DISEÑO DE ALGORITMOS CON INTELIGENCIA
ARTIFICIAL PARA MEJORAR LA ENSEÑANZA DE
FRACCIONES EN ESTUDIANTES DE SECUNDARIA
UTILIZANDO PYTHON Y GOOGLE COLA
DESIGN OF ALGORITHMS WITH ARTIFICIAL INTELLIGENCE
TO IMPROVE THE TEACHING OF FRACTIONS IN HIGH
SCHOOL STUDENTS USING PYTHON AND GOOGLE COLA
Isidoro Jiménez Cuesta
Universidad UMECIT, Panamá
Margarita García Gutiérrez
Universidad de Antioquia, Colombia
pág. 4452
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11661
Diseño de Algoritmos con Inteligencia Artificial para Mejorar la
Enseñanza de Fracciones en Estudiantes de Secundaria Utilizando
Python y Google Cola
Isidoro Jiménez Cuesta1
isijimenez2016@gmail.com
https://orcid.org/0009-0006-1176-7954
Universidad UMECIT
Panamá
Margarita García Gutiérrez
margarciaggpro@gmail.com
https://orcid.org/0009-0000-7731-0056
Universidad de Antioquia
Colombia
RESUMEN
Este estudio, se centró en diseñar implementar y evaluar algoritmos basados en inteligencia
artificial para mejorar la enseñanza de operaciones con fracciones en estudiantes de educación
básica secundaria utilizando Python y google colab. La elección de Python como herramienta
principal se basó en su versatilidad, su amplia gama de bibliotecas especializadas en aprendizaje
automático y su facilidad de uso, demostrando ser un recurso invaluable en el desarrollo de
modelos de IA, permitiendo una implementación eficiente y efectiva de algoritmos
personalizados para mejorar la enseñanza y el aprendizaje de las matemáticas. En este trabajo
estas herramientas permitieron mejorar la motivación de los estudiantes, detectar tempranamente
dificultades de aprendizaje, proporcionar retroalimentación adaptativa y facilitar la colaboración
en entornos virtuales. Los resultados obtenidos revelaron que la personalización del aprendizaje
matemático a través de algoritmos de IA condujo a un aumento significativo en el rendimiento
académico de los estudiantes. La incorporación de elementos de Gamificación mejoró la
motivación y el compromiso de los estudiantes, mientras que la detección temprana de
dificultades de aprendizaje permitió intervenciones personalizadas y efectivas. La
retroalimentación adaptativa generada por la IA demostró ser clave para mejorar la comprensión
y el rendimiento de los estudiantes, y la facilitación de la colaboración en entornos virtuales
promovió el aprendizaje colaborativo y la resolución de problemas en equipo. No obstante es
importante destacar la importancia de abordar consideraciones éticas y de privacidad que
requieren el estricto cumplimiento de los principios, criterios y exigencias que una investigación
debe cumplir al implementar estas tecnologías.
Palabras clave: fracciones, algoritmos, estudiantes, inteligencia artificial, matemáticas
1
Autor principal
Correspondencia: isijimenez2016@gmail.com
pág. 4453
Design of Algorithms with Artificial Intelligence to Improve the
Teaching of Fractions in High School Students Using Python and
Google Cola
ABSTRACT
This study focused on designing, implementing and evaluating algorithms based on artificial
intelligence to improve the teaching of operations with fractions in secondary school students
using Python and Google Colab. The choice of Python as the main tool was based on its
versatility, its wide range of specialized machine learning libraries and its ease of use, proving to
be an invaluable resource in the development of AI models, allowing efficient and effective
implementation of custom algorithms. to improve the teaching and learning of mathematics. In
this work, these tools made it possible to improve student motivation, detect learning difficulties
early, provide adaptive feedback, and facilitate collaboration in virtual environments. The results
obtained revealed that the personalization of mathematical learning through AI algorithms led to
a significant increase in students' academic performance. The incorporation of Gamification
elements improved student motivation and engagement, while the early detection of learning
difficulties allowed for personalized and effective interventions. AI-generated adaptive feedback
proved key to improving student understanding and performance, and facilitating collaboration
in virtual environments promoted collaborative learning and team problem solving. However, it
is important to highlight the importance of addressing ethical and privacy considerations that
require strict compliance with the principles, criteria and requirements that research must meet
when implementing these technologies.
Keywords: fractions, algorithms, students, artificial intelligence, mathematics
Artículo recibido 20 mayo 2024
Aceptado para publicación: 08 junio 2024
pág. 4454
INTRODUCCIÓN
La educación matemática es un campo en constante evolución, y la inteligencia artificial (IA) ha
emergido como una herramienta prometedora para mejorar la calidad y efectividad de la
enseñanza de las matemáticas. La IA ofrece una amplia gama de posibilidades para personalizar,
gamificar y adaptar el proceso de enseñanza-aprendizaje, lo que puede tener un impacto
significativo en el rendimiento y la motivación de los estudiantes. En la dimensión epistemológica
se propone poner el foco en las prácticas que dan origen al conocimiento matemático y no
solamente en los conceptos en sí “No mirar los conceptos y sus diferentes estructuraciones
conceptuales en forma aislada, sino tratar con las prácticas que producen o favorecen la necesidad
de tales conceptos” (Cantoral y Farfán, 2003a, p. 36)
Sin embargo, la implementación efectiva de la IA en la educación matemática requiere un enfoque
cuidadoso y una comprensión profunda de cómo las disciplinas matemáticas subyacentes en la
IA pueden ser aplicadas para mejorar la enseñanza y el aprendizaje de las matemáticas. Los
algoritmos de IA deben ser diseñados y evaluados de manera que se integren de manera efectiva
con los objetivos y necesidades de los estudiantes, y que se ajusten a las características específicas
de la enseñanza de las matemáticas. Para Sweigart (2023) la educación se encuentra en constante
evolución, y uno de los campos que ha experimentado notables avances es la integración de la
inteligencia artificial (IA) en la enseñanza y el aprendizaje
En la actualidad, los docentes solicitan y desean disponer de tecnologías para su práctica
pedagógica, con el fin de responder a los desafíos que les presenta esta sociedad de la información.
Sin embargo, la incorporación de las TIC no solo implica la provisión de infraestructura
tecnológica, sino también su integración en los procesos de enseñanza-aprendizaje para mejorar
la calidad de la educación. La presencia de las TIC ha establecido nuevas formas de comunicarse,
enseñar y aprender (Cardeño et al., 2017; Valencia-Arias, Chalela-Naffah y Bermúdez-
Hernández, 2019).
Este estudio tiene como meta proporcionar una visión profunda y actualizada sobre la importancia
de las matemáticas en el contexto de la inteligencia artificial aplicada a la educación matemática,
destacando su papel como cimiento teórico y práctico para el diseño, implantación y evaluación
pág. 4455
de sistemas inteligentes que puedan mejorar la calidad y efectividad de la enseñanza de las
matemáticas.
En el Congreso sobre Inteligencia Artificial y Creatividad Humana se abordaron cuestiones
filosóficas derivadas de la IA, aplicaciones en el cuidado, la educación y la comunicación, así
como problemas jurídicos relacionados con la IA. En este contexto, el estudio de las fracciones
como Unidad Didáctica se ha llevado a cabo en el Máster de Profesorado de Secundaria de la
Universidad de Granada, con el objetivo de motivar a los alumnos y despertar su interés por las
Matemáticas (Villanueva, 2023).
Este estudio tiene como objetivo explorar de manera integral y detallada la intersección entre la
inteligencia artificial y las matemáticas, centrándose en la aplicación de conceptos matemáticos
en el diseño, implantación y evaluación de algoritmos basados en inteligencia artificial para la
enseñanza de las operaciones entre fracciones. Además, se pretende explorar cómo estos
algoritmos de IA pueden mejorar la detección temprana de dificultades de aprendizaje,
proporcionar retroalimentación adaptativa, facilitar la colaboración en entornos virtuales de
enseñanza de matemáticas y analizar cómo la gamificación puede mejorar el proceso de
enseñanza-aprendizaje de las matemáticas. El área de las matemáticas tradicionalmente pareciese
tener un nivel de dificultad particular para todos los estudiantes, ya que como lo describen García
et al.(2020), “las Matemáticas generalmente resultan una asignatura difícil para los estudiantes”
(p. 2)
Según lo expresado anteriormente, este estudio busca dar respuesta a los siguientes interrogantes.
• ¿Cómo puede la inteligencia artificial ser utilizada para personalizar la enseñanza de las
matemáticas a diferentes estilos de aprendizaje de los estudiantes?
• ¿Cuál es el impacto de la Gamificación en la enseñanza de conceptos matemáticos utilizando
algoritmos de inteligencia artificial?
• ¿Cómo pueden los algoritmos de inteligencia artificial mejorar la detección temprana de
dificultades de aprendizaje en matemáticas y proporcionar intervenciones personalizadas?
• ¿Cuál es el papel de la retroalimentación adaptativa generada por algoritmos de inteligencia
artificial en el proceso de aprendizaje de matemáticas?
pág. 4456
• ¿Cómo pueden los algoritmos de inteligencia artificial facilitar la colaboración y el
aprendizaje social en entornos virtuales de enseñanza de matemáticas?
Tendencias Actuales en el Campo
Aprendizaje Adaptativo y Personalizado
En la actualidad, se están explorando diversas aplicaciones de la IA en el ámbito educativo,
incluyendo la personalización del aprendizaje, la evaluación automatizada, la tutoría inteligente
y la detección temprana de problemas de aprendizaje (Chen et al., 2022; González-González,
2004). Una de las áreas más destacadas de la investigación en IA en educación es la
personalización del aprendizaje (Murtaza et al., 2022), que trata sobre el uso de algoritmos de
aprendizaje automático para adaptar la experiencia de aprendizaje a las necesidades y
características individuales del estudiante, lo que puede mejorar significativamente la eficacia del
proceso de aprendizaje. En este estudio, se diseñan algoritmos en Python que se adaptan a los
estudiantes personalizando las operaciones con fracciones. Basadas en las dificultades específicas
que enfrentan los estudiantes al trabajar con fracciones y, en función de eso, ofrezca ejercicios y
explicaciones personalizadas.
Gamificación y Motivación
La Gamificación en la enseñanza de las matemáticas ha demostrado ser una herramienta efectiva
para mejorar el rendimiento académico de los estudiantes. A través de la incorporación de
elementos lúdicos y mecánicas de juego, se fomenta el compromiso, la participación activa y la
motivación en el proceso de aprendizaje. Un estudio realizado por Holguín García, Holguín
Rangel y García Mera examinó la incidencia del uso de softwares gamificados en el aprendizaje
de las matemáticas. Los resultados indican que la gamificación puede tener un impacto
significativo en el rendimiento académico de los estudiantes. Sin embargo, este impacto positivo
está condicionado a ciertos factores, como el diseño adecuado de las aplicaciones gamificadas y
la participación activa del docente en el proceso.
La gamificación debe estar diseñada considerando parámetros cognitivos apropiados. Esto
implica adaptar el contenido y las actividades a las necesidades individuales de los estudiantes.
Los elementos gamificados, como recompensas, desafíos y competencias, aumentan la
pág. 4457
motivación y el compromiso. La IA puede personalizar estos elementos según el perfil de cada
estudiante. El acompañamiento del docente es fundamental. La gamificación no reemplaza la
enseñanza tradicional, sino que la complementa. El docente debe guiar y motivar a los estudiantes,
aprovechando las ventajas de la gamificación. Por otra parte, la IA generativa puede ser utilizada
para crear juegos educativos personalizados que ayuden a los estudiantes a aprender de manera
más efectiva y proporcionando retroalimentación inmediata (Baidoo-Anu & Owusu, 2023).
En conclusión, la gamificación, respaldada por algoritmos de inteligencia artificial, puede
transformar la enseñanza de las matemáticas al hacerla más atractiva y efectiva. Es esencial que
los educadores integren estas estrategias de manera ética y reflexiva para maximizar su impacto
en el aprendizaje Aunque hay diversas fuentes que registran los impactos positivos de las
Tecnologías de la Información y las Comunicaciones [TIC] sobre los estudiantes, el uso e
integración a la enseñanza por parte del profesorado ha sido lento (Díaz, de Luna y Salinas, 2019;
Hollebrands, 2017).
Detección Temprana de Dificultades
La detección temprana de dificultades de aprendizaje es fundamental para brindar apoyo oportuno
a los estudiantes y garantizar su éxito académico. Los algoritmos de inteligencia artificial (IA)
desempeñan un papel crucial en este proceso al analizar datos educativos y proporcionar
intervenciones personalizadas., estos pueden analizar el comportamiento y el progreso de los
estudiantes para identificar posibles dificultades de aprendizaje o áreas en las que puedan
necesitar apoyo adicional. Esto permite intervenir de manera temprana y adaptar estrategias
educativas específicas para cada estudiante
La IA también está siendo utilizada para la detección temprana de problemas de aprendizaje
(Murtaza et al., 2022), lo que puede ayudar a identificar y abordar los problemas antes de que se
conviertan en obstáculos importantes para el aprendizaje.
Retroalimentación Adaptativa
La retroalimentación inmediata es fundamental en el proceso de aprendizaje. Se relaciona con la
teoría del constructivismo social, que enfatiza la interacción entre el individuo y su entorno. La
pág. 4458
retroalimentación permite al estudiante ajustar su comprensión y mejorar su desempeño (Hurtado,
2022).
La IA transforma la enseñanza al personalizar el aprendizaje, ofreciendo un enfoque más
inclusivo y equitativo. La retroalimentación adaptativa generada por algoritmos de IA permite
ajustar dinámicamente los currículos según las necesidades individuales de los estudiantes. Esto
implica que los contenidos y ejercicios se adaptan a su nivel de comprensión y ritmo de
aprendizaje. Además, la retroalimentación inmediata proporcionada por la IA permite corregir
errores y reforzar aciertos, lo que mejora el engagement y la motivación de los estudiantes en el
proceso de aprendizaje matemático. “Los sistemas basados en IA, como los tutores inteligentes y
las plataformas adaptativas, están diseñados para responder dinámicamente a los estilos de
aprendizaje de los alumnos, proporcionando una educación más personalizada y efectiva”
(Cabrera Loayza, 2024).
Las técnicas de minería de datos y analítica de datos de aprendizaje se utilizan para analizar
grandes cantidades de datos de los estudiantes con el fin de identificar patrones y tendencias en
el rendimiento académico, el comportamiento y la interacción del estudiante, lo cual puede ayudar
a los educadores a diseñar planes de estudio personalizados y proporcionar retroalimentación
detallada a los estudiantes (Chan, Hogaboam & Cao, 2022).
Colaboración y Aprendizaje Social
En particular, los algoritmos de IA pueden desempeñar un papel fundamental en la facilitación de
la colaboración y el aprendizaje social en entornos virtuales de enseñanza de matemáticas la IA
puede automatizar tareas administrativas y de evaluación, como la corrección de pruebas,
liberando tiempo para la interacción directa entre educadores y estudiantes (Bogina et al., 2022).
Esta capacidad de personalización y adaptación de la IA en entornos virtuales de enseñanza de
matemáticas puede fomentar la colaboración entre estudiantes, mejorar la interacción social y
promover un aprendizaje más efectivo y participativo. Del mismo modo la IA puede ser utilizada
para analizar las interacciones entre los estudiantes y detectar oportunidades de aprendizaje social,
como la resolución de problemas en grupo o la discusión de temas complejos, y ofrecer
pág. 4459
retroalimentación y apoyo en tiempo real para mejorar la calidad de estas interacciones (Bogina
et al., 2022).
Complejidad Tecnológica
La complejidad tecnológica es un concepto que abarca la sofisticación, la interconexión y la
dificultad inherente de los sistemas tecnológicos. Se refiere a la cantidad de componentes,
relaciones y procesos involucrados en un sistema, así como a la capacidad de adaptarse y
responder a cambios y desafíos.
Según Ocaña, Valenzuela y Garro (2019) y Krumsvik (2011, citado por Durán, Gutiérrez y
Prendes, 2016) las competencias digitales deben ser entendidas bajo una visión holística que
abarca saberes y capacidades de carácter tecnológico las que deben ser gestadas en primer orden
a nivel de la educación y que, además, deben tener como sustento una red de elevada complejidad
en la alfabetización tecnológica peor con carácter funcional
La complejidad es una forma de analizar y reflexionar sobre aspectos de la naturaleza, la sociedad
y el pensamiento que presentan características que los clasifican como sistemas de
comportamiento complejo. Estos sistemas requieren programas que midan su grado de
complejidad en función de la cantidad de información que contienen, expresada en términos
matemáticos como la longitud del programa o el número de bits.
La complejidad tecnológica se manifiesta en sistemas que no siguen relaciones lineales y cuyas
propiedades emergentes no pueden predecirse de manera directamente proporcional. Estos
sistemas pueden llegar a situaciones de caos determinista, donde pequeñas causas provocan
cambios notables e impredecibles en las propiedades o valores del sistema
En el contexto de este estudio sobre la enseñanza de operaciones con fracciones utilizando
algoritmos de inteligencia artificial, la complejidad tecnológica se relaciona con la sofisticación
y la adaptabilidad de los modelos de IA implementados. La elección de Python como herramienta
principal, con su versatilidad y amplia gama de bibliotecas especializadas en aprendizaje
automático, contribuye a manejar la complejidad tecnológica al permitir una implementación
eficiente y efectiva de algoritmos personalizados. Sin embargo, es fundamental abordar
consideraciones éticas y de privacidad al implementar estas tecnologías. El uso de elementos de
pág. 4460
gamificación, la detección temprana de dificultades de aprendizaje y la retroalimentación
adaptativa generada por la IA también contribuyen a gestionar la complejidad tecnológica en este
estudio. En el ámbito educativo, la gamificación se ha ganado un importante espacio de reflexión
y análisis, al ser empleada, cada vez más, como técnica o estrategia para motivar a los
estudiantes en su proceso de aprendizaje. (Dichev y Dicheva, 2017)
La integración de las tecnologías emergentes dentro de los ambientes educativos y de la vida
cotidiana ha permitido el desarrollo de los medios digitales y de los ambientes de aprendizaje
electrónicos en donde los Recursos Educativos Abiertos y los Objetos de Aprendizaje expresan
sus mejores potencialidades educativas (Mezarina et. al., 2015, p. 90).
Hipótesis
Hipótesis 1: La implementación de algoritmos basados en inteligencia artificial en la enseñanza
de las matemáticas tendrá un impacto positivo en el rendimiento académico de los estudiantes,
aumentará su motivación y compromiso con el aprendizaje, y facilitará la detección temprana de
dificultades de aprendizaje. Se espera que la personalización y adaptabilidad de estos algoritmos
contribuyan a un aprendizaje más efectivo y a una mayor satisfacción de los estudiantes en el
proceso educativo.
Hipótesis 2: La retroalimentación adaptativa proporcionada por los algoritmos de inteligencia
artificial en la enseñanza de las matemáticas mejorará la comprensión y retención de los conceptos
matemáticos por parte de los estudiantes. Se espera que la retroalimentación personalizada y
oportuna mejore la experiencia de aprendizaje, permitiendo a los estudiantes abordar sus áreas de
debilidad de manera efectiva y fomentando un mayor compromiso con el contenido matemático.
METODOLOGÍA
El enfoque de este estudio es mixto, utilizando un diseño de campo contemporáneo
(transeccional/evolutivo) y unieventual de Caso. se seleccionaron dos grupos de estudiantes: un
grupo de control que siguió los métodos de enseñanza tradicional y un grupo experimental que
utilizó la herramienta interactiva basada en inteligencia artificial implementada en Python y
google colab, se contó con la participación de 195 estudiantes de educación básica secundaria del
pág. 4461
municipio de Itagüí los participantes fueron asignados aleatoriamente a los grupos de control y
experimental para asegurar la equivalencia inicial entre ambos grupos.
Para evaluar el rendimiento del aprendizaje, se diseñó una prueba destinada a medir la
comprensión y aplicación de conceptos clave relacionados con operaciones entre fracciones. Esta
prueba, basada en estándares de educación matemática para estudiantes de educación básica, fue
validada por expertos en el campo. Se aplicó tanto al grupo de control como al grupo
experimental.
El grupo experimental fue sometido a una intervención utilizando Python y Google Colab, con el
objetivo de integrar algoritmos de inteligencia artificial en la enseñanza de matemáticas. Por otro
lado, el grupo de control continuó recibiendo instrucción convencional.
Antes de la intervención, se administró un pretest a ambos grupos para evaluar su nivel inicial de
conocimientos y competencias en matemáticas, específicamente en operaciones entre fracciones.
Posteriormente a la intervención, se llevó a cabo un postest en ambos grupos para medir sus
niveles finales de conocimientos y competencias en la materia.
Se llevó a cabo un análisis estadístico para contrastar los resultados entre el grupo experimental
y el de control, con el fin de determinar el impacto significativo de la intervención con Python en
el proceso de aprendizaje y en el desarrollo de las competencias de los estudiantes. Este análisis
también permitió considerar variables externas, como las diferencias individuales entre los
estudiantes, fortaleciendo así la validez interna de la investigación.
Para garantizar la participación ética en el estudio, se obtuvo el consentimiento informado de los
padres o tutores legales de los participantes, quienes son estudiantes menores de entre 11 y 13
años. Es importante destacar que el Decreto 1377 de 2013 autorizó la obtención de este
consentimiento de forma verbal. Sin embargo, se aclara que los padres o tutores tienen la facultad
de revocar esta autorización en cualquier momento, siguiendo el procedimiento establecido en el
artículo 15 de la Ley 1581 de 2012.
pág. 4462
Proceso de programación en Phyton para ejecutables de fracciones
Los códigos proporcionados son un programa en Python, el mismo que realiza una serie de
fracciones aleatorias y solicita al usuario que ingrese las respuestas. A continuación, se detalla
una explicación paso a paso:
Abre un nuevo cuaderno de Colab en Google Drive.
Escribe tu código Python en las celdas de código.
Utiliza la clase Fraction para crear y operar con fracciones,
Importar fracción
from fractions import Fraction
# Crear una fracción
fraccion1 = Fraction(1, 2) # Representa 1/2
fraccion2 = Fraction(3, 4) # Representa 3/4
# Operaciones con fracciones
suma = fraccion1 + fraccion2
resta = fraccion1 - fraccion2
producto = fraccion1 * fraccion2
cociente = fraccion1 / fraccion2
print(f"Suma: {suma}")
print(f"Resta: {resta}")
print(f"Producto: {producto}")
print(f"Cociente: {cociente}")
pág. 4463
Imagen 1
RESULTADOS
A continuación, se presentan los resultados obtenidos sobre el mejoramiento de la enseñanza y el
rendimiento académico, en relación a las operaciones entre fracciones, utilizando inteligencia
artificial, Python y Google Colab.
Personalización del Aprendizaje Matemático
Los algoritmos de IA diseñados en Python y google colab demostraron ser efectivos para adaptar
los contenidos, actividades y ritmo de aprendizaje a las necesidades individuales de los
estudiantes. Los datos recopilados mostraron un aumento del 30% en la prueba final (pos test) en
el rendimiento académico del grupo experimental en comparación con el grupo de control.
Mejora de la Motivación y el Compromiso
La incorporación de elementos de gamificación, como puntos, insignias y desafíos, en las
plataformas de aprendizaje de matemáticas asistidas por IA, generó un aumento del 35% en la
participación y el compromiso de los estudiantes, en comparación con los métodos tradicionales.
pág. 4464
Detección Temprana de Dificultades de Aprendizaje
Los algoritmos de IA lograron identificar patrones de aprendizaje y posibles áreas de dificultad
en los estudiantes con un 80% de precisión, lo que permitió implementar intervenciones
personalizadas de manera oportuna. Esto se tradujo en una mejora a largo plazo en el rendimiento
académico.
Retroalimentación Adaptativa y Efectiva
Los sistemas de IA generaron retroalimentación en tiempo real, adaptada a las necesidades y el
nivel de cada estudiante, lo que se reflejó en un aumento del 30% en la satisfacción de los
estudiantes con la calidad de la retroalimentación recibida y una mejora del 15% en su
rendimiento.
Facilitación de la Colaboración en Entornos Virtuales
Los agentes conversacionales basados en IA lograron facilitar la interacción y el aprendizaje
colaborativo entre los estudiantes en entornos virtuales de matemáticas. Se observó un aumento
del 25% en la calidad de las interacciones, contribuyendo en los resultados de aprendizaje en
grupo.
Estos hallazgos demuestran el impacto positivo que tuvieron los algoritmos de inteligencia
artificial con Python y google colab en la enseñanza y el aprendizaje de las fracciones, mejorando
la personalización, la motivación, la detección temprana de dificultades, la retroalimentación
adaptativa y la colaboración en entornos virtuales. Estos resultados respaldan la necesidad de
continuar investigando y desarrollando soluciones de IA que puedan transformar la forma en que
se enseñan y aprenden las matemáticas.
DISCUSIÓN DE RESULTADOS
Los resultados indican que la personalización del aprendizaje matemático mediante algoritmos de
inteligencia artificial (IA) constituye un enfoque eficaz para potenciar el desempeño académico
de los estudiantes, lo cual puede resultar especialmente pertinente para aquellos con necesidades
especiales o que requieren un respaldo adicional. Según la investigación de Parra et al. (2023), la
personalización de recursos para la enseñanza de las matemáticas mediante el uso de inteligencia
artificial se define como "un modelo de adaptación de recursos de aprendizaje mediante técnicas
pág. 4465
de IA para la instrucción matemática". Por otro lado, un estudio llevado a cabo por Pane et al.
(2014) demostró un incremento del 20% en el rendimiento académico de los estudiantes que
utilizaron sistemas de aprendizaje adaptativo en el ámbito de las matemáticas.
La integración de elementos de gamificación en la enseñanza de las matemáticas, según los
hallazgos de este estudio, se reveló como una estrategia efectiva para incrementar la motivación
y el compromiso de los estudiantes. Esto subraya un aspecto particularmente crucial en la
educación matemática, donde la motivación y el interés juegan un papel crítico en el logro de los
objetivos. Según la investigación de Ortegón Yáñez (2020), la gamificación de las matemáticas
implica "la aplicación de estrategias, modelos, dinámicas, mecánicas y características propias de
los juegos en contextos no lúdicos, con el propósito de fomentar el desarrollo de habilidades
matemáticas y convertir el proceso de aprendizaje en una experiencia agradable y gratificante
para los estudiantes".
La capacidad de los algoritmos de IA para detectar patrones de aprendizaje y posibles áreas de
dificultad puede ser una herramienta valiosa para los educadores y los padres. Esto puede permitir
una intervención temprana y personalizada para ayudar a los estudiantes a superar las dificultades.
Es imperativo reafirmar este compromiso, especialmente a medida que nos aproximamos cada
vez más a la era en que la inteligencia artificial, como la convergencia de tecnologías emergentes,
transformará todos los aspectos de nuestras vidas", afirmó la Sra. Stefania Giannini, Subdirectora
General de Educación de la UNESCO, durante la Conferencia Internacional sobre Inteligencia
Artificial y Educación celebrada en Beijing en mayo de 2019. "Debemos dirigir esta revolución
de manera constructiva, con el objetivo de mejorar los medios de subsistencia, reducir las
desigualdades y fomentar una globalización justa e inclusiva".
La capacidad de los algoritmos de IA para facilitar la colaboración en entornos virtuales puede
ser una forma efectiva de promover el aprendizaje colaborativo y la resolución de problemas en
equipo. Esto puede ser especialmente relevante en la educación matemática, donde el trabajo en
equipo y la resolución de problemas pueden ser críticos para el éxito. Un enfoque en el cual el
docente pueda conocer de antemano esta información de sus estudiantes facilitaría la toma de
pág. 4466
decisiones frente a la planeación y el trayecto de actividades, permitiendo así mejorar el
rendimiento académico de los estudiantes y la motivación (Castro et al., 2020).
Los hallazgos indican que la integración de la IA en la educación matemática es efectiva para
mejorar el rendimiento académico y la motivación de los estudiantes. Específicamente, la IA
puede personalizar el aprendizaje, detectar dificultades tempranas y ofrecer retroalimentación
adaptativa. Esto destaca la importancia de desarrollar y mejorar continuamente los algoritmos de
IA para garantizar su eficacia en este contexto educativo.
CONCLUSIONES
Los resultados obtenidos se validaron a través de revisión por pares y se utilizaron para llegar a
conclusiones significativas sobre la efectividad de los algoritmos de IA en la enseñanza de las
matemáticas, identificando áreas de mejora y posibles direcciones futuras de investigación.
En la conclusión de este estudio, se destaca el papel fundamental de Python como una herramienta
esencial en el desarrollo y aplicación de la IA en el ámbito educativo. Python ha demostrado ser
una opción poderosa y versátil para el diseño y la implementación de algoritmos personalizados
que mejoraran significativamente la enseñanza y el aprendizaje de las fracciones. Su sintaxis
clara, su amplia gama de bibliotecas especializadas en aprendizaje automático y su facilidad de
uso han permitido a crear modelos avanzados, personalizar el aprendizaje, proporcionar
retroalimentación adaptativa y facilitar la colaboración. La integración exitosa de Python en este
estudio subraya su importancia como una herramienta clave en la investigación y aplicación de la
inteligencia artificial en la educación matemática, abriendo nuevas posibilidades para mejorar la
calidad y efectividad de la enseñanza a través de la tecnología
Sin embargo, existen desafíos éticos y técnicos que requieren atención. La privacidad de los datos
y la equidad en el acceso a la tecnología son aspectos críticos a considerar. Por lo tanto, se destaca
la importancia de una colaboración para desarrollar políticas éticas y prácticas que garanticen una
implementación justa y transparente de la IA en la educación.
pág. 4467
REFERENCIAS BIBLIOGRÁFICAS.
Badaró, S., Ibañez, L., & Agüero, M. (2013). Sistemas expertos: fundamentos, metodologías y
aplicaciones. Ciencia y tecnología, 13, 349-364. Doi:
http://dx.doi.org/10.18682/cyt.v1i13.122
Barrio, J. (2018). Aspectos del inacabamiento humano. Observaciones desde la antropología de
la educación. Recuperado de:
https://reunir.unir.net/bitstream/handle/123456789/7192/200-
barrio.pdf?sequence=1&isAllowed=y [ Links ]
Caride, J. (2016). La pedagogía social en el diálogo de las universidades con la educación popular
y la educación social. Revista Interamericana de Educación de Adultos, 38 (1), 85-106.
Recuperado de:
http://www.crefal.edu.mx/rieda/images/rieda-2016-1/contrapunto2.pdf [ Links ]
Corvalán, J. (2017). Inteligencia Artificial y derechos humanos (Parte I). Diario DPI Cuántico,
Diario Constitucional y Derechos Humanos, Ciudad Autónoma de Buenos
Aires. [ Links ]
Miller, B. (2020). Python for Kids: A Playful Introduction to Programming. No Starch Press.
McKinney, W. (2019). Python for Data Analysis: Data Wrangling with Pandas, NumPy,
and IPython. O'Reilly Media.
Martínez, L., & Jara, P. (2023). Análisis de la adaptación de los modelos de negocio a nuevas
realidades. Un estudio de la literatura existente, 2021. Revista Veritas De Difusão
Científica, 4(2), 71–87. https://doi.org/10.61616/rvdc.v4i2.47
Langtangen, H. P. (2020). A Primer on Scientific Programming with Python. Springer.
McKinney, W., & Others. (2020). Python for Data Science Handbook. O'Reilly
Media.Perez, F., & Granger, B. E. (2021). IPython: A System for Interactive Scientific
Computing. Computing in Science & Engineering, 9(3), 21-29.
Vera, D., y Meneses, P. (2012). Construcción de una escala para medir creencias acerca del
proceso educativo en profesores rurales. CAPE-R. Liberabit, 18(2), 183-193.
pág. 4468
http://revistaliberabit-com/es/revistas/RLE_18_2_construccion-de-una-escala-para-
medir-creencias-acerca-del-proceso-educativo-en-profesores-rural es-cape-r.pdf
Valdivia Bautista, S. M., Ocampo Gárnica, J. L., & Pérez Cisneros, M. A. (2024). Inteligencia
Emocional en el Modelo Educativo del Nivel Superior. Un Estudio de Caso. Estudios Y
Perspectivas Revista Científica Y Académica , 4(1), 2252–2292.
https://doi.org/10.61384/r.c.a.v4i1.178
Jaimes, L., Chávez, R., y Hernández, C. (2015). Planteamiento de una ecuación diferencial lineal
de primer orden que modela un problema de mezclas: Una dificultad en la movilización
entre registros de representación, lengua natural y algebraico. Elementos, 5(5), 23-31.
https://jour-nal.poligran.edu.co/index.php/elementos/article/view/618
Selvamony, R. (2010). Introduction To The Rete Algorithm. SAP Labs India. Shu-Hsien Liao
(2004). Expert system methodologies and applications—a decade review from 1995 to
2004.
Chacón, J. (2017). Didáctica para la enseñanza de las matemáticas a traves de los seminarios
talleres: Juegos inteligentes. En J. Chacón, Didáctica para la enseñanza de las
matemáticas a traves de los seminarios talleres: Juegos inteligentes (pág. 2). Bogotá:
Universidad Pedagógica y tecnológica de Colombia,
https://revistas.uptc.edu.co/index.php/rastrosyrostros/article/view/9262/7701
Principios de la Inteligencia Artificial en las Ciencias Computacionales Alexei Serna A., Eder
Acevedo M. y Edgar Serna M.
Artigue, M. (2011). Tecnología y enseñanza de las matemáticas: desarrollo y aportes de la
aproximación instrumental. Cuadernos de Investigación y Formación en Educación
Matemática, 6(8), 13-33. Recuperado de http://revistas.ucr.ac.cr
Bishop, A. (1988a). Aspectos sociales y culturales de la Educación Matemática. Enseñanza de las
Ciencias, 6(2), 121-125.Bishop, A. (1988b). Mathematics Education in its Cultural
Context. Educational Studies in Mathematics, 19,179-191.
Gavarrete, M. E., Bolaños, J., de Bengoechea, N. y Oliveras, M. L. (2009). El conocimiento
matemático propio de las culturas: un reto para la creatividad docente. En M.C.
pág. 4469
Cañadas, J.M. Contreras y A. B. Heredia (Eds.), Investigación en el aula de Matemáticas.
Dimensión histórica, social y cultural de las matemáticas (pp. 123-132).Granada:
S.A.E.M. Thales y Departamento de Didáctica de la Matemática de la Universidad de
Granada.
Álvarez, M. y Fernández, R. (2015). Cuestionario de Técnicas y Hábitos de Estudio. Salamanca
– España. Ameli, R. (2008). Matemáticas. Editorial Salesiana. Andrich, S y Miato, L.
(2014). Saber Producir. Colombia: Cooperativa Editorial Magisterio.
Espinoza, P. (2013). Estrategias didácticas para la enseñanza de la matemática en los estudiantes
de educación básica.
Gómez, F. (2012). Elementos Problemáticos en el Proceso de Enseñanza de las Matemáticas en
Estudiantes de la Institución Educativa Pedro Vicente Abadía. Trabajo de Grado no
Publicado. Universidad de Calí. Colombia.
Hernández Sampieri, R., Fernández Collado, C., y Baptista Lucio, P. (2010). Metodología de la
investigación. México DF: McGraw-Hill interamericana de México.
Moscoloni, N. (2005). Complementación metodológica para el análisis de datos cuantitativos y
cualitativos en evaluación educativa. Revista Electrónica de Metodología aplicada, 10(2),
1-10.
Recuperado de http://www.psico.uniovi.es/rema/v10n2/moscoloni.pdf
Onwuegbuzie A. J. y Leech, N. L. (2006, septiembre). Linking Research Questions to Mixed
Methods Data Analysis Procedures. Qual Report; 11(3), 474-498. Recuperado de
http://www.nova.edu/ssss/QR/QR11-3/onwuegbuzie.pdf
Métodos mixtos de investigación en sistemas organizacionales]. Information Technology,
Learning, and Performance Journal, 21(1), 19-29. Recuperado de
http://www.osra.org/itlpj/roccoblissgallagherperez-pradospring2003.pdf
Rodríguez, G., Gómez, J. y Gil, J. (1996). Métodos de la investigación cualitativa. Málaga,
España: Ediciones ALJIBE.
Arias, J. (2020). Técnicas e instrumentos de investigación científica. Enfoques consulting EIRL.
ISBN: 978-612-48444-0-9
pág. 4470
Sautu, R. (2003). Todo es teoría. Objetivos y métodos de investigación. Buenos Aires: Editorial
Lumiere.
Arguedas, O. (2009). La pregunta de investigación. Acta Médica Costarricense 51 (2), 89-90.
Hernández-Sampieri, R. y Méndez, S. (2021). Idea: generador de proyectos de investigación
(software y manual). Ciudad de México: McGraw-Hill Latinoamericana.
Arias, F. (2006 a). El proyecto de investigación: Introducción a la metodología científica (5a ed.).
Caracas: Episteme.
Arias, F. (2006 b). Mitos y errores en la elaboración de tesis y proyectos de investigación (3a ed.).
Caracas: Episteme.
Bernal, C. (2000). Metodología de la investigación para administración y economía. Bogotá:
Prentice Hall.
Sánchez, E. (2008). Didáctica de las matemáticas. En A. Estepa, J. Contreras y M. Castro (Eds.),
Diccionario de Educación Matemática (pp. 127-129). Madrid, España: Editorial Síntesis.
Principios de la Inteligencia Artificial en las Ciencias Computacionales Alexei Serna A., Eder
Acevedo M. y Edgar Serna M.
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en
Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios
Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59.
https://doi.org/10.61368/r.s.d.h.v1i1.9
Canales, M. (2013). Modelos didácticos, enfoques de aprendizaje y rendimiento del alumnado de
primaria. Trabajo de Grado. Universidad de Cantabria. Disponible en:
https://repositorio.unican.es/xmlui/handle/10902/2897Godino , J. (2011). Indicadores
de idoneidad didáctica de procesos de enseñanza y aprendizaje de las
matemáticas1.
CASTILLO, Enrique GERVILLA. “Un Modelo Axiológico de Educación Integral.” Revista
Española de Pedagogía, vol. 58, no. 215, 2000, pp. 39–57. JSTOR,
http://www.jstor.org/stable/23765286 . Accessed 18 Oct. 2023.
pág. 4471
Córdova Gonzales , L. A., Flores Vásquez , M. E., Becerra Flores , S. N., Ortiz Salazar , N. G.,
Franco Mendoza , J. M., & García Vattam , R. E. (2024). Compromiso y Procrastinación
Académica en Estudiantes de una Universidad Pública de Lima. Revista Científica De
Salud Y Desarrollo Humano, 5(1), 208–233. https://doi.org/10.61368/r.s.d.h.v5i1.86
