Conceptos
Educación matemática
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Educación matemática: el estudio de cómo los estudiantes aprenden matemáticas y de cómo la IA puede apoyar la enseñanza de las matemáticas, abarcando la tutoría afectiva, el diagnóstico cognitivo a partir de trabajo manuscrito, la evaluación del esfuerzo productivo, la conducta de búsqueda de ayuda, la colaboración docente-IA para la generación visual y las trayectorias de interacción estudiante-IA. La educación matemática es el área de investigación específica de dominio más activa de esta literatura, con 32 artículos que exploran en conjunto cómo la IA puede apoyar, y a veces socavar, el aprendizaje matemático desde las fracciones de primaria hasta la educación superior.
Preguntas para considerar
- Los problemas matemáticos tienen respuestas correctas claras y a la vez exigen un razonamiento rico, y por eso las matemáticas son un banco de pruebas privilegiado para la tutoría con IA. Cuando usted está atascado en un problema de matemáticas, ¿qué tipo de ayuda le ayuda realmente a aprender: una respuesta, una pista o una pregunta? ¿Y a cuál recurrirá probablemente la IA por defecto?
- La investigación encuentra que los tutores de IA suelen caer por defecto en la sobreayuda y rara vez empujan hacia el rigor, incluso cuando los estudiantes están listos. Si usted diseña un tutor, ¿cómo decide cuándo retener la ayuda para preservar el "esfuerzo productivo" que construye comprensión?
- Los estudiantes que piden pistas demasiado pronto o las leen por encima tienden a aprender menos. ¿Alguna vez ha recurrido a una pista por impaciencia y no por esfuerzo genuino? ¿Qué revela eso sobre cómo el apoyo de IA puede socavar el aprendizaje en lugar de apoyarlo?
- Los sistemas de diagnóstico cognitivo con IA a veces alucinan evidencia y sobreatribuyen errores, e incluso los modelos fuertes rinden peor al leer el trabajo manuscrito real de los estudiantes. ¿Cuánta confianza tendría en un tutor que diagnostica qué se equivocó a partir de sus borradores?
- Los LLM invierten sus respuestas entre formulaciones matemáticamente equivalentes de un problema: el mismo problema presentado de otra manera cambia el resultado. ¿Qué dice esto sobre el uso de la IA para puntuar o diagnosticar la comprensión matemática?
Introducción
La educación matemática se ha convertido en un dominio primario de la investigación sobre IA en educación porque los problemas matemáticos tienen respuestas correctas claras y a la vez exigen un razonamiento rico, lo que los hace ideales para estudiar la eficacia de la tutoría, la validez de la evaluación y cómo las herramientas de IA interactúan con la cognición y el afecto del estudiante. La investigación revela tanto la promesa de los tutores matemáticos de IA como desafíos persistentes: el andamiaje excesivo que socava el esfuerzo productivo, la alucinación en el diagnóstico cognitivo y la dificultad de equilibrar la asistencia de la IA con el aprendizaje genuino.
Temas clave de investigación
La tutoría matemática con IA y el andamiaje es el grupo más grande, con cuatro artículos que examinan cómo los tutores de IA apoyan o socavan el aprendizaje matemático. MathBuddy demuestra que añadir conciencia afectiva, detectando emociones del estudiante a partir del texto y de las expresiones faciales, produce una ventaja de 23 puntos en la tasa de victorias en la tutoría matemática, lo que conecta con la computación afectiva y la tutoría afectiva. TutorMoments evalúa 462 transcripciones anotadas por docentes de tutoría matemática de los grados 2 a 7 y encuentra que los modelos de frontera caen por defecto en la sobreayuda y rara vez empujan hacia el rigor incluso cuando los estudiantes están listos, lo que desafía directamente la alineación entre la utilidad de la IA y los principios del andamiaje. An et al. analizaron 999 estudiantes a lo largo de tres semestres en el ITS Decimal Point y encontraron que las solicitudes prematuras de pistas y la lectura superficial de las pistas predicen de forma consistente menores ganancias de aprendizaje, incluso después de controlar el conocimiento previo, un hallazgo que conecta con la búsqueda de ayuda y la analítica del aprendizaje.
Los beneficios de plantear problemas son superficiales. Con 57 futuros docentes de matemáticas que plantearon problemas de división de fracciones antes y con Gemini, las puntuaciones de rúbrica subieron de 5,95 a 6,65 sobre 8. La ganancia se situó en el contexto y el lenguaje, mientras que el tipo de problema y la resolubilidad no tenían margen para moverse, y la invocación de un significado de la división de fracciones subió desde un piso de 1,00 hasta 1,37 (Incikabi, 2026).
La notación perceptual es en sí misma una variable de diseño de la tarea: Zhang et al. (2026) hallaron que los diseños de señales visuales en problemas de orden de operaciones se dividen entre andamiajes y dificultades deseables. Al ajustar modelos BKT específicos de cada condición de señal a 19.952 puntos de datos de 688 estudiantes de sexto grado, encontraron que el espaciado congruente con color neutro (CSNC) era un andamiaje consistente: la única condición por delante de la referencia sin señal en el postest (B = 0,33, p = 0,011). El espaciado neutro con color incongruente (NSIC) produjo la tasa de adivinación más baja (0,190), la tasa de aprendizaje más alta (0,0379) y la tasa de olvido más baja (0,0054).
Una penalización de satisfacción. Guiar a un tutor LLM mediante un plan de fracaso productivo en lugar de dejar que responda elevó la fidelidad a la estrategia y produjo 2,6 intentos de solución por sesión en un estudio de 17 estudiantes de secundaria, y aun así los estudiantes calificaron al tutor de fracaso productivo como menos útil que una línea base (Puech et al. (2025)).
El apoyo socioemocional puede comprar eficiencia en lugar de logro. Añadir una capa de atención plena con LLM a un tutor de álgebra de séptimo grado dejó el aprendizaje y la ansiedad matemática de estado sin cambios entre los brazos (42 de 252 estudiantes analizados tras las interrupciones), y sin embargo los estudiantes en la condición de atención plena alcanzaron un aprendizaje comparable con menos tiempo y menos pistas solicitadas (Rief et al., 2026).
Agrupado entre dominios de materia, el efecto de la IA generativa en la motivación para el aprendizaje fue mayor en lengua (g = 0,946) y moderado en matemáticas (g = 0,711, IC del 95% [0,356, 1,066], k = 4), así que el caso motivacional de la IA generativa en matemáticas se apoya en un subgrupo pequeño y exploratorio y no en un efecto estable (Fang et al. (2026)). Externalización dentro de las tareas de matemáticas. Los rastros de chat de 23 estudiantes de álgebra lineal muestran que la mezcla de prompts se movía con la tarea mientras el 90% de las entregas se mantenía cerca de la salida del modelo, y un curso de demostraciones con 153 estudiantes encontró ganancias en las tareas apoyadas por IA sin ninguna ganancia en el examen (Kontorovich y Wallach (2026); Chen et al. (2026)).
El diagnóstico cognitivo y la evaluación exploran la capacidad de la IA para valorar el pensamiento matemático. Razavi y Powers (2026) añaden un estudio de dificultad de ítems a gran escala que abarca matemáticas y lectura: en 5.170 ítems de K-5 calibrados con el modelo IRT de Rasch, las valoraciones de dificultad en zero-shot de GPT-4o correlacionaron de moderada a fuertemente con las dificultades reales (r = 0,83 en matemáticas, r = 0,81 en lectura) pero fueron desiguales entre grados, mientras que un enfoque basado en características (características extraídas por LLM introducidas en modelos de árbol) alcanzó correlaciones de hasta r = 0,87, con el nivel de grado y el recuento de palabras como los mejores predictores. El estudio ofrece un flujo de trabajo práctico de siete pasos para profesionales de la evaluación y advierte que la generalizabilidad más allá de matemáticas y lectura de K-5 no está clara. MathCog evaluó 18 LLM con 3.036 veredictos diagnósticos anotados por docentes a partir de trabajo matemático manuscrito y encontró que todos los modelos rinden muy por debajo (F1 < 0,5), con sobreatribución sistemática y alucinación de evidencia, lo que conecta con el rastreo de conocimiento, el riesgo de alucinación y los desafíos de evaluación multimodales. Nath et al. mostraron que la resolución de problemas matemáticos con LLM es muy sensible a la representación superficial: los modelos invierten la corrección entre formulaciones equivalentes de un problema, lo que plantea preocupaciones de validez de la evaluación para la puntuación matemática basada en IA. Olaoye, Owolabi y Olaoye (2026) muestran una ruta contrastante para evaluar respuestas matemáticas: su Automated Extended Essay Grading Software puntúa ítems matemáticos de respuesta extendida en un examen de Economía de secundaria superior por similitud semántica con el esquema de corrección de la WAEC, sin entrenamiento con guiones calificados. Coincidió con 12 examinadores humanos con una correlación intraclase de 0,863 (medidas promedio), con coeficientes de Pearson de 0,604 a 0,864. La concordancia se sitúa donde las marcas son más bajas: el software promedió 5,94 sobre 20 frente a 5,97 de los evaluadores, cada examinador calificó solo 84 de los 1.008 guiones, y los autores atribuyen las puntuaciones bajas a la falta de familiaridad de los candidatos con la respuesta por computadora.
El compromiso del estudiantado y la alfabetización en IA examinan cómo interactúan los estudiantes con las herramientas matemáticas de IA. Abdelghani et al. rastrearon trayectorias temporales de la interacción estudiante-IA en el aprendizaje matemático e identificaron una ruta de desarrollo desde el diseño de prompts superficial hasta la "proactividad epistémica", la búsqueda activa y autodirigida de comprensión conceptual. Esto conecta con la alfabetización en IA, la metacognición y el aprendizaje autorregulado. Holman encontró que las plataformas adaptativas con IA mejoraron significativamente la comprensión de fracciones en estudiantes con dificultades de aprendizaje matemático, lo que conecta con el aprendizaje personalizado y el aprendizaje adaptativo.
El apoyo al profesorado explora herramientas de IA para docentes de matemáticas. El juego de rol con estudiantes simulados también sirve a la práctica docente: Zhuang y Zhang (2025) construyeron Student GPT, un chatbot personalizado de ChatGPT que interpretaba a un estudiante de escuela media con concepciones erróneas comunes sobre el razonamiento proporcional, y que daba a futuros docentes de matemáticas de secundaria una práctica de bajo riesgo para diagnosticar y guiar el pensamiento del estudiante hacia soluciones correctas. Ilustra la simulación impulsada por IA generativa como complemento de plataformas costosas como TeachLivE para construir conocimiento didáctico del contenido sobre las concepciones erróneas del estudiantado.
Los futuros docentes pueden explorar con IA generativa pero todavía no validarla. En un curso de Álgebra Abstracta, 13 de 18 futuros docentes de matemáticas eran adecuados construyendo ejemplos y contraejemplos, mientras que 14 de 18 se situaban en los dos niveles más bajos al juzgar si una respuesta de la IA era válida (Nurlaelah et al. (2026)).
Las herramientas de IA para el aula también crean un trabajo de orquestación que la tipología anterior no nombra: la observación de seis clases de matemáticas de secundaria encontró docentes monitoreando paneles, corrigiendo la retroalimentación errónea de la IA y mediando su salida para la clase, con el contenido y el juicio ético más visibles al corregir un error de la IA (Noh y Kim, 2026).
La única síntesis de nivel de campo de este dominio es una revisión PRISMA de 2021-2025 con 42 estudios cribados de 922 registros (kappa de Cohen = 0,88), y añade una categoría que los otros grupos no tienen: la automatización dirigida al profesorado, donde MATH41 apoya la producción rápida de tareas matemáticas para estudiantes de distintos niveles. El modelo híbrido CognifyNet analiza después los patrones de actividad de los estudiantes para que los educadores detecten dificultades emergentes a tiempo. La misma revisión sitúa el punto ciego del campo: con Educación en el 60% y Ciencias de la Computación en el 28% de los dominios de estudio, solo un estudio cayó en Psicología, lo que deja el impacto emocional, la confianza y la ética comparativamente poco explorados, e insiste en que la capacidad técnica no debe equipararse a una eficacia demostrada en el aula. (Omirzakova et al., 2026)
La inclusión es una propiedad del diseño, no un subproducto de la capacidad. Una revisión de 38 fuentes empareja el Diseño Universal para el Aprendizaje con el modelo SAMR y encuentra que la IA puede redefinir una tarea matemática y a la vez dejarla inaccesible para estudiantes cuyo idioma, dispositivo o conectividad no encajan (Jita, Jita y Omoniyi, 2026).
El ranking de desafíos del dominio pone primero la capacidad docente. Una segunda revisión sistemática, de 54 estudios entre 2017 y 2025, contó la integración tecnológico-pedagógica y la preparación docente en 38, los riesgos de equidad y acceso en 34 y los límites al razonamiento profundo en 29, y los vincula con respuestas instruccionales en un marco tridimensional (Manto et al. (2026)).
Las matemáticas en la educación superior exploran el impacto de la IA en la práctica matemática avanzada. Bui et al. aplicaron la teoría sociocultural a la IA generativa en las matemáticas universitarias y analizaron la IA como un "objeto desbocado" que transforma la práctica académica de formas que superan las normas institucionales y pedagógicas.
Los obstáculos simbólicos en cálculo son de representación y no de procedimiento: la traducción de gráfico a símbolo fue el obstáculo dominante, y tras una secuencia apoyada por IA los errores simbólicos codificados cayeron entre un 27,4% y un 53,8% (Nursit et al., 2026).
La tutoría con LLM y el diseño instruccional es un grupo emergente de dos estudios de 2026 que afinan la base de evidencia de la educación matemática. Looi, Liu y Sun (2026) desarrollaron un sistema de tutoría con LLM guiado por reglas para problemas matemáticos de primaria cuya arquitectura de tres capas (diagnóstico, selección de intención y generación de respuesta restringida) mejoró la consistencia interactiva y redujo la entrega prematura de respuestas en un piloto de aula con 40 estudiantes de quinto grado. Es evidencia de que los dominios matemáticos procedimentales necesitan guardarraíles de reglas estructuradas sobre un andamiaje de LLM por lo demás estocástico. Zhu, Liang, Mao y Wang (2026) aplicaron un modelo de aula inteligente a estudiantes de maestría en educación matemática y encontraron ganancias estadísticamente significativas (p < 0,05) en el diseño de objetivos instruccionales en las dimensiones de estándares curriculares, libro de texto y condiciones del estudiante.
El diseño de prompts es en sí mismo una palanca medible: en la prueba comparativa MathDial, un "Tutor Prompt" socrático y pedagógicamente informado elevó Success@N y redujo marcadamente Telling@N respecto a un prompt base tanto para GPT-4o como para GPT-4o-mini (Chudziak y Kostka (2025)).
El diseño de tareas, y no solo la tutoría. Al analizar 158 unidades de texto codificadas de 13 futuros docentes de primaria, Ledezma et al. (2026) encontraron que las tareas de geometría diseñadas con IA generativa buscaban una alta demanda cognitiva pero redactaban instrucciones cerradas, y una incluía una escala errónea (4 m dibujados como 8 cm, con la indicación 1 m = 4 cm) (Ledezma et al., 2026).
La IA generativa para tareas de modelización matemática amplía el hilo de generación más allá de los ejercicios rutinarios. Una plataforma impulsada por IA desarrollada mediante el enfoque ADDIE usó la variación directa en matemáticas de secundaria como tema ilustrativo, abordando la falta de tiempo y recursos del profesorado para diseñar tareas de modelización de alta calidad: las herramientas existentes suelen producir problemas verbales convencionales o ejercicios rutinarios, mientras que la plataforma pretendía generar recursos que fomentaran competencias de modelización matemática, fundamentados en principios de diseño establecidos y en la generación aumentada por recuperación.
-
Cadena de pensamiento visual: la brecha de autonomía en geometría. GeoVAD-Bench diagnostica ayudas visuales intermedias en lugar de respuestas finales en 600 problemas de construcción auxiliar (200 fáciles, 200 medios, 200 difíciles) y encuentra un patrón consistente: proporcionar el diagrama auxiliar de referencia mejora la exactitud de forma modesta (3,3, 3,0 y 7,0 puntos en tres modelos) mientras que dejar que el modelo construya su propia línea auxiliar en el camino hacia la respuesta correcta amplía la brecha entre 10,0 y 13,5 puntos, con dos modelos rindiendo peor que cuando no tenían ningún razonamiento visual. Cuatro categorías de error de proceso explicaron el 93,1% y el 89,7% de los fallos atribuidos. Para la instrucción en resolución de problemas, el hallazgo es que el andamiaje diagramático tiene que entrenarse y evaluarse por separado de la exactitud de la respuesta. (Dong et al., 2026)
-
Los problemas susceptibles a la IA pierden tiempo de estudio y retención. Un panel de diez años con 3,2 millones de interacciones de ALEKS encontró que el tiempo de aprendizaje en problemas verbales basados en texto, los más transcribibles a prompts de IA, cayó un 26,9% tras el lanzamiento de ChatGPT, mientras que los ítems de retención supervisados mostraron una caída del 25% en las probabilidades de una respuesta correcta (Rismanchian et al., 2026).
-
Los estudiantes valoran la retroalimentación inmediata, pero las plataformas de práctica opcionales quedan sin usar. De 157 estudiantes, Chen et al. (2026) vieron a 95 registrarse y solo a 34 intentar una pregunta; los usuarios calificaron el compromiso como lo más alto (79% de acuerdo) mientras que solo el 42% prefirió la plataforma al cuadernillo de problemas existente.
-
Los errores se convierten en el mecanismo. Integrar IA en una plataforma de práctica basada en el dominio ralentizó el avance (los estudiantes intentaron menos preguntas) y aun así elevó la corrección del siguiente intento después de los errores, mientras que una regla de dominio de tres aciertos consecutivos elevó el éxito en la plataforma sin mejorar el aprendizaje diferido (Oreopoulos et al. (2026)).
-
La IA puede elevar el rendimiento y a la vez ampliar una brecha de género. En un cuasiexperimento de seis semanas con 115 estudiantes nigerianos de secundaria superior, la retroalimentación de ChatGPT elevó el rendimiento en ecuaciones cuadráticas respecto a la enseñanza convencional (29,18 frente a 24,06), y sin embargo los estudiantes varones superaron a las estudiantes mujeres (30,95 frente a 25,16) pese a que no había diferencia de género en la autoeficacia. Es una advertencia de equidad para el apoyo matemático con IA (Oladayo y Diri, 2026).
-
Los estudiantes siguen prefiriendo la decisión de calificación del docente. En un experimento de viñetas con 250 estudiantes de séptimo grado, las decisiones tomadas por el docente sobre un ejercicio de matemáticas obtuvieron mayor aceptación que las tomadas por la IA (M = 4,48 frente a M = 3,47), la percepción de justicia cargó con el 67,52% del efecto y las explicaciones escritas ampliaron en lugar de cerrar la brecha de justicia (Zhang, Fan y Qi (2026)).
Conexiones con conceptos relacionados
La educación matemática se sitúa dentro del dominio más amplio de la educación STEM, con conexiones distintivas con la tutoría inteligente y la tutoría con IA a través de la fuerte tradición de tutores cognitivos e investigación sobre ITS en matemáticas, con el andamiaje a través de la literatura sobre esfuerzo productivo y uso de pistas, con la computación afectiva a través de la ansiedad matemática y la tutoría consciente de las emociones, con el rastreo de conocimiento y la validez de la evaluación a través de la investigación sobre diagnóstico cognitivo y evaluación, y con el rol docente a través de la colaboración docente-IA en la enseñanza de las matemáticas. La conexión con K-12 es especialmente fuerte, ya que muchos de los artículos matemáticos involucran contextos de K-12, mientras que las conexiones con educación superior emergen en la formación docente y en la práctica matemática avanzada.
Implicaciones para el profesorado de matemáticas
- Trate la tutoría con IA como una palanca de búsqueda de ayuda, no como una solución de capacidad. La investigación sobre el uso de pistas muestra que las solicitudes prematuras de pistas y la lectura superficial de las pistas predicen menores ganancias, así que el diseño de cuándo y cómo buscan ayuda los estudiantes importa más que la capacidad bruta del tutor. Anime a los estudiantes a intentarlo antes de preguntar y haga aparecer la ayuda en el momento de la necesidad y no a demanda.
- Proteja el esfuerzo productivo. TutorMoments encuentra que los modelos caen por defecto en la sobreayuda y rara vez empujan hacia el rigor; configure el apoyo de IA para andamiar en lugar de resolver, y vigile la sustitución de respuestas que erosiona el razonamiento.
- No trate la salida diagnóstica de la IA como verdad de referencia. MathCog muestra que los LLM rinden por debajo al diagnosticar el pensamiento matemático (F1 < 0,5), con sobreatribución y evidencia alucinada; use el diagnóstico de la IA como una sugerencia que hay que verificar contra el trabajo real del estudiante.
- Desconfíe de la fragilidad del formato superficial en la puntuación con IA. La sensibilidad a la representación significa que problemas equivalentes pueden invertir las respuestas de la IA, un riesgo de validez para la evaluación matemática basada en IA; prefiera la revisión humana para la puntuación de alto riesgo.
- Use la IA para bajar el umbral de la práctica personalizada. Las plataformas adaptativas mejoraron la comprensión de fracciones en estudiantes con dificultades de aprendizaje matemático; despliegue herramientas adaptativas con IA de forma selectiva para los estudiantes que necesitan apoyo diferenciado.
- Mantenga al docente en control de los materiales didácticos generados por IA. El control docente de los visuales de IA respalda un marco que equilibra la eficiencia de la IA con la corrección pedagógica.
Concepciones erróneas comunes
"El caso motivacional de la IA en matemáticas es tan fuerte como en lengua." La evidencia agrupada es más delgada para matemáticas y debería leerse así: el efecto de la IA generativa en la motivación para el aprendizaje fue mayor en lengua (g = 0,946) y moderado en matemáticas (g = 0,711, IC del 95% [0,356, 1,066], k = 4). Cuatro estudios y un intervalo de confianza que abarca la mayor parte del rango plausible son una base débil para una afirmación fuerte, y la diferencia entre dominios es lo bastante grande como para que los hallazgos de lengua no deban trasladarse sin examinarlos.
"Si la tarea parece correcta, las matemáticas se hicieron correctamente." Los rastros de chat de 23 estudiantes de álgebra lineal muestran que la mezcla de prompts cambia con la tarea mientras el 90% de las entregas se mantiene cerca de la salida del modelo, y un curso de demostraciones con 153 estudiantes encontró que el desempeño en tareas apoyadas por IA divergía de la evaluación sin asistencia. La proximidad a la salida del modelo es la medida de haber recibido ayuda, no de haber aprendido; en un dominio con respuestas correctas claras, una entrega correcta es el artefacto menos diagnóstico del que se dispone.
"Las matemáticas son un dominio fácil para la IA porque las respuestas son verificables." La verificabilidad es lo que hace de las matemáticas un buen banco de pruebas, no lo que las hace seguras. Como la respuesta final es verificable, un estudiante puede validar una solución que no construyó, y eso es precisamente cómo se sortea el razonamiento de la materia mientras la nota queda limpia. La propiedad que atrae a los investigadores es la propiedad que hace invisible la externalización.
"La dificultad de un ítem de matemáticas puede asignarla un modelo capaz." Tiene que calibrarse contra las respuestas. En un estudio de dificultad de ítems con 5.170 ítems de K-5 calibrados con el modelo IRT de Rasch, las valoraciones de dificultad en zero-shot generadas por el modelo se compararon con la calibración empírica precisamente porque la dificultad declarada y la dificultad medida son cantidades distintas.
Conceptos conectados
- Educación STEM
- Tutoría inteligente
- Andamiaje
- Computación afectiva
- Tutoría afectiva
- K-12
- Educación superior
- Alfabetización en IA
- Metacognición
- Aprendizaje autorregulado
- Aprendizaje personalizado
- Aprendizaje adaptativo
- Búsqueda de ayuda
- Analítica del aprendizaje
- Seguimiento del conocimiento
- Validez de la evaluación
- IA multimodal
- Riesgo de alucinación
- Descarga cognitiva
- La docencia
- Desarrollo educativo
- IA generativa
- La IA en las disciplinas
- Formación docente
Artículos conectados
-
What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — Lo que la entrega no muestra: la complejización de la descarga cognitiva en el trabajo matemático del estudiantado con LLM (Kontorovich y Wallach 2026)
-
Supporting or Replacing Students' Reasoning? Cognitive Offloading in AI-Assisted Proof Learning — ¿Apoyar o sustituir el razonamiento del estudiantado? La descarga cognitiva en el aprendizaje de demostraciones asistido por IA (Chen et al. 2026)
-
Analysing Mathematical Communication between Pre-Service Mathematics Teachers and GenAI: A Case Study in Abstract Algebra Course — El análisis de la comunicación matemática entre futuros docentes de matemáticas y la IA generativa: un estudio de caso en un curso de álgebra abstracta
-
Addressing symbolic obstacles in undergraduate calculus through artificial intelligence scaffolding — Los obstáculos simbólicos en el cálculo universitario son un cuello de botella de representación, con menos errores simbólicos codificados tras el andamiaje de IA (Nursit et al. 2026)
-
AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — La integración de la IA en la educación matemática: retos de implementación e implicaciones pedagógicas (Manto et al. 2026)
-
Artificial intelligence in mathematics education: A PRISMA-based systematic literature review (2021-2025) — Revisión sistemática de la literatura sobre inteligencia artificial en la educación matemática según PRISMA (2021-2025)
-
Automated software scoring of senior school certificate examination mathematical items in economics using a contextual similarity model — Corrección automática de ítems matemáticos de un examen de secundaria en economía mediante un modelo de similitud contextual en Nigeria
-
Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning — Más allá de la resolución de problemas: los grandes modelos de lenguaje como apoyo emocional y reflexivo en el aprendizaje de las matemáticas
-
Making AI tutoring productive: Evidence from a mastery-based math practice experiment — Making AI tutoring productive: mastery-based math practice
-
AI-Powered Math Tutoring: Platform for Personalized and Adaptive Education — Plataforma de tutoría matemática con IA (Chudziak y Kostka 2025)
-
When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle
-
When should teachers control AI generation for mathematics visuals?
-
Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Plataforma de dominio ALEKS: los problemas basados en texto son los más susceptibles a la IA
-
Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Orientación pedagógica de los LLM para el fracaso productivo
-
Improving instructional design proficiency of master's students in mathematics education through intelligent educational technologies — Modelo de aula inteligente y bucle D-T-E que mejoran la competencia en diseño instruccional de estudiantes de maestría en educación matemática (Zhu et al. 2026)
-
Taming the black box: Design principles for rule-integrated LLM tutoring systems in primary school mathematical problem solving — Andamiaje guiado por reglas frente a andamiaje ad hoc en un sistema de tutoría con LLM para matemáticas de primaria (Looi et al. 2026)
-
Estimating item difficulty using large language models and tree-based machine learning algorithms — La estimación de la dificultad de los ítems con LLM y aprendizaje automático basado en árboles
-
Feedback without the wait: Piloting a generative AI practice platform in a large maths class — Plataforma opcional de práctica con IA generativa en una clase de matemáticas de 157 estudiantes: la retroalimentación inmediata se valora y la adopción se limita a 34 usuarios activos
-
Assessing the Influence of AI-Generated Responses on Academic Achievement: An Ethical Perspective and Self-Efficacy of Delta State Secondary School Students, Nigeria — La influencia de las respuestas generadas por IA en el rendimiento académico: una perspectiva ética y de autoeficacia
-
Exploring Teachers' Instrumental Orchestration and Roles in High School Mathematics Classes Using AI-Based Digital Tools — Trabajo de orquestación en el aula en matemáticas de secundaria: leer paneles y corregir la retroalimentación de la IA
-
Teacher or Artificial Intelligence? The Effect of Decision-Making Agent on Junior High School Students' Decision Acceptance: A Moderated Mediation Model — Los estudiantes siguen prefiriendo la decisión de calificación del docente
-
Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Las ganancias motivacionales en matemáticas se apoyan en cuatro estudios (g = 0,711)
-
AI in mathematics classrooms: A synergistic strategy for diversity and inclusivity — La IA en las aulas de matemáticas: una estrategia sinérgica para la diversidad y la inclusión
-
A Didactic Analysis of the Design of Geometry Tasks Using Generative Artificial Intelligence by Prospective Primary School Teachers — Tareas de geometría diseñadas con IA generativa por futuros docentes de primaria: alta demanda cognitiva, instrucciones cerradas y un error de escala incorporado (Ledezma et al. 2026)
Recursos relacionados
- teacher.devUn estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.