos
educativos relacionados con el aprendizaje del álgebra?
RQ3. ¿Qué beneficios, limitaciones y desafíos reportan los estudios sobre la integración de inteligencia
artificial generativa para fortalecer habilidades asociadas al pensamiento algebraico?
RQ4. ¿Qué vacíos de investigación persisten respecto a la aplicación educativa de modelos generativos
en la enseñanza y aprendizaje del álgebra?
A partir de esas preguntas fue posible construir las categorías de análisis, agrupadas en torno al contexto
educativo donde se sitúa cada estudio, sus características metodológicas, las tecnologías que se
emplearon y finalmente los resultados principales que cada investigación reportó.
2.3 Estrategia de búsqueda y fuentes de información
La búsqueda bibliográfica se realizó mediante una estrategia estructurada destinada a localizar estudios
relacionados con inteligencia artificial generativa y pensamiento algebraico. Para la búsqueda se
consultaron bases de datos internacionales reconocidas por su cobertura científica, entre ellas Scopus,
Web of Science Core Collection y ERIC. De manera complementaria, se realizaron búsquedas en
plataformas editoriales como ScienceDirect y SpringerLink, así como en fuentes de alcance regional,
entre las que se incluyeron SciELO, Redalyc y Dialnet., siempre que los documentos cumplieran con
los criterios de pertinencia establecidos.
La búsqueda incorporó estudios provenientes de diferentes contextos geográficos con el propósito de
obtener una visión amplia sobre la integración de la inteligencia artificial generativa en la educación
matemática. Se consideraron, en primer lugar, investigaciones internacionales, dado el mayor desarrollo
de evidencia científica existente en este campo; no obstante, también se incluyeron estudios
latinoamericanos y ecuatorianos siempre que presentaran una relación directa con el objetivo de la
investigación. Esta decisión metodológica respondió a la necesidad de interpretar la aplicación de estas
pág. 1045
tecnologías tomando en cuenta las particularidades educativas de la región, entre ellas las condiciones
de acceso tecnológico, la formación docente y las características propias de los sistemas educativos
locales.
La ecuación de búsqueda fue construida mediante operadores booleanos y términos relacionados con
las variables principales del estudio. Se utilizaron combinaciones en inglés debido a que constituye el
idioma predominante en la literatura científica internacional:
(ChatGPT OR "large language models" OR "generative AI" OR "generative artificial intelligence")
AND ("early algebra" OR "algebra education" OR "algebraic thinking" OR "algebra learning") AND
(learner* OR student* OR teaching OR education)
Además, se realizaron ajustes específicos según las características de cada base de datos para ampliar la
recuperación de estudios relevantes. La búsqueda consideró publicaciones comprendidas entre enero de
2020 y julio de 2026, periodo seleccionado debido al crecimiento acelerado de investigaciones
relacionadas con modelos generativos después de la aparición pública de herramientas basadas en
grandes modelos de lenguaje.
2.4 Criterios de inclusión y exclusión
Para garantizar la pertinencia de los documentos seleccionados, se establecieron criterios previamente
definidos. La selección consideró estudios que analizaran aplicaciones educativas de inteligencia
artificial generativa, especialmente aquellos relacionados con aprendizaje matemático, razonamiento
algebraico o procesos cognitivos asociados a la construcción de conceptos algebraicos.
Los criterios aplicados fueron los siguientes:
Tabla 1
Criterios de elegibilidad de los estudios
Criterios de Inclusión Criterios de Exclusión
Artículos científicos difundidos en revistas de carácter
académico.
Documentos que no cuenten con proceso
de revisión académica.
Estudios cuya publicación se sitúe entre los años 2020 y
2026.
Publicaciones que queden fuera del
periodo temporal definido.
tecnologías tomando en cuenta las particularidades educativas de la región, entre ellas las condiciones
de acceso tecnológico, la formación docente y las características propias de los sistemas educativos
locales.
La ecuación de búsqueda fue construida mediante operadores booleanos y términos relacionados con
las variables principales del estudio. Se utilizaron combinaciones en inglés debido a que constituye el
idioma predominante en la literatura científica internacional:
(ChatGPT OR "large language models" OR "generative AI" OR "generative artificial intelligence")
AND ("early algebra" OR "algebra education" OR "algebraic thinking" OR "algebra learning") AND
(learner* OR student* OR teaching OR education)
Además, se realizaron ajustes específicos según las características de cada base de datos para ampliar la
recuperación de estudios relevantes. La búsqueda consideró publicaciones comprendidas entre enero de
2020 y julio de 2026, periodo seleccionado debido al crecimiento acelerado de investigaciones
relacionadas con modelos generativos después de la aparición pública de herramientas basadas en
grandes modelos de lenguaje.
2.4 Criterios de inclusión y exclusión
Para garantizar la pertinencia de los documentos seleccionados, se establecieron criterios previamente
definidos. La selección consideró estudios que analizaran aplicaciones educativas de inteligencia
artificial generativa, especialmente aquellos relacionados con aprendizaje matemático, razonamiento
algebraico o procesos cognitivos asociados a la construcción de conceptos algebraicos.
Los criterios aplicados fueron los siguientes:
Tabla 1
Criterios de elegibilidad de los estudios
Criterios de Inclusión Criterios de Exclusión
Artículos científicos difundidos en revistas de carácter
académico.
Documentos que no cuenten con proceso
de revisión académica.
Estudios cuya publicación se sitúe entre los años 2020 y
2026.
Publicaciones que queden fuera del
periodo temporal definido.
pág. 1046
Investigaciones vinculadas con inteligencia artificial
generativa, modelos de lenguaje o chatbots aplicados a
la educación.
Estudios centrados únicamente en
aspectos técnicos del desarrollo de
algoritmos.
Trabajos que aborden la educación matemática, el
álgebra o el razonamiento matemático.
Estudios sobre IA que no guarden relación
con procesos educativos.
Estudios redactados en español o en inglés. Documentos que no permitan el acceso al
texto completo.
Investigaciones realizadas en contextos internacionales,
latinoamericanos o ecuatorianos que ofrezcan evidencia
sobre la aplicación educativa de la IA generativa en
matemáticas.
Estudios que no guarden relación con
contextos educativos o que no aporten
información suficiente sobre el escenario
de aplicación.
También se incorporaron investigaciones provenientes de distintas regiones geográficas, entre ellas
Latinoamérica, ya que resultaba necesario mirar el fenómeno desde realidades educativas diversas y no
solo desde un único contexto cultural. Sin embargo, la inclusión de un estudio estuvo determinada por
su relación directa con el objetivo de investigación y no únicamente por su procedencia geográfica.
2.5 Proceso de selección de los estudios
El proceso de selección de los estudios se desarrolló siguiendo las fases establecidas por la declaración
PRISMA 2020, a saber: identificación, cribado, elegibilidad e inclusión final. Gracias a esa estructura
fue posible ordenar, con transparencia, todo el proceso de depuración de los registros obtenidos durante
la búsqueda bibliográfica. Al mismo tiempo permitió fijar criterios consistentes a la hora de decidir qué
investigaciones respondían realmente al objetivo trazado para la revisión. Tal como señalan Page et al.
(2021), documentar cada etapa del proceso resulta fundamental para reducir posibles sesgos de selección
y favorecer la reproducibilidad del estudio.
En la fase inicial se registraron todos los documentos recuperados desde las distintas fuentes de
información seleccionadas. Estos resultados fueron posteriormente exportados a un gestor bibliográfico,
con el propósito de identificar y eliminar los registros duplicados. Una vez realizada esta depuración,
los estudios restantes se sometieron a una primera revisión mediante la lectura de títulos y resúmenes,
Investigaciones vinculadas con inteligencia artificial
generativa, modelos de lenguaje o chatbots aplicados a
la educación.
Estudios centrados únicamente en
aspectos técnicos del desarrollo de
algoritmos.
Trabajos que aborden la educación matemática, el
álgebra o el razonamiento matemático.
Estudios sobre IA que no guarden relación
con procesos educativos.
Estudios redactados en español o en inglés. Documentos que no permitan el acceso al
texto completo.
Investigaciones realizadas en contextos internacionales,
latinoamericanos o ecuatorianos que ofrezcan evidencia
sobre la aplicación educativa de la IA generativa en
matemáticas.
Estudios que no guarden relación con
contextos educativos o que no aporten
información suficiente sobre el escenario
de aplicación.
También se incorporaron investigaciones provenientes de distintas regiones geográficas, entre ellas
Latinoamérica, ya que resultaba necesario mirar el fenómeno desde realidades educativas diversas y no
solo desde un único contexto cultural. Sin embargo, la inclusión de un estudio estuvo determinada por
su relación directa con el objetivo de investigación y no únicamente por su procedencia geográfica.
2.5 Proceso de selección de los estudios
El proceso de selección de los estudios se desarrolló siguiendo las fases establecidas por la declaración
PRISMA 2020, a saber: identificación, cribado, elegibilidad e inclusión final. Gracias a esa estructura
fue posible ordenar, con transparencia, todo el proceso de depuración de los registros obtenidos durante
la búsqueda bibliográfica. Al mismo tiempo permitió fijar criterios consistentes a la hora de decidir qué
investigaciones respondían realmente al objetivo trazado para la revisión. Tal como señalan Page et al.
(2021), documentar cada etapa del proceso resulta fundamental para reducir posibles sesgos de selección
y favorecer la reproducibilidad del estudio.
En la fase inicial se registraron todos los documentos recuperados desde las distintas fuentes de
información seleccionadas. Estos resultados fueron posteriormente exportados a un gestor bibliográfico,
con el propósito de identificar y eliminar los registros duplicados. Una vez realizada esta depuración,
los estudios restantes se sometieron a una primera revisión mediante la lectura de títulos y resúmenes,
pág. 1047
atendiendo a su relación con la inteligencia artificial generativa, la educación matemática y el desarrollo
de habilidades asociadas al pensamiento algebraico.
Durante la fase de cribado se descartaron los documentos que, si bien incluían términos relacionados
con inteligencia artificial o educación, no abordaban procesos de enseñanza y aprendizaje, no
correspondían al nivel educativo definido o se centraban exclusivamente en aspectos técnicos del
desarrollo de algoritmos, sin relación directa con contextos educativos. Gracias a esta etapa fue posible
reducir progresivamente el conjunto inicial de documentos y concentrar el análisis en las investigaciones
con mayor pertinencia temática.
Los estudios potencialmente relevantes fueron evaluados, a continuación, mediante la revisión de su
texto completo. En esta fase se verificó el cumplimiento de los criterios de inclusión establecidos
previamente, tomando en cuenta aspectos como la presencia explícita de herramientas de inteligencia
artificial generativa, la relación con los procesos de aprendizaje matemático, la descripción
metodológica del estudio y la disponibilidad de información suficiente para realizar la extracción de
datos. Los artículos que no cumplieron con estos requisitos fueron excluidos, registrándose en cada caso
la razón específica de su eliminación, con el fin de garantizar la transparencia del procedimiento.
Los estudios finalmente incluidos conformaron, así, la muestra documental empleada para el análisis
cualitativo y la síntesis de resultados. Esta selección permitió identificar investigaciones provenientes
de diferentes regiones geográficas, entre ellas estudios desarrollados en contextos latinoamericanos,
siempre que guardaran correspondencia con los objetivos de la revisión. Tal decisión metodológica
buscó equilibrar la evidencia internacional con la necesidad de comprender de qué manera la inteligencia
artificial generativa comenzaba a incorporarse en sistemas educativos con características tecnológicas y
pedagógicas diversas.
El proceso completo de identificación, selección e inclusión se presentará mediante un diagrama de flujo
PRISMA 2020, en el cual se detallará el número de registros encontrados, los documentos eliminados
por duplicidad, los estudios excluidos durante las fases de evaluación y la cantidad final de
investigaciones consideradas para el análisis.
atendiendo a su relación con la inteligencia artificial generativa, la educación matemática y el desarrollo
de habilidades asociadas al pensamiento algebraico.
Durante la fase de cribado se descartaron los documentos que, si bien incluían términos relacionados
con inteligencia artificial o educación, no abordaban procesos de enseñanza y aprendizaje, no
correspondían al nivel educativo definido o se centraban exclusivamente en aspectos técnicos del
desarrollo de algoritmos, sin relación directa con contextos educativos. Gracias a esta etapa fue posible
reducir progresivamente el conjunto inicial de documentos y concentrar el análisis en las investigaciones
con mayor pertinencia temática.
Los estudios potencialmente relevantes fueron evaluados, a continuación, mediante la revisión de su
texto completo. En esta fase se verificó el cumplimiento de los criterios de inclusión establecidos
previamente, tomando en cuenta aspectos como la presencia explícita de herramientas de inteligencia
artificial generativa, la relación con los procesos de aprendizaje matemático, la descripción
metodológica del estudio y la disponibilidad de información suficiente para realizar la extracción de
datos. Los artículos que no cumplieron con estos requisitos fueron excluidos, registrándose en cada caso
la razón específica de su eliminación, con el fin de garantizar la transparencia del procedimiento.
Los estudios finalmente incluidos conformaron, así, la muestra documental empleada para el análisis
cualitativo y la síntesis de resultados. Esta selección permitió identificar investigaciones provenientes
de diferentes regiones geográficas, entre ellas estudios desarrollados en contextos latinoamericanos,
siempre que guardaran correspondencia con los objetivos de la revisión. Tal decisión metodológica
buscó equilibrar la evidencia internacional con la necesidad de comprender de qué manera la inteligencia
artificial generativa comenzaba a incorporarse en sistemas educativos con características tecnológicas y
pedagógicas diversas.
El proceso completo de identificación, selección e inclusión se presentará mediante un diagrama de flujo
PRISMA 2020, en el cual se detallará el número de registros encontrados, los documentos eliminados
por duplicidad, los estudios excluidos durante las fases de evaluación y la cantidad final de
investigaciones consideradas para el análisis.
pág. 1048
2.6 Evaluación de la calidad metodológica de los estudios incluidos
Antes de pasar al análisis final, los estudios seleccionados atravesaron una evaluación de calidad
metodológica, paso pensado justamente para asegurar la rigurosidad de toda la revisión. Esta etapa
permitió valorar la consistencia de la evidencia incluida y reconocer, al mismo tiempo, posibles
limitaciones en el diseño, la ejecución o la interpretación de los resultados obtenidos.
Hong et al. (2018) son quienes desarrollan la Mixed Methods Appraisal Tool (MMAT), herramienta
que se utilizó justamente en esta evaluación por su capacidad de analizar estudios con enfoques
metodológicos distintos entre sí, ya sean cualitativos, cuantitativos o de métodos mixtos. Claridad del
objetivo, coherencia entre metodología y preguntas de investigación, descripción del procedimiento,
análisis de datos, correspondencia entre resultados y conclusiones: esos fueron los criterios que se
tomaron en cuenta a lo largo de la evaluación.
Cabe señalar que dicha evaluación no se utilizó como criterio automático de exclusión, sino más bien
como un mecanismo para interpretar la solidez de la evidencia disponible. Esta decisión respondió a que
la investigación sobre inteligencia artificial generativa en educación matemática constituye un campo
emergente, dentro del cual pueden existir estudios relevantes con limitaciones propias de etapas iniciales
de desarrollo científico.
Asimismo, se registraron variables contextuales tales como país, nivel educativo, herramienta utilizada,
enfoque metodológico y relación con el pensamiento algebraico, lo cual permitió identificar tendencias
internacionales y reconocer la presencia de investigaciones provenientes de Latinoamérica.
3. RESULTADOS
3.1 Proceso de selección de los estudios
La selección de los estudios se realizó siguiendo las fases establecidas por PRISMA 2020. El diagrama
sintetizó el proceso de identificación, selección y exclusión de estudios realizado durante la revisión
sistemática. En él se detallaron, asimismo, las etapas de búsqueda inicial, cribado, evaluación de
elegibilidad e inclusión final de las investigaciones analizadas.
2.6 Evaluación de la calidad metodológica de los estudios incluidos
Antes de pasar al análisis final, los estudios seleccionados atravesaron una evaluación de calidad
metodológica, paso pensado justamente para asegurar la rigurosidad de toda la revisión. Esta etapa
permitió valorar la consistencia de la evidencia incluida y reconocer, al mismo tiempo, posibles
limitaciones en el diseño, la ejecución o la interpretación de los resultados obtenidos.
Hong et al. (2018) son quienes desarrollan la Mixed Methods Appraisal Tool (MMAT), herramienta
que se utilizó justamente en esta evaluación por su capacidad de analizar estudios con enfoques
metodológicos distintos entre sí, ya sean cualitativos, cuantitativos o de métodos mixtos. Claridad del
objetivo, coherencia entre metodología y preguntas de investigación, descripción del procedimiento,
análisis de datos, correspondencia entre resultados y conclusiones: esos fueron los criterios que se
tomaron en cuenta a lo largo de la evaluación.
Cabe señalar que dicha evaluación no se utilizó como criterio automático de exclusión, sino más bien
como un mecanismo para interpretar la solidez de la evidencia disponible. Esta decisión respondió a que
la investigación sobre inteligencia artificial generativa en educación matemática constituye un campo
emergente, dentro del cual pueden existir estudios relevantes con limitaciones propias de etapas iniciales
de desarrollo científico.
Asimismo, se registraron variables contextuales tales como país, nivel educativo, herramienta utilizada,
enfoque metodológico y relación con el pensamiento algebraico, lo cual permitió identificar tendencias
internacionales y reconocer la presencia de investigaciones provenientes de Latinoamérica.
3. RESULTADOS
3.1 Proceso de selección de los estudios
La selección de los estudios se realizó siguiendo las fases establecidas por PRISMA 2020. El diagrama
sintetizó el proceso de identificación, selección y exclusión de estudios realizado durante la revisión
sistemática. En él se detallaron, asimismo, las etapas de búsqueda inicial, cribado, evaluación de
elegibilidad e inclusión final de las investigaciones analizadas.
pág. 1049
Figura 1
Diagrama de flujo Prisma 2020
Nota. El diagrama de flujo fue elaborado con base en las plantillas del protocolo PRISMA 2020. Dichas plantillas, se encuentran
disponibles bajo la licencia Creative Commons Attribution 4.0 International (CC BY 4.0).
La búsqueda inicial permitió identificar 53 registros relacionados con inteligencia artificial generativa,
educación matemática y aprendizaje del álgebra. Tras eliminar 3 documentos duplicados, se obtuvieron
50 estudios para la fase de cribado mediante título y resumen, en esta fase se excluyeron 30 artículos.
De este conjunto, 20 artículos fueron evaluados posteriormente mediante lectura completa, con el fin de
comprobar su relación con el objetivo de la revisión, la aplicación educativa de la inteligencia artificial
generativa y su aporte al aprendizaje matemático. Durante esta etapa se excluyeron 4 estudios, ya sea
por no presentar relación directa con el pensamiento algebraico, por centrarse en aspectos técnicos de la
inteligencia artificial o por no disponer de información metodológica suficiente.
Registros examinados
(n = 50) Registros excluidos (n = 30)
Informes recuperados para
evaluación (n = 20) Informes no recuperados (n = 0)
Informes evaluados para
elegibilidad (n = 20)
Informes excluidos:
• No presentan relación directa con el
pensamiento algebraico (n = 2)
• Enfoque exclusivamente técnico de inteligencia
artificial (n = 1)
• Información metodológica insuficiente (n = 1)
Cribado
Estudios incluidos en la revisión (n = 16)
Informes de estudios incluidos (n = 16)
Inclusión
Bases de datos (n = 53)
• Registros duplicados eliminados
• (n = 3)
• Registros eliminados por otras razones (n = 0)
Identificación
Identificación de estudios mediante bases de datos y registros
Figura 1
Diagrama de flujo Prisma 2020
Nota. El diagrama de flujo fue elaborado con base en las plantillas del protocolo PRISMA 2020. Dichas plantillas, se encuentran
disponibles bajo la licencia Creative Commons Attribution 4.0 International (CC BY 4.0).
La búsqueda inicial permitió identificar 53 registros relacionados con inteligencia artificial generativa,
educación matemática y aprendizaje del álgebra. Tras eliminar 3 documentos duplicados, se obtuvieron
50 estudios para la fase de cribado mediante título y resumen, en esta fase se excluyeron 30 artículos.
De este conjunto, 20 artículos fueron evaluados posteriormente mediante lectura completa, con el fin de
comprobar su relación con el objetivo de la revisión, la aplicación educativa de la inteligencia artificial
generativa y su aporte al aprendizaje matemático. Durante esta etapa se excluyeron 4 estudios, ya sea
por no presentar relación directa con el pensamiento algebraico, por centrarse en aspectos técnicos de la
inteligencia artificial o por no disponer de información metodológica suficiente.
Registros examinados
(n = 50) Registros excluidos (n = 30)
Informes recuperados para
evaluación (n = 20) Informes no recuperados (n = 0)
Informes evaluados para
elegibilidad (n = 20)
Informes excluidos:
• No presentan relación directa con el
pensamiento algebraico (n = 2)
• Enfoque exclusivamente técnico de inteligencia
artificial (n = 1)
• Información metodológica insuficiente (n = 1)
Cribado
Estudios incluidos en la revisión (n = 16)
Informes de estudios incluidos (n = 16)
Inclusión
Bases de datos (n = 53)
• Registros duplicados eliminados
• (n = 3)
• Registros eliminados por otras razones (n = 0)
Identificación
Identificación de estudios mediante bases de datos y registros
pág. 1050
Finalmente, 16 investigaciones cumplieron con los criterios de inclusión establecidos y conformaron el
corpus documental analizado en esta revisión sistemática. El proceso completo de identificación,
selección e inclusión se presenta en el diagrama de flujo PRISMA 2020.
3.2 Características generales de los estudios incluidos
Los estudios incluidos evidenciaron un crecimiento reciente de la investigación sobre inteligencia
artificial generativa aplicada a la educación matemática concentrándose principalmente en
publicaciones realizadas entre 2024 y 2026, donde el corpus final estuvo conformado por
investigaciones desarrolladas en distintas regiones con predominio de Estados Unidos, Asia y Europa,
identificándose además aportes provenientes de Ecuador y de otros contextos latinoamericanos, lo que
reflejó que la producción científica sobre inteligencia artificial generativa en matemáticas seguía
concentrándose en buena medida en países con mayor desarrollo tecnológico mientras la evidencia
regional apenas comenzaba a emerger a través de estudios exploratorios y de implementación educativa.
El diseño metodológico mostró una diversidad bastante notable entre los estudios revisados.
Predominaron los enfoques cuantitativos, tanto experimentales como cuasiexperimentales, mientras que
las investigaciones cualitativas y de métodos mixtos aparecieron en segundo lugar, con menor
frecuencia dentro del conjunto analizado. Esta variedad permitió analizar el fenómeno desde distintas
perspectivas: en tanto los estudios experimentales examinaron los cambios producidos en el desempeño
matemático y en la resolución de problemas, los estudios cualitativos, por su parte, hicieron posible
comprender las formas de interacción de estudiantes y docentes con este tipo de herramientas.
La Tabla 2 reunió una síntesis de los estudios seleccionados, en la cual se consideraron autores, año,
país, diseño metodológico, muestra, herramientas de inteligencia artificial empleadas y sus principales
aportes al desarrollo del pensamiento algebraico. Dicha revisión, por su parte, posibilitó identificar
tendencias, aplicaciones y hallazgos relevantes en torno al uso de la inteligencia artificial en el
aprendizaje matemático.
Finalmente, 16 investigaciones cumplieron con los criterios de inclusión establecidos y conformaron el
corpus documental analizado en esta revisión sistemática. El proceso completo de identificación,
selección e inclusión se presenta en el diagrama de flujo PRISMA 2020.
3.2 Características generales de los estudios incluidos
Los estudios incluidos evidenciaron un crecimiento reciente de la investigación sobre inteligencia
artificial generativa aplicada a la educación matemática concentrándose principalmente en
publicaciones realizadas entre 2024 y 2026, donde el corpus final estuvo conformado por
investigaciones desarrolladas en distintas regiones con predominio de Estados Unidos, Asia y Europa,
identificándose además aportes provenientes de Ecuador y de otros contextos latinoamericanos, lo que
reflejó que la producción científica sobre inteligencia artificial generativa en matemáticas seguía
concentrándose en buena medida en países con mayor desarrollo tecnológico mientras la evidencia
regional apenas comenzaba a emerger a través de estudios exploratorios y de implementación educativa.
El diseño metodológico mostró una diversidad bastante notable entre los estudios revisados.
Predominaron los enfoques cuantitativos, tanto experimentales como cuasiexperimentales, mientras que
las investigaciones cualitativas y de métodos mixtos aparecieron en segundo lugar, con menor
frecuencia dentro del conjunto analizado. Esta variedad permitió analizar el fenómeno desde distintas
perspectivas: en tanto los estudios experimentales examinaron los cambios producidos en el desempeño
matemático y en la resolución de problemas, los estudios cualitativos, por su parte, hicieron posible
comprender las formas de interacción de estudiantes y docentes con este tipo de herramientas.
La Tabla 2 reunió una síntesis de los estudios seleccionados, en la cual se consideraron autores, año,
país, diseño metodológico, muestra, herramientas de inteligencia artificial empleadas y sus principales
aportes al desarrollo del pensamiento algebraico. Dicha revisión, por su parte, posibilitó identificar
tendencias, aplicaciones y hallazgos relevantes en torno al uso de la inteligencia artificial en el
aprendizaje matemático.
pág. 1051
Tabla 2
Características de los estudios incluidos en la revisión sistemática
Nr
o.
Autor
(año)
País Diseño del
estudio
Participant
es / muestra
Herramient
a de IA
Principales aportes al
pensamiento algebraico
1 Pardos y
Bhandari
(2024)
Estados
Unidos
Experiment
al
cuantitativ
o (diseño
factorial
3×4 con
asignación
aleatoria)
274
estudiantes
ChatGPT Evidenció que la IA
generativa puede
proporcionar pistas y
retroalimentación
durante la resolución de
problemas, favoreciendo
procesos de
razonamiento
matemático.
2 Yoon et
al. (2024)
Corea
del Sur
Cualitativo
exploratori
o mediante
entrevistas
3 estudiantes
universitario
s
ChatGPT Analizó el uso de IA
para demostraciones
matemáticas,
fortaleciendo
argumentación,
razonamiento deductivo
y construcción de
explicaciones.
3 Almarash
di et al.
(2024)
Internac
ional
Revisión
sistemática
PRISMA
31 estudios
analizados
ChatGPT Identificó aplicaciones
de IA en resolución de
problemas, aprendizaje
personalizado y apoyo a
contenidos matemáticos.
4 Wei
(2024)
Estados
Unidos
Estudio
comparativ
o mediante
pruebas
estandariza
das
Problemas
matemáticos
NAEP
(grados 4, 8
y 12)
ChatGPT-4 y
ChatGPT-4o
Mostró capacidades de
los modelos generativos
en tareas algebraicas y
resolución simbólica.
5 Egara y
Mosimege
(2024)
Sudáfric
a
Métodos
mixtos
secuenciale
s
80 docentes
y 5
entrevistado
s
ChatGPT Analizó percepciones
docentes sobre el uso de
IA para explicar
conceptos matemáticos
complejos.
6 Walkingto
n (2025)
Estados
Unidos
Revisión
narrativa
Literatura
especializad
a
IA
generativa
Identificó oportunidades
de la IA para tutoría,
adaptación de tareas y
apoyo al aprendizaje
matemático.
7 Brasken
et al.
(2025)
Finlandi
a
Estudio de
caso
cualitativo
14
estudiantes
de
bachillerato
ChatGPT Evidenció formas de uso
de IA en álgebra y la
necesidad de promover
razonamiento autónomo.
Tabla 2
Características de los estudios incluidos en la revisión sistemática
Nr
o.
Autor
(año)
País Diseño del
estudio
Participant
es / muestra
Herramient
a de IA
Principales aportes al
pensamiento algebraico
1 Pardos y
Bhandari
(2024)
Estados
Unidos
Experiment
al
cuantitativ
o (diseño
factorial
3×4 con
asignación
aleatoria)
274
estudiantes
ChatGPT Evidenció que la IA
generativa puede
proporcionar pistas y
retroalimentación
durante la resolución de
problemas, favoreciendo
procesos de
razonamiento
matemático.
2 Yoon et
al. (2024)
Corea
del Sur
Cualitativo
exploratori
o mediante
entrevistas
3 estudiantes
universitario
s
ChatGPT Analizó el uso de IA
para demostraciones
matemáticas,
fortaleciendo
argumentación,
razonamiento deductivo
y construcción de
explicaciones.
3 Almarash
di et al.
(2024)
Internac
ional
Revisión
sistemática
PRISMA
31 estudios
analizados
ChatGPT Identificó aplicaciones
de IA en resolución de
problemas, aprendizaje
personalizado y apoyo a
contenidos matemáticos.
4 Wei
(2024)
Estados
Unidos
Estudio
comparativ
o mediante
pruebas
estandariza
das
Problemas
matemáticos
NAEP
(grados 4, 8
y 12)
ChatGPT-4 y
ChatGPT-4o
Mostró capacidades de
los modelos generativos
en tareas algebraicas y
resolución simbólica.
5 Egara y
Mosimege
(2024)
Sudáfric
a
Métodos
mixtos
secuenciale
s
80 docentes
y 5
entrevistado
s
ChatGPT Analizó percepciones
docentes sobre el uso de
IA para explicar
conceptos matemáticos
complejos.
6 Walkingto
n (2025)
Estados
Unidos
Revisión
narrativa
Literatura
especializad
a
IA
generativa
Identificó oportunidades
de la IA para tutoría,
adaptación de tareas y
apoyo al aprendizaje
matemático.
7 Brasken
et al.
(2025)
Finlandi
a
Estudio de
caso
cualitativo
14
estudiantes
de
bachillerato
ChatGPT Evidenció formas de uso
de IA en álgebra y la
necesidad de promover
razonamiento autónomo.
pág. 1052
8 Gouia-
Zarrad y
Gunn
(2024)
Túnez/R
eino
Unido
Estudio
aplicado
Estudiantes
universitario
s de
ingeniería
ChatGPT Mostró apoyo
personalizado en
resolución de problemas
matemáticos.
9 Bastani et
al. (2025)
Estados
Unidos
Experiment
o de campo
Aproximada
mente 1000
estudiantes
GPT-4 Encontró mejoras en
desempeño matemático
mediante orientación con
IA, aunque advierte
riesgo de dependencia.
10 Liu et al.
(2025)
China Cuasiexper
imental
104
estudiantes
de quinto
grado
Sistema
basado en
ChatGPT
Reportó mejoras en
comprensión conceptual
y estrategias de
resolución matemática.
11 Taani y
Alabidi
(2025)
Internac
ional
Estudio
descriptivo
mediante
encuesta
109 docentes ChatGPT El uso de ChatGPT
favoreció la generación
de explicaciones,
ejemplos y estrategias
orientadas a la
resolución de problemas
matemáticos.
12 Jaramillo
et al.
(2026)
Ecuador Mixto
exploratori
o
32
estudiantes
universitario
s
ChatGPT Identificó beneficios y
limitaciones de la IA en
resolución matemática y
pensamiento crítico.
13 Camas et
al. (2025)
Ecuador Mixto
cuasiexperi
mental
120
estudiantes
de
bachillerato
ChatGPT y
DALL·E
Evidenció mejoras
asociadas al uso
pedagógico de IA en
aprendizaje matemático.
14 Vázquez
Álvarez y
Monteneg
ro (2025)
Ecuador
/Argenti
na
Cualitativo
descriptivo
longitudina
l
Docentes en
formación
IA
generativa
Analizó diseño de tareas
matemáticas mediadas
por IA y desarrollo del
pensamiento docente.
15 Macías et
al. (2026)
Ecuador Mixto
descriptivo
-
correlacion
al
35 docentes IA
generativa
mediante
prompts
Evaluó condiciones
docentes para integrar IA
en planificación y
enseñanza matemática.
16 Aguaguiñ
a et al.
(2026)
Ecuador Estudio
cualitativo
de caso
8 docentes
de
matemáticas
Herramientas
generadas
mediante IA
Analizó mediación
docente y apoyo
conceptual en álgebra y
funciones.
Nota. Elaboración propia, a partir de la información extraída de los estudios incluidos en la revisión sistemática. La
organización de los datos respondió, por su parte, al análisis de las características metodológicas, los participantes, las
herramientas de inteligencia artificial generativa y los principales aportes reportados en cada investigación.
8 Gouia-
Zarrad y
Gunn
(2024)
Túnez/R
eino
Unido
Estudio
aplicado
Estudiantes
universitario
s de
ingeniería
ChatGPT Mostró apoyo
personalizado en
resolución de problemas
matemáticos.
9 Bastani et
al. (2025)
Estados
Unidos
Experiment
o de campo
Aproximada
mente 1000
estudiantes
GPT-4 Encontró mejoras en
desempeño matemático
mediante orientación con
IA, aunque advierte
riesgo de dependencia.
10 Liu et al.
(2025)
China Cuasiexper
imental
104
estudiantes
de quinto
grado
Sistema
basado en
ChatGPT
Reportó mejoras en
comprensión conceptual
y estrategias de
resolución matemática.
11 Taani y
Alabidi
(2025)
Internac
ional
Estudio
descriptivo
mediante
encuesta
109 docentes ChatGPT El uso de ChatGPT
favoreció la generación
de explicaciones,
ejemplos y estrategias
orientadas a la
resolución de problemas
matemáticos.
12 Jaramillo
et al.
(2026)
Ecuador Mixto
exploratori
o
32
estudiantes
universitario
s
ChatGPT Identificó beneficios y
limitaciones de la IA en
resolución matemática y
pensamiento crítico.
13 Camas et
al. (2025)
Ecuador Mixto
cuasiexperi
mental
120
estudiantes
de
bachillerato
ChatGPT y
DALL·E
Evidenció mejoras
asociadas al uso
pedagógico de IA en
aprendizaje matemático.
14 Vázquez
Álvarez y
Monteneg
ro (2025)
Ecuador
/Argenti
na
Cualitativo
descriptivo
longitudina
l
Docentes en
formación
IA
generativa
Analizó diseño de tareas
matemáticas mediadas
por IA y desarrollo del
pensamiento docente.
15 Macías et
al. (2026)
Ecuador Mixto
descriptivo
-
correlacion
al
35 docentes IA
generativa
mediante
prompts
Evaluó condiciones
docentes para integrar IA
en planificación y
enseñanza matemática.
16 Aguaguiñ
a et al.
(2026)
Ecuador Estudio
cualitativo
de caso
8 docentes
de
matemáticas
Herramientas
generadas
mediante IA
Analizó mediación
docente y apoyo
conceptual en álgebra y
funciones.
Nota. Elaboración propia, a partir de la información extraída de los estudios incluidos en la revisión sistemática. La
organización de los datos respondió, por su parte, al análisis de las características metodológicas, los participantes, las
herramientas de inteligencia artificial generativa y los principales aportes reportados en cada investigación.
pág. 1053
La herramienta Mixed Methods Appraisal Tool (MMAT) sirvió como base para la evaluación de la
calidad metodológica de los estudios incluidos, cuyos resultados quedaron expuestos en la Tabla 3. En
este sentido, se analizaron los criterios de calidad según el tipo de diseño metodológico, lo cual permitió
identificar el nivel de rigor, las fortalezas y las principales limitaciones de cada estudio.
Tabla 3
Evaluación de la calidad metodológica según MMAT
Nro Autor (año) Tipo de estudio
evaluado
Criterios
MMAT
cumplidos
Observaciones metodológicas
1 Pardos y
Bhandari
(2024)
Cuantitativo
experimental
5/5 Diseño experimental adecuado,
muestra definida y análisis
estadístico pertinente.
2 Yoon et al.
(2024)
Cualitativo
exploratorio
4/5 Existe coherencia entre el método,
recopilación de datos e
interpretación; limitada por el
tamaño muestral reducido.
3 Almarashdi
et al. (2024)
Revisión
sistemática
5/5 Presenta estrategia de búsqueda
estructurada, criterios de selección
definidos y síntesis organizada de
la evidencia disponible.
4 Wei (2024) Cuantitativo
descriptivo-
comparativo
5/5 Utiliza instrumentos estandarizados
y comparación objetiva del
desempeño de modelos de IA en
tareas matemáticas.
5 Egara y
Mosimege
(2024)
Métodos mixtos 5/5 Integra adecuadamente datos
cuantitativos y cualitativos para
analizar percepciones docentes.
6 Walkington
(2025)
Revisión narrativa 3/5 Presenta análisis conceptual
fundamentado sobre IA generativa
en educación matemática;
limitación por ausencia de
protocolo sistemático de revisión.
7 Brasken et
al. (2025)
Cualitativo estudio
de caso
4/5 Contexto claramente definido y
análisis interpretativo adecuado;
limitada generalización por muestra
pequeña.
8 Gouia-
Zarrad y
Gunn (2024)
Cuantitativo
aplicado
4/5 Instrumentos definidos y análisis
coherente con los objetivos del
estudio.
9 Bastani et al.
(2025)
Cuantitativo
experimental
5/5 Diseño robusto, grupo comparativo
y análisis estadístico adecuado para
evaluar efectos de la intervención.
10 Liu et al.
(2025)
Cuantitativo
cuasiexperimental
5/5 Aplicación de pretest-postest,
comparación entre grupos y
La herramienta Mixed Methods Appraisal Tool (MMAT) sirvió como base para la evaluación de la
calidad metodológica de los estudios incluidos, cuyos resultados quedaron expuestos en la Tabla 3. En
este sentido, se analizaron los criterios de calidad según el tipo de diseño metodológico, lo cual permitió
identificar el nivel de rigor, las fortalezas y las principales limitaciones de cada estudio.
Tabla 3
Evaluación de la calidad metodológica según MMAT
Nro Autor (año) Tipo de estudio
evaluado
Criterios
MMAT
cumplidos
Observaciones metodológicas
1 Pardos y
Bhandari
(2024)
Cuantitativo
experimental
5/5 Diseño experimental adecuado,
muestra definida y análisis
estadístico pertinente.
2 Yoon et al.
(2024)
Cualitativo
exploratorio
4/5 Existe coherencia entre el método,
recopilación de datos e
interpretación; limitada por el
tamaño muestral reducido.
3 Almarashdi
et al. (2024)
Revisión
sistemática
5/5 Presenta estrategia de búsqueda
estructurada, criterios de selección
definidos y síntesis organizada de
la evidencia disponible.
4 Wei (2024) Cuantitativo
descriptivo-
comparativo
5/5 Utiliza instrumentos estandarizados
y comparación objetiva del
desempeño de modelos de IA en
tareas matemáticas.
5 Egara y
Mosimege
(2024)
Métodos mixtos 5/5 Integra adecuadamente datos
cuantitativos y cualitativos para
analizar percepciones docentes.
6 Walkington
(2025)
Revisión narrativa 3/5 Presenta análisis conceptual
fundamentado sobre IA generativa
en educación matemática;
limitación por ausencia de
protocolo sistemático de revisión.
7 Brasken et
al. (2025)
Cualitativo estudio
de caso
4/5 Contexto claramente definido y
análisis interpretativo adecuado;
limitada generalización por muestra
pequeña.
8 Gouia-
Zarrad y
Gunn (2024)
Cuantitativo
aplicado
4/5 Instrumentos definidos y análisis
coherente con los objetivos del
estudio.
9 Bastani et al.
(2025)
Cuantitativo
experimental
5/5 Diseño robusto, grupo comparativo
y análisis estadístico adecuado para
evaluar efectos de la intervención.
10 Liu et al.
(2025)
Cuantitativo
cuasiexperimental
5/5 Aplicación de pretest-postest,
comparación entre grupos y
pág. 1054
evaluación de resultados
educativos.
11 Taani y
Alabidi
(2025)
Cuantitativo
descriptivo
3/5 Instrumento estructurado y análisis
de percepciones; limitado por
enfoque basado en autorreporte.
12 Jaramillo et
al. (2026)
Métodos mixtos
exploratorio
3/5 Diseño pertinente para explorar
experiencias con IA; limitado por
muestra reducida y contexto
específico.
13 Camas et al.
(2025)
Métodos mixtos
cuasiexperimental
5/5 Combina medición de resultados y
análisis cualitativo, permitiendo
una interpretación amplia del
fenómeno.
14 Vázquez
Álvarez y
Montenegro
(2025)
Cualitativo
longitudinal
4/5 Seguimiento del proceso formativo
y análisis interpretativo consistente
con los objetivos planteados.
15 Macías et al.
(2026)
Métodos mixtos
descriptivo-
correlacional
4/5 Utiliza instrumentos definidos y
análisis complementario entre datos
cuantitativos y cualitativos.
16 Aguaguiña
et al. (2026)
Cualitativo estudio
de caso
4/5 Presenta triangulación de
información, entrevistas y
codificación temática para
interpretar los resultados.
Nota. Elaboración propia, a partir de la evaluación de los estudios incluidos mediante la herramienta Mixed Methods Appraisal
Tool (MMAT).
La Tabla 4 detalló los estudios excluidos tras la revisión del texto completo, junto con los motivos
metodológicos que justificaron su descarte. Gracias a este proceso, se aseguró que las investigaciones
incluidas mantuvieran relación directa con el objetivo de la revisión sistemática y cumplieran con los
criterios de elegibilidad definidos.
evaluación de resultados
educativos.
11 Taani y
Alabidi
(2025)
Cuantitativo
descriptivo
3/5 Instrumento estructurado y análisis
de percepciones; limitado por
enfoque basado en autorreporte.
12 Jaramillo et
al. (2026)
Métodos mixtos
exploratorio
3/5 Diseño pertinente para explorar
experiencias con IA; limitado por
muestra reducida y contexto
específico.
13 Camas et al.
(2025)
Métodos mixtos
cuasiexperimental
5/5 Combina medición de resultados y
análisis cualitativo, permitiendo
una interpretación amplia del
fenómeno.
14 Vázquez
Álvarez y
Montenegro
(2025)
Cualitativo
longitudinal
4/5 Seguimiento del proceso formativo
y análisis interpretativo consistente
con los objetivos planteados.
15 Macías et al.
(2026)
Métodos mixtos
descriptivo-
correlacional
4/5 Utiliza instrumentos definidos y
análisis complementario entre datos
cuantitativos y cualitativos.
16 Aguaguiña
et al. (2026)
Cualitativo estudio
de caso
4/5 Presenta triangulación de
información, entrevistas y
codificación temática para
interpretar los resultados.
Nota. Elaboración propia, a partir de la evaluación de los estudios incluidos mediante la herramienta Mixed Methods Appraisal
Tool (MMAT).
La Tabla 4 detalló los estudios excluidos tras la revisión del texto completo, junto con los motivos
metodológicos que justificaron su descarte. Gracias a este proceso, se aseguró que las investigaciones
incluidas mantuvieran relación directa con el objetivo de la revisión sistemática y cumplieran con los
criterios de elegibilidad definidos.
pág. 1055
Tabla 4
Estudios excluidos después de la revisión de texto completo
Motivo de exclusión Justificación metodológica
No relación directa con
pensamiento algebraico
Algunos estudios analizaban inteligencia artificial en educación general,
pero no abordaban procesos relacionados con álgebra, razonamiento
algebraico, resolución de problemas matemáticos o construcción de
relaciones matemáticas.
Enfoque exclusivamente
técnico
Se excluyeron investigaciones centradas en el desarrollo, entrenamiento
o evaluación computacional de modelos de inteligencia artificial sin
analizar su aplicación en contextos educativos.
Uso de IA diferente a
inteligencia artificial
generativa
Se descartaron estudios sobre sistemas tutoriales inteligentes
tradicionales, aprendizaje adaptativo o minería de datos educativa
cuando no incorporaban modelos generativos como ChatGPT, GPT u
otros modelos de lenguaje.
Estudios centrados
únicamente en
percepciones generales
Algunos trabajos exploraban opiniones sobre IA, aceptación tecnológica
o actitudes docentes sin analizar procesos de enseñanza-aprendizaje
matemático.
Ausencia de resultados
educativos
Se excluyeron documentos que mencionaban IA generativa, pero no
presentaban evidencia sobre aprendizaje, desempeño, razonamiento o
interacción educativa.
Documentos sin revisión
académica
Se descartaron informes, documentos divulgativos, capítulos no
evaluados por pares o publicaciones sin metodología científica
claramente descrita.
Falta de acceso al texto
completo
Algunos registros fueron eliminados debido a que no permitían verificar
metodología, participantes o resultados.
Publicaciones fuera del
periodo establecido
Se excluyeron estudios previos al periodo definido (2020-2026),
considerando que la investigación sobre modelos generativos tuvo
mayor desarrollo después de la aparición de ChatGPT.
Nota. Elaboración propia, a partir del proceso de aplicación de los criterios de elegibilidad establecidos para la revisión
sistemática. Los motivos de exclusión, cabe señalar, fueron determinados mediante el análisis del texto completo y la
verificación de la pertinencia metodológica y temática de cada documento.
Tabla 4
Estudios excluidos después de la revisión de texto completo
Motivo de exclusión Justificación metodológica
No relación directa con
pensamiento algebraico
Algunos estudios analizaban inteligencia artificial en educación general,
pero no abordaban procesos relacionados con álgebra, razonamiento
algebraico, resolución de problemas matemáticos o construcción de
relaciones matemáticas.
Enfoque exclusivamente
técnico
Se excluyeron investigaciones centradas en el desarrollo, entrenamiento
o evaluación computacional de modelos de inteligencia artificial sin
analizar su aplicación en contextos educativos.
Uso de IA diferente a
inteligencia artificial
generativa
Se descartaron estudios sobre sistemas tutoriales inteligentes
tradicionales, aprendizaje adaptativo o minería de datos educativa
cuando no incorporaban modelos generativos como ChatGPT, GPT u
otros modelos de lenguaje.
Estudios centrados
únicamente en
percepciones generales
Algunos trabajos exploraban opiniones sobre IA, aceptación tecnológica
o actitudes docentes sin analizar procesos de enseñanza-aprendizaje
matemático.
Ausencia de resultados
educativos
Se excluyeron documentos que mencionaban IA generativa, pero no
presentaban evidencia sobre aprendizaje, desempeño, razonamiento o
interacción educativa.
Documentos sin revisión
académica
Se descartaron informes, documentos divulgativos, capítulos no
evaluados por pares o publicaciones sin metodología científica
claramente descrita.
Falta de acceso al texto
completo
Algunos registros fueron eliminados debido a que no permitían verificar
metodología, participantes o resultados.
Publicaciones fuera del
periodo establecido
Se excluyeron estudios previos al periodo definido (2020-2026),
considerando que la investigación sobre modelos generativos tuvo
mayor desarrollo después de la aparición de ChatGPT.
Nota. Elaboración propia, a partir del proceso de aplicación de los criterios de elegibilidad establecidos para la revisión
sistemática. Los motivos de exclusión, cabe señalar, fueron determinados mediante el análisis del texto completo y la
verificación de la pertinencia metodológica y temática de cada documento.
pág. 1056
3.3 Categorías emergentes identificadas
La Tabla 5 presenta las categorías emergentes identificadas a partir del análisis de los estudios incluidos.
Dicha información fue organizada y categorizada de acuerdo con las preguntas de investigación
planteadas en la metodología, lo cual permitió establecer categorías de análisis derivadas de cada
interrogante. En este sentido, tales categorías facilitaron la síntesis de las principales tendencias,
herramientas utilizadas, beneficios, limitaciones y vacíos de investigación relacionados con el uso de
inteligencia artificial generativa en el desarrollo del pensamiento algebraico.
Tabla 5
Categorías emergentes sobre el uso de IA generativa en pensamiento algebraico
Pregunta de investigación Categorías de
análisis derivadas
Estudios
asociados
Principales hallazgos
RQ1. ¿Cuáles son las
características de las
investigaciones científicas
que han abordado el uso de
inteligencia artificial
generativa en el desarrollo
del pensamiento
algebraico?
Características
metodológicas de
los estudios
Pardos y Bhandari
(2024); Yoon et al.
(2024);
Almarashdi et al.
(2024); Wei
(2024); Egara y
Mosimege (2024);
Walkington
(2025); Brasken et
al. (2025); Gouia-
Zarrad y Gunn
(2024); Bastani et
al. (2025); Liu et
al. (2025); Taani y
Alabidi (2025);
Jaramillo et al.
(2026); Camas et
al. (2025);
Vázquez Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Entre los estudios
revisados,
predominaron los
enfoques cuantitativos y
mixtos, mientras que las
investigaciones de corte
longitudinal aparecieron
con menor frecuencia.
La mayor parte de la
producción se concentró
en los niveles de
educación superior y
bachillerato. Para
determinar la calidad
metodológica de este
conjunto de estudios, se
recurrió al instrumento
MMAT.
RQ2. ¿Qué herramientas
basadas en inteligencia
artificial generativa han
sido utilizadas en procesos
educativos relacionados
con el aprendizaje del
álgebra?
Herramientas y
tecnologías de IA
generativa
utilizadas
Pardos y Bhandari
(2024); Yoon et al.
(2024); Wei
(2024); Bastani et
al. (2025); Liu et
al. (2025); Taani y
Alabidi (2025);
Camas et al.
Las herramientas
predominantes fueron
ChatGPT, GPT-4,
sistemas basados en
ChatGPT, IA generativa
mediante prompts y
simuladores
3.3 Categorías emergentes identificadas
La Tabla 5 presenta las categorías emergentes identificadas a partir del análisis de los estudios incluidos.
Dicha información fue organizada y categorizada de acuerdo con las preguntas de investigación
planteadas en la metodología, lo cual permitió establecer categorías de análisis derivadas de cada
interrogante. En este sentido, tales categorías facilitaron la síntesis de las principales tendencias,
herramientas utilizadas, beneficios, limitaciones y vacíos de investigación relacionados con el uso de
inteligencia artificial generativa en el desarrollo del pensamiento algebraico.
Tabla 5
Categorías emergentes sobre el uso de IA generativa en pensamiento algebraico
Pregunta de investigación Categorías de
análisis derivadas
Estudios
asociados
Principales hallazgos
RQ1. ¿Cuáles son las
características de las
investigaciones científicas
que han abordado el uso de
inteligencia artificial
generativa en el desarrollo
del pensamiento
algebraico?
Características
metodológicas de
los estudios
Pardos y Bhandari
(2024); Yoon et al.
(2024);
Almarashdi et al.
(2024); Wei
(2024); Egara y
Mosimege (2024);
Walkington
(2025); Brasken et
al. (2025); Gouia-
Zarrad y Gunn
(2024); Bastani et
al. (2025); Liu et
al. (2025); Taani y
Alabidi (2025);
Jaramillo et al.
(2026); Camas et
al. (2025);
Vázquez Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Entre los estudios
revisados,
predominaron los
enfoques cuantitativos y
mixtos, mientras que las
investigaciones de corte
longitudinal aparecieron
con menor frecuencia.
La mayor parte de la
producción se concentró
en los niveles de
educación superior y
bachillerato. Para
determinar la calidad
metodológica de este
conjunto de estudios, se
recurrió al instrumento
MMAT.
RQ2. ¿Qué herramientas
basadas en inteligencia
artificial generativa han
sido utilizadas en procesos
educativos relacionados
con el aprendizaje del
álgebra?
Herramientas y
tecnologías de IA
generativa
utilizadas
Pardos y Bhandari
(2024); Yoon et al.
(2024); Wei
(2024); Bastani et
al. (2025); Liu et
al. (2025); Taani y
Alabidi (2025);
Camas et al.
Las herramientas
predominantes fueron
ChatGPT, GPT-4,
sistemas basados en
ChatGPT, IA generativa
mediante prompts y
simuladores
pág. 1057
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
matemáticos generados
con IA.
RQ3. ¿Qué beneficios,
limitaciones y desafíos
reportan los estudios sobre
la integración de
inteligencia artificial
generativa para fortalecer
habilidades asociadas al
pensamiento algebraico?
Retroalimentación,
tutoría inteligente
y resolución de
problemas
Pardos y Bhandari
(2024); Bastani et
al. (2025); Liu et
al. (2025); Gouia-
Zarrad y Gunn
(2024)
La IA proporciona
orientación progresiva,
retroalimentación y
apoyo durante la
resolución de problemas
matemáticos.
Argumentación,
explicación y
razonamiento
matemático
Yoon et al. (2024);
Brasken et al.
(2025); Wei
(2024)
Ayuda a estructurar
explicaciones, examinar
procedimientos y
fomentar el
pensamiento deductivo
Personalización
del aprendizaje y
adaptación de
actividades
Walkington
(2025);
Almarashdi et al.
(2024); Taani y
Alabidi (2025)
Facilita la adaptación de
explicaciones, la
generación de recursos
y el ajuste de
actividades conforme a
las necesidades
particulares de cada
estudiante.
Mediación docente
y transformación
de la práctica
pedagógica
Egara y Mosimege
(2024); Vázquez
Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Resalta la importancia
del rol docente para
integrar la IA de manera
crítica, pedagógica y
contextualizada.
Realidades de la
región y vivencias
pedagógicas
ancladas en el
entorno local.
Jaramillo et al.
(2026); Camas et
al. (2025);
Vázquez Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Existen ciertos avances
en la incorporación de
la IA dentro de la
educación matemática
latinoamericana, aunque
también dejan al
descubierto desafíos
vinculados a la
infraestructura
disponible, la formación
docente y la adaptación
curricular.
RQ4. ¿Qué vacíos de
investigación persisten
Vacíos y desafíos
de investigación
Conjunto de los 16
estudios
Se identifican pocos
estudios centrados
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
matemáticos generados
con IA.
RQ3. ¿Qué beneficios,
limitaciones y desafíos
reportan los estudios sobre
la integración de
inteligencia artificial
generativa para fortalecer
habilidades asociadas al
pensamiento algebraico?
Retroalimentación,
tutoría inteligente
y resolución de
problemas
Pardos y Bhandari
(2024); Bastani et
al. (2025); Liu et
al. (2025); Gouia-
Zarrad y Gunn
(2024)
La IA proporciona
orientación progresiva,
retroalimentación y
apoyo durante la
resolución de problemas
matemáticos.
Argumentación,
explicación y
razonamiento
matemático
Yoon et al. (2024);
Brasken et al.
(2025); Wei
(2024)
Ayuda a estructurar
explicaciones, examinar
procedimientos y
fomentar el
pensamiento deductivo
Personalización
del aprendizaje y
adaptación de
actividades
Walkington
(2025);
Almarashdi et al.
(2024); Taani y
Alabidi (2025)
Facilita la adaptación de
explicaciones, la
generación de recursos
y el ajuste de
actividades conforme a
las necesidades
particulares de cada
estudiante.
Mediación docente
y transformación
de la práctica
pedagógica
Egara y Mosimege
(2024); Vázquez
Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Resalta la importancia
del rol docente para
integrar la IA de manera
crítica, pedagógica y
contextualizada.
Realidades de la
región y vivencias
pedagógicas
ancladas en el
entorno local.
Jaramillo et al.
(2026); Camas et
al. (2025);
Vázquez Álvarez y
Montenegro
(2025); Macías et
al. (2026);
Aguaguiña et al.
(2026)
Existen ciertos avances
en la incorporación de
la IA dentro de la
educación matemática
latinoamericana, aunque
también dejan al
descubierto desafíos
vinculados a la
infraestructura
disponible, la formación
docente y la adaptación
curricular.
RQ4. ¿Qué vacíos de
investigación persisten
Vacíos y desafíos
de investigación
Conjunto de los 16
estudios
Se identifican pocos
estudios centrados
pág. 1058
respecto a la aplicación
educativa de modelos
generativos en la enseñanza
y aprendizaje del álgebra?
específicamente en
pensamiento algebraico,
escasa evidencia
longitudinal, muestras
reducidas y necesidad
de investigaciones que
evalúen efectos
sostenidos del uso de IA
generativa.
Nota. Elaboración propia, a partir del proceso de extracción, análisis y categorización de los estudios incluidos en la revisión
sistemática. Las categorías fueron construidas considerando las preguntas de investigación planteadas en la metodología y, en
consecuencia, representaron una síntesis interpretativa de los hallazgos identificados en la literatura revisada.
3.4 Aplicaciones de la inteligencia artificial generativa en el pensamiento algebraico
La investigación analizada señala que las tecnologías de inteligencia artificial generativa se han
empleado fundamentalmente como un recurso de asistencia al resolver problemas de matemáticas,
destacando funciones como la provisión de explicaciones, el feedback al instante, la creación de
ejemplos y el acompañamiento secuencial. Al respecto, Pardos y Bhandari (2024) apuntan que ChatGPT
podía funcionar como un sistema de apoyo mediante pistas adaptativas, en tanto que Bastani et al. (2025)
señalaron que los beneficios tendían a incrementarse cuando la interacción con la inteligencia artificial
se orientaba hacia la guía del razonamiento y no únicamente hacia la entrega de respuestas.
En el campo específico del pensamiento algebraico, los aportes identificados se relacionaron con la
comprensión de relaciones matemáticas, la elaboración de argumentos, la interpretación simbólica y la
construcción de estrategias de resolución. Los estudios de Yoon et al. (2024) y de Brasken et al. (2025),
por su parte, mostraron que la interacción con modelos generativos podía favorecer los procesos de
explicación y reflexión matemática; no obstante, ambos advirtieron que un uso centrado exclusivamente
en la obtención de soluciones podía terminar limitando la autonomía del estudiante.
3.5 Beneficios identificados en la literatura
Los beneficios reportados por los estudios pudieron agruparse en tres categorías principales:
personalización del aprendizaje, retroalimentación inmediata y apoyo al razonamiento matemático. La
capacidad de adaptar las explicaciones según las necesidades particulares del estudiante fue, entre estos,
respecto a la aplicación
educativa de modelos
generativos en la enseñanza
y aprendizaje del álgebra?
específicamente en
pensamiento algebraico,
escasa evidencia
longitudinal, muestras
reducidas y necesidad
de investigaciones que
evalúen efectos
sostenidos del uso de IA
generativa.
Nota. Elaboración propia, a partir del proceso de extracción, análisis y categorización de los estudios incluidos en la revisión
sistemática. Las categorías fueron construidas considerando las preguntas de investigación planteadas en la metodología y, en
consecuencia, representaron una síntesis interpretativa de los hallazgos identificados en la literatura revisada.
3.4 Aplicaciones de la inteligencia artificial generativa en el pensamiento algebraico
La investigación analizada señala que las tecnologías de inteligencia artificial generativa se han
empleado fundamentalmente como un recurso de asistencia al resolver problemas de matemáticas,
destacando funciones como la provisión de explicaciones, el feedback al instante, la creación de
ejemplos y el acompañamiento secuencial. Al respecto, Pardos y Bhandari (2024) apuntan que ChatGPT
podía funcionar como un sistema de apoyo mediante pistas adaptativas, en tanto que Bastani et al. (2025)
señalaron que los beneficios tendían a incrementarse cuando la interacción con la inteligencia artificial
se orientaba hacia la guía del razonamiento y no únicamente hacia la entrega de respuestas.
En el campo específico del pensamiento algebraico, los aportes identificados se relacionaron con la
comprensión de relaciones matemáticas, la elaboración de argumentos, la interpretación simbólica y la
construcción de estrategias de resolución. Los estudios de Yoon et al. (2024) y de Brasken et al. (2025),
por su parte, mostraron que la interacción con modelos generativos podía favorecer los procesos de
explicación y reflexión matemática; no obstante, ambos advirtieron que un uso centrado exclusivamente
en la obtención de soluciones podía terminar limitando la autonomía del estudiante.
3.5 Beneficios identificados en la literatura
Los beneficios reportados por los estudios pudieron agruparse en tres categorías principales:
personalización del aprendizaje, retroalimentación inmediata y apoyo al razonamiento matemático. La
capacidad de adaptar las explicaciones según las necesidades particulares del estudiante fue, entre estos,
pág. 1059
uno de los aspectos más destacados, especialmente en aquellas investigaciones donde la inteligencia
artificial se utilizó como una suerte de tutor conversacional.
En los contextos latinoamericanos analizados, por su parte, se identificaron aportes relacionados con la
incorporación progresiva de estas herramientas en ambientes educativos reales. Los estudios
desarrollados en Ecuador, en particular, mostraron que la inteligencia artificial generativa podía
favorecer nuevas estrategias docentes orientadas a la planificación, la explicación de contenidos y el
acompañamiento del aprendizaje matemático; aun así, se advirtió que todavía era necesario fortalecer la
formación del profesorado y establecer orientaciones pedagógicas más claras.
3.6 Limitaciones y desafíos encontrados
A pesar de los resultados favorables, los estudios revisados coincidieron en señalar diferentes desafíos
asociados al uso educativo de la inteligencia artificial generativa. Una preocupación recurrente
correspondió al riesgo de dependencia tecnológica, particularmente en aquellos casos en que los
estudiantes recurrían a la herramienta para obtener procedimientos completos sin llegar a analizar el
proceso matemático involucrado.
Otro desafío identificado tuvo relación con la preparación docente. Al respecto, las investigaciones de
Egara y Mosimege (2024), Macías et al. (2026) y Aguaguiña et al. (2026) demostraron que un uso
exitoso de la inteligencia artificial demanda habilidades pedagógicas específicas. Estas competencias
deben orientar la planificación de tareas donde la herramienta funcione como un canalizador del
razonamiento analítico, evitando que reemplace el esfuerzo intelectual del propio alumno.
3.7 Síntesis respecto al pensamiento algebraico
En conjunto, la evidencia analizada sugirió que la inteligencia artificial generativa poseía potencial para
fortalecer dimensiones del pensamiento algebraico relacionadas con la generalización, la
argumentación, la resolución de problemas y la comprensión conceptual. Los resultados, sin embargo,
no permitieron afirmar que la herramienta produjera mejoras automáticas en el aprendizaje; su impacto,
por el contrario, dependió en gran medida del diseño didáctico, del acompañamiento docente y del tipo
de interacción que se promoviera con ella.
La revisión de la literatura permitió detectar, asimismo, una brecha significativa: pese a la abundancia
de estudios centrados en inteligencia artificial y educación matemática, las investigaciones que midieran
uno de los aspectos más destacados, especialmente en aquellas investigaciones donde la inteligencia
artificial se utilizó como una suerte de tutor conversacional.
En los contextos latinoamericanos analizados, por su parte, se identificaron aportes relacionados con la
incorporación progresiva de estas herramientas en ambientes educativos reales. Los estudios
desarrollados en Ecuador, en particular, mostraron que la inteligencia artificial generativa podía
favorecer nuevas estrategias docentes orientadas a la planificación, la explicación de contenidos y el
acompañamiento del aprendizaje matemático; aun así, se advirtió que todavía era necesario fortalecer la
formación del profesorado y establecer orientaciones pedagógicas más claras.
3.6 Limitaciones y desafíos encontrados
A pesar de los resultados favorables, los estudios revisados coincidieron en señalar diferentes desafíos
asociados al uso educativo de la inteligencia artificial generativa. Una preocupación recurrente
correspondió al riesgo de dependencia tecnológica, particularmente en aquellos casos en que los
estudiantes recurrían a la herramienta para obtener procedimientos completos sin llegar a analizar el
proceso matemático involucrado.
Otro desafío identificado tuvo relación con la preparación docente. Al respecto, las investigaciones de
Egara y Mosimege (2024), Macías et al. (2026) y Aguaguiña et al. (2026) demostraron que un uso
exitoso de la inteligencia artificial demanda habilidades pedagógicas específicas. Estas competencias
deben orientar la planificación de tareas donde la herramienta funcione como un canalizador del
razonamiento analítico, evitando que reemplace el esfuerzo intelectual del propio alumno.
3.7 Síntesis respecto al pensamiento algebraico
En conjunto, la evidencia analizada sugirió que la inteligencia artificial generativa poseía potencial para
fortalecer dimensiones del pensamiento algebraico relacionadas con la generalización, la
argumentación, la resolución de problemas y la comprensión conceptual. Los resultados, sin embargo,
no permitieron afirmar que la herramienta produjera mejoras automáticas en el aprendizaje; su impacto,
por el contrario, dependió en gran medida del diseño didáctico, del acompañamiento docente y del tipo
de interacción que se promoviera con ella.
La revisión de la literatura permitió detectar, asimismo, una brecha significativa: pese a la abundancia
de estudios centrados en inteligencia artificial y educación matemática, las investigaciones que midieran
pág. 1060
de forma directa cambios en habilidades algebraicas específicas seguían siendo escasas. De ahí que
resultara necesario impulsar investigaciones de carácter empírico enfocadas en comprender de qué modo
estas herramientas podían favorecer el paso de procedimientos meramente mecánicos hacia formas de
razonamiento matemático más profundas.
4. DISCUSIÓN
A partir de esta revisión se observa que la inteligencia artificial generativa ofrece un valor considerable
para impulsar el pensamiento algebraico, sobre todo si se emplea como un recurso de guía y no como
un reemplazo del criterio matemático. Los datos analizados indicaron que modelos como ChatGPT
tenían la capacidad de favorecer distintos procesos: la resolución de problemas, la interpretación de
expresiones matemáticas, la construcción de explicaciones y la retroalimentación a lo largo del
aprendizaje.
Este hallazgo coincidió con lo reportado por Pardos y Bhandari (2024) y Bastani et al. (2025), quienes
encontraron que la interacción con modelos generativos podía mejorar el desempeño matemático cuando
la herramienta proporcionaba orientaciones progresivas en lugar de entregar únicamente respuestas
finales. Desde esta perspectiva, la inteligencia artificial funcionó como una suerte de apoyo cognitivo
capaz de ampliar las oportunidades de práctica y reflexión del estudiante.
No obstante, los resultados también dejaron ver que la incorporación de estas tecnologías presentaba
ciertas condiciones necesarias para generar beneficios educativos reales. El pensamiento algebraico,
cabe recordar, implica procesos complejos como identificar patrones, establecer relaciones entre
cantidades, justificar procedimientos y formular generalizaciones; por ello, que una herramienta
generativa produjera una respuesta correcta no garantizaba, en sí mismo, que existiera comprensión
matemática.
Los estudios cualitativos incluidos en esta revisión, entre ellos los desarrollados por Yoon et al. (2024)
y Brasken et al. (2025), evidenciaron precisamente esta situación. Si bien los estudiantes podían utilizar
la inteligencia artificial para elaborar demostraciones o resolver actividades algebraicas, existía el riesgo
de una interacción superficial cuando la herramienta se empleaba únicamente para obtener soluciones
rápidas, lo cual planteó la necesidad de diseñar actividades en las que el estudiante analizara, cuestionara
y transformara la información generada por la inteligencia artificial.
de forma directa cambios en habilidades algebraicas específicas seguían siendo escasas. De ahí que
resultara necesario impulsar investigaciones de carácter empírico enfocadas en comprender de qué modo
estas herramientas podían favorecer el paso de procedimientos meramente mecánicos hacia formas de
razonamiento matemático más profundas.
4. DISCUSIÓN
A partir de esta revisión se observa que la inteligencia artificial generativa ofrece un valor considerable
para impulsar el pensamiento algebraico, sobre todo si se emplea como un recurso de guía y no como
un reemplazo del criterio matemático. Los datos analizados indicaron que modelos como ChatGPT
tenían la capacidad de favorecer distintos procesos: la resolución de problemas, la interpretación de
expresiones matemáticas, la construcción de explicaciones y la retroalimentación a lo largo del
aprendizaje.
Este hallazgo coincidió con lo reportado por Pardos y Bhandari (2024) y Bastani et al. (2025), quienes
encontraron que la interacción con modelos generativos podía mejorar el desempeño matemático cuando
la herramienta proporcionaba orientaciones progresivas en lugar de entregar únicamente respuestas
finales. Desde esta perspectiva, la inteligencia artificial funcionó como una suerte de apoyo cognitivo
capaz de ampliar las oportunidades de práctica y reflexión del estudiante.
No obstante, los resultados también dejaron ver que la incorporación de estas tecnologías presentaba
ciertas condiciones necesarias para generar beneficios educativos reales. El pensamiento algebraico,
cabe recordar, implica procesos complejos como identificar patrones, establecer relaciones entre
cantidades, justificar procedimientos y formular generalizaciones; por ello, que una herramienta
generativa produjera una respuesta correcta no garantizaba, en sí mismo, que existiera comprensión
matemática.
Los estudios cualitativos incluidos en esta revisión, entre ellos los desarrollados por Yoon et al. (2024)
y Brasken et al. (2025), evidenciaron precisamente esta situación. Si bien los estudiantes podían utilizar
la inteligencia artificial para elaborar demostraciones o resolver actividades algebraicas, existía el riesgo
de una interacción superficial cuando la herramienta se empleaba únicamente para obtener soluciones
rápidas, lo cual planteó la necesidad de diseñar actividades en las que el estudiante analizara, cuestionara
y transformara la información generada por la inteligencia artificial.
pág. 1061
El papel del docente resultó determinante: la integración efectiva de la inteligencia artificial generativa
dependió, según los resultados, de las competencias pedagógicas del profesorado. Egara y Mosimege
(2024), Macías et al. (2026) y Aguaguiña et al. (2026) coincidieron en un punto — los docentes
necesitaban criterios claros para elegir herramientas, diseñar actividades pertinentes y validar las
respuestas que arrojaba la inteligencia artificial. En Ecuador y en el resto de Latinoamérica esto cobró
un peso particular, dado que la incorporación de estas tecnologías apenas comenzaba. Las experiencias
ecuatorianas identificadas mostraron cierto potencial en planificación docente, resolución de problemas
y apoyo al aprendizaje matemático. No todo fue positivo, sin embargo: la formación del profesorado, el
acceso tecnológico y la falta de modelos pedagógicos específicos para IA generativa en matemáticas
siguieron siendo puntos débiles.
También llamó la atención la concentración geográfica de la evidencia. Casi toda la producción
científica revisada provino de Estados Unidos, Europa y Asia; lo latinoamericano quedó representado
apenas en una fracción menor. Esa distribución dejó una brecha investigativa nada menor, porque
impidió comprender con claridad cómo funcionan estas herramientas en sistemas educativos con
condiciones institucionales, culturales y tecnológicas muy distintas a las de esos contextos.
Y aunque, en términos generales, la literatura mostró resultados favorables, quedaron interrogantes
sobre el impacto real de la IA generativa en habilidades algebraicas puntuales. La mayoría de los
estudios se centró en el desempeño matemático general, en la percepción de los usuarios o en la
aceptación tecnológica de estas herramientas. Fueron pocos, en cambio, los que profundizaron en
cambios concretos sobre capacidades como la generalización algebraica, el razonamiento simbólico o
la comprensión de estructuras matemáticas.
Por esta razón, se consideró que futuras investigaciones debían orientarse hacia estudios longitudinales
y diseños experimentales enfocados directamente en el pensamiento algebraico. Resultaba necesario,
asimismo, ampliar la investigación en países latinoamericanos, en particular en Ecuador, con el
propósito de comprender cómo estas herramientas podían incorporarse tomando en cuenta las
características reales de los estudiantes, los docentes y los contextos educativos correspondientes.
En resumen, los datos analizados indican que la inteligencia artificial generativa constituye un recurso
valioso para potenciar el proceso de enseñanza-aprendizaje en el ámbito algebraico, siempre que su
El papel del docente resultó determinante: la integración efectiva de la inteligencia artificial generativa
dependió, según los resultados, de las competencias pedagógicas del profesorado. Egara y Mosimege
(2024), Macías et al. (2026) y Aguaguiña et al. (2026) coincidieron en un punto — los docentes
necesitaban criterios claros para elegir herramientas, diseñar actividades pertinentes y validar las
respuestas que arrojaba la inteligencia artificial. En Ecuador y en el resto de Latinoamérica esto cobró
un peso particular, dado que la incorporación de estas tecnologías apenas comenzaba. Las experiencias
ecuatorianas identificadas mostraron cierto potencial en planificación docente, resolución de problemas
y apoyo al aprendizaje matemático. No todo fue positivo, sin embargo: la formación del profesorado, el
acceso tecnológico y la falta de modelos pedagógicos específicos para IA generativa en matemáticas
siguieron siendo puntos débiles.
También llamó la atención la concentración geográfica de la evidencia. Casi toda la producción
científica revisada provino de Estados Unidos, Europa y Asia; lo latinoamericano quedó representado
apenas en una fracción menor. Esa distribución dejó una brecha investigativa nada menor, porque
impidió comprender con claridad cómo funcionan estas herramientas en sistemas educativos con
condiciones institucionales, culturales y tecnológicas muy distintas a las de esos contextos.
Y aunque, en términos generales, la literatura mostró resultados favorables, quedaron interrogantes
sobre el impacto real de la IA generativa en habilidades algebraicas puntuales. La mayoría de los
estudios se centró en el desempeño matemático general, en la percepción de los usuarios o en la
aceptación tecnológica de estas herramientas. Fueron pocos, en cambio, los que profundizaron en
cambios concretos sobre capacidades como la generalización algebraica, el razonamiento simbólico o
la comprensión de estructuras matemáticas.
Por esta razón, se consideró que futuras investigaciones debían orientarse hacia estudios longitudinales
y diseños experimentales enfocados directamente en el pensamiento algebraico. Resultaba necesario,
asimismo, ampliar la investigación en países latinoamericanos, en particular en Ecuador, con el
propósito de comprender cómo estas herramientas podían incorporarse tomando en cuenta las
características reales de los estudiantes, los docentes y los contextos educativos correspondientes.
En resumen, los datos analizados indican que la inteligencia artificial generativa constituye un recurso
valioso para potenciar el proceso de enseñanza-aprendizaje en el ámbito algebraico, siempre que su
pág. 1062
incorporación cuente con el respaldo de una guía pedagógica pertinente. Su verdadera aportación
educativa no radica en la simple emisión de respuestas, sino en su aptitud para estimular el análisis, la
reflexión y la elaboración activa de saberes matemáticos.
5. CONCLUSIONES
Esta revisión sistemática analizó el estado del arte de la investigación centrada en la utilización de la
inteligencia artificial generativa como potenciadora del pensamiento algebraico. Los investigadores que
han analizado trabajos sobre el asunto detallado han notado que estas tecnologías se han usado en acción
prioritaria como mecanismos de soporte que resuelven problemas, dan explicaciones, ofrecen respuestas
instantáneas y guían el razonamiento matemático.
Con base en las evidencias resultantes del estudio, se pudo evidenciar que la inteligencia artificial
generativa adquiere un importante valor para favorecer dinámicas propias del pensamiento algebraico,
principalmente en el sentido de comprensión de relaciones matemáticas, lectura de expresiones
simbólicas, argumentación y diseño de recorridos de resolución. No obstante, los datos mostraron que
estos beneficios no venían dados por la propia capacidad tecnológica de los modelos generativos, sino,
sobre todo, por la forma en la que se integran en experiencias de aprendizaje debidamente estructuradas.
La revisión detectó, además, que los efectos positivos referidos en la literatura ocurren normalmente
cuando la IA actúa como un recurso orientador y andamiaje, es decir, cuando proporciona pistas,
preguntas y explicaciones que le permiten al estudiante reflexionar sobre sus propios procedimientos.
En contraste, diferentes estudios advertían que un uso centrado solo en la búsqueda de respuestas podría
impulsar la dependencia tecnológica y con ella, el freno del desarrollo de capacidades como la
argumentación, la autonomía y la comprensión de los conceptos algebraicos.
Los datos también confirmaron que el profesor tiene una función insustituible en la incorporación
educativa de esta tecnología. La literatura analizada ha señalado que la formación docente, el diseño de
actividades matemáticas y la capacidad de orientar el análisis crítico de las respuestas generadas son
factores determinantes a la hora de lograr un uso pedagógico de las mismas.
La investigación científica en el mundo sobre el uso de los cinco sentidos (vista, olfato, gusto, oído y
tacto) está identificando que la mayoría de estudios en Estados Unidos, Europa y Asia. En tanto que los
estudios latinoamericanos y ecuatorianos todavía constituyen una parte bastante baja.
incorporación cuente con el respaldo de una guía pedagógica pertinente. Su verdadera aportación
educativa no radica en la simple emisión de respuestas, sino en su aptitud para estimular el análisis, la
reflexión y la elaboración activa de saberes matemáticos.
5. CONCLUSIONES
Esta revisión sistemática analizó el estado del arte de la investigación centrada en la utilización de la
inteligencia artificial generativa como potenciadora del pensamiento algebraico. Los investigadores que
han analizado trabajos sobre el asunto detallado han notado que estas tecnologías se han usado en acción
prioritaria como mecanismos de soporte que resuelven problemas, dan explicaciones, ofrecen respuestas
instantáneas y guían el razonamiento matemático.
Con base en las evidencias resultantes del estudio, se pudo evidenciar que la inteligencia artificial
generativa adquiere un importante valor para favorecer dinámicas propias del pensamiento algebraico,
principalmente en el sentido de comprensión de relaciones matemáticas, lectura de expresiones
simbólicas, argumentación y diseño de recorridos de resolución. No obstante, los datos mostraron que
estos beneficios no venían dados por la propia capacidad tecnológica de los modelos generativos, sino,
sobre todo, por la forma en la que se integran en experiencias de aprendizaje debidamente estructuradas.
La revisión detectó, además, que los efectos positivos referidos en la literatura ocurren normalmente
cuando la IA actúa como un recurso orientador y andamiaje, es decir, cuando proporciona pistas,
preguntas y explicaciones que le permiten al estudiante reflexionar sobre sus propios procedimientos.
En contraste, diferentes estudios advertían que un uso centrado solo en la búsqueda de respuestas podría
impulsar la dependencia tecnológica y con ella, el freno del desarrollo de capacidades como la
argumentación, la autonomía y la comprensión de los conceptos algebraicos.
Los datos también confirmaron que el profesor tiene una función insustituible en la incorporación
educativa de esta tecnología. La literatura analizada ha señalado que la formación docente, el diseño de
actividades matemáticas y la capacidad de orientar el análisis crítico de las respuestas generadas son
factores determinantes a la hora de lograr un uso pedagógico de las mismas.
La investigación científica en el mundo sobre el uso de los cinco sentidos (vista, olfato, gusto, oído y
tacto) está identificando que la mayoría de estudios en Estados Unidos, Europa y Asia. En tanto que los
estudios latinoamericanos y ecuatorianos todavía constituyen una parte bastante baja.
pág. 1063
Este escenario muestra la necesidad de dar un salto a espacios pedagógicos heterogéneos para ver cómo
los dispositivos institucionales, tecnológicos y socio-culturales condicionan la integración de la
inteligencia artificial generativa en la clase de álgebra.
Por el contrario, a pesar de que las evidencias muestran luces verdes sobre la implementación de estas
estrategias en la enseñanza de la matemática, aún hay vacíos críticos, como el no seguimiento a largo
plazo, el no análisis de competencias algebraicas específicas y la inexistencia de diseños experimentales
que evalúen la efectividad real de las estrategias. Por lo tanto, se espera que, en futuras investigaciones,
se articulen propuestas didácticas complementadas con tecnología que promuevan la construcción activa
de saberes y el desarrollo del razonamiento algebraico, sin dejar de considerar al docente como pivote
del proceso.
6. REFERENCIAS BIBLIOGRÁFICAS
Aguaguiña, E. F., Fierro Barrera, G. T., Llerena Culcay, C. F., Palacios Morales, M. P., & Chinachi
Aman, E. J. (2026). Mediación docente en el uso de simuladores matemáticos generados
mediante inteligencia artificial: Un estudio cualitativo en el nivel de Bachillerato. Revista
Latinoamericana de Calidad Educativa, 3(2). https://doi.org/10.70625/rlce/732
Almarashdi, H. S., Jarrah, A. M., Abu Khurma, O., & Gningue, S. M. (2024). Unveiling the Potential:
A Systematic Review of ChatGPT in Transforming Mathematics Teaching and Learning.
Eurasia Journal of Mathematics, Science and Technology Education, 20(12).
https://doi.org/10.29333/ejmste/15739
Baker, R. S., & Hawn, A. (2022). Algorithmic Bias in Education. International Journal of Artificial
Intelligence in Education, 32(4), 1052–1092. https://doi.org/10.1007/s40593-021-00285-9
Bastani, H., Bastani, O., Sungu, A., Ge, H., & Mariman. (2025). Unbounded Generative AI Can Harm
Learning: Evidence from High School Mathematics. Proceedings of the National Academy of
Sciences of the United States of America (PNAS), 122(26).
https://doi.org/10.1073/pnas.2422633122
Benavides, N. A., Navarrete Villavicencio, M. V., Merino Córdova, P. A., Estupiñán Cox, B. F., &
Cuero Sánchez, F. V. (2026). Inteligencia Artificial Generativa y Aprendizaje de Matemáticas
Este escenario muestra la necesidad de dar un salto a espacios pedagógicos heterogéneos para ver cómo
los dispositivos institucionales, tecnológicos y socio-culturales condicionan la integración de la
inteligencia artificial generativa en la clase de álgebra.
Por el contrario, a pesar de que las evidencias muestran luces verdes sobre la implementación de estas
estrategias en la enseñanza de la matemática, aún hay vacíos críticos, como el no seguimiento a largo
plazo, el no análisis de competencias algebraicas específicas y la inexistencia de diseños experimentales
que evalúen la efectividad real de las estrategias. Por lo tanto, se espera que, en futuras investigaciones,
se articulen propuestas didácticas complementadas con tecnología que promuevan la construcción activa
de saberes y el desarrollo del razonamiento algebraico, sin dejar de considerar al docente como pivote
del proceso.
6. REFERENCIAS BIBLIOGRÁFICAS
Aguaguiña, E. F., Fierro Barrera, G. T., Llerena Culcay, C. F., Palacios Morales, M. P., & Chinachi
Aman, E. J. (2026). Mediación docente en el uso de simuladores matemáticos generados
mediante inteligencia artificial: Un estudio cualitativo en el nivel de Bachillerato. Revista
Latinoamericana de Calidad Educativa, 3(2). https://doi.org/10.70625/rlce/732
Almarashdi, H. S., Jarrah, A. M., Abu Khurma, O., & Gningue, S. M. (2024). Unveiling the Potential:
A Systematic Review of ChatGPT in Transforming Mathematics Teaching and Learning.
Eurasia Journal of Mathematics, Science and Technology Education, 20(12).
https://doi.org/10.29333/ejmste/15739
Baker, R. S., & Hawn, A. (2022). Algorithmic Bias in Education. International Journal of Artificial
Intelligence in Education, 32(4), 1052–1092. https://doi.org/10.1007/s40593-021-00285-9
Bastani, H., Bastani, O., Sungu, A., Ge, H., & Mariman. (2025). Unbounded Generative AI Can Harm
Learning: Evidence from High School Mathematics. Proceedings of the National Academy of
Sciences of the United States of America (PNAS), 122(26).
https://doi.org/10.1073/pnas.2422633122
Benavides, N. A., Navarrete Villavicencio, M. V., Merino Córdova, P. A., Estupiñán Cox, B. F., &
Cuero Sánchez, F. V. (2026). Inteligencia Artificial Generativa y Aprendizaje de Matemáticas
pág. 1064
en Educación Superior: Una Revisión Sistemática. Ciencia Latina Revista Científica
Multidisciplinar, 10(1). https://doi.org/10.37811/cl_rcm.v9i6.22374
Brasken, M., Berts, K.-E., Wallin, S., & Frilund, S. (2025). Students' Use of ChatGPT in an Algebra
Class: A Case Study on Prompts and Attitudes. LUMAT: International Journal on Math, Science
and Technology Education, 13(1). https://doi.org/10.31129/LUMAT.13.1.2877
Camas, R. F., Cislema Rivera, A. D., Mañay Mena, G. P., Viñan Viñan, A. P., & Lasso Robalino, L. A.
(2025). Uso de Inteligencia Artificial Generativa (ChatGPT, DALL·E) como Herramienta de
Apoyo en Procesos Educativos. Ciencia Latina Revista Científica Multidisciplinar, 9(3).
https://doi.org/10.37811/cl_rcm.v9i3.18585
Coles, A., & Ahn, A. (2022). Developing Algebraic Activity Through Conjecturing About
Relationships. ZDM – Mathematics Education, 54. https://doi.org/10.1007/s11858-022-01420-
z
Egara, F. O., & Mosimege, M. (2024). Exploring the Integration of AI-Based ChatGPT in Mathematics
Education: Perceptions, Challenges, and Implications for Educators. Education Sciences, 14(7).
https://doi.org/10.3390/educsci14070742
Gouia-Zarrad, R., & Gunn, C. (2024). Enhancing Students' Learning Experience in the Mathematics
Classroom Through ChatGPT. International Electronic Journal of Mathematics Education,
19(4).
Grassini, S. (2023). Shaping the Future of Education: Exploring the Potential and Consequences of
Artificial Intelligence and ChatGPT in Educational Settings. Education Sciences, 13(7).
https://doi.org/10.3390/educsci13070692
Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M.-P.,
Griffiths, F., Nicolau, B., O'Cathain, A., Rousseau, M.-C., & Vedel, I. (2018). Mixed Methods
Appraisal Tool (MMAT), Version 2018: User Guide. McGill University.
https://mixedmethodsappraisaltoolpublic.pbworks.com/
Jaramillo, A. A., Reyes Wagnio, M., & Rumbaut Rangel, D. (2026). Análisis Exploratorio de los
Riesgos y Beneficios del Uso de Inteligencia Artificial en la Resolución de Ejercicios
en Educación Superior: Una Revisión Sistemática. Ciencia Latina Revista Científica
Multidisciplinar, 10(1). https://doi.org/10.37811/cl_rcm.v9i6.22374
Brasken, M., Berts, K.-E., Wallin, S., & Frilund, S. (2025). Students' Use of ChatGPT in an Algebra
Class: A Case Study on Prompts and Attitudes. LUMAT: International Journal on Math, Science
and Technology Education, 13(1). https://doi.org/10.31129/LUMAT.13.1.2877
Camas, R. F., Cislema Rivera, A. D., Mañay Mena, G. P., Viñan Viñan, A. P., & Lasso Robalino, L. A.
(2025). Uso de Inteligencia Artificial Generativa (ChatGPT, DALL·E) como Herramienta de
Apoyo en Procesos Educativos. Ciencia Latina Revista Científica Multidisciplinar, 9(3).
https://doi.org/10.37811/cl_rcm.v9i3.18585
Coles, A., & Ahn, A. (2022). Developing Algebraic Activity Through Conjecturing About
Relationships. ZDM – Mathematics Education, 54. https://doi.org/10.1007/s11858-022-01420-
z
Egara, F. O., & Mosimege, M. (2024). Exploring the Integration of AI-Based ChatGPT in Mathematics
Education: Perceptions, Challenges, and Implications for Educators. Education Sciences, 14(7).
https://doi.org/10.3390/educsci14070742
Gouia-Zarrad, R., & Gunn, C. (2024). Enhancing Students' Learning Experience in the Mathematics
Classroom Through ChatGPT. International Electronic Journal of Mathematics Education,
19(4).
Grassini, S. (2023). Shaping the Future of Education: Exploring the Potential and Consequences of
Artificial Intelligence and ChatGPT in Educational Settings. Education Sciences, 13(7).
https://doi.org/10.3390/educsci13070692
Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M.-P.,
Griffiths, F., Nicolau, B., O'Cathain, A., Rousseau, M.-C., & Vedel, I. (2018). Mixed Methods
Appraisal Tool (MMAT), Version 2018: User Guide. McGill University.
https://mixedmethodsappraisaltoolpublic.pbworks.com/
Jaramillo, A. A., Reyes Wagnio, M., & Rumbaut Rangel, D. (2026). Análisis Exploratorio de los
Riesgos y Beneficios del Uso de Inteligencia Artificial en la Resolución de Ejercicios
pág. 1065
Matemáticos en Estudiantes de Educación Superior. Neutrosophic Computing and Machine
Learning, 43. https://doi.org/10.5281/zenodo.20437924
Kaput, J. J. (2008). What Is Algebra? What Is Algebraic Reasoning? En J. J. Kaput, D. W. Carraher, &
M. L. Blanton, Algebra in the Early Grades (págs. 5–17). Lawrence Erlbaum Associates.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., &
Pfeffer, J. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language
Models for Education. Learning and Individual Differences, 103.
https://doi.org/10.1016/j.lindif.2023.102274
Levin, M., & Walkoe, J. (2022). Seeds of Algebraic Thinking: A Knowledge in Pieces Perspective on
the Development of Algebraic Thinking. ZDM – Mathematics Education, 54(1303–1314).
https://doi.org/10.1007/s11858-022-01374-2
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, P. L. (2025). Designing a Generative AI Enabled Learning
Environment for Mathematics Word Problem Solving in Primary Schools: Learning
Performance, Attitudes and Interaction. Computers and Education: Artificial Intelligence, 9.
https://doi.org/10.1016/j.caeai.2025.100438
Lo, C. K. (2023). What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature.
Education Sciences, 13(4). https://doi.org/10.3390/educsci13040410
Macías, J. C., Zambrano Mendoza, J. A., Reyes Wagnio, M. F., & Rumbaut Rangel, D. (2026).
Estrategia Pedagógica con Prompts Avanzados de Inteligencia Artificial para Fortalecer las
Prácticas Docentes de Asignaturas de Matemáticas en Ecuador. Neutrosophic Computing and
Machine Learning, 44, 267–276.
https://fs.unm.edu/NCML_2/index.php/NCML/article/view/115
Miao, F., & Holmes, W. (2023). Guidance for Generative AI in Education and Research. UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
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., &
Matemáticos en Estudiantes de Educación Superior. Neutrosophic Computing and Machine
Learning, 43. https://doi.org/10.5281/zenodo.20437924
Kaput, J. J. (2008). What Is Algebra? What Is Algebraic Reasoning? En J. J. Kaput, D. W. Carraher, &
M. L. Blanton, Algebra in the Early Grades (págs. 5–17). Lawrence Erlbaum Associates.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., &
Pfeffer, J. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language
Models for Education. Learning and Individual Differences, 103.
https://doi.org/10.1016/j.lindif.2023.102274
Levin, M., & Walkoe, J. (2022). Seeds of Algebraic Thinking: A Knowledge in Pieces Perspective on
the Development of Algebraic Thinking. ZDM – Mathematics Education, 54(1303–1314).
https://doi.org/10.1007/s11858-022-01374-2
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, P. L. (2025). Designing a Generative AI Enabled Learning
Environment for Mathematics Word Problem Solving in Primary Schools: Learning
Performance, Attitudes and Interaction. Computers and Education: Artificial Intelligence, 9.
https://doi.org/10.1016/j.caeai.2025.100438
Lo, C. K. (2023). What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature.
Education Sciences, 13(4). https://doi.org/10.3390/educsci13040410
Macías, J. C., Zambrano Mendoza, J. A., Reyes Wagnio, M. F., & Rumbaut Rangel, D. (2026).
Estrategia Pedagógica con Prompts Avanzados de Inteligencia Artificial para Fortalecer las
Prácticas Docentes de Asignaturas de Matemáticas en Ecuador. Neutrosophic Computing and
Machine Learning, 44, 267–276.
https://fs.unm.edu/NCML_2/index.php/NCML/article/view/115
Miao, F., & Holmes, W. (2023). Guidance for Generative AI in Education and Research. UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
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., &
pág. 1066
Hróbjartsson. (2021). The PRISMA 2020 Statement: An Updated Guideline for Reporting
Systematic Reviews. BMJ, 372. https://doi.org/10.1136/bmj.n71
Pardos, Z. A., & Bhandari, S. (2024). ChatGPT-Generated Help Produces Learning Gains Equivalent
to Human Tutor Help in Mathematics Skills. PLOS ONE, v(5), 19.
https://doi.org/10.1371/journal.pone.0304013
Redecker, C. (2017). European Framework for the Digital Competence of Educators: DigCompEdu.
Publications Office of the European Union. https://doi.org/10.2760/159770
Taani, O., & Alabidi, S. (2025). ChatGPT in Education: Benefits and Challenges of ChatGPT for
Mathematics and Science Teaching Practices. International Journal of Mathematical Education
in Science and Technology, 56(9). https://doi.org/10.1080/0020739X.2024.2357341
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023).
What if the Devil Is My Guardian Angel: ChatGPT as a Case Study of Using Chatbots in
Education. Smart Learning Environments, 10(1), 1–24. https://doi.org/10.1186/s40561-023-
00237-x
Vázquez, A., & Montenegro, F. G. (2025). Idoneidad Didáctica en Tareas Matemáticas Mediadas por
Inteligencia Artificial Generativa: Aportes del Enfoque Ontosemiótico a la Formación Docente.
Nobilis, 2(2). https://nobilis.ube.edu.ec/index.php/nobilis/article/view/46
Vlassis, J., & Demonty, I. (2022). The Role of Algebraic Thinking in Dealing with Negative Numbers.
ZDM – Mathematics Education, 54, 1243–1255. https://doi.org/10.1007/s11858-022-01402-1
Walkington, C. (2025). The Implications of Generative Artificial Intelligence for Mathematics
Teaching. School Science and Mathematics. https://doi.org/10.1111/ssm.18356
Wei, X. (2024). Evaluating ChatGPT-4 and ChatGPT-4o: Insights into Performance from Solving
NAEP Mathematics Problems. Frontiers in Education, 9.
https://doi.org/10.3389/feduc.2024.1452570
Yoon, H., Hwang, J., Lee, K., Roh, K. H., & Kwon, O. N. (2024). Students' Use of Generative Artificial
Intelligence to Prove Mathematical Statements. ZDM – Mathematics Education, 56, 1531–1551.
https://doi.org/10.1007/s11858-024-01648-7
Hróbjartsson. (2021). The PRISMA 2020 Statement: An Updated Guideline for Reporting
Systematic Reviews. BMJ, 372. https://doi.org/10.1136/bmj.n71
Pardos, Z. A., & Bhandari, S. (2024). ChatGPT-Generated Help Produces Learning Gains Equivalent
to Human Tutor Help in Mathematics Skills. PLOS ONE, v(5), 19.
https://doi.org/10.1371/journal.pone.0304013
Redecker, C. (2017). European Framework for the Digital Competence of Educators: DigCompEdu.
Publications Office of the European Union. https://doi.org/10.2760/159770
Taani, O., & Alabidi, S. (2025). ChatGPT in Education: Benefits and Challenges of ChatGPT for
Mathematics and Science Teaching Practices. International Journal of Mathematical Education
in Science and Technology, 56(9). https://doi.org/10.1080/0020739X.2024.2357341
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023).
What if the Devil Is My Guardian Angel: ChatGPT as a Case Study of Using Chatbots in
Education. Smart Learning Environments, 10(1), 1–24. https://doi.org/10.1186/s40561-023-
00237-x
Vázquez, A., & Montenegro, F. G. (2025). Idoneidad Didáctica en Tareas Matemáticas Mediadas por
Inteligencia Artificial Generativa: Aportes del Enfoque Ontosemiótico a la Formación Docente.
Nobilis, 2(2). https://nobilis.ube.edu.ec/index.php/nobilis/article/view/46
Vlassis, J., & Demonty, I. (2022). The Role of Algebraic Thinking in Dealing with Negative Numbers.
ZDM – Mathematics Education, 54, 1243–1255. https://doi.org/10.1007/s11858-022-01402-1
Walkington, C. (2025). The Implications of Generative Artificial Intelligence for Mathematics
Teaching. School Science and Mathematics. https://doi.org/10.1111/ssm.18356
Wei, X. (2024). Evaluating ChatGPT-4 and ChatGPT-4o: Insights into Performance from Solving
NAEP Mathematics Problems. Frontiers in Education, 9.
https://doi.org/10.3389/feduc.2024.1452570
Yoon, H., Hwang, J., Lee, K., Roh, K. H., & Kwon, O. N. (2024). Students' Use of Generative Artificial
Intelligence to Prove Mathematical Statements. ZDM – Mathematics Education, 56, 1531–1551.
https://doi.org/10.1007/s11858-024-01648-7
pág. 1067
Zawacki-Richter, O., Bai, J. Y., Lee, K., Slagter van Tryon, P. J., & Prinsloo, P. (2024). New Advances
in Artificial Intelligence Applications in Higher Education. International Journal of
Educational Technology in Higher Education, 21. https://doi.org/10.1186/s41239-024-00461-2
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic Review of Research
on Artificial Intelligence Applications in Higher Education – Where Are the Educators?
International Journal of Educational Technology in Higher Education, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0
Zawacki-Richter, O., Bai, J. Y., Lee, K., Slagter van Tryon, P. J., & Prinsloo, P. (2024). New Advances
in Artificial Intelligence Applications in Higher Education. International Journal of
Educational Technology in Higher Education, 21. https://doi.org/10.1186/s41239-024-00461-2
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic Review of Research
on Artificial Intelligence Applications in Higher Education – Where Are the Educators?
International Journal of Educational Technology in Higher Education, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0