IA generativa

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La IA generativa: sistemas de IA capaces de producir texto, código, imágenes y otros contenidos, de manera más destacada los grandes modelos de lenguaje como GPT-4 y Claude. La IA generativa es la tecnología que impulsa la actual oleada de IA en la educación y de investigación sobre ella.

Preguntas para reflexionar

• La IA generativa produce contenido fluido y de tono seguro bajo demanda. ¿La fluidez equivale a la corrección? ¿Dónde ha visto un resultado de tono seguro pero erróneo y qué hizo que fuera difícil detectarlo?
• A diferencia de los sistemas anteriores basados en reglas o en recuperación, los modelos generativos crean contenido nuevo en lugar de recuperar respuestas almacenadas. ¿Cómo cambia ese giro los riesgos (la alucinación, la dependencia excesiva, la integridad académica) respecto a un motor de búsqueda?
• Con más de 80 artículos, la IA generativa es la línea más amplia de esta base de conocimiento, y abarca la tutoría, la evaluación, la generación de contenido y la seguridad. ¿Qué aplicación le parece la más prometedora para el aprendizaje y cuál la más peligrosa, y por qué?
• La misma tecnología que puede generar un tutorial socrático también puede producir una «trampa de la respuesta correcta» que fomenta la copia. ¿Qué decisiones de diseño podrían separar una IA generativa que ofrece andamiaje al aprendizaje de otra que lo cortocircuita?

Introducción

Qué hace diferente a la IA generativa para la educación

A diferencia de los sistemas anteriores basados en reglas o en recuperación, la IA generativa produce contenido fluido y adecuado al contexto bajo demanda. Esto crea tanto oportunidades sin precedentes como riesgos nuevos:

• Generación de contenido: los LLM pueden crear materiales didácticos, ejemplos y explicaciones. Los libros de texto sintéticos, los vídeos adaptativos y los vídeos didácticos muestran el alcance de la generación de contenido educativo.

• Borradores de planificación de clases que dependen de la plataforma y del idioma. La evaluación de la IA por parte de especialistas de planes de clase de ciencias generados muestra que la calidad del contenido no es uniforme ni neutral. Karaismailoglu, Surmeli y Yildirim (2026) pidieron a once especialistas de Educación científica que puntuaran ChatGPT-4 y una herramienta centrada en la educación (Teacher's Buddy) frente a las etapas de aprendizaje basado en el diseño de ingeniería de sexto grado: la plataforma centrada en la educación superó a la de propósito general en los ocho criterios de calidad, pero 7 de los 11 especialistas siguieron calificando los planes solo como «aplicables con correcciones». Ambas plataformas generaron resultados pedagógicamente más ricos a partir de prompts en inglés que en turco, incluso cuando se les pidió localizarlos para Mersin (Turquía), una preocupación de equidad digital en la que el idioma del prompt da forma a la calidad didáctica.

• Tutoría y diálogo: los sistemas de tutoría con IA usan la IA generativa para la instrucción conversacional. El diálogo socrático y la tutoría colaborativa aprovechan las capacidades generativas para la interacción pedagógica.

• Pacientes simulados y coherencia del caso. Un corpus anotado por varios expertos con 4.815 mensajes entre estudiantado e IA de la plataforma MeduAI-SP (Yang et al., 2026) encontró que solo alrededor del 0,68% de las respuestas de pacientes estandarizados generadas por LLM contenían problemas claros de fidelidad, y que la divulgación progresiva se valoró como clínicamente apropiada en aproximadamente el 99,3% de los mensajes de los pacientes. Esto respalda la afirmación de que los pacientes simulados con IA generativa pueden mantener la coherencia del caso y una divulgación dependiente de la indagación y no prematura bajo un guion YAML estructurado (qwen-max), lo que los convierte en un entorno lo bastante estable para la investigación de resultados y no solo para demostraciones de verosimilitud, mientras el sistema retenía deliberadamente los diagnósticos y las puntuaciones sumativas durante el aprendizaje.

• Evaluación: la corrección automática de ensayos, la calificación automatizada y la evaluación formativa dependen cada vez más de modelos generativos. Los puntos de referencia corroboran este giro para el trabajo abierto: Pecuchova, Benko y Drlik (2025) encontraron que los modelos de IA generativa sensibles al contexto (GPTo1 alcanzó una concordancia casi perfecta con quienes calificaban) superaron con claridad a los enfoques anteriores de incrustaciones de frases al calificar respuestas abiertas del estudiantado, que dependían de una coincidencia rígida con la referencia y clasificaban mal respuestas válidas pero formuladas de otro modo. Olvet et al. (2026) lo extienden a la educación médica previa a las prácticas clínicas, donde la puntuación de preguntas abiertas por GPT-4 alcanzó una concordancia interevaluador de sustancial a casi perfecta con el profesorado (kappa ponderada de hasta 0,94), pero solo después de que las personas refinaran la rúbrica de forma iterativa a lo largo de tres rondas y permanecieran en el bucle para arbitrar las discrepancias, mientras que la pregunta más sintética, con rúbrica holística, se quedó en una concordancia moderada (κw = 0,54). Es evidencia de que la fiabilidad de la evaluación generativa está determinada tanto por la ingeniería humana de rúbricas y el análisis de patrones de error como por el modelo en bruto. Sin embargo, esa misma fluidez no se generaliza entre tipos de ítem: Falahat et al. (2026) encontraron que ChatGPT-5 igualaba al profesorado en ítems objetivos de exámenes de farmacia (CCC 0,935-1,000) pero no en ítems de respuesta corta (≈0) ni de ensayo (0,341-0,854), y una rúbrica estructurada no cerró la brecha de forma fiable.

• Riesgos: la alucinación, la dependencia excesiva, la Descarga cognitiva y las preocupaciones sobre la Integridad académica surgen específicamente de la fluidez y la Accesibilidad de la IA generativa.

• Un problema de seguridad del aprendizaje más allá de la calidad de la salida. Rahimi (2026) sostiene que la IA generativa puede elevar la calidad del trabajo de quien aprende a la vez que realiza trabajo cognitivo que esa persona necesita hacer, por lo que la seguridad debería juzgarse por la trayectoria de desarrollo humano —la Seguridad del Aprendizaje, que protege las competencias, y la Solidez del Aprendizaje, que apoya su desarrollo— y no por la exactitud, el sesgo o la privacidad.

• Las afirmaciones de eficacia miden el desempeño, no el aprendizaje. La mayor estimación del campo —un metaanálisis de 69 estudios que informa de g = 0,7 para ChatGPT y herramientas similares— agrupa el éxito inmediato en la tarea y no la retención diferida y sin asistencia, por lo que no es evidencia de que la IA generativa produzca aprendizaje (Yan et al., 2025).

• Generación de entornos de aprendizaje: los modelos generativos especializados ahora convierten un resumen de curso directamente en artefactos de aprendizaje terminados. CogEvol (Tu et al. 2026), una familia de modelos entrenados para generar en una sola pasada diapositivas estructuradas y páginas HTML interactivas autocontenidas, completa una diapositiva en una mediana de 17 segundos y una página interactiva en 59, en lugar de un agente con Andamiaje de varios turnos que tardaba minutos. La fiabilidad se garantiza mediante una canalización de producción que convierte los fallos reales en 53.687 muestras SFT verificadas, además de una recompensa híbrida de reglas más VLM para el aprendizaje por refuerzo con GRPO. Esto sitúa la IA generativa como un motor de autoría de contenido, con implicaciones para los flujos de producción del profesorado y del diseño curricular, y para evaluar si los entornos de aprendizaje generados por IA son funcional y pedagógicamente sólidos y no solo visualmente pulidos.

Un censo del uso de herramientas por parte del profesorado muestra que la atención se concentra en la producción más que en la instrucción: las herramientas de imagen, audio, vídeo y presentación constituyeron aproximadamente la mitad de las 50 herramientas nominadas por 211 docentes de nueve países, mientras que las herramientas de tutoría y de chatbot formaron el grupo orientado a la enseñanza más pequeño (Bower, Torrington y Lai (2026)).

La cobertura de la IA generativa en la base de conocimiento

Con más de 80 artículos, la IA generativa es la línea tecnológica más amplia de la base de conocimiento. A lo largo de sus 394 estudios, ChatGPT con una versión no especificada apareció en 94, la familia ChatGPT-3/3.5 en 66 y la familia ChatGPT-4 en 52, de modo que muchas de las capacidades declaradas describen generaciones de modelos ya superadas (Lin et al. (2026)). La investigación abarca estudios de eficacia (metaanálisis), preocupaciones de seguridad (daños de los tutores, barreras de seguridad) y principios de diseño (orientación didáctica).

Agrupada en 53 estudios, la educación asistida por IA generativa superó a los enfoques sin IA generativa en rendimiento (g = 0,40), pensamiento de orden superior (g = 0,72), motivación (g = 0,81) y escritura (g = 0,76), aunque la IA generativa asistida por juegos no añadió un beneficio significativo (g = 0,24) (Dong (2026)).

Un metaanálisis de tres niveles de 22 estudios encuentra que el aprendizaje basado en problemas y en proyectos apoyado por IA generativa produce un efecto agrupado grande sobre los resultados internos de quien aprende (g = 0,819), aunque una corrección PET-PEESE lo reduce a g = 0,378; la forma de incorporación también importó, con los chatbots generales agrupados en g = 0,970 frente a g = 0,455 para sistemas personalizados o de API (Chen (2026)).

Un metaanálisis separado de 42 estudios solo sobre motivación sitúa el efecto agrupado más abajo (g = 0,764) e informa de un intervalo de predicción del 95% que abarca [−0,689, 2,217], de modo que la ventaja motivacional no es fiablemente positiva para un entorno nuevo (Fang et al. (2026)).

La interfaz de usuario generativa es la capacidad más reciente de esta línea: modelos que emiten un artefacto interactivo funcional (controles deslizantes, simulaciones manipulables) en lugar de prosa. Kovshov et al. (2026), un equipo de Google Research, informan de que la interfaz generativa disponible comercialmente todavía no es lo bastante precisa desde el punto de vista pedagógico para constructos complejos, pero que descomponer un objetivo de aprendizaje en metas progresivas por niveles y envolver la generación en bucles de crítica y automejora produce materiales interactivos que el profesorado experto considera aceptables. El suyo es un diseño de orquestación: el profesorado declara los objetivos, los aprueba y elige entre simulaciones candidatas, de modo que la restricción vinculante para el material de aprendizaje interactivo a medida se desplaza de la producción a la especificación, y las barreras de seguridad pedagógicas quedan integradas en la canalización de generación en lugar de dejarse después a la vigilancia del profesorado.

Más allá de estas líneas centrales, trabajos recientes amplían la base de evidencia a contextos institucionales, interactivos y de dominio. Qin (2026) documenta cómo la Universidad de Lingnan institucionalizó la alfabetización en IA generativa para todo el estudiantado de grado como parte de una transformación digital de las artes liberales. Chang y Li (2026) muestran que las conversaciones entre estudiantado e IA codifican una implicación cognitiva asociada a la disciplina, con un ~62% de prompts que reflejan demanda cognitiva de orden superior. Neto y sus colegas (2026) revisan sistemáticamente la IA generativa en la educación sanitaria basada en escenarios, y encuentran que el diseño de prompts funciona como especificación didáctica, pero rara vez se alinea con marcos didácticos (34,8%) o se comunica con detalle reproducible (34,8%). La IA generativa también impulsa simulaciones de juego de rol de estudiantes para la formación del profesorado basada en la práctica: Zhuang y Zhang (2025) crearon Student GPT, un chatbot personalizado de ChatGPT que simulaba a un estudiante de secundaria con ideas erróneas habituales sobre el razonamiento con razones, lo que daba al futuro profesorado de matemáticas una práctica asequible y específica del contenido para diagnosticar el pensamiento del estudiantado. Es evidencia de que el diseño de prompts (un prompt fundamentado en la literatura provocaba de forma fiable los errores conceptuales objetivo, 0,98 frente a 0,40) puede orientar un modelo generativo disponible comercialmente hacia una persona pedagógica útil.

Un estudio de caso de desarrollo profesional en matemáticas guiado por IA generativa con ocho docentes en ejercicio de distritos rurales y con pocos recursos hizo que Bicer et al. (2026) abordaran la creatividad matemática, el conocimiento del contenido y el conocimiento didáctico del contenido como un razonamiento interconectado a lo largo de diez módulos, y atribuyen el resultado al desvanecimiento progresivo del andamiaje y al razonamiento estudiantil simulado; informan de patrones de implicación, no de ganancias medibles.

Una revisión sistemática sobre docentes de idiomas (Li et al. 2026) encuentra que el profesorado valora más la IA generativa para el trabajo preparatorio de contenido (planificación de clases, creación de materiales y apoyo a la escritura) y muestra reticencia ante su uso en el aula en directo, con preocupaciones centradas en la integridad académica (el plagio y la validez de la evaluación), el desplazamiento profesional y el tecnoestrés; la adopción está determinada por factores de identidad profesional, pedagógicos, técnicos, institucionales y de integridad, y las lagunas de competencia se corresponden con la episteme, la techne y la phronesis.

La generación de contenido también va más allá de las matemáticas y llega al codiseño de recursos de aprendizaje con el profesorado, por ejemplo, andamiajes de Simulación codiseñados entre docentes e IA para el aprendizaje STEM con drones que preservan la validez didáctica y la relevancia contextual. En la educación artística STEAM infantil, Luo y Tahir (2025) cuantificaron experimentalmente las ventajas de los planes de clase asistidos por ChatGPT frente a los generados por el profesorado (mediana valorada por expertos: 20,5 frente a 17,6; p = 0,002; efecto grande), pero el mismo estudio documenta que un resultado fluido conlleva modos de fallo reales en la generación para el aula: planes idealizados o poco prácticos para la enseñanza diaria, restricciones de seguridad infantil que se pasan por alto (por ejemplo, sugerir cuchillos de tallar para niños pequeños), sesgo cultural centrado en Occidente y generación de imágenes o recursos lógicamente defectuosos o irrelevantes. Su aportación es un marco de prompts (Rol-Instrucciones-Objetivo final, más una rúbrica de calidad de «cuatro puntos y una línea») que traslada la pregunta sobre la fiabilidad de si el modelo puede generar a cómo los prompts y los criterios de evaluación deben limitarlo para su uso pedagógico. Los usos orientados a la equidad siguen poco explorados; una iniciativa de espacio maker de IA generativa solo para chicas en Europa combinó dos herramientas de IA generativa con pedagogía feminista para abordar las desigualdades de género persistentes en la participación en informática, y analizó las imágenes generadas por las chicas con IA generativa y las reflexiones de las partes interesadas. Las aplicaciones de asistencia e inclusión son una línea en crecimiento: Khlaif et al. (2026), un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual en Palestina, encontraron que la IA generativa adapta el ritmo, el contenido y la presentación a perfiles de aprendizaje individuales, simplifica textos académicos complejos y convierte contenido entre modalidades, y el estudiantado la percibe como un complemento del profesorado y no como un sustituto.

• La IA generativa como agente pedagógico en la alfabetización mediática crítica en primaria. Demir y Akar (2026) operacionalizan el modelo didáctico 5E con herramientas de IA generativa (ChatGPT para preguntas reflexivas y preguntas y respuestas, Grammarly y Canva AI para el refinamiento del contenido, Padlet para la retroalimentación entre pares) integradas fase por fase y no como añadidos aislados, en un programa de alfabetización mediática crítica de 18 horas para estudiantado turco de cuarto grado alineado con los currículos turcos de Lengua y Ciencias Sociales. El grupo apoyado por IA mostró grandes mejoras en lectura de medios (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17; todas p < 0,01), con tamaños del efecto entre grupos de d de Cohen = 1,12 (lectura), 1,18 (escritura) y 1,31 (alfabetización total), mientras que el grupo de control avanzó solo de forma modesta. El análisis cualitativo reveló seis ámbitos de crecimiento en alfabetización mediática crítica: autoprotección digital y privacidad de los datos, uso intencionado y responsable de los medios, comunicación segura y conciencia de los límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea, y Ética/ciudadanía digital de los medios, lo que ilustra cómo la IA generativa puede diseñarse dentro de un currículo como un agente pedagógico con andamiaje que cultiva la evaluación crítica en lugar de cortocircuitarla.

La IA generativa en ámbitos especializados: apoyo a la dislexia

Una revisión sistemática interdisciplinar de 2026 (Dabaghi, D'Urso y Sciarrone, guiada por PRISMA, 2018-2024, n=72) encuentra que la IA generativa está infrautilizada en el ámbito de apoyo a la dislexia. La investigación sobre IA generativa (toda de 2024) se agrupa en chatbots inteligentes, apoyo a la formación del profesorado y estudios exploratorios, y está superando rápidamente al aprendizaje automático clásico como herramienta de elección, pero la experimentación rigurosa y la validación en el mundo real siguen en gran medida ausentes. El análisis de tendencias futuras de la revisión apunta a materiales personalizados impulsados por IA generativa y retroalimentación adaptativa en tiempo real, modelos de diagnóstico multimodales que integran seguimiento ocular, EEG y analítica del comportamiento, sistemas de tutoría inteligente y agentes conversacionales impulsados por PLN, y herramientas de apoyo para el profesorado. Esto ilustra tanto la promesa de la IA generativa para la generación de contenido y el apoyo interactivo en un ámbito especializado y de alta necesidad como el riesgo de que su adopción vaya por delante de la base de evidencia.

Concepciones erróneas comunes

• «Un tamaño del efecto grande significa que la herramienta mejora el aprendizaje.» La mayor estimación del campo —un metaanálisis de 69 estudios que informa de g = 0,7 para ChatGPT y herramientas similares— agrupa el éxito inmediato en la tarea, no la retención, la transferencia ni la comprensión. El mismo problema se aplica a la estimación agrupada de 53 estudios (g = 0,40 en rendimiento, 0,72 en pensamiento de orden superior, 0,81 en motivación, 0,76 en escritura): son resultados medidos cerca de la intervención, en tareas parecidas a la intervención. Una auditoría de 14 metaanálisis que afirmaban que la IA mejora la educación encontró que ninguno justificaba sus afirmaciones. Trate cualquier cifra llamativa como evidencia sobre el desempeño en determinadas condiciones, y pregunte qué se midió y cuándo.
• «El modelo más nuevo lo arreglará.» La generación del modelo no es la restricción vinculante. ChatGPT-5 igualó al profesorado humano en ítems objetivos de exámenes de farmacia (CCC 0,935–1,000) pero no en ítems de respuesta corta (≈0) ni de ensayo (0,341–0,854), y una rúbrica estructurada no cerró la brecha de forma fiable. Las ganancias de capacidad en tareas cerradas no se han trasladado proporcionalmente al trabajo abierto, que es donde vive la mayor parte de la evaluación.
• «Los datos de uso muestran que funciona.» En el mapeo de 394 estudios, ChatGPT con una versión no especificada apareció en 94 estudios y la familia 3/3.5 en 66, de modo que una parte importante de las afirmaciones publicadas sobre capacidades describen generaciones de modelos ya superadas, y muchos estudios no informan de la versión. El comportamiento declarado está ligado a un modelo concreto y a una fecha concreta, lo que hace que las afirmaciones sin fecha sobre la «IA generativa» sean infalsables en lugar de generales.
• «Es seguro porque expertos anotaron el corpus.» Un corpus anotado por varios expertos con 4.815 mensajes entre estudiantado e IA encontró que solo alrededor del 0,68% de los mensajes contenían el contenido dañino o fuera de tarea que el esquema de codificación estaba diseñado para detectar. Eso es un hallazgo sobre la tasa base, no sobre la seguridad: los eventos raros son raros, y las colas de fallo de un sistema son justamente los casos que un corpus de ese tamaño difícilmente logra caracterizar.

Qué significa esto para la práctica

Para el profesorado

• Diseñe la evaluación y la herramienta a la vez. Donde la IA es fuerte en ítems objetivos y poco fiable en ensayos, un plan de evaluación que pondera los ensayos tiene que incorporar verificación explícita en lugar de un borrador generado.
• Indique el modelo y la versión en su propia evidencia de aula y en todo lo que informe. Las afirmaciones sin fecha no se pueden comprobar, y la versión a menudo explica el resultado más que la pedagogía.
• Trate el horizonte de novedad como real y corto. Los efectos agrupados se miden cerca de la intervención; planifique el declive que documenta el trabajo longitudinal en lugar de sorprenderse por él.

Para quienes desarrollan

• No planifique la hoja de ruta con tamaños del efecto agrupados. Una auditoría de 14 metaanálisis encontró que ninguno justificaba sus afirmaciones, así que una afirmación de producto basada en una g llamativa se apoya en una metodología que no resiste el escrutinio.
• Instrumente la tasa base antes de optimizarla. Una incidencia del 0,68% significa que la mayor parte del trabajo de calidad ocurre en la cola, y el desempeño en la cola es lo que determina si un despliegue es aceptable.
• Informe la versión, la fecha y el tipo de tarea con cada cifra de referencia que publique, porque una afirmación de capacidad que las omite no es reproducible.

Conceptos conectados

• Grandes modelos de lenguaje (LLM) — la clase de modelos que sustenta la IA generativa
• Ingeniería de prompts — cómo se modelan los resultados
• RAG (Generación Aumentada por Recuperación) — fundamentación aumentada por recuperación
• Alfabetización en IA — la competencia necesaria para usarla de forma eficaz
• IA en la educación — el campo más amplio
• Tutoría inteligente — sistemas de tutoría conversacional y generativa
• Descarga cognitiva — el riesgo de dependencia excesiva que amplifica la IA generativa
• Riesgo de alucinación — un riesgo central de fiabilidad del contenido generado
• Integridad académica — preocupaciones de integridad derivadas de la generación fluida
• Evaluación automatizada — modelos generativos en la calificación y la retroalimentación
• Tecnologías — el paraguas de las técnicas y los modelos de IA
• Educación superior — un contexto de despliegue principal
• K-12 — un contexto de despliegue principal
• Reflexión

Artículos conectados

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Metaanálisis del efecto de la IA generativa sobre la motivación para aprender, con un intervalo de predicción que abarca del daño al beneficio

• Typology of Generative AI Tools for Education — Tipología de herramientas de IA generativa para la educación

• Harnessing Generative UI for Education: Tailored Learning Interactives — Aprovechar la interfaz generativa para la educación: interactivos de aprendizaje a medida

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training

• SSAIL: A Design Framework for Safe and Sound AI for Learning — SSAIL: un marco de diseño para una IA segura y sólida para el aprendizaje

• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Metanálisis de los resultados de aprendizaje con IA generativa

• A meta-analysis of the effect of generative AI on productivity and learning in programming — Metanálisis de la IA generativa en el aprendizaje de programación

• Distinguishing performance gains from learning when using generative AI — Desempeño frente a aprendizaje con IA generativa

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Daños de los agentes de tutoría con IA

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — Guardrailing a safe RAG LLM tutor

• CogEvol: Towards Efficient and Reliable Learning Environment Generation — CogEvol: Learning Environment Generation

• Assistive generative AI for visually impaired learners: Personalization and inclusion in higher education — Assistive GenAI for visually impaired learners

• A systematic review of language educators' practices and development with GenAI — Prácticas y desarrollo profesional del profesorado de lenguas con IA generativa

• ChatGPT-assisted lesson planning for children's STEAM arts education: An experimental study on benefits, challenges, methods, and a prompt framework

• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching

• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models

• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?

• Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions — Evaluación de modelos preentrenados para la valoración pedagógica de preguntas educativas novedosas asistidas por IA

• How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge — Un estudio de caso de desarrollo profesional en matemáticas guiado por IA generativa con ocho docentes rurales en ejercicio

• Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis — g agrupada = 0,819 que baja a 0,378 con PET-PEESE; las herramientas personalizadas (0,455) rindieron por debajo de los chatbots (0,970)