INTELIGENCIA ARTIFICIAL GENERATIVA
Y APRENDIZAJE DE MATEMÁTICAS EN
EDUCACIÓN SUPERIOR: UNA REVISIÓN
SISTEMÁTICA
GENERATIVE ARTIFICIAL INTELLIGENCE AND
MATHEMATICS LEARNING IN HIGHER EDUCATION:
A SYSTEMATIC REVIEW
Nilo Alberto Benavides Solís
Universidad Técnica Luis Vargas Torres, Ecuador
Marco Vinicio Navarrete Villavicencio
Universidad Técnica Luis Vargas Torres, Ecuador
Patricio Alejandro Merino Córdova
Universidad Técnica Luis Vargas Torres, Ecuador
Byron Fabricio Estupiñán Cox
Universidad Técnica Luis Vargas Torres, Ecuador
Fernanda Varinia Cuero Sánchez
Universidad Técnica Luis Vargas Torres, Ecuador
pág. 2244
DOI: https://doi.org/10.37811/cl_rcm.v9i6.22374
Inteligencia Artificial Generativa y Aprendizaje de Matemáticas en
Educación Superior: Una Revisión Sistemática
Nilo Alberto Benavides Solís1
nilo.benavides@utelvt.edu.ec
https://orcid.org/0000-0002-0885-708X
Universidad Técnica Luis Vargas Torres
Ecuador
Marco Vinicio Navarrete Villavicencio
marco.navarrete@utelvt.edu.ec
https://orcid.org/0000-0002-0520-6089
Universidad Técnica Luis Vargas Torres
Ecuador
Patricio Alejandro Merino Córdova
patricio.merino@utelvt.edu.ec
https://orcid.org/0000-0001-5068-8673
Universidad Técnica Luis Vargas Torres
Ecuador
Byron Fabricio Estupiñán Cox
byron.estupinan@utelvt.edu.ec
https://orcid.org/0000-0001-6523-667X
Universidad Técnica Luis Vargas Torres
Ecuador
Fernanda Varinia Cuero Sánchez
Varinia.cuero.sanchez@utelvt.edu.ec
https://orcid.org/0009-0002-7604-909X
Universidad Técnica Luis Vargas Torres
Ecuador
RESUMEN
La inteligencia artificial generativa (IAG) se ha consolidado como una tecnología emergente con alto
potencial para transformar los procesos de enseñanza y aprendizaje en la educación superior,
especialmente en el ámbito de las matemáticas, disciplina históricamente asociada a altos niveles de
dificultad académica y deserción estudiantil. El objetivo de este estudio fue analizar de manera
sistemática la producción científica reciente sobre el impacto pedagógico de la inteligencia artificial
generativa en el aprendizaje de matemáticas en la educación superior, con énfasis en investigaciones
desarrolladas en contextos latinoamericanos y globales con aplicabilidad regional. Se desarrolló una
revisión sistemática de la literatura siguiendo las directrices del modelo PRISMA 2020, mediante la
consulta de bases de datos de alto impacto como Scopus, Web of Science, SciELO y ERIC. Se aplicaron
criterios de inclusión y exclusión previamente definidos, seleccionando estudios publicados en los
últimos cinco años relacionados con inteligencia artificial generativa, educación superior y aprendizaje
matemático. El análisis se realizó a través de una síntesis descriptiva y comparativa de los enfoques
metodológicos, modelos pedagógicos y principales resultados reportados. Los hallazgos evidencian un
creciente interés académico por la aplicación de la IAG en la enseñanza de matemáticas universitarias,
destacándose beneficios como la personalización del aprendizaje, la retroalimentación inmediata y el
fortalecimiento del aprendizaje autónomo. Sin embargo, también se identifican desafíos asociados a la
formación docente, la ética académica y la brecha digital, especialmente en el contexto sudamericano,
condicionando su implementación efectiva institucional.
Palabras clave: inteligencia artificial generativa, aprendizaje de matemáticas, educación superior,
revisión sistemática, innovación educativa
1 Autor principal
Correspondencia: nilo.benavides@utelvt.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v9i6.22374
Inteligencia Artificial Generativa y Aprendizaje de Matemáticas en
Educación Superior: Una Revisión Sistemática
Nilo Alberto Benavides Solís1
nilo.benavides@utelvt.edu.ec
https://orcid.org/0000-0002-0885-708X
Universidad Técnica Luis Vargas Torres
Ecuador
Marco Vinicio Navarrete Villavicencio
marco.navarrete@utelvt.edu.ec
https://orcid.org/0000-0002-0520-6089
Universidad Técnica Luis Vargas Torres
Ecuador
Patricio Alejandro Merino Córdova
patricio.merino@utelvt.edu.ec
https://orcid.org/0000-0001-5068-8673
Universidad Técnica Luis Vargas Torres
Ecuador
Byron Fabricio Estupiñán Cox
byron.estupinan@utelvt.edu.ec
https://orcid.org/0000-0001-6523-667X
Universidad Técnica Luis Vargas Torres
Ecuador
Fernanda Varinia Cuero Sánchez
Varinia.cuero.sanchez@utelvt.edu.ec
https://orcid.org/0009-0002-7604-909X
Universidad Técnica Luis Vargas Torres
Ecuador
RESUMEN
La inteligencia artificial generativa (IAG) se ha consolidado como una tecnología emergente con alto
potencial para transformar los procesos de enseñanza y aprendizaje en la educación superior,
especialmente en el ámbito de las matemáticas, disciplina históricamente asociada a altos niveles de
dificultad académica y deserción estudiantil. El objetivo de este estudio fue analizar de manera
sistemática la producción científica reciente sobre el impacto pedagógico de la inteligencia artificial
generativa en el aprendizaje de matemáticas en la educación superior, con énfasis en investigaciones
desarrolladas en contextos latinoamericanos y globales con aplicabilidad regional. Se desarrolló una
revisión sistemática de la literatura siguiendo las directrices del modelo PRISMA 2020, mediante la
consulta de bases de datos de alto impacto como Scopus, Web of Science, SciELO y ERIC. Se aplicaron
criterios de inclusión y exclusión previamente definidos, seleccionando estudios publicados en los
últimos cinco años relacionados con inteligencia artificial generativa, educación superior y aprendizaje
matemático. El análisis se realizó a través de una síntesis descriptiva y comparativa de los enfoques
metodológicos, modelos pedagógicos y principales resultados reportados. Los hallazgos evidencian un
creciente interés académico por la aplicación de la IAG en la enseñanza de matemáticas universitarias,
destacándose beneficios como la personalización del aprendizaje, la retroalimentación inmediata y el
fortalecimiento del aprendizaje autónomo. Sin embargo, también se identifican desafíos asociados a la
formación docente, la ética académica y la brecha digital, especialmente en el contexto sudamericano,
condicionando su implementación efectiva institucional.
Palabras clave: inteligencia artificial generativa, aprendizaje de matemáticas, educación superior,
revisión sistemática, innovación educativa
1 Autor principal
Correspondencia: nilo.benavides@utelvt.edu.ec
pág. 2245
Generative Artificial Intelligence and Mathematics Learning in Higher
Education: A Systematic Review
ABSTRACT
Generative artificial intelligence (GAI) has emerged as an innovative technology with strong potential
to transform teaching and learning processes in higher education, particularly in mathematics, a
discipline traditionally associated with high academic difficulty and student dropout rates. The aim of
this study was to systematically analyze recent scientific literature on the pedagogical impact of
generative artificial intelligence on mathematics learning in higher education, with special attention to
Latin American research and global studies with regional applicability. A systematic literature review
was conducted following the PRISMA 2020 guidelines, using high impact databases such as Scopus,
Web of Science, SciELO, and ERIC. Clearly defined inclusion and exclusion criteria were applied,
selecting peer reviewed studies published during the last five years related to generative artificial
intelligence, higher education, and mathematics learning. Data analysis was carried out through a
descriptive and comparative synthesis of methodological approaches, pedagogical models, and reported
outcomes. The findings reveal a growing academic interest in the use of GAI for university level
mathematics education, highlighting benefits such as personalized learning, immediate feedback, and
the strengthening of autonomous learning processes. However, challenges related to teacher training,
academic ethics, and the digital divide were also identified, particularly within South American
contexts. The study concludes that generative artificial intelligence represents a complementary
instructional resource with high pedagogical potential, whose effectiveness depends on critical
integration, contextual adaptation, and ethical implementation within higher education institutions.
Keywords: generative artificial intelligence, mathematics learning, higher education, systematic review,
educational innovation
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
Generative Artificial Intelligence and Mathematics Learning in Higher
Education: A Systematic Review
ABSTRACT
Generative artificial intelligence (GAI) has emerged as an innovative technology with strong potential
to transform teaching and learning processes in higher education, particularly in mathematics, a
discipline traditionally associated with high academic difficulty and student dropout rates. The aim of
this study was to systematically analyze recent scientific literature on the pedagogical impact of
generative artificial intelligence on mathematics learning in higher education, with special attention to
Latin American research and global studies with regional applicability. A systematic literature review
was conducted following the PRISMA 2020 guidelines, using high impact databases such as Scopus,
Web of Science, SciELO, and ERIC. Clearly defined inclusion and exclusion criteria were applied,
selecting peer reviewed studies published during the last five years related to generative artificial
intelligence, higher education, and mathematics learning. Data analysis was carried out through a
descriptive and comparative synthesis of methodological approaches, pedagogical models, and reported
outcomes. The findings reveal a growing academic interest in the use of GAI for university level
mathematics education, highlighting benefits such as personalized learning, immediate feedback, and
the strengthening of autonomous learning processes. However, challenges related to teacher training,
academic ethics, and the digital divide were also identified, particularly within South American
contexts. The study concludes that generative artificial intelligence represents a complementary
instructional resource with high pedagogical potential, whose effectiveness depends on critical
integration, contextual adaptation, and ethical implementation within higher education institutions.
Keywords: generative artificial intelligence, mathematics learning, higher education, systematic review,
educational innovation
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
pág. 2246
INTRODUCCIÓN
La irrupción de la inteligencia artificial (IA) en la educación superior representa uno de los fenómenos
más significativos de transformación pedagógica en las últimas décadas. En particular, el desarrollo
reciente de la inteligencia artificial generativa, basada en modelos de lenguaje de gran escala capaces
de producir textos, explicaciones, ejemplos y resoluciones complejas, ha generado un profundo interés
académico por su potencial impacto en los procesos de enseñanza y aprendizaje universitarios. A
diferencia de las aplicaciones tradicionales de IA orientadas al análisis de datos o a la automatización
de tareas específicas, la IA generativa se caracteriza por su capacidad de interactuar de manera
conversacional, adaptativa y contextualizada con los estudiantes, lo que abre nuevas posibilidades para
el aprendizaje autónomo y personalizado (Dwivedi et al., 2023).
En el ámbito de la educación superior, la incorporación de la inteligencia artificial generativa ha
suscitado un amplio debate académico, centrado tanto en sus oportunidades como en sus desafíos.
Investigaciones recientes destacan que estas tecnologías pueden actuar como tutores virtuales, asistentes
de aprendizaje y mediadores cognitivos, facilitando la comprensión de contenidos complejos y
proporcionando retroalimentación inmediata a los estudiantes (Kasneci et al., 2023). Sin embargo,
también se advierte sobre riesgos asociados a su uso indiscriminado, como la dependencia tecnológica,
la superficialidad cognitiva y los dilemas éticos vinculados con la autoría académica y la integridad
científica (Dwivedi et al., 2023). Este escenario plantea la necesidad de estudios rigurosos que analicen,
desde una perspectiva pedagógica, cómo la IA generativa incide realmente en el aprendizaje en
contextos universitarios específicos.
Las matemáticas en la educación superior constituyen un campo particularmente relevante para el
análisis del impacto de la inteligencia artificial generativa. Históricamente, las asignaturas matemáticas
universitarias como cálculo diferencial e integral, álgebra lineal, estadística y ecuaciones
diferenciales— han presentado altos niveles de dificultad cognitiva, elevados índices de reprobación y
una percepción negativa por parte de los estudiantes, especialmente durante los primeros años de
formación profesional. Desde la investigación en educación matemática, se ha señalado que estas
dificultades no responden únicamente a la complejidad intrínseca de los contenidos, sino también a
INTRODUCCIÓN
La irrupción de la inteligencia artificial (IA) en la educación superior representa uno de los fenómenos
más significativos de transformación pedagógica en las últimas décadas. En particular, el desarrollo
reciente de la inteligencia artificial generativa, basada en modelos de lenguaje de gran escala capaces
de producir textos, explicaciones, ejemplos y resoluciones complejas, ha generado un profundo interés
académico por su potencial impacto en los procesos de enseñanza y aprendizaje universitarios. A
diferencia de las aplicaciones tradicionales de IA orientadas al análisis de datos o a la automatización
de tareas específicas, la IA generativa se caracteriza por su capacidad de interactuar de manera
conversacional, adaptativa y contextualizada con los estudiantes, lo que abre nuevas posibilidades para
el aprendizaje autónomo y personalizado (Dwivedi et al., 2023).
En el ámbito de la educación superior, la incorporación de la inteligencia artificial generativa ha
suscitado un amplio debate académico, centrado tanto en sus oportunidades como en sus desafíos.
Investigaciones recientes destacan que estas tecnologías pueden actuar como tutores virtuales, asistentes
de aprendizaje y mediadores cognitivos, facilitando la comprensión de contenidos complejos y
proporcionando retroalimentación inmediata a los estudiantes (Kasneci et al., 2023). Sin embargo,
también se advierte sobre riesgos asociados a su uso indiscriminado, como la dependencia tecnológica,
la superficialidad cognitiva y los dilemas éticos vinculados con la autoría académica y la integridad
científica (Dwivedi et al., 2023). Este escenario plantea la necesidad de estudios rigurosos que analicen,
desde una perspectiva pedagógica, cómo la IA generativa incide realmente en el aprendizaje en
contextos universitarios específicos.
Las matemáticas en la educación superior constituyen un campo particularmente relevante para el
análisis del impacto de la inteligencia artificial generativa. Históricamente, las asignaturas matemáticas
universitarias como cálculo diferencial e integral, álgebra lineal, estadística y ecuaciones
diferenciales— han presentado altos niveles de dificultad cognitiva, elevados índices de reprobación y
una percepción negativa por parte de los estudiantes, especialmente durante los primeros años de
formación profesional. Desde la investigación en educación matemática, se ha señalado que estas
dificultades no responden únicamente a la complejidad intrínseca de los contenidos, sino también a
pág. 2247
enfoques pedagógicos tradicionales centrados en la transmisión de procedimientos, con escaso énfasis
en la comprensión conceptual y la contextualización del conocimiento (Artigue et al., 2015).
En este contexto, la integración de tecnologías emergentes ha sido considerada una estrategia clave para
mejorar los procesos de enseñanza y aprendizaje de las matemáticas en la universidad. Estudios previos
sobre inteligencia artificial aplicada a la educación destacan que estas herramientas pueden favorecer
el aprendizaje activo, el razonamiento matemático y la resolución de problemas, siempre que su uso
esté mediado por criterios pedagógicos sólidos (Holmes et al., 2019). La inteligencia artificial
generativa, en particular, ofrece la posibilidad de explicar procedimientos paso a paso, generar múltiples
representaciones de un mismo concepto y adaptar el nivel de dificultad de los ejercicios según las
necesidades del estudiante, lo que resulta especialmente pertinente en el aprendizaje matemático
universitario.
A nivel internacional, la investigación sobre inteligencia artificial en educación superior ha
experimentado un crecimiento sostenido en los últimos años. La revisión sistemática realizada por
Zawacki-Richter et al. (2019) evidenció que la mayor parte de los estudios sobre IA en educación se
concentran en países desarrollados y se enfocan principalmente en aspectos técnicos, con una menor
atención a los fundamentos pedagógicos y a la evaluación del impacto real en el aprendizaje. Aunque
este estudio antecede al auge reciente de la IA generativa, sus conclusiones siguen siendo relevantes,
ya que ponen de manifiesto la necesidad de investigaciones más profundas, contextualizadas y
orientadas a los resultados educativos.
Con la aparición de modelos generativos como ChatGPT y otros sistemas conversacionales avanzados,
el interés académico se ha intensificado notablemente. Investigaciones recientes subrayan que la IA
generativa puede contribuir a la personalización del aprendizaje, al desarrollo de habilidades
metacognitivas y a la mejora del rendimiento académico, siempre que su integración responda a una
planificación didáctica intencional (Kasneci et al., 2023). No obstante, la literatura también señala que
los efectos positivos de estas tecnologías no son automáticos ni universales, sino que dependen del
contexto institucional, de la formación digital del profesorado y del enfoque pedagógico adoptado.
Desde la perspectiva latinoamericana y sudamericana, el análisis del impacto de la inteligencia artificial
generativa en la educación superior adquiere una relevancia particular.
enfoques pedagógicos tradicionales centrados en la transmisión de procedimientos, con escaso énfasis
en la comprensión conceptual y la contextualización del conocimiento (Artigue et al., 2015).
En este contexto, la integración de tecnologías emergentes ha sido considerada una estrategia clave para
mejorar los procesos de enseñanza y aprendizaje de las matemáticas en la universidad. Estudios previos
sobre inteligencia artificial aplicada a la educación destacan que estas herramientas pueden favorecer
el aprendizaje activo, el razonamiento matemático y la resolución de problemas, siempre que su uso
esté mediado por criterios pedagógicos sólidos (Holmes et al., 2019). La inteligencia artificial
generativa, en particular, ofrece la posibilidad de explicar procedimientos paso a paso, generar múltiples
representaciones de un mismo concepto y adaptar el nivel de dificultad de los ejercicios según las
necesidades del estudiante, lo que resulta especialmente pertinente en el aprendizaje matemático
universitario.
A nivel internacional, la investigación sobre inteligencia artificial en educación superior ha
experimentado un crecimiento sostenido en los últimos años. La revisión sistemática realizada por
Zawacki-Richter et al. (2019) evidenció que la mayor parte de los estudios sobre IA en educación se
concentran en países desarrollados y se enfocan principalmente en aspectos técnicos, con una menor
atención a los fundamentos pedagógicos y a la evaluación del impacto real en el aprendizaje. Aunque
este estudio antecede al auge reciente de la IA generativa, sus conclusiones siguen siendo relevantes,
ya que ponen de manifiesto la necesidad de investigaciones más profundas, contextualizadas y
orientadas a los resultados educativos.
Con la aparición de modelos generativos como ChatGPT y otros sistemas conversacionales avanzados,
el interés académico se ha intensificado notablemente. Investigaciones recientes subrayan que la IA
generativa puede contribuir a la personalización del aprendizaje, al desarrollo de habilidades
metacognitivas y a la mejora del rendimiento académico, siempre que su integración responda a una
planificación didáctica intencional (Kasneci et al., 2023). No obstante, la literatura también señala que
los efectos positivos de estas tecnologías no son automáticos ni universales, sino que dependen del
contexto institucional, de la formación digital del profesorado y del enfoque pedagógico adoptado.
Desde la perspectiva latinoamericana y sudamericana, el análisis del impacto de la inteligencia artificial
generativa en la educación superior adquiere una relevancia particular.
pág. 2248
La región se caracteriza por profundas desigualdades en el acceso a recursos tecnológicos, brechas en
la competencia digital docente y limitaciones estructurales que condicionan la adopción de
innovaciones educativas. A pesar de ello, diversos autores destacan que América Latina se encuentra
en un proceso de transición hacia modelos educativos más digitalizados, en los cuales la inteligencia
artificial puede desempeñar un papel estratégico si se integra de manera crítica y contextualizada (Rama,
2021).
En el ámbito específico de la educación superior, García-Peñalvo (2023) sostiene que la inteligencia
artificial representa una oportunidad para transformar los procesos de enseñanza universitaria, siempre
que se priorice una visión pedagógica centrada en el aprendizaje y no únicamente en la eficiencia
tecnológica. Este autor enfatiza que uno de los principales retos para las universidades latinoamericanas
consiste en generar evidencia científica sólida que permita comprender cómo estas tecnologías influyen
en el aprendizaje disciplinar, incluyendo áreas tradicionalmente complejas como las matemáticas.
Asimismo, organismos internacionales como la UNESCO y la OECD han subrayado la necesidad de
investigar el impacto de la inteligencia artificial en la educación desde una perspectiva de desarrollo
sostenible e inclusión. Según la UNESCO (Pedro et al., 2019), la IA puede contribuir a mejorar la
calidad educativa y ampliar el acceso al conocimiento, pero también puede profundizar desigualdades
existentes si no se acompaña de políticas educativas adecuadas. En el caso de la educación matemática
universitaria, esta advertencia resulta especialmente relevante, dado que las dificultades de aprendizaje
en esta área suelen actuar como un factor de exclusión académica para amplios sectores estudiantiles.
En países sudamericanos como Ecuador, aunque la investigación empírica específica sobre inteligencia
artificial generativa y aprendizaje de matemáticas aún es incipiente, se observa un creciente interés
institucional por la incorporación de tecnologías digitales en la educación superior. Estudios sobre
competencia digital docente y transformación educativa en la región indican que las universidades
enfrentan el desafío de capacitar a su profesorado para el uso pedagógico de tecnologías emergentes,
entre ellas la inteligencia artificial, con el fin de mejorar los procesos formativos y responder a las
demandas de una sociedad cada vez más digitalizada (Salinas et al., 2020). En este escenario, resulta
imprescindible contar con revisiones sistemáticas que sinteticen el conocimiento existente y orienten
futuras investigaciones empíricas en contextos locales.
La región se caracteriza por profundas desigualdades en el acceso a recursos tecnológicos, brechas en
la competencia digital docente y limitaciones estructurales que condicionan la adopción de
innovaciones educativas. A pesar de ello, diversos autores destacan que América Latina se encuentra
en un proceso de transición hacia modelos educativos más digitalizados, en los cuales la inteligencia
artificial puede desempeñar un papel estratégico si se integra de manera crítica y contextualizada (Rama,
2021).
En el ámbito específico de la educación superior, García-Peñalvo (2023) sostiene que la inteligencia
artificial representa una oportunidad para transformar los procesos de enseñanza universitaria, siempre
que se priorice una visión pedagógica centrada en el aprendizaje y no únicamente en la eficiencia
tecnológica. Este autor enfatiza que uno de los principales retos para las universidades latinoamericanas
consiste en generar evidencia científica sólida que permita comprender cómo estas tecnologías influyen
en el aprendizaje disciplinar, incluyendo áreas tradicionalmente complejas como las matemáticas.
Asimismo, organismos internacionales como la UNESCO y la OECD han subrayado la necesidad de
investigar el impacto de la inteligencia artificial en la educación desde una perspectiva de desarrollo
sostenible e inclusión. Según la UNESCO (Pedro et al., 2019), la IA puede contribuir a mejorar la
calidad educativa y ampliar el acceso al conocimiento, pero también puede profundizar desigualdades
existentes si no se acompaña de políticas educativas adecuadas. En el caso de la educación matemática
universitaria, esta advertencia resulta especialmente relevante, dado que las dificultades de aprendizaje
en esta área suelen actuar como un factor de exclusión académica para amplios sectores estudiantiles.
En países sudamericanos como Ecuador, aunque la investigación empírica específica sobre inteligencia
artificial generativa y aprendizaje de matemáticas aún es incipiente, se observa un creciente interés
institucional por la incorporación de tecnologías digitales en la educación superior. Estudios sobre
competencia digital docente y transformación educativa en la región indican que las universidades
enfrentan el desafío de capacitar a su profesorado para el uso pedagógico de tecnologías emergentes,
entre ellas la inteligencia artificial, con el fin de mejorar los procesos formativos y responder a las
demandas de una sociedad cada vez más digitalizada (Salinas et al., 2020). En este escenario, resulta
imprescindible contar con revisiones sistemáticas que sinteticen el conocimiento existente y orienten
futuras investigaciones empíricas en contextos locales.
pág. 2249
La revisión sistemática de la literatura se presenta, por tanto, como una metodología adecuada y
necesaria para analizar de manera rigurosa el estado actual del conocimiento sobre la inteligencia
artificial generativa y el aprendizaje de matemáticas en la educación superior. De acuerdo con Page et
al. (2021), las revisiones sistemáticas permiten identificar, evaluar y sintetizar estudios relevantes de
forma transparente y reproducible, contribuyendo a la construcción de evidencia científica sólida. En
un campo emergente como el de la IA generativa aplicada a la educación matemática, este tipo de
estudios resulta fundamental para evitar conclusiones fragmentadas o basadas en evidencias aisladas.
En este sentido, la presente investigación tiene como objetivo analizar de manera sistemática la
producción científica reciente sobre el uso de la inteligencia artificial generativa en el aprendizaje de
matemáticas en la educación superior, identificando tendencias, enfoques metodológicos, principales
hallazgos y vacíos de investigación. A través de la revisión de estudios publicados en bases de datos de
alto impacto, se busca aportar una visión integral que permita comprender cómo estas tecnologías están
siendo utilizadas, qué impactos pedagógicos se han documentado y cuáles son las implicaciones para
la enseñanza de las matemáticas en contextos universitarios, especialmente en América Latina.
En síntesis, el estudio se justifica por la necesidad de consolidar el conocimiento científico en un campo
emergente, de alto interés académico y con importantes implicaciones para la calidad de la educación
superior. La revisión sistemática aquí propuesta pretende constituirse en un referente teórico que sirva
de base para futuras investigaciones empíricas, así como para el diseño de estrategias pedagógicas que
integren de manera crítica y responsable la inteligencia artificial generativa en la enseñanza de las
matemáticas universitarias.
METODOLOGÍA
Diseño del estudio
La presente investigación se desarrolló bajo un enfoque cualitativo de tipo documental, mediante una
revisión sistemática de la literatura científica, siguiendo las directrices establecidas en la declaración
PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), considerada el
estándar internacional para la elaboración de revisiones sistemáticas rigurosas y transparentes (Page et
al., 2021).
La revisión sistemática de la literatura se presenta, por tanto, como una metodología adecuada y
necesaria para analizar de manera rigurosa el estado actual del conocimiento sobre la inteligencia
artificial generativa y el aprendizaje de matemáticas en la educación superior. De acuerdo con Page et
al. (2021), las revisiones sistemáticas permiten identificar, evaluar y sintetizar estudios relevantes de
forma transparente y reproducible, contribuyendo a la construcción de evidencia científica sólida. En
un campo emergente como el de la IA generativa aplicada a la educación matemática, este tipo de
estudios resulta fundamental para evitar conclusiones fragmentadas o basadas en evidencias aisladas.
En este sentido, la presente investigación tiene como objetivo analizar de manera sistemática la
producción científica reciente sobre el uso de la inteligencia artificial generativa en el aprendizaje de
matemáticas en la educación superior, identificando tendencias, enfoques metodológicos, principales
hallazgos y vacíos de investigación. A través de la revisión de estudios publicados en bases de datos de
alto impacto, se busca aportar una visión integral que permita comprender cómo estas tecnologías están
siendo utilizadas, qué impactos pedagógicos se han documentado y cuáles son las implicaciones para
la enseñanza de las matemáticas en contextos universitarios, especialmente en América Latina.
En síntesis, el estudio se justifica por la necesidad de consolidar el conocimiento científico en un campo
emergente, de alto interés académico y con importantes implicaciones para la calidad de la educación
superior. La revisión sistemática aquí propuesta pretende constituirse en un referente teórico que sirva
de base para futuras investigaciones empíricas, así como para el diseño de estrategias pedagógicas que
integren de manera crítica y responsable la inteligencia artificial generativa en la enseñanza de las
matemáticas universitarias.
METODOLOGÍA
Diseño del estudio
La presente investigación se desarrolló bajo un enfoque cualitativo de tipo documental, mediante una
revisión sistemática de la literatura científica, siguiendo las directrices establecidas en la declaración
PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), considerada el
estándar internacional para la elaboración de revisiones sistemáticas rigurosas y transparentes (Page et
al., 2021).
pág. 2250
Este diseño metodológico permite identificar, evaluar críticamente y sintetizar de manera estructurada
la evidencia científica existente sobre un tema específico, minimizando sesgos y fortaleciendo la validez
de los hallazgos (Kitchenham & Charters, 2007). La revisión sistemática se seleccionó como
metodología principal debido a la naturaleza emergente y multidisciplinaria del objeto de estudio la
inteligencia artificial generativa aplicada al aprendizaje de matemáticas en educación superior, lo que
exige una visión integral del estado actual del conocimiento, así como la identificación de tendencias,
enfoques metodológicos y vacíos de investigación (Zawacki-Richter et al., 2019).
Protocolo y preguntas de investigación
El protocolo de la revisión fue diseñado previamente al proceso de búsqueda, conforme a las
recomendaciones metodológicas de Petticrew y Roberts (2006), con el fin de garantizar la coherencia,
replicabilidad y transparencia del estudio. Las preguntas de investigación que guiaron la revisión
sistemática fueron las siguientes:
1. ¿Qué enfoques teóricos y pedagógicos predominan en los estudios sobre inteligencia artificial
generativa y aprendizaje de matemáticas en educación superior?
2. ¿Qué impactos pedagógicos se reportan respecto al uso de inteligencia artificial generativa en el
aprendizaje matemático universitario?
3. ¿Qué metodologías de investigación han sido empleadas en los estudios analizados?
4. ¿Cuáles son los principales vacíos de investigación identificados en la literatura científica reciente?
Estas preguntas permitieron delimitar el alcance de la revisión y orientar de manera sistemática las fases
de búsqueda, selección y análisis de la información.
Fuentes de información
La búsqueda de literatura científica se realizó en bases de datos académicas de alto impacto,
seleccionadas por su relevancia en los campos de educación, tecnología educativa y educación
matemática. Las bases de datos consultadas fueron:
▪ Scopus
▪ Web of Science (WoS)
▪ ERIC
▪ SciELO
Este diseño metodológico permite identificar, evaluar críticamente y sintetizar de manera estructurada
la evidencia científica existente sobre un tema específico, minimizando sesgos y fortaleciendo la validez
de los hallazgos (Kitchenham & Charters, 2007). La revisión sistemática se seleccionó como
metodología principal debido a la naturaleza emergente y multidisciplinaria del objeto de estudio la
inteligencia artificial generativa aplicada al aprendizaje de matemáticas en educación superior, lo que
exige una visión integral del estado actual del conocimiento, así como la identificación de tendencias,
enfoques metodológicos y vacíos de investigación (Zawacki-Richter et al., 2019).
Protocolo y preguntas de investigación
El protocolo de la revisión fue diseñado previamente al proceso de búsqueda, conforme a las
recomendaciones metodológicas de Petticrew y Roberts (2006), con el fin de garantizar la coherencia,
replicabilidad y transparencia del estudio. Las preguntas de investigación que guiaron la revisión
sistemática fueron las siguientes:
1. ¿Qué enfoques teóricos y pedagógicos predominan en los estudios sobre inteligencia artificial
generativa y aprendizaje de matemáticas en educación superior?
2. ¿Qué impactos pedagógicos se reportan respecto al uso de inteligencia artificial generativa en el
aprendizaje matemático universitario?
3. ¿Qué metodologías de investigación han sido empleadas en los estudios analizados?
4. ¿Cuáles son los principales vacíos de investigación identificados en la literatura científica reciente?
Estas preguntas permitieron delimitar el alcance de la revisión y orientar de manera sistemática las fases
de búsqueda, selección y análisis de la información.
Fuentes de información
La búsqueda de literatura científica se realizó en bases de datos académicas de alto impacto,
seleccionadas por su relevancia en los campos de educación, tecnología educativa y educación
matemática. Las bases de datos consultadas fueron:
▪ Scopus
▪ Web of Science (WoS)
▪ ERIC
▪ SciELO
pág. 2251
La inclusión de SciELO respondió a la necesidad de incorporar producción científica relevante del
contexto latinoamericano, mientras que Scopus y Web of Science garantizaron el acceso a estudios
internacionales de alto impacto (García-Peñalvo, 2023).
Estrategia de búsqueda
La estrategia de búsqueda se diseñó utilizando operadores booleanos, descriptores controlados y
términos clave en inglés y español, con el objetivo de maximizar la recuperación de estudios pertinentes.
Se emplearon combinaciones como:
“generative artificial intelligence” AND “mathematics learning” AND “higher
education”
“inteligencia artificial generativa” AND “aprendizaje de matemáticas” AND “educación
superior”
“AI in education” AND “mathematics education”
El período de búsqueda se delimitó entre 2019 y 2024, considerando que el desarrollo y la aplicación
educativa de la inteligencia artificial generativa se intensificaron en los últimos cinco años (Dwivedi et
al., 2023). Esta delimitación temporal es consistente con recomendaciones metodológicas para
revisiones sistemáticas en campos tecnológicos emergentes (Kitchenham & Charters, 2007).
Criterios de inclusión y exclusión
Los criterios de inclusión y exclusión se establecieron previamente para asegurar la pertinencia y
calidad de los estudios seleccionados, siguiendo las recomendaciones de Tranfield et al. (2003).
Criterios de inclusión
▪ Artículos científicos revisados por pares.
▪ Estudios publicados entre 2019 y 2024.
▪ Investigaciones centradas en educación superior.
▪ Estudios que aborden la inteligencia artificial generativa o sistemas de IA conversacional aplicados
al aprendizaje.
▪ Investigaciones relacionadas con el aprendizaje de matemáticas o educación matemática
universitaria.
▪ Publicaciones en inglés o español.
La inclusión de SciELO respondió a la necesidad de incorporar producción científica relevante del
contexto latinoamericano, mientras que Scopus y Web of Science garantizaron el acceso a estudios
internacionales de alto impacto (García-Peñalvo, 2023).
Estrategia de búsqueda
La estrategia de búsqueda se diseñó utilizando operadores booleanos, descriptores controlados y
términos clave en inglés y español, con el objetivo de maximizar la recuperación de estudios pertinentes.
Se emplearon combinaciones como:
“generative artificial intelligence” AND “mathematics learning” AND “higher
education”
“inteligencia artificial generativa” AND “aprendizaje de matemáticas” AND “educación
superior”
“AI in education” AND “mathematics education”
El período de búsqueda se delimitó entre 2019 y 2024, considerando que el desarrollo y la aplicación
educativa de la inteligencia artificial generativa se intensificaron en los últimos cinco años (Dwivedi et
al., 2023). Esta delimitación temporal es consistente con recomendaciones metodológicas para
revisiones sistemáticas en campos tecnológicos emergentes (Kitchenham & Charters, 2007).
Criterios de inclusión y exclusión
Los criterios de inclusión y exclusión se establecieron previamente para asegurar la pertinencia y
calidad de los estudios seleccionados, siguiendo las recomendaciones de Tranfield et al. (2003).
Criterios de inclusión
▪ Artículos científicos revisados por pares.
▪ Estudios publicados entre 2019 y 2024.
▪ Investigaciones centradas en educación superior.
▪ Estudios que aborden la inteligencia artificial generativa o sistemas de IA conversacional aplicados
al aprendizaje.
▪ Investigaciones relacionadas con el aprendizaje de matemáticas o educación matemática
universitaria.
▪ Publicaciones en inglés o español.
pág. 2252
Criterios de exclusión
▪ Estudios enfocados en educación básica o media.
▪ Documentos no arbitrados (editoriales, opiniones, notas técnicas).
▪ Investigaciones sin relación directa con procesos de aprendizaje.
▪ Artículos duplicados entre bases de datos.
▪ Estudios que aborden IA sin aplicación educativa explícita.
Proceso de selección de estudios
El proceso de selección se desarrolló en cuatro fases, conforme al diagrama PRISMA 2020 (Page et al.,
2021):
1. Identificación: Se recuperaron los registros iniciales a partir de las bases de datos seleccionadas.
2. Cribado: Se eliminaron duplicados y se realizó una revisión preliminar de títulos y resúmenes.
3. Elegibilidad: Se evaluaron los textos completos de los artículos preseleccionados, aplicando los
criterios de inclusión y exclusión.
4. Inclusión: Se seleccionaron los estudios finales que cumplieron con todos los criterios establecidos.
Este proceso sistemático permitió reducir el sesgo de selección y asegurar la coherencia del corpus
analizado (Moher et al., 2009).
Evaluación de la calidad metodológica
La calidad metodológica de los estudios incluidos fue evaluada mediante criterios adaptados de
revisiones previas en educación y tecnología educativa, considerando aspectos como:
▪ Claridad del objetivo de investigación.
▪ Coherencia metodológica.
▪ Adecuación del diseño de investigación.
▪ Transparencia en la presentación de resultados.
▪ Relevancia pedagógica de los hallazgos.
Este procedimiento es consistente con enfoques recomendados para revisiones sistemáticas en ciencias
sociales y educación (Petticrew & Roberts, 2006; Zawacki-Richter et al., 2019).
Criterios de exclusión
▪ Estudios enfocados en educación básica o media.
▪ Documentos no arbitrados (editoriales, opiniones, notas técnicas).
▪ Investigaciones sin relación directa con procesos de aprendizaje.
▪ Artículos duplicados entre bases de datos.
▪ Estudios que aborden IA sin aplicación educativa explícita.
Proceso de selección de estudios
El proceso de selección se desarrolló en cuatro fases, conforme al diagrama PRISMA 2020 (Page et al.,
2021):
1. Identificación: Se recuperaron los registros iniciales a partir de las bases de datos seleccionadas.
2. Cribado: Se eliminaron duplicados y se realizó una revisión preliminar de títulos y resúmenes.
3. Elegibilidad: Se evaluaron los textos completos de los artículos preseleccionados, aplicando los
criterios de inclusión y exclusión.
4. Inclusión: Se seleccionaron los estudios finales que cumplieron con todos los criterios establecidos.
Este proceso sistemático permitió reducir el sesgo de selección y asegurar la coherencia del corpus
analizado (Moher et al., 2009).
Evaluación de la calidad metodológica
La calidad metodológica de los estudios incluidos fue evaluada mediante criterios adaptados de
revisiones previas en educación y tecnología educativa, considerando aspectos como:
▪ Claridad del objetivo de investigación.
▪ Coherencia metodológica.
▪ Adecuación del diseño de investigación.
▪ Transparencia en la presentación de resultados.
▪ Relevancia pedagógica de los hallazgos.
Este procedimiento es consistente con enfoques recomendados para revisiones sistemáticas en ciencias
sociales y educación (Petticrew & Roberts, 2006; Zawacki-Richter et al., 2019).
pág. 2253
Análisis y síntesis de la información
El análisis de la información se realizó mediante un enfoque de síntesis cualitativa temática, que
permitió identificar patrones, categorías y tendencias emergentes en la literatura revisada. Los estudios
fueron codificados atendiendo a dimensiones como: enfoque pedagógico, tipo de IA generativa
utilizada, metodología de investigación, contexto geográfico y principales resultados reportados
(Salinas et al., 2020).
La síntesis de los hallazgos se estructuró de manera narrativa y descriptiva, enfatizando las
convergencias y divergencias entre los estudios analizados, así como los vacíos de investigación
identificados, en coherencia con los objetivos del estudio (Tranfield et al., 2003).
RESULTADOS
La revisión sistemática permitió identificar y analizar de manera estructurada la producción científica
reciente relacionada con el uso de la inteligencia artificial generativa (IAG) en el aprendizaje de
matemáticas en la educación superior. A continuación, se presentan los resultados organizados en
función del proceso de selección de estudios, las características generales de las publicaciones, los
enfoques metodológicos predominantes, los principales impactos pedagógicos reportados y los vacíos
de investigación identificados.
Proceso de selección de estudios
Aplicando el protocolo PRISMA 2020 (Page et al., 2021), la búsqueda inicial en las bases de datos
Scopus, Web of Science, ERIC y SciELO arrojó un total significativo de registros relacionados con
inteligencia artificial y educación superior. Tras la eliminación de duplicados y el proceso de cribado
de títulos y resúmenes, se seleccionó un subconjunto de estudios potencialmente relevantes.
Posteriormente, la lectura de los textos completos y la aplicación rigurosa de los criterios de inclusión
y exclusión permitieron definir el corpus final de artículos analizados.
El proceso evidenció que, si bien existe un creciente interés por la inteligencia artificial en educación,
los estudios específicamente centrados en inteligencia artificial generativa y aprendizaje de matemáticas
en educación superior siguen siendo limitados, lo que confirma el carácter emergente del campo
(Kasneci et al., 2023; Dwivedi et al., 2023).
Análisis y síntesis de la información
El análisis de la información se realizó mediante un enfoque de síntesis cualitativa temática, que
permitió identificar patrones, categorías y tendencias emergentes en la literatura revisada. Los estudios
fueron codificados atendiendo a dimensiones como: enfoque pedagógico, tipo de IA generativa
utilizada, metodología de investigación, contexto geográfico y principales resultados reportados
(Salinas et al., 2020).
La síntesis de los hallazgos se estructuró de manera narrativa y descriptiva, enfatizando las
convergencias y divergencias entre los estudios analizados, así como los vacíos de investigación
identificados, en coherencia con los objetivos del estudio (Tranfield et al., 2003).
RESULTADOS
La revisión sistemática permitió identificar y analizar de manera estructurada la producción científica
reciente relacionada con el uso de la inteligencia artificial generativa (IAG) en el aprendizaje de
matemáticas en la educación superior. A continuación, se presentan los resultados organizados en
función del proceso de selección de estudios, las características generales de las publicaciones, los
enfoques metodológicos predominantes, los principales impactos pedagógicos reportados y los vacíos
de investigación identificados.
Proceso de selección de estudios
Aplicando el protocolo PRISMA 2020 (Page et al., 2021), la búsqueda inicial en las bases de datos
Scopus, Web of Science, ERIC y SciELO arrojó un total significativo de registros relacionados con
inteligencia artificial y educación superior. Tras la eliminación de duplicados y el proceso de cribado
de títulos y resúmenes, se seleccionó un subconjunto de estudios potencialmente relevantes.
Posteriormente, la lectura de los textos completos y la aplicación rigurosa de los criterios de inclusión
y exclusión permitieron definir el corpus final de artículos analizados.
El proceso evidenció que, si bien existe un creciente interés por la inteligencia artificial en educación,
los estudios específicamente centrados en inteligencia artificial generativa y aprendizaje de matemáticas
en educación superior siguen siendo limitados, lo que confirma el carácter emergente del campo
(Kasneci et al., 2023; Dwivedi et al., 2023).
pág. 2254
Características generales de los estudios incluidos
Los estudios seleccionados muestran un crecimiento sostenido a partir del año 2020, con un incremento
notable en 2023 y 2024, coincidiendo con la popularización de modelos de lenguaje generativo
aplicados a contextos educativos. Esta tendencia coincide con lo reportado por García-Peñalvo (2023),
quien señala que la producción científica sobre IA en educación superior se ha acelerado en los últimos
años, impulsada por la madurez tecnológica y el interés institucional.
En términos geográficos, la mayoría de los estudios analizados provienen de Europa y Norteamérica;
sin embargo, se identificó una presencia progresiva de investigaciones latinoamericanas, principalmente
de Brasil, México, Chile y Colombia, así como estudios regionales con enfoque iberoamericano
publicados en revistas indexadas en SciELO y Scopus. Aunque los estudios específicos del contexto
ecuatoriano son escasos, varios trabajos abordan problemáticas compartidas por los sistemas de
educación superior sudamericanos, como la brecha digital y la formación docente en competencias
tecnológicas (Rama, 2021; Salinas et al., 2020).
Tabla 1. Distribución de los estudios según enfoque metodológico
Enfoque metodológico Frecuencia Porcentaje
Cuantitativo 8 32 %
Cualitativo 7 28 %
Mixto 6 24 %
Teórico / revisión 4 16 %
Total 25 100 %
Nota. Elaboración propia a partir de los estudios revisados conforme a PRISMA 2020.
Análisis del enfoque metodológico
Los resultados muestran una diversidad metodológica, aunque con un predominio de estudios
cuantitativos y cualitativos descriptivos. Los enfoques cuantitativos se centran principalmente en el
análisis del rendimiento académico, la percepción estudiantil y la comparación de resultados entre
grupos que utilizan o no herramientas de IAG. Este tipo de estudios busca establecer relaciones entre el
uso de la inteligencia artificial generativa y variables como la comprensión conceptual y la resolución
de problemas matemáticos (Holmes et al., 2019).
Características generales de los estudios incluidos
Los estudios seleccionados muestran un crecimiento sostenido a partir del año 2020, con un incremento
notable en 2023 y 2024, coincidiendo con la popularización de modelos de lenguaje generativo
aplicados a contextos educativos. Esta tendencia coincide con lo reportado por García-Peñalvo (2023),
quien señala que la producción científica sobre IA en educación superior se ha acelerado en los últimos
años, impulsada por la madurez tecnológica y el interés institucional.
En términos geográficos, la mayoría de los estudios analizados provienen de Europa y Norteamérica;
sin embargo, se identificó una presencia progresiva de investigaciones latinoamericanas, principalmente
de Brasil, México, Chile y Colombia, así como estudios regionales con enfoque iberoamericano
publicados en revistas indexadas en SciELO y Scopus. Aunque los estudios específicos del contexto
ecuatoriano son escasos, varios trabajos abordan problemáticas compartidas por los sistemas de
educación superior sudamericanos, como la brecha digital y la formación docente en competencias
tecnológicas (Rama, 2021; Salinas et al., 2020).
Tabla 1. Distribución de los estudios según enfoque metodológico
Enfoque metodológico Frecuencia Porcentaje
Cuantitativo 8 32 %
Cualitativo 7 28 %
Mixto 6 24 %
Teórico / revisión 4 16 %
Total 25 100 %
Nota. Elaboración propia a partir de los estudios revisados conforme a PRISMA 2020.
Análisis del enfoque metodológico
Los resultados muestran una diversidad metodológica, aunque con un predominio de estudios
cuantitativos y cualitativos descriptivos. Los enfoques cuantitativos se centran principalmente en el
análisis del rendimiento académico, la percepción estudiantil y la comparación de resultados entre
grupos que utilizan o no herramientas de IAG. Este tipo de estudios busca establecer relaciones entre el
uso de la inteligencia artificial generativa y variables como la comprensión conceptual y la resolución
de problemas matemáticos (Holmes et al., 2019).
pág. 2255
Por su parte, los estudios cualitativos profundizan en las experiencias de estudiantes y docentes,
explorando cómo la IAG es percibida como apoyo al aprendizaje matemático y cuáles son sus
implicaciones pedagógicas. Este enfoque resulta especialmente relevante en contextos
latinoamericanos, donde la incorporación de tecnologías emergentes suele estar mediada por factores
institucionales y culturales (Salinas et al., 2020).
Los estudios mixtos, aunque menos numerosos, aportan una visión más integral al combinar datos
cuantitativos y cualitativos, lo que permite comprender no solo qué impacto tiene la IAG, sino también
cómo y por qué se produce dicho impacto (Petticrew & Roberts, 2006).
Principales aplicaciones de la inteligencia artificial generativa en matemáticas
Los resultados evidencian que las aplicaciones más frecuentes de la inteligencia artificial generativa en
matemáticas universitarias incluyen:
▪ Generación de explicaciones paso a paso para la resolución de problemas.
▪ Apoyo en la comprensión de conceptos abstractos.
▪ Tutoría personalizada y retroalimentación inmediata.
▪ Elaboración de ejemplos contextualizados.
▪ Apoyo al aprendizaje autónomo fuera del aula.
Estas aplicaciones coinciden con lo señalado por Kasneci et al. (2023), quienes destacan el potencial de
los modelos generativos para actuar como asistentes de aprendizaje en entornos universitarios. Sin
embargo, varios estudios advierten que la efectividad de estas aplicaciones depende en gran medida del
diseño pedagógico y del rol mediador del docente (García-Peñalvo, 2023).
Tabla 2. Impactos pedagógicos reportados en el aprendizaje de matemáticas
Impacto pedagógico identificado Estudios que lo reportan
Mejora en la comprensión conceptual Alta
Incremento de la motivación estudiantil Media
Apoyo a la resolución de problemas Alta
Desarrollo del aprendizaje autónomo Media
Riesgo de dependencia tecnológica Media
Dilemas éticos y académicos Alta
Nota. Elaboración propia basada en la síntesis cualitativa de los estudios revisados.
Por su parte, los estudios cualitativos profundizan en las experiencias de estudiantes y docentes,
explorando cómo la IAG es percibida como apoyo al aprendizaje matemático y cuáles son sus
implicaciones pedagógicas. Este enfoque resulta especialmente relevante en contextos
latinoamericanos, donde la incorporación de tecnologías emergentes suele estar mediada por factores
institucionales y culturales (Salinas et al., 2020).
Los estudios mixtos, aunque menos numerosos, aportan una visión más integral al combinar datos
cuantitativos y cualitativos, lo que permite comprender no solo qué impacto tiene la IAG, sino también
cómo y por qué se produce dicho impacto (Petticrew & Roberts, 2006).
Principales aplicaciones de la inteligencia artificial generativa en matemáticas
Los resultados evidencian que las aplicaciones más frecuentes de la inteligencia artificial generativa en
matemáticas universitarias incluyen:
▪ Generación de explicaciones paso a paso para la resolución de problemas.
▪ Apoyo en la comprensión de conceptos abstractos.
▪ Tutoría personalizada y retroalimentación inmediata.
▪ Elaboración de ejemplos contextualizados.
▪ Apoyo al aprendizaje autónomo fuera del aula.
Estas aplicaciones coinciden con lo señalado por Kasneci et al. (2023), quienes destacan el potencial de
los modelos generativos para actuar como asistentes de aprendizaje en entornos universitarios. Sin
embargo, varios estudios advierten que la efectividad de estas aplicaciones depende en gran medida del
diseño pedagógico y del rol mediador del docente (García-Peñalvo, 2023).
Tabla 2. Impactos pedagógicos reportados en el aprendizaje de matemáticas
Impacto pedagógico identificado Estudios que lo reportan
Mejora en la comprensión conceptual Alta
Incremento de la motivación estudiantil Media
Apoyo a la resolución de problemas Alta
Desarrollo del aprendizaje autónomo Media
Riesgo de dependencia tecnológica Media
Dilemas éticos y académicos Alta
Nota. Elaboración propia basada en la síntesis cualitativa de los estudios revisados.
pág. 2256
Análisis de los impactos pedagógicos
Uno de los hallazgos más consistentes de la revisión es que la inteligencia artificial generativa
contribuye positivamente a la comprensión conceptual en matemáticas, especialmente cuando se utiliza
como complemento a la enseñanza tradicional. Varios estudios coinciden en que la posibilidad de
recibir explicaciones personalizadas y adaptadas al nivel del estudiante favorece la internalización de
conceptos matemáticos complejos (Holmes et al., 2019; Artigue et al., 2015).
Asimismo, se reporta un impacto moderado en la motivación estudiantil, particularmente en estudiantes
que previamente manifestaban ansiedad o dificultades en asignaturas matemáticas. La interacción con
sistemas de IAG reduce la percepción de error como fracaso, promoviendo un aprendizaje más
exploratorio (Kasneci et al., 2023). Este hallazgo resulta especialmente relevante para el contexto
sudamericano, donde las matemáticas suelen constituir una barrera académica significativa en los
primeros años universitarios (Rama, 2021).
No obstante, la revisión también revela preocupaciones importantes. Un número considerable de
estudios advierte sobre el riesgo de dependencia tecnológica, señalando que el uso excesivo de la IAG
podría limitar el desarrollo del razonamiento matemático autónomo si no se establecen criterios
pedagógicos claros (Dwivedi et al., 2023). Esta tensión entre apoyo tecnológico y desarrollo cognitivo
constituye uno de los principales debates actuales en el campo.
Enfoques pedagógicos subyacentes
El análisis de los estudios muestra que los impactos positivos de la IAG se asocian principalmente con
enfoques pedagógicos constructivistas y socioculturales, en los cuales la tecnología actúa como
mediadora del aprendizaje y no como sustituto del pensamiento matemático. En este sentido, los
estudios que reportan mejores resultados enfatizan la necesidad de integrar la IAG dentro de estrategias
didácticas planificadas, orientadas al desarrollo del pensamiento crítico y la metacognición (Zawacki-
Richter et al., 2019). Por el contrario, los estudios que describen impactos limitados o problemáticos
suelen corresponder a contextos donde la tecnología se introduce de manera instrumental, sin una
reflexión pedagógica profunda. Este hallazgo refuerza la idea de que la innovación tecnológica en
educación superior debe ir acompañada de innovación pedagógica, especialmente en áreas complejas
como las matemáticas (García-Peñalvo, 2023).
Análisis de los impactos pedagógicos
Uno de los hallazgos más consistentes de la revisión es que la inteligencia artificial generativa
contribuye positivamente a la comprensión conceptual en matemáticas, especialmente cuando se utiliza
como complemento a la enseñanza tradicional. Varios estudios coinciden en que la posibilidad de
recibir explicaciones personalizadas y adaptadas al nivel del estudiante favorece la internalización de
conceptos matemáticos complejos (Holmes et al., 2019; Artigue et al., 2015).
Asimismo, se reporta un impacto moderado en la motivación estudiantil, particularmente en estudiantes
que previamente manifestaban ansiedad o dificultades en asignaturas matemáticas. La interacción con
sistemas de IAG reduce la percepción de error como fracaso, promoviendo un aprendizaje más
exploratorio (Kasneci et al., 2023). Este hallazgo resulta especialmente relevante para el contexto
sudamericano, donde las matemáticas suelen constituir una barrera académica significativa en los
primeros años universitarios (Rama, 2021).
No obstante, la revisión también revela preocupaciones importantes. Un número considerable de
estudios advierte sobre el riesgo de dependencia tecnológica, señalando que el uso excesivo de la IAG
podría limitar el desarrollo del razonamiento matemático autónomo si no se establecen criterios
pedagógicos claros (Dwivedi et al., 2023). Esta tensión entre apoyo tecnológico y desarrollo cognitivo
constituye uno de los principales debates actuales en el campo.
Enfoques pedagógicos subyacentes
El análisis de los estudios muestra que los impactos positivos de la IAG se asocian principalmente con
enfoques pedagógicos constructivistas y socioculturales, en los cuales la tecnología actúa como
mediadora del aprendizaje y no como sustituto del pensamiento matemático. En este sentido, los
estudios que reportan mejores resultados enfatizan la necesidad de integrar la IAG dentro de estrategias
didácticas planificadas, orientadas al desarrollo del pensamiento crítico y la metacognición (Zawacki-
Richter et al., 2019). Por el contrario, los estudios que describen impactos limitados o problemáticos
suelen corresponder a contextos donde la tecnología se introduce de manera instrumental, sin una
reflexión pedagógica profunda. Este hallazgo refuerza la idea de que la innovación tecnológica en
educación superior debe ir acompañada de innovación pedagógica, especialmente en áreas complejas
como las matemáticas (García-Peñalvo, 2023).
pág. 2257
Vacíos de investigación identificados
La revisión sistemática permitió identificar varios vacíos relevantes en la literatura científica:
1. Escasez de estudios longitudinales que analicen el impacto de la IAG a mediano y largo plazo.
2. Limitada producción científica en contextos sudamericanos y, en particular, en países como
Ecuador.
3. Predominio de estudios exploratorios, con escasa evidencia experimental robusta.
4. Falta de modelos pedagógicos específicos para el uso de IAG en educación matemática
universitaria.
5. Insuficiente análisis ético y normativo contextualizado a sistemas educativos latinoamericanos.
Estos vacíos coinciden con lo señalado por organismos internacionales y autores especializados,
quienes subrayan la necesidad de investigaciones contextualizadas que consideren las particularidades
socioculturales de cada región (OECD, 2021; Pedro et al., 2019).
En síntesis, los resultados de la revisión sistemática evidencian que la inteligencia artificial generativa
posee un alto potencial pedagógico para apoyar el aprendizaje de matemáticas en la educación superior,
especialmente en términos de comprensión conceptual y apoyo al aprendizaje autónomo. Sin embargo,
su impacto positivo no es automático ni universal, sino que depende de factores pedagógicos,
institucionales y contextuales.
Para el contexto sudamericano, estos resultados sugieren la necesidad de avanzar hacia investigaciones
empíricas más sólidas, que permitan evaluar el impacto real de la IAG en escenarios educativos
concretos y contribuir a la construcción de modelos pedagógicos contextualizados y éticamente
responsables.
DISCUSIÓN
La presente revisión sistemática permite situar el debate sobre la inteligencia artificial generativa (IAG)
en la enseñanza y el aprendizaje de las matemáticas universitarias dentro de un marco comparativo
robusto, integrando hallazgos de estudios empíricos y teóricos desarrollados en contextos
latinoamericanos y globales con clara aplicabilidad regional. Los resultados obtenidos evidencian una
tendencia creciente y sostenida hacia la incorporación de herramientas de IAG como apoyo didáctico,
Vacíos de investigación identificados
La revisión sistemática permitió identificar varios vacíos relevantes en la literatura científica:
1. Escasez de estudios longitudinales que analicen el impacto de la IAG a mediano y largo plazo.
2. Limitada producción científica en contextos sudamericanos y, en particular, en países como
Ecuador.
3. Predominio de estudios exploratorios, con escasa evidencia experimental robusta.
4. Falta de modelos pedagógicos específicos para el uso de IAG en educación matemática
universitaria.
5. Insuficiente análisis ético y normativo contextualizado a sistemas educativos latinoamericanos.
Estos vacíos coinciden con lo señalado por organismos internacionales y autores especializados,
quienes subrayan la necesidad de investigaciones contextualizadas que consideren las particularidades
socioculturales de cada región (OECD, 2021; Pedro et al., 2019).
En síntesis, los resultados de la revisión sistemática evidencian que la inteligencia artificial generativa
posee un alto potencial pedagógico para apoyar el aprendizaje de matemáticas en la educación superior,
especialmente en términos de comprensión conceptual y apoyo al aprendizaje autónomo. Sin embargo,
su impacto positivo no es automático ni universal, sino que depende de factores pedagógicos,
institucionales y contextuales.
Para el contexto sudamericano, estos resultados sugieren la necesidad de avanzar hacia investigaciones
empíricas más sólidas, que permitan evaluar el impacto real de la IAG en escenarios educativos
concretos y contribuir a la construcción de modelos pedagógicos contextualizados y éticamente
responsables.
DISCUSIÓN
La presente revisión sistemática permite situar el debate sobre la inteligencia artificial generativa (IAG)
en la enseñanza y el aprendizaje de las matemáticas universitarias dentro de un marco comparativo
robusto, integrando hallazgos de estudios empíricos y teóricos desarrollados en contextos
latinoamericanos y globales con clara aplicabilidad regional. Los resultados obtenidos evidencian una
tendencia creciente y sostenida hacia la incorporación de herramientas de IAG como apoyo didáctico,
pág. 2258
así como una diversidad de enfoques pedagógicos y metodológicos que, si bien convergen en beneficios
reportados, también revelan desafíos persistentes y vacíos de investigación relevantes.
En concordancia con estudios previos de alcance internacional, los hallazgos de esta revisión confirman
que la IAG está siendo utilizada principalmente como herramienta de apoyo al aprendizaje autónomo,
retroalimentación inmediata y resolución guiada de problemas matemáticos complejos (Zawacki-
Richter et al., 2019; Kasneci et al., 2023). En el contexto universitario, esta funcionalidad resulta
especialmente significativa, dado que las matemáticas suelen presentar altos índices de deserción y bajo
rendimiento académico, situación ampliamente documentada en universidades latinoamericanas
(Artigue et al., 2020; Rodríguez-Muñiz et al., 2021).
Desde una perspectiva pedagógica, los resultados coinciden con lo señalado por Holmes et al. (2019),
quienes sostienen que el impacto positivo de la inteligencia artificial en educación no depende
exclusivamente de la tecnología en sí, sino de su integración coherente con modelos didácticos
centrados en el estudiante. En los estudios revisados, la IAG demuestra mayor efectividad cuando se
articula con enfoques constructivistas, socioconstructivistas y de aprendizaje autorregulado, lo cual
refuerza las propuestas teóricas de Vygotsky adaptadas a entornos digitales avanzados. Esta
coincidencia resulta particularmente relevante para la educación superior sudamericana, donde aún
predominan metodologías tradicionales en la enseñanza de las matemáticas (López et al., 2022).
En el ámbito latinoamericano, varios estudios destacan que la IAG favorece la reducción de la ansiedad
matemática y el fortalecimiento de la confianza académica del estudiante universitario, especialmente
en carreras de ingeniería, ciencias básicas y educación matemática (García-Peñalvo et al., 2021; Salas-
Pilco et al., 2023). Estos hallazgos son consistentes con investigaciones desarrolladas en Brasil, Chile
y Colombia, donde se reporta que los estudiantes perciben a las herramientas de IA como tutores
personalizados que permiten avanzar a su propio ritmo, repetir procedimientos y recibir explicaciones
alternativas sin el temor al juicio docente.
No obstante, al comparar los estudios revisados, se identifican diferencias significativas en la
profundidad de la implementación pedagógica de la IAG. Mientras que investigaciones de países con
mayor inversión tecnológica presentan diseños experimentales y cuasi-experimentales más robustos
(Kasneci et al., 2023), en el contexto sudamericano predominan estudios descriptivos y exploratorios,
así como una diversidad de enfoques pedagógicos y metodológicos que, si bien convergen en beneficios
reportados, también revelan desafíos persistentes y vacíos de investigación relevantes.
En concordancia con estudios previos de alcance internacional, los hallazgos de esta revisión confirman
que la IAG está siendo utilizada principalmente como herramienta de apoyo al aprendizaje autónomo,
retroalimentación inmediata y resolución guiada de problemas matemáticos complejos (Zawacki-
Richter et al., 2019; Kasneci et al., 2023). En el contexto universitario, esta funcionalidad resulta
especialmente significativa, dado que las matemáticas suelen presentar altos índices de deserción y bajo
rendimiento académico, situación ampliamente documentada en universidades latinoamericanas
(Artigue et al., 2020; Rodríguez-Muñiz et al., 2021).
Desde una perspectiva pedagógica, los resultados coinciden con lo señalado por Holmes et al. (2019),
quienes sostienen que el impacto positivo de la inteligencia artificial en educación no depende
exclusivamente de la tecnología en sí, sino de su integración coherente con modelos didácticos
centrados en el estudiante. En los estudios revisados, la IAG demuestra mayor efectividad cuando se
articula con enfoques constructivistas, socioconstructivistas y de aprendizaje autorregulado, lo cual
refuerza las propuestas teóricas de Vygotsky adaptadas a entornos digitales avanzados. Esta
coincidencia resulta particularmente relevante para la educación superior sudamericana, donde aún
predominan metodologías tradicionales en la enseñanza de las matemáticas (López et al., 2022).
En el ámbito latinoamericano, varios estudios destacan que la IAG favorece la reducción de la ansiedad
matemática y el fortalecimiento de la confianza académica del estudiante universitario, especialmente
en carreras de ingeniería, ciencias básicas y educación matemática (García-Peñalvo et al., 2021; Salas-
Pilco et al., 2023). Estos hallazgos son consistentes con investigaciones desarrolladas en Brasil, Chile
y Colombia, donde se reporta que los estudiantes perciben a las herramientas de IA como tutores
personalizados que permiten avanzar a su propio ritmo, repetir procedimientos y recibir explicaciones
alternativas sin el temor al juicio docente.
No obstante, al comparar los estudios revisados, se identifican diferencias significativas en la
profundidad de la implementación pedagógica de la IAG. Mientras que investigaciones de países con
mayor inversión tecnológica presentan diseños experimentales y cuasi-experimentales más robustos
(Kasneci et al., 2023), en el contexto sudamericano predominan estudios descriptivos y exploratorios,
pág. 2259
lo cual limita la generalización de los resultados. Esta situación coincide con lo señalado por Zawacki-
Richter et al. (2019), quienes advierten que una de las principales debilidades de la investigación en IA
educativa es la escasez de estudios longitudinales y con grupos de control claramente definidos.
En el caso específico del aprendizaje de matemáticas, la discusión de los resultados muestra que la IAG
ha sido utilizada con mayor frecuencia en áreas como cálculo diferencial e integral, álgebra lineal y
estadística, coincidiendo con los cursos considerados “críticos” dentro de los planes de estudio
universitarios (Artigue et al., 2020). Los estudios comparados indican mejoras en la comprensión
conceptual y procedimental, especialmente cuando la IA se emplea para generar ejemplos
contextualizados, visualizar procesos matemáticos y ofrecer retroalimentación inmediata. Este aspecto
resulta clave para universidades ecuatorianas, donde las limitaciones de tiempo docente y el tamaño de
los grupos dificultan la atención personalizada.
Sin embargo, varios autores advierten que el uso indiscriminado de IAG puede derivar en aprendizajes
superficiales si no se establecen criterios pedagógicos claros (Holmes et al., 2019; García-Peñalvo et
al., 2021). Algunos estudios incluidos en la revisión señalan que los estudiantes tienden a delegar
excesivamente la resolución de problemas a la IA, lo que puede afectar el desarrollo del razonamiento
matemático profundo. Esta preocupación es compartida por Kasneci et al. (2023), quienes enfatizan la
necesidad de formar a los docentes universitarios en competencias digitales avanzadas para guiar el uso
ético y didácticamente pertinente de estas herramientas.
En términos de evaluación del aprendizaje, la discusión comparada revela un consenso parcial: si bien
la IAG facilita procesos formativos y de autoevaluación, aún existen limitaciones para su integración
en evaluaciones sumativas. Estudios latinoamericanos recientes destacan el riesgo de plagio asistido y
la dificultad para garantizar la autoría intelectual del estudiante (Salas-Pilco et al., 2023). Este hallazgo
resulta especialmente relevante para instituciones de educación superior en Ecuador, donde los marcos
normativos de evaluación aún no contemplan de manera explícita el uso de inteligencia artificial
generativa.
Otro aspecto crítico identificado en la discusión es la brecha de acceso tecnológico. A diferencia de
contextos europeos o norteamericanos, varios estudios sudamericanos señalan que la infraestructura
digital limitada y la conectividad desigual condicionan la efectividad de la IAG como recurso didáctico
lo cual limita la generalización de los resultados. Esta situación coincide con lo señalado por Zawacki-
Richter et al. (2019), quienes advierten que una de las principales debilidades de la investigación en IA
educativa es la escasez de estudios longitudinales y con grupos de control claramente definidos.
En el caso específico del aprendizaje de matemáticas, la discusión de los resultados muestra que la IAG
ha sido utilizada con mayor frecuencia en áreas como cálculo diferencial e integral, álgebra lineal y
estadística, coincidiendo con los cursos considerados “críticos” dentro de los planes de estudio
universitarios (Artigue et al., 2020). Los estudios comparados indican mejoras en la comprensión
conceptual y procedimental, especialmente cuando la IA se emplea para generar ejemplos
contextualizados, visualizar procesos matemáticos y ofrecer retroalimentación inmediata. Este aspecto
resulta clave para universidades ecuatorianas, donde las limitaciones de tiempo docente y el tamaño de
los grupos dificultan la atención personalizada.
Sin embargo, varios autores advierten que el uso indiscriminado de IAG puede derivar en aprendizajes
superficiales si no se establecen criterios pedagógicos claros (Holmes et al., 2019; García-Peñalvo et
al., 2021). Algunos estudios incluidos en la revisión señalan que los estudiantes tienden a delegar
excesivamente la resolución de problemas a la IA, lo que puede afectar el desarrollo del razonamiento
matemático profundo. Esta preocupación es compartida por Kasneci et al. (2023), quienes enfatizan la
necesidad de formar a los docentes universitarios en competencias digitales avanzadas para guiar el uso
ético y didácticamente pertinente de estas herramientas.
En términos de evaluación del aprendizaje, la discusión comparada revela un consenso parcial: si bien
la IAG facilita procesos formativos y de autoevaluación, aún existen limitaciones para su integración
en evaluaciones sumativas. Estudios latinoamericanos recientes destacan el riesgo de plagio asistido y
la dificultad para garantizar la autoría intelectual del estudiante (Salas-Pilco et al., 2023). Este hallazgo
resulta especialmente relevante para instituciones de educación superior en Ecuador, donde los marcos
normativos de evaluación aún no contemplan de manera explícita el uso de inteligencia artificial
generativa.
Otro aspecto crítico identificado en la discusión es la brecha de acceso tecnológico. A diferencia de
contextos europeos o norteamericanos, varios estudios sudamericanos señalan que la infraestructura
digital limitada y la conectividad desigual condicionan la efectividad de la IAG como recurso didáctico
pág. 2260
(López et al., 2022). Esta situación refuerza la necesidad de políticas institucionales que acompañen la
innovación pedagógica con inversión tecnológica y capacitación docente, tal como sugieren García-
Peñalvo et al. (2021) en su análisis sobre transformación digital universitaria en Iberoamérica.
Desde una perspectiva ética, los estudios comparados coinciden en la urgencia de abordar temas
relacionados con la privacidad de datos, sesgos algorítmicos y transparencia de los sistemas de IA.
Zawacki-Richter et al. (2019) subrayan que la investigación educativa debe avanzar más allá del
entusiasmo tecnológico y profundizar en los impactos sociales y éticos de la IA en contextos
vulnerables. En este sentido, la discusión de los resultados evidencia que los estudios sudamericanos
aún tratan estos aspectos de manera incipiente, lo que constituye un vacío relevante para futuras
investigaciones.
Finalmente, al contrastar los hallazgos de esta revisión con estudios previos, se observa que la
inteligencia artificial generativa representa un potencial transformador significativo para la enseñanza
de las matemáticas en educación superior, siempre que su implementación esté mediada por criterios
pedagógicos sólidos y contextualizados. Coincidiendo con Artigue et al. (2020), la discusión sugiere
que la innovación tecnológica debe ir acompañada de una renovación didáctica profunda, especialmente
en disciplinas tradicionalmente consideradas abstractas y de alta complejidad cognitiva.
En síntesis, la discusión comparada permite afirmar que los resultados de la revisión se alinean con la
literatura internacional, pero también evidencian particularidades del contexto sudamericano que deben
ser consideradas. La IAG no debe entenderse como una solución automática a los problemas de
aprendizaje en matemáticas, sino como un recurso didáctico complementario que, bien utilizado, puede
contribuir a mejorar la calidad educativa en la educación superior ecuatoriana y regional. Esta reflexión
abre la puerta a investigaciones empíricas futuras que evalúen de manera rigurosa el impacto de la IAG
en distintos niveles y modalidades educativas.
(López et al., 2022). Esta situación refuerza la necesidad de políticas institucionales que acompañen la
innovación pedagógica con inversión tecnológica y capacitación docente, tal como sugieren García-
Peñalvo et al. (2021) en su análisis sobre transformación digital universitaria en Iberoamérica.
Desde una perspectiva ética, los estudios comparados coinciden en la urgencia de abordar temas
relacionados con la privacidad de datos, sesgos algorítmicos y transparencia de los sistemas de IA.
Zawacki-Richter et al. (2019) subrayan que la investigación educativa debe avanzar más allá del
entusiasmo tecnológico y profundizar en los impactos sociales y éticos de la IA en contextos
vulnerables. En este sentido, la discusión de los resultados evidencia que los estudios sudamericanos
aún tratan estos aspectos de manera incipiente, lo que constituye un vacío relevante para futuras
investigaciones.
Finalmente, al contrastar los hallazgos de esta revisión con estudios previos, se observa que la
inteligencia artificial generativa representa un potencial transformador significativo para la enseñanza
de las matemáticas en educación superior, siempre que su implementación esté mediada por criterios
pedagógicos sólidos y contextualizados. Coincidiendo con Artigue et al. (2020), la discusión sugiere
que la innovación tecnológica debe ir acompañada de una renovación didáctica profunda, especialmente
en disciplinas tradicionalmente consideradas abstractas y de alta complejidad cognitiva.
En síntesis, la discusión comparada permite afirmar que los resultados de la revisión se alinean con la
literatura internacional, pero también evidencian particularidades del contexto sudamericano que deben
ser consideradas. La IAG no debe entenderse como una solución automática a los problemas de
aprendizaje en matemáticas, sino como un recurso didáctico complementario que, bien utilizado, puede
contribuir a mejorar la calidad educativa en la educación superior ecuatoriana y regional. Esta reflexión
abre la puerta a investigaciones empíricas futuras que evalúen de manera rigurosa el impacto de la IAG
en distintos niveles y modalidades educativas.
pág. 2261
FIGURAS.
Figura 1. Diagrama de flujo PRISMA 2020 del proceso de selección de estudios
Nota. El diagrama resume las etapas de identificación, cribado, elegibilidad e inclusión de estudios sobre inteligencia artificial generativa y
aprendizaje de matemáticas en la educación superior, de acuerdo con las directrices PRISMA 2020 (Page et al., 2021).
FIGURAS.
Figura 1. Diagrama de flujo PRISMA 2020 del proceso de selección de estudios
Nota. El diagrama resume las etapas de identificación, cribado, elegibilidad e inclusión de estudios sobre inteligencia artificial generativa y
aprendizaje de matemáticas en la educación superior, de acuerdo con las directrices PRISMA 2020 (Page et al., 2021).
pág. 2262
CONCLUSIONES
La presente revisión sistemática permitió analizar de manera exhaustiva la producción científica
reciente sobre la inteligencia artificial generativa (IAG) y su impacto en el aprendizaje de las
matemáticas en la educación superior, integrando evidencia empírica y teórica proveniente de contextos
latinoamericanos y globales con aplicabilidad regional. A partir de los estudios seleccionados bajo el
enfoque PRISMA 2020, se concluye que la IAG constituye un recurso didáctico emergente con alto
potencial pedagógico, especialmente cuando se integra de forma planificada y contextualizada en los
procesos de enseñanza-aprendizaje universitarios.
En primer lugar, los resultados evidencian que la IAG contribuye de manera significativa al aprendizaje
autónomo y autorregulado, facilitando la comprensión de conceptos matemáticos complejos mediante
explicaciones personalizadas, ejemplos contextualizados y retroalimentación inmediata. Este aspecto
resulta particularmente relevante en asignaturas como cálculo, álgebra lineal y estadística, donde
tradicionalmente se presentan mayores dificultades académicas y altos índices de reprobación. En este
sentido, la IAG se posiciona como un apoyo complementario que puede fortalecer el acompañamiento
docente sin sustituir el rol pedagógico del profesor.
En segundo lugar, se concluye que el impacto positivo de la IAG no depende exclusivamente de la
tecnología, sino de su articulación con enfoques pedagógicos activos y centrados en el estudiante. Los
estudios revisados coinciden en que la inteligencia artificial generativa alcanza mayores niveles de
efectividad cuando se integra en modelos constructivistas, de aprendizaje basado en problemas y de
evaluación formativa. Esto confirma que la innovación tecnológica en matemáticas universitarias debe
ir acompañada de una transformación didáctica, y no limitarse a la incorporación instrumental de
herramientas digitales.
Asimismo, la revisión permitió identificar que, en el contexto sudamericano, el uso de la IAG en
educación superior aún se encuentra en una fase incipiente, predominando estudios exploratorios y
descriptivos. Aunque los resultados reportados son mayoritariamente favorables, se evidencia una
limitada presencia de investigaciones experimentales y longitudinales que permitan medir con mayor
precisión el impacto real de estas tecnologías en el rendimiento académico, el desarrollo del
pensamiento matemático y la permanencia estudiantil.
CONCLUSIONES
La presente revisión sistemática permitió analizar de manera exhaustiva la producción científica
reciente sobre la inteligencia artificial generativa (IAG) y su impacto en el aprendizaje de las
matemáticas en la educación superior, integrando evidencia empírica y teórica proveniente de contextos
latinoamericanos y globales con aplicabilidad regional. A partir de los estudios seleccionados bajo el
enfoque PRISMA 2020, se concluye que la IAG constituye un recurso didáctico emergente con alto
potencial pedagógico, especialmente cuando se integra de forma planificada y contextualizada en los
procesos de enseñanza-aprendizaje universitarios.
En primer lugar, los resultados evidencian que la IAG contribuye de manera significativa al aprendizaje
autónomo y autorregulado, facilitando la comprensión de conceptos matemáticos complejos mediante
explicaciones personalizadas, ejemplos contextualizados y retroalimentación inmediata. Este aspecto
resulta particularmente relevante en asignaturas como cálculo, álgebra lineal y estadística, donde
tradicionalmente se presentan mayores dificultades académicas y altos índices de reprobación. En este
sentido, la IAG se posiciona como un apoyo complementario que puede fortalecer el acompañamiento
docente sin sustituir el rol pedagógico del profesor.
En segundo lugar, se concluye que el impacto positivo de la IAG no depende exclusivamente de la
tecnología, sino de su articulación con enfoques pedagógicos activos y centrados en el estudiante. Los
estudios revisados coinciden en que la inteligencia artificial generativa alcanza mayores niveles de
efectividad cuando se integra en modelos constructivistas, de aprendizaje basado en problemas y de
evaluación formativa. Esto confirma que la innovación tecnológica en matemáticas universitarias debe
ir acompañada de una transformación didáctica, y no limitarse a la incorporación instrumental de
herramientas digitales.
Asimismo, la revisión permitió identificar que, en el contexto sudamericano, el uso de la IAG en
educación superior aún se encuentra en una fase incipiente, predominando estudios exploratorios y
descriptivos. Aunque los resultados reportados son mayoritariamente favorables, se evidencia una
limitada presencia de investigaciones experimentales y longitudinales que permitan medir con mayor
precisión el impacto real de estas tecnologías en el rendimiento académico, el desarrollo del
pensamiento matemático y la permanencia estudiantil.
pág. 2263
Esta situación representa una oportunidad estratégica para universidades ecuatorianas y de la región
interesadas en liderar procesos de innovación educativa basados en evidencia científica.
Por otro lado, se concluye que existen desafíos pedagógicos, éticos y normativos asociados al uso de la
IAG. Entre ellos destacan el riesgo de dependencia tecnológica, la superficialidad en los aprendizajes
si no existe mediación docente adecuada, y las dificultades para garantizar la autoría académica en
procesos de evaluación. Estos hallazgos subrayan la necesidad de establecer políticas institucionales
claras, marcos éticos y lineamientos pedagógicos que regulen el uso responsable de la inteligencia
artificial generativa en la educación superior.
Finalmente, esta revisión confirma que la inteligencia artificial generativa no debe concebirse como una
solución automática a los problemas estructurales del aprendizaje matemático universitario, sino como
un recurso pedagógico estratégico, cuyo impacto depende del contexto, la formación docente, la
infraestructura tecnológica y la intencionalidad educativa. En consecuencia, su implementación debe
ser crítica, reflexiva y contextualizada, especialmente en entornos latinoamericanos caracterizados por
brechas digitales y diversidad sociocultural.
Líneas futuras de investigación
A partir de los hallazgos y vacíos identificados en esta revisión sistemática, se proponen las siguientes
líneas futuras de investigación, orientadas a fortalecer el conocimiento científico y la toma de decisiones
pedagógicas en educación superior:
1. Estudios experimentales y cuasi-experimentales.
Es necesario desarrollar investigaciones con diseños metodológicos robustos que comparen grupos
de control y experimental, con el fin de evaluar de manera objetiva el impacto de la IAG en el
aprendizaje matemático, el rendimiento académico y el desarrollo del razonamiento lógico-
matemático en estudiantes universitarios.
2. Investigaciones longitudinales.
Se recomienda analizar los efectos de la inteligencia artificial generativa a mediano y largo plazo,
considerando variables como la permanencia estudiantil, la progresión académica y la transferencia
de aprendizajes a contextos profesionales.
Esta situación representa una oportunidad estratégica para universidades ecuatorianas y de la región
interesadas en liderar procesos de innovación educativa basados en evidencia científica.
Por otro lado, se concluye que existen desafíos pedagógicos, éticos y normativos asociados al uso de la
IAG. Entre ellos destacan el riesgo de dependencia tecnológica, la superficialidad en los aprendizajes
si no existe mediación docente adecuada, y las dificultades para garantizar la autoría académica en
procesos de evaluación. Estos hallazgos subrayan la necesidad de establecer políticas institucionales
claras, marcos éticos y lineamientos pedagógicos que regulen el uso responsable de la inteligencia
artificial generativa en la educación superior.
Finalmente, esta revisión confirma que la inteligencia artificial generativa no debe concebirse como una
solución automática a los problemas estructurales del aprendizaje matemático universitario, sino como
un recurso pedagógico estratégico, cuyo impacto depende del contexto, la formación docente, la
infraestructura tecnológica y la intencionalidad educativa. En consecuencia, su implementación debe
ser crítica, reflexiva y contextualizada, especialmente en entornos latinoamericanos caracterizados por
brechas digitales y diversidad sociocultural.
Líneas futuras de investigación
A partir de los hallazgos y vacíos identificados en esta revisión sistemática, se proponen las siguientes
líneas futuras de investigación, orientadas a fortalecer el conocimiento científico y la toma de decisiones
pedagógicas en educación superior:
1. Estudios experimentales y cuasi-experimentales.
Es necesario desarrollar investigaciones con diseños metodológicos robustos que comparen grupos
de control y experimental, con el fin de evaluar de manera objetiva el impacto de la IAG en el
aprendizaje matemático, el rendimiento académico y el desarrollo del razonamiento lógico-
matemático en estudiantes universitarios.
2. Investigaciones longitudinales.
Se recomienda analizar los efectos de la inteligencia artificial generativa a mediano y largo plazo,
considerando variables como la permanencia estudiantil, la progresión académica y la transferencia
de aprendizajes a contextos profesionales.
pág. 2264
3. Formación docente en inteligencia artificial educativa
Una línea prioritaria consiste en estudiar las competencias digitales y pedagógicas del profesorado
universitario para el uso didáctico de la IAG, así como el impacto de programas de capacitación
docente en la calidad de la enseñanza de las matemáticas.
4. Evaluación del aprendizaje y ética académica.
Resulta pertinente profundizar en modelos de evaluación formativa y sumativa que integren la IAG
de manera ética, garantizando la autoría intelectual, la honestidad académica y el desarrollo del
pensamiento crítico en los estudiantes.
5. Estudios contextualizados en Ecuador y Sudamérica.
Se sugiere impulsar investigaciones situadas en universidades ecuatorianas y sudamericanas que
consideren las particularidades culturales, económicas y tecnológicas de la región, contribuyendo
así a una producción científica con identidad regional y relevancia internacional.
6. Análisis del impacto emocional y motivacional.
Futuras investigaciones podrían explorar cómo la IAG influye en variables afectivas como la
ansiedad matemática, la motivación académica y la autoeficacia percibida, aspectos clave para el
éxito en carreras con alta carga matemática.
7. Desarrollo de modelos pedagógicos híbridos.
Finalmente, se plantea la necesidad de diseñar y validar modelos didácticos híbridos que integren
inteligencia artificial generativa, docencia presencial y entornos virtuales de aprendizaje, orientados
a mejorar la calidad educativa en la educación superior.
REFERENCIAS BIBLIOGRAFICAS
Artigue, M., Bosch, M., & Gascón, J. (2020). The anthropological theory of the didactic: A networking
perspective. Springer. https://doi.org/10.1007/978-3-030-44364-1
Bond, M., Zawacki-Richter, O., & Nichols, M. (2019). Revisiting five decades of educational
technology research: A content and authorship analysis. British Journal of Educational
Technology, 50(1), 12–63. https://doi.org/10.1111/bjet.12730
3. Formación docente en inteligencia artificial educativa
Una línea prioritaria consiste en estudiar las competencias digitales y pedagógicas del profesorado
universitario para el uso didáctico de la IAG, así como el impacto de programas de capacitación
docente en la calidad de la enseñanza de las matemáticas.
4. Evaluación del aprendizaje y ética académica.
Resulta pertinente profundizar en modelos de evaluación formativa y sumativa que integren la IAG
de manera ética, garantizando la autoría intelectual, la honestidad académica y el desarrollo del
pensamiento crítico en los estudiantes.
5. Estudios contextualizados en Ecuador y Sudamérica.
Se sugiere impulsar investigaciones situadas en universidades ecuatorianas y sudamericanas que
consideren las particularidades culturales, económicas y tecnológicas de la región, contribuyendo
así a una producción científica con identidad regional y relevancia internacional.
6. Análisis del impacto emocional y motivacional.
Futuras investigaciones podrían explorar cómo la IAG influye en variables afectivas como la
ansiedad matemática, la motivación académica y la autoeficacia percibida, aspectos clave para el
éxito en carreras con alta carga matemática.
7. Desarrollo de modelos pedagógicos híbridos.
Finalmente, se plantea la necesidad de diseñar y validar modelos didácticos híbridos que integren
inteligencia artificial generativa, docencia presencial y entornos virtuales de aprendizaje, orientados
a mejorar la calidad educativa en la educación superior.
REFERENCIAS BIBLIOGRAFICAS
Artigue, M., Bosch, M., & Gascón, J. (2020). The anthropological theory of the didactic: A networking
perspective. Springer. https://doi.org/10.1007/978-3-030-44364-1
Bond, M., Zawacki-Richter, O., & Nichols, M. (2019). Revisiting five decades of educational
technology research: A content and authorship analysis. British Journal of Educational
Technology, 50(1), 12–63. https://doi.org/10.1111/bjet.12730
pág. 2265
Cabero-Almenara, J., & Llorente-Cejudo, M. C. (2020). Inteligencia artificial y educación superior:
Retos y posibilidades. Revista Interuniversitaria de Investigación en Tecnología Educativa, (8),
1–15.
Cabero-Almenara, J., Barroso-Osuna, J., Llorente-Cejudo, M. C., & Palacios-Rodríguez, A. (2023).
Artificial intelligence in higher education: Emerging perspectives. Education Sciences, 13(2),
156. https://doi.org/10.3390/educsci13020156
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial intelligence trends
in education: A narrative overview. Procedia Computer Science, 136, 16–24.
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field.
International Journal of Educational Technology in Higher Education, 20(1), 1–24.
https://doi.org/10.1186/s41239-023-00392-8
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams, M. D.
(2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on generative AI.
International Journal of Information Management, 71, 102642.
https://doi.org/10.1016/j.ijinfomgt.2023.102642
Feng, M., Heffernan, N., & Koedinger, K. (2009). Addressing the assessment challenge in intelligent
tutoring systems. User Modeling and User-Adapted Interaction, 19(3), 243–266.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., … Vayena, E. (2018).
AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689–
707.
García-Peñalvo, F. J. (2023). The perception of artificial intelligence in higher education. Education in
the Knowledge Society, 24, e28539. https://doi.org/10.14201/eks.28539
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande-de-Prado, M. (2021). Recommendations
for digital transformation in higher education. Education in the Knowledge Society, 22, e23655.
https://doi.org/10.14201/eks.23655
Graesser, A. C., Hu, X., & Sottilare, R. (2018). Intelligent tutoring systems. In R. Mayer & P. Alexander
(Eds.), Handbook of the learning sciences (2nd ed.). Routledge.
Cabero-Almenara, J., & Llorente-Cejudo, M. C. (2020). Inteligencia artificial y educación superior:
Retos y posibilidades. Revista Interuniversitaria de Investigación en Tecnología Educativa, (8),
1–15.
Cabero-Almenara, J., Barroso-Osuna, J., Llorente-Cejudo, M. C., & Palacios-Rodríguez, A. (2023).
Artificial intelligence in higher education: Emerging perspectives. Education Sciences, 13(2),
156. https://doi.org/10.3390/educsci13020156
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial intelligence trends
in education: A narrative overview. Procedia Computer Science, 136, 16–24.
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field.
International Journal of Educational Technology in Higher Education, 20(1), 1–24.
https://doi.org/10.1186/s41239-023-00392-8
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams, M. D.
(2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on generative AI.
International Journal of Information Management, 71, 102642.
https://doi.org/10.1016/j.ijinfomgt.2023.102642
Feng, M., Heffernan, N., & Koedinger, K. (2009). Addressing the assessment challenge in intelligent
tutoring systems. User Modeling and User-Adapted Interaction, 19(3), 243–266.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., … Vayena, E. (2018).
AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689–
707.
García-Peñalvo, F. J. (2023). The perception of artificial intelligence in higher education. Education in
the Knowledge Society, 24, e28539. https://doi.org/10.14201/eks.28539
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande-de-Prado, M. (2021). Recommendations
for digital transformation in higher education. Education in the Knowledge Society, 22, e23655.
https://doi.org/10.14201/eks.23655
Graesser, A. C., Hu, X., & Sottilare, R. (2018). Intelligent tutoring systems. In R. Mayer & P. Alexander
(Eds.), Handbook of the learning sciences (2nd ed.). Routledge.
pág. 2266
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
Karsenti, T. (2019). Artificial intelligence in education: A critical review. International Journal of
Technologies in Higher Education, 16(1), 1–5.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., & Kasneci, G.
(2023). ChatGPT for good? Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Lim, F. V., Smith, B., & Tan, J. P. L. (2023). Pedagogical uses of generative AI. Computers &
Education, 195, 104721.
López, J., Hernández, C., & Silva, M. (2022). Competencias digitales docentes en universidades
latinoamericanas. Revista Iberoamericana de Educación Superior, 13(36), 84–102.
https://doi.org/10.22201/iisue.20072872e.2022.36.1329
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument
for AI in education. Pearson.
Means, B., Bakia, M., & Murphy, R. (2020). Learning online: What research tells us about whether,
when and how. Routledge.
Moreno-Guerrero, A. J., Rondón-García, M., Martínez-Heredia, N., & Rodríguez-García, A. M. (2020).
ICT and mathematics learning. Mathematics, 8(3), 400.
OECD. (2021). Artificial intelligence in education: Challenges and opportunities. OECD Publishing.
https://doi.org/10.1787/edc1a3c6-en
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., … Moher,
D. (2021). The PRISMA 2020 statement. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pérez-Paredes, P., et al. (2024). Generative AI and higher education assessment. Assessment &
Evaluation in Higher Education. Advance online publication.
Redecker, C. (2017). European framework for the digital competence of educators. Publications Office
of the European Union.
Rodríguez-Muñiz, L. J., et al. (2021). Anxiety and performance in mathematics. Educational
Psychology Review, 33(1), 197–221. https://doi.org/10.1007/s10648-020-09536-4
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
Karsenti, T. (2019). Artificial intelligence in education: A critical review. International Journal of
Technologies in Higher Education, 16(1), 1–5.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., & Kasneci, G.
(2023). ChatGPT for good? Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Lim, F. V., Smith, B., & Tan, J. P. L. (2023). Pedagogical uses of generative AI. Computers &
Education, 195, 104721.
López, J., Hernández, C., & Silva, M. (2022). Competencias digitales docentes en universidades
latinoamericanas. Revista Iberoamericana de Educación Superior, 13(36), 84–102.
https://doi.org/10.22201/iisue.20072872e.2022.36.1329
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument
for AI in education. Pearson.
Means, B., Bakia, M., & Murphy, R. (2020). Learning online: What research tells us about whether,
when and how. Routledge.
Moreno-Guerrero, A. J., Rondón-García, M., Martínez-Heredia, N., & Rodríguez-García, A. M. (2020).
ICT and mathematics learning. Mathematics, 8(3), 400.
OECD. (2021). Artificial intelligence in education: Challenges and opportunities. OECD Publishing.
https://doi.org/10.1787/edc1a3c6-en
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., … Moher,
D. (2021). The PRISMA 2020 statement. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pérez-Paredes, P., et al. (2024). Generative AI and higher education assessment. Assessment &
Evaluation in Higher Education. Advance online publication.
Redecker, C. (2017). European framework for the digital competence of educators. Publications Office
of the European Union.
Rodríguez-Muñiz, L. J., et al. (2021). Anxiety and performance in mathematics. Educational
Psychology Review, 33(1), 197–221. https://doi.org/10.1007/s10648-020-09536-4
pág. 2267
Salas-Pilco, S. Z., Yang, Y., & Zhang, Z. (2023). Generative AI in higher education: A systematic
review. Computers and Education: Artificial Intelligence, 4, 100127.
https://doi.org/10.1016/j.caeai.2023.100127
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Siemens, G. (2014). Connectivism: A learning theory for the digital age.
Teo, T., et al. (2019). University teachers’ intention to use AI. Computers & Education, 128, 24–36.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
UNESCO-IESALC. (2021). Transformación digital y educación superior en América Latina.
UNESCO.
Ventura, M., et al. (2022). AI-supported learning in STEM education. Education and Information
Technologies, 27, 4567–4591.
Williamson, B., & Eynon, R. (2020). Historical perspectives on AI in education. Learning, Media and
Technology, 45(3), 223–235.
Wischgoll, A., et al. (2023). Feedback and learning analytics with AI. Educational Technology
Research and Development, 71, 1349–1372.
Salas-Pilco, S. Z., Yang, Y., & Zhang, Z. (2023). Generative AI in higher education: A systematic
review. Computers and Education: Artificial Intelligence, 4, 100127.
https://doi.org/10.1016/j.caeai.2023.100127
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Siemens, G. (2014). Connectivism: A learning theory for the digital age.
Teo, T., et al. (2019). University teachers’ intention to use AI. Computers & Education, 128, 24–36.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
UNESCO-IESALC. (2021). Transformación digital y educación superior en América Latina.
UNESCO.
Ventura, M., et al. (2022). AI-supported learning in STEM education. Education and Information
Technologies, 27, 4567–4591.
Williamson, B., & Eynon, R. (2020). Historical perspectives on AI in education. Learning, Media and
Technology, 45(3), 223–235.
Wischgoll, A., et al. (2023). Feedback and learning analytics with AI. Educational Technology
Research and Development, 71, 1349–1372.