Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 760
PERSONALIZACIÓN DEL APRENDIZAJE DE MATEMÁTICAS EN EDUCACIÓN
BÁSICA CON HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL
PERSONALIZING MATHEMATICS LEARNING IN BASIC EDUCATION WITH
ARTIFICIAL INTELLIGENCE TOOLS
Autores: ¹Darwin Mario Carrión Macas, ²Jhonny Jara Romero, ³Lorenzo Jovanny Cevallos
Torres y
4
Dayron Rumbaut Rangel.
¹ORCID ID: https://orcid.org/0009-0000-5755-247X
²ORCID ID: https://orcid.org/0009-0009-4404-9061
3
ORCID ID: https://orcid.org/0000-0002-7211-2891
4
ORCID ID: https://orcid.org/0009-0001-9087-0979
¹E-mail de contacto: dmcarrionm@ube.edu.ec
²E-mail de contacto: jrjarar@ube.edu.ec
³E-mail de contacto: ljcevallost@ube.edu.ec
4
E-mail de contacto: drumbautr@ube.edu.ec
Afiliación:
1*2*3*4*
Universidad Bolivariana del Ecuador, (Ecuador).
Artículo recibido: 7 de Junio del 2026.
Artículo revisado: 9 de Junio del 2026.
Artículo aprobado: 9 de Junio del 2026.
¹Licenciado en Ciencias de la Educación, egresado de la Universidad Bolivariana del Ecuador, (Ecuador). Técnico Superior en
Procesamiento Electrónico de Datos Programador de Sistemas, egresado del Instituto Tecnológico Superior de Profesiones Medias,
(Ecuador).,
²Licenciado en Ciencias de la Educación, egresado de la Universidad Bolivariana del Ecuador, (Ecuador). Técnico Superior en
Procesamiento Electrónico de Datos Programador de Sistemas, egresado del Instituto Tecnológico Superior de Profesiones Medias
(Ecuador).
³Ingeniero en Estadística Informática, egresado de la Escuela Superior Politécnica del Litoral, (Ecuador). Magíster en Gestión de la
Productividad y la Calidad, egresado de la Escuela Superior Politécnica del Litoral, (Ecuador). Magíster Universitario en Modelado
Computacional en Ingeniería, egresado de la Universidad de Cádiz, (España). Doctor en Ciencias Pedagógicas, egresado del Centro de
Estudios para la Calidad Educativa y la Investigación Científica, (México).
4
Licenciado en Ciencias de la Computación, egresado de la Universidad Central Marta Abreu de Las Villas, (Cuba). Magíster en
Inteligencia Artificial Aplicada, egresado de la Universidad de Guayaquil, (Ecuador). Magíster en Tecnología e Innovación Educativa,
egresado de la Universidad Tecnológica Ecotec, (Ecuador).
Resumen
El presente estudio tuvo como objetivo
analizar los efectos de la implementación de
herramientas de inteligencia artificial en la
personalización del aprendizaje de
matemáticas en estudiantes de Educación
Básica. La investigación se desarrolló bajo un
enfoque cuantitativo con diseño cuasi
experimental de tipo pretest y postest con un
solo grupo, en el cual se aplicaron
instrumentos de evaluación de competencias
matemáticas antes y después de una
intervención pedagógica basada en entornos
adaptativos. Asimismo, se registraron datos de
interacción con las plataformas y se recogieron
percepciones docentes mediante técnicas
estructuradas. Los resultados evidenciaron
mejoras en el rendimiento académico posterior
a la intervención, así como una relación entre
el nivel de interacción con las herramientas
tecnológicas y el desempeño alcanzado. De
igual manera, se observó un incremento en la
participación estudiantil y una valoración
favorable por parte de los docentes respecto al
proceso de personalización del aprendizaje.
Las conclusiones indicaron que el uso de
inteligencia artificial se asoció con procesos de
aprendizaje más ajustados a las necesidades
individuales de los estudiantes, favoreciendo
su desempeño académico y participación
dentro del contexto específico del estudio,
evidenciando su aplicabilidad en escenarios
educativos similares con condiciones
comparables.
Palabras clave: Inteligencia artificial,
Aprendizaje personalizado, Educación
básica, Matemáticas, Rendimiento
académico.
Abstract
The present study aimed to analyze the effects
of implementing artificial intelligence tools on
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 761
the personalization of mathematics learning in
Basic Education students. The research was
conducted under a quantitative approach with a
quasi-experimental pretest and posttest design
using a single group, in which mathematics
competency assessment instruments were
applied before and after a pedagogical
intervention based on adaptive learning
environments. Additionally, interaction data
with the platforms were recorded and teachers'
perceptions were collected through structured
techniques. The results showed improvements
in academic performance after the intervention,
as well as a relationship between the level of
interaction with technological tools and the
achieved performance. Likewise, an increase
in student participation was observed, along
with a favorable perception from teachers
regarding the personalization process. The
conclusions indicated that the use of artificial
intelligence was associated with learning
processes more aligned with students’
individual needs, enhancing academic
performance and participation within the
specific context of the study, demonstrating its
applicability in similar educational settings
under comparable conditions.
Keywords: Artificial intelligence,
Personalized learning, Basic education,
Mathematics, Academic achievement.
Sumario
Este estudo teve como objetivo analisar os
efeitos da implementação de ferramentas de
inteligência artificial na personalização do
ensino da matemática para alunos do ensino
fundamental. A pesquisa empregou uma
abordagem quantitativa com um delineamento
quase-experimental pré-teste-pós-teste com um
único grupo. Instrumentos de avaliação da
competência matemática foram aplicados antes
e depois de uma intervenção pedagógica
baseada em ambientes de aprendizagem
adaptativos. Dados sobre a interação com as
plataformas foram registrados e as percepções
dos professores foram coletadas utilizando
técnicas estruturadas. Os resultados mostraram
melhorias no desempenho acadêmico após a
intervenção, bem como uma relação entre o
nível de interação com as ferramentas
tecnológicas e o desempenho alcançado. Da
mesma forma, observou-se um aumento na
participação dos alunos, juntamente com uma
avaliação favorável por parte dos professores
em relação ao processo de aprendizagem
personalizada. As conclusões indicaram que o
uso da inteligência artificial esteve associado a
processos de aprendizagem mais adequados às
necessidades individuais dos alunos,
melhorando seu desempenho acadêmico e
participação no contexto específico do estudo,
e demonstrando sua aplicabilidade em
contextos educacionais semelhantes com
condições comparáveis.
Palavras-chave: Inteligência artificial,
Aprendizagem personalizada, Educação
básica, Matemática, Desempenho
acadêmico.
Introducción
La educación matemática en los niveles de
Educación Básica enfrenta desafíos históricos
vinculados con la diversidad de ritmos de
aprendizaje, las altas tasas de desmotivación
estudiantil y los bajos índices de logro
académico en matemáticas observados en
diversos contextos educativos
latinoamericanos y globales, en particular en
poblaciones de menor acceso a tecnologías
educativas avanzadas. Muchas investigaciones
recientes sostienen que la inteligencia artificial
(IA) puede transformar las prácticas educativas
tradicionales al ofrecer mecanismos para
ajustar contenidos, actividades, evaluaciones y
retroalimentaciones a las necesidades
individuales de los estudiantes, lo cual
posibilita así una verdadera personalización del
aprendizaje (Machuca et al., 2025) ; (Cabrera,
2024). Frente a esta transformación, la
educación matemática debe comprender no
sólo los avances tecnológicos, sino también las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 762
implicancias pedagógicas de integrar sistemas
inteligentes que adaptan el proceso de
enseñanza-aprendizaje, esto genera
oportunidades para que los estudiantes
construyan conocimiento con mayor
autonomía y significado en contextos escolares
reales (Espinoza et al., 2020) ; (González et al.,
2025) ; (León et al., 2023). De esta forma, la
personalización soportada por IA ha sido
descrita como una estrategia clave para atender
diferencias individuales y promover el
progreso continuo de los estudiantes en
componentes curriculares de matemáticas,
como el álgebra, la geometría y la resolución
de problemas (Bentancor et al., 2024; Machuca
Almeida et al., 2025).
A pesar de la expansión de la IA educativa en
escenarios de educación superior y secundaria,
aún existen vacíos significativos en la
comprensión sistemática de cómo estas
tecnologías pueden ser implementadas de
manera efectiva en Educación Básica para que
generen beneficios consistentes en términos de
aprendizaje, motivación, inclusión y equidad,
así como en términos de reducción de brechas
educativas persistentes. Identificar y
caracterizar este problema es urgente en
contextos educativos donde la heterogeneidad
de los estudiantes puede agravar las
inequidades en el dominio de competencias
matemáticas fundamentales. La brecha
educativa en matemática, medida por bajos
resultados promedio en evaluaciones
institucionales y nacionales, junto con tasas de
deserción o repetición, revela que los enfoques
tradicionales muchas veces no logran atender
las necesidades individuales (Machuca et al.,
2025). En consecuencia, se requiere una
investigación que conceptualice y evalúe cómo
la IA puede usarse no solo como un recurso
tecnológico, sino como un catalizador de
estrategias pedagógicas que promuevan
comprensión profunda de contenidos
matemáticos y progreso académico sostenido.
El estado actual de la investigación sobre IA
en educación matemática evidencia avances en
la comprensión de las posibilidades y
limitaciones de estos enfoques adaptativos,
investigaciones recientes han documentado
cómo sistemas inteligentes pueden generar
actividades adaptativas y retroalimentación
personalizada que aumentan la participación
estudiantil y mejoran el rendimiento
académico en entornos virtuales (Román,
2024; Contreras et al., 2025; González, 2026;
González et al., 2024; Quispilema et al., 2025;
Ureña et al., 2025).
Asimismo, se han desarrollado modelos
adaptativos de aprendizaje de álgebra
personalizados mediante IA que responden a
las dificultades específicas de los estudiantes,
se aporta con evidencia inicial sobre su
potencial para fortalecer habilidades
matemáticas complejas (Delgado et al., 2025).
Además, investigaciones recientes subrayan
cómo la IA puede reducir las cargas
administrativas y permitir a los docentes
enfocar su labor en la orientación pedagógica,
se facilita un proceso de enseñanza más
centrado en el estudiante y menos en
procedimientos mecánicos de evaluación
(Machuca et al., 2025; Castro et al., 2025).
Sin embargo, a pesar de estas aportaciones,
existe consenso en la literatura acerca de la
necesidad de enfoques metodológicos más
rigurosos que investiguen de manera
sistemática la implementación de IA con
estudiantes de educación básica y sus efectos
en aprendizajes matemáticos esenciales
(Villamar, 2024). Desde una perspectiva
crítica, también se han identificado desafíos
éticos, metodológicos y de equidad
relacionados con el uso de IA en educación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 763
matemática. Algunos autores advierten que la
dependencia tecnológica puede reproducir
sesgos existentes, exacerbar desigualdades de
acceso, y sin la mediación adecuada del
docente, la IA puede limitar el desarrollo de
habilidades críticas y socioemocionales
esenciales en los estudiantes (Vera, 2025;
Altamirano et al., 2025; Sánchez et al., 2025).
Asimismo, se han señalado preocupaciones
acerca de la legitimidad de los sistemas
inteligentes cuando sus decisiones de
adaptación carecen de transparencia
pedagógica, lo cual puede afectar la confianza
de docentes y familias en estos enfoques
(Machuca et al., 2025).
El impacto social de aplicar IA para
personalizar el aprendizaje de matemáticas
puede ser profundo, por el potencial que ofrece
a estudiantes con ritmos diversos la posibilidad
de un aprendizaje más significativo y adaptado
a sus necesidades, con beneficios como mayor
motivación, dominio conceptual y reducción
de brechas en el logro educativo. De acuerdo
con estudios recientes, la personalización
mediada por IA ha mostrado incrementos en la
participación estudiantil y mejoras en
comprensión matemática que van más allá de
los efectos de los métodos tradicionales
(Chugcho, 2025). Sin embargo, también se
reporta que estos beneficios no son
universales, los factores contextuales como la
alfabetización digital de docentes, la
infraestructura tecnológica disponible, y las
políticas educativas de inclusión influyen de
manera decisiva en los resultados (Vera,
2025). Entre los argumentos críticos se incluye
la preocupación de que una excesiva confianza
en IA sin formación docente adecuada podría
disminuir la agencia pedagógica de los
profesores, se subestima la importancia del
acompañamiento humano en los procesos de
aprendizaje y la construcción de sentido en los
estudiantes (Vera, 2025). Por otra parte, sin
marcos éticos y de privacidad, la recolección y
análisis de datos educativos puede vulnerar la
privacidad de los estudiantes, lo cual genera
riesgos legales y sociales significativos.
Frente a las oportunidades y limitaciones
identificadas, esta investigación propone
profundizar en el análisis de la personalización
del aprendizaje de matemáticas en Educación
Básica mediante herramientas de IA, con el
objetivo de comprender no sólo los efectos
pedagógicos directos, sino también las
implicaciones sociales, éticas y equitativas de
su implementación. Este enfoque no solo
contribuye a cerrar vacíos en la literatura, sino
que ofrece una base empírica para orientar
políticas educativas que promuevan el uso
responsable, inclusivo y eficaz de tecnologías
inteligentes en la enseñanza de matemáticas.
Con base en lo anterior, el objetivo de esta
investigación es analizar los efectos de la
implementación de herramientas de
inteligencia artificial en la personalización del
aprendizaje de matemáticas en Educación
Básica.
Materiales y Métodos
La investigación se desarrolló bajo un enfoque
cuantitativo de tipo cuasi experimental, con un
diseño pretest-postest y un solo grupo de
estudio, orientado a analizar el impacto del uso
de herramientas de inteligencia artificial en la
personalización del aprendizaje de
matemáticas en estudiantes de Educación
Básica de la Unidad Educativa Ramos de Oliva
Echeverría, ubicada en la ciudad de Machala,
Ecuador. La muestra estuvo conformada por
un total de 37 estudiantes del quinto año de
Educación Básica, con edades comprendidas
entre 9 y 10 años, de los cuales 16 fueron niñas
y 21 niños, seleccionados mediante un
muestreo no probabilístico intencional, debido
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 764
a la accesibilidad del grupo y la pertinencia de
sus características en relación con los objetivos
de la investigación. Los criterios de inclusión
consideraron la matrícula activa en el nivel
educativo correspondiente, la asistencia regular
a clases y la participación voluntaria en la
intervención pedagógica. Por el contrario, se
excluyeron los estudiantes con necesidades
educativas especiales que implicaran
adaptaciones curriculares significativas, así
como aquellos con limitaciones de
conectividad que pudieran restringir la
interacción con los recursos digitales
empleados. El tamaño muestral se determinó
en función del alcance exploratorio del estudio
y de la factibilidad logística del contexto
institucional, garantizando un nivel adecuado
de representatividad para observar tendencias
significativas dentro del grupo intervenido.
Para el desarrollo de la intervención se
aplicaron diversos métodos y técnicas de
investigación educativa, combinando
procedimientos empíricos, estadísticos y
analíticos con el fin de obtener una
comprensión integral del fenómeno estudiado.
En la fase diagnóstica se administró un test
estandarizado de competencias matemáticas,
alineado con los indicadores del currículo
nacional ecuatoriano, con el propósito de
evaluar el nivel inicial de desempeño de los
estudiantes. Posteriormente, se implementó un
entorno de aprendizaje personalizado basado
en inteligencia artificial mediante el uso del
software ALEKS, complementado con
Khanmigo como asistente adaptativo, ambos
seleccionados por su capacidad de generar
rutas de aprendizaje individualizadas y
registrar datos de desempeño en tiempo real.
Estas herramientas permitieron ajustar
automáticamente el nivel de dificultad de las
actividades según el progreso individual de
cada estudiante, promoviendo una experiencia
de aprendizaje dinámica y diferenciada. La
recolección de datos incluyó registros
automatizados del rendimiento académico,
observaciones estructuradas sobre la
participación en clase y encuestas aplicadas a
los docentes para evaluar su percepción sobre
la efectividad del proceso de personalización.
Los métodos de análisis de contenido y de
comparación de medias permitieron establecer
la relación entre las mejoras observadas en el
aprendizaje y la aplicación de la inteligencia
artificial en la enseñanza.
El procesamiento de los datos obtenidos se
efectuó mediante el software SPSS versión 27
y Microsoft Excel para educación, utilizando
análisis descriptivos (media, desviación
estándar y varianza) y pruebas inferenciales
para contrastar las hipótesis planteadas. Se
aplicó la prueba t de Student para muestras
relacionadas, con un nivel de significancia de p
< 0.05, con el objetivo de comparar los
resultados obtenidos antes y después de la
intervención. Asimismo, se empleó el
coeficiente de correlación de Pearson para
examinar la relación entre el nivel de
interacción con la plataforma y el desempeño
matemático alcanzado por los estudiantes. Los
resultados fueron interpretados conforme a
criterios de significación estadística y
relevancia pedagógica, considerando tanto los
efectos cuantitativos sobre el rendimiento
como las evidencias cualitativas relacionadas
con la motivación y la participación
estudiantil. El procedimiento general
comprendió tres fases claramente definidas:
diagnóstico inicial, implementación del
programa personalizado con inteligencia
artificial durante ocho semanas y evaluación
post-intervención, asegurando la replicabilidad
del estudio mediante la documentación
detallada de cada etapa, la descripción precisa
de los instrumentos utilizados y la aplicación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 765
rigurosa de los protocolos éticos de
confidencialidad y consentimiento informado.
Resultados y Discusión
La investigación se desarrolló con una muestra
de 37 estudiantes (N = 37) de quinto año de
Educación Básica, con edades entre 9 y 10
años, quienes participaron en todas las fases
del estudio conforme a los criterios
establecidos en el diseño metodológico, la
totalidad de los datos analizados correspondió
registros completos, sin pérdidas muestrales
durante el proceso de intervención.
Se evaluó el nivel de competencias
matemáticas mediante un test estandarizado
aplicado antes y después de la intervención
basada en inteligencia artificial, los resultados
descriptivos evidenciaron variaciones en las
medidas de tendencia central y dispersión entre
ambos momentos de evaluación. Como se
observó en la Tabla 1, la media del
rendimiento matemático en el pretest fue de
6.21 (DE = 1.45), mientras que en el postest
alcanzó una media de 8.34 (DE = 1.12).
Tabla 1. Estadísticos descriptivos del rendimiento matemático en pretest y postest.
Medición
N
Media (M)
Desviación
estándar (DE)
Varianza
Mínimo
Máximo
Pretest
37
6.21
1.45
2.10
3.50
8.50
Postest
37
8.34
1.12
1.25
5.80
10.00
Fuente: Elaboración propia.
La varianza disminuyó de 2.10 a 1.25, lo que
indicó una menor dispersión de los puntajes en
la medición posterior. Asimismo, el rango de
puntuaciones se desplazó hacia valores
superiores, registrándose un incremento en el
valor mínimo de 3.50 a 5.80 y en el valor
máximo de 8.50 a 10.00. La distribución de los
puntajes evidenció una mayor concentración
de estudiantes en niveles de desempeño medio-
alto en el postest en comparación con la
medición inicial, donde la distribución fue más
heterogénea. Para determinar la diferencia
estadística entre las mediciones, se aplicó la
prueba t de Student para muestras
relacionadas, conforme al diseño cuasi
experimental planteado. El análisis se realizó
considerando un nivel de significancia de α =
0.05. Los resultados presentados en la Tabla 2.
Tabla 2. Prueba t de Student para muestras relacionadas entre pretest y postest.
Comparación
N Media diferencia DE diferencia
t
gl p IC 95%
Pretest – Postest 37 -2.13
0.98
-12.41 36 0.000 [-2.47; -1.79]
Fuente: Elaboración propia.
mostraron una diferencia media de -2.13
puntos entre las mediciones. El estadístico t
obtenido fue t(36) = -12.41, con un nivel de
significancia p = 0.000 (p < 0.05). El intervalo
de confianza al 95 % para la diferencia de
medias se ubicó entre -2.47 y -1.79, sin incluir
el valor cero. El tamaño del efecto estimado
mediante d de Cohen fue de 2.17, calculado a
partir de la desviación estándar de las
diferencias, lo cual correspondió a una
magnitud elevada en términos estadísticos. Se
examinó la relación entre el nivel de
interacción de los estudiantes con las
herramientas de inteligencia artificial (ALEKS
y Khanmigo) y el desempeño matemático en el
postest, utilizando el coeficiente de correlación
de Pearson. Como se observó en la Tabla 3, el
coeficiente de correlación fue r = 0.68. con un
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 766
nivel de significancia p = 0.000 (p < 0.05). El
intervalo de confianza al 95 % osciló entre
0.46 y 0.82. El coeficiente de determinación
(r²) fue de 0.46, lo que indicó que el 46 % de la
variabilidad en el rendimiento matemático
estuvo asociada con el nivel de interacción con
la plataforma. El análisis de los registros
automatizados permitió describir el
comportamiento de uso de las plataformas
durante la intervención.
Tabla 3. Correlación entre nivel de interacción con IA y rendimiento matemático.
Variables N r p IC 95%
Interacción – Rendimiento matemático final 37 0.68 0.000 [0.46 ; 0.82]
Fuente: Elaboración propia.
El tiempo promedio de interacción semanal fue
de 3.8 horas (DE = 0.9), con un coeficiente de
variación de 23.7 %, lo que evidenció una
dispersión moderada en los niveles de uso
entre los estudiantes. El número promedio de
actividades completadas fue de 42.5 (DE =
10.3), con un rango entre 21 y 65 actividades
por estudiante. Asimismo, el sistema registró
un promedio de 6.3 niveles de progresión
adaptativa alcanzados (DE = 1.7), lo que
reflejó variabilidad en el ritmo de avance
individual.
El análisis de frecuencias mostró que el 64.9 %
de los estudiantes completó más de 40
actividades, mientras que el 35.1 % restante se
ubicó por debajo de este umbral. Las
observaciones estructuradas permitieron
cuantificar la participación de los estudiantes
durante las sesiones de aprendizaje. Se registró
que 29 estudiantes (78.4 %) presentaron
niveles altos de participación, 6 estudiantes
(16.2 %) niveles medios y 2 estudiantes (5.4
%) niveles bajos. En relación con la frecuencia
de intervención activa (preguntas, resolución
de ejercicios y uso autónomo de la
plataforma), el promedio fue de 5.6
intervenciones por sesión (DE = 1.4), con
valores mínimos de 3 y máximos de 8
intervenciones. Las encuestas aplicadas a los
docentes permitieron cuantificar la percepción
respecto al proceso de personalización del
aprendizaje. El 81.0 % (n = 3) reportó niveles
altos de valoración, el 13.5 % (n = 1) niveles
medios y el 5.5 % (n = 1) niveles bajos. En
relación con dimensiones específicas, el 86.5
% indicó mejoras en la adaptación del
contenido, el 78.4 % en la retroalimentación
inmediata y el 83.8 % en la participación
estudiantil, según los registros consolidados de
las encuestas. El conjunto de resultados
descriptivos e inferenciales permitió
caracterizar el comportamiento del rendimiento
matemático, la interacción con las
herramientas de inteligencia artificial y las
variables asociadas al proceso de enseñanza-
aprendizaje. Los datos fueron procesados
mediante SPSS versión 27 y Microsoft Excel,
conforme a los procedimientos establecidos en
la metodología del estudio.
La presente investigación analizó los efectos
de la implementación de herramientas de
inteligencia artificial en la personalización del
aprendizaje de matemáticas en estudiantes de
Educación Básica, abordando tanto
dimensiones de rendimiento académico como
variables asociadas al proceso de interacción y
participación. Los resultados obtenidos
permiten situar el estudio dentro de una línea
emergente de investigación que explora el
potencial de la inteligencia artificial como
mediador pedagógico en contextos escolares,
particularmente en niveles iniciales de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 767
formación. Los resultados evidenciaron un
incremento en el rendimiento matemático de
los estudiantes tras la intervención, reflejado
en el aumento de la media del postest en
comparación con el pretest. Este resultado
sugiere que la implementación de entornos
adaptativos basados en inteligencia artificial se
asocia con mejoras en el desempeño
académico en matemáticas. Desde una
perspectiva conceptual, este fenómeno puede
explicarse a partir de los principios de la
personalización del aprendizaje, donde la
adecuación del contenido al ritmo y nivel del
estudiante favorece procesos de comprensión
progresiva y acumulativa.
Este resultado se alinea con lo planteado por
Machuca Almeida et al. (2025), quienes
sostuvieron que la personalización mediada
por inteligencia artificial permite ajustar
dinámicamente los contenidos y actividades,
optimizando el aprendizaje individual.
Asimismo, coincide con los resultados de
Román (2024), quien reportó mejoras
significativas en el rendimiento académico en
entornos virtuales adaptativos. En el mismo
sentido, Delgado et al. (2025) evidenciaron
que los sistemas inteligentes aplicados al
aprendizaje de álgebra facilitaron el desarrollo
de habilidades matemáticas complejas
mediante rutas personalizadas. Desde el punto
de vista teórico, estos resultados refuerzan el
enfoque constructivista del aprendizaje, en el
cual el estudiante construye conocimiento a
partir de experiencias adaptadas a su nivel de
desarrollo cognitivo. La inteligencia artificial
actúa como un mediador que ajusta dichas
experiencias, permitiendo una mayor
coherencia entre el nivel de dificultad de las
tareas y las capacidades del estudiante. En
términos prácticos, estos resultados adquieren
relevancia en contextos educativos
caracterizados por alta heterogeneidad en el
aula, como es el caso de la Educación Básica
en América Latina. La capacidad de los
sistemas de inteligencia artificial para ofrecer
rutas individualizadas representa una
alternativa a los enfoques tradicionales
uniformes, los cuales han demostrado
limitaciones para atender la diversidad de
ritmos de aprendizaje. El análisis de
correlación evidenció una asociación positiva
entre el nivel de interacción con las
herramientas de inteligencia artificial y el
rendimiento matemático. Este resultado
sugiere que la frecuencia y profundidad de uso
de los sistemas adaptativos se relacionan con el
desempeño académico alcanzado por los
estudiantes.
Este resultado es consistente con lo reportado
por Contreras Herrera et al. (2025), quienes
señalaron que el uso intensivo de plataformas
adaptativas incrementa la participación
estudiantil y mejora los resultados académicos.
De igual manera, Chugcho (2025) encontró
que la interacción sostenida con entornos
personalizados de aprendizaje se asocia con
mayores niveles de comprensión matemática.
Desde una perspectiva teórica, este resultado
puede interpretarse a partir del concepto de
aprendizaje activo, donde el compromiso del
estudiante con las tareas influye directamente
en la adquisición de conocimientos. La
inteligencia artificial, al ofrecer
retroalimentación inmediata y actividades
ajustadas, puede favorecer niveles más altos de
involucramiento cognitivo. En el plano
práctico, este resultado sugiere la importancia
de promover no solo el acceso a tecnologías
educativas, sino también su uso efectivo y
sostenido. La simple incorporación de
herramientas digitales no garantiza mejoras en
el aprendizaje si no se acompaña de estrategias
que fomenten la interacción activa de los
estudiantes. Los resultados relacionados con el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 768
uso de las plataformas mostraron niveles
variables de interacción entre los estudiantes,
evidenciando diferencias en el tiempo de uso,
número de actividades completadas y niveles
de progresión alcanzados. Esta variabilidad
refleja la naturaleza individualizada del
proceso de aprendizaje mediado por
inteligencia artificial. Este comportamiento
coincide con lo señalado por Bentancor et al.
(2024), quienes destacaron que los entornos
adaptativos generan trayectorias de aprendizaje
diferenciadas en función de las necesidades
individuales. Asimismo, Vera-Arias (2025)
advirtió que estos sistemas pueden amplificar
las diferencias entre estudiantes si no se
implementan con una adecuada mediación
pedagógica.
Desde el punto de vista teórico, estos
resultados se relacionan con el principio de
diferenciación pedagógica, donde cada
estudiante sigue un camino de aprendizaje
único. La inteligencia artificial facilita este
proceso al ajustar continuamente las
actividades, lo que genera trayectorias de
aprendizaje no lineales. En términos prácticos,
la variabilidad observada plantea la necesidad
de que los docentes monitoreen el progreso de
los estudiantes y acompañen el proceso de
aprendizaje, evitando que las diferencias
individuales se traduzcan en brechas
educativas. Los resultados evidenciaron altos
niveles de participación estudiantil y una
percepción mayoritariamente favorable por
parte de los docentes respecto a la
implementación de la inteligencia artificial.
Este resultado sugiere que la integración de
estas herramientas no solo impacta en el
rendimiento académico, sino también en
variables relacionadas con la motivación y el
compromiso. Este resultado se alinea con lo
reportado por Castro Suárez et al. (2025),
quienes indicaron que la inteligencia artificial
puede reducir las cargas administrativas del
docente, permitiéndole centrarse en la
orientación pedagógica. Asimismo, coincide
con Machuca Almeida et al. (2025), quienes
señalaron que la personalización del
aprendizaje incrementa la participación
estudiantil. Desde una perspectiva teórica,
estos resultados pueden interpretarse a partir
de la teoría de la motivación académica, donde
la percepción de control y adecuación de las
tareas influye en el nivel de compromiso del
estudiante. La inteligencia artificial, al ofrecer
actividades ajustadas al nivel del estudiante,
puede incrementar la percepción de
autoeficacia. En el ámbito práctico, estos
resultados destacan la importancia de la
aceptación docente en la implementación de
tecnologías educativas. La percepción positiva
de los docentes puede facilitar la integración
efectiva de estas herramientas en el aula.
Conclusiones
Las conclusiones del presente estudio
permitieron establecer que la implementación
de herramientas de inteligencia artificial en la
personalización del aprendizaje de
matemáticas se asoció con mejoras en el
rendimiento académico de los estudiantes de
Educación Básica dentro del contexto
analizado, evidenciando que el uso de entornos
adaptativos contribuyó a optimizar los
procesos de aprendizaje en función de las
características individuales de los
participantes; asimismo, se determinó que el
nivel de interacción de los estudiantes con las
plataformas utilizadas se relacionó
directamente con el desempeño académico
alcanzado, lo que indicó que la participación
activa en entornos de aprendizaje mediados
por inteligencia artificial constituyó un
elemento relevante dentro del proceso
educativo evaluado; de igual forma, se
concluyó que la implementación de estas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 769
herramientas se vinculó con niveles elevados
de participación estudiantil y con una
percepción favorable por parte de los docentes
respecto a la personalización del aprendizaje,
lo cual evidenció su viabilidad dentro del
contexto institucional estudiado; finalmente,
los resultados permitieron caracterizar que el
uso de sistemas adaptativos generó trayectorias
diferenciadas de aprendizaje entre los
estudiantes, reflejando la capacidad de la
inteligencia artificial para ajustar el proceso
educativo a las necesidades individuales dentro
del alcance específico del estudio.
Referencias Bibliográficas
Altamirano, S., Muñoz, G., Altamirano, E.,
Atiencie, M., y León, B. (2025). Desarrollo
de la motricidad fina mediante un
ecosistema de inteligencia artificial en un
marco pedagógico innovador. Mérito -
Revista de Educación, 7(21), 44–55.
https://doi.org/10.37260/merito.i7n21.5
Bentancor, G., Velázquez, L., y Rosas, P.
(2024). Inteligencia Artificial para
personalizar el aprendizaje de Matemática:
Una mirada a un curso de ALEKS para
docentes de Educación Media de Uruguay.
TEyET, (37), e22.
https://doi.org/10.24215/18509959.37.e22
Cabrera, K. (2024). Transformando la
educación básica: Retos y perspectivas de la
inteligencia artificial. Revista Científica de
Salud y Desarrollo Humano, 5(2), 1–17.
https://doi.org/10.61368/r.s.d.h.v5i2.113
Castro, K., Sagñay, R., León, D., y Ramos, J.
(2025). Impacto de la inteligencia artificial
en la evaluación formativa en universitarios.
Revista Escuela, Familia y Comunidad, 4(2),
49–64.
https://doi.org/10.48190/revefc.v4n2a4
Chugcho, F., Chinachi, M., Masaquiza, M., y
Paredes, C. (2025). Personalización del
aprendizaje en matemáticas a través de la
inteligencia artificial: Mejora del
razonamiento matemático en la educación
básica. Polo del Conocimiento, 10(4), 640–
659. https://doi.org/10.23857/pc.v10i4.9338
Contreras, V., Iñiguez, L., Pillacella, J., y
Mogrovejo, R. (2025). Impacto del uso de
inteligencia artificial en el cumplimiento de
tareas escolares. Revista Escuela, Familia y
Comunidad, 4(1), 51–64.
https://doi.org/10.48190/revefc.v4n1a4
Delgado, V., Intriago, M., Intriago, J.,
González, C., y Tandayamo, P. (2025).
Aprendizaje matemático personalizado
mediante inteligencia artificial: Un modelo
adaptativo para el desarrollo del
razonamiento algebraico en educación.
ASCE Magazine, 4(3), 311–332.
https://doi.org/10.70577/ASCE/311.332/202
5
Espinoza, E., Villacres, G., y Granda, D.
(2020). Influencia de las didácticas
tecnológicas en el desarrollo del aprendizaje
de los estudiantes. Revista Metropolitana de
Ciencias Aplicadas, 3(3), 63–70.
https://doi.org/10.62452/g8q33421
González, L. (2026). Impacto de herramientas
digitales emergentes en la estimulación
cognitiva de niños en Educación Inicial.
Revista Escuela, Familia y Comunidad, 5(1),
99–115.
https://doi.org/10.48190/revefc.v5n1a7
González, L., Reyes, M., y Macías, J. (2024).
Tecnología y enseñanza virtual en la
educación inicial: Un nuevo paradigma.
Revista Escuela, Familia y Comunidad, 3(1).
https://doi.org/10.48190/revefc.v3n1a4
González, J., Villacres, G., Núñez, L., Serrano,
J., y Calderón, R. (2025). Uso de Kahoot! en
el proceso de enseñanza-aprendizaje en la
educación superior. Ciencia Latina Revista
Científica Multidisciplinar, 9(3), 1924–
1942.
https://doi.org/10.37811/cl_rcm.v9i3.17806
León, B., Kakiyama, T., y Piz, Y. (2023). El
papel de la virtualización de los procesos
educativos en la Educación Física. Portal de
la Ciencia, 4(3), 270–285.
https://doi.org/10.51247/pdlc.v4i3.391
Machuca, J., Díaz, T., Mero, F., Verdesoto,
M., y Benalcázar, L. (2025). El uso de la
inteligencia artificial para personalizar el
aprendizaje de la Matemática. Ciencia
Latina Revista Científica Multidisciplinar,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.2
Edición Especial V 2026
Página 770
9(1), 11014–11024.
https://doi.org/10.37811/cl_rcm.v9i1.16681
Quispilema, C., Vera, O., y León, B. (2025).
Uso ético de la tecnología y su relación con
la proyección del liderazgo educativo futuro.
Revista Peruana de Educación, 7(15), 122–
129. https://doi.org/10.37260/repe.v7n15.10
Román, G. (2024). El rol de la IA en la
enseñanza de matemáticas en entornos
virtuales. Reincisol, 3(6), 2111–2133.
https://doi.org/10.59282/reincisol.V3(6)2111
-2133
Sánchez, A., Álvarez, A., Zamora, M.,
Sánchez, W., y León, B. (2025). Taxonomía
de Bloom en la era IA: Competencias
digitales para la formación docente. Revista
Ciencia y Tecnología para el Desarrollo -
UJCM, 11(22), 325–335.
https://doi.org/10.37260/rctd.v11i22.56
Ureña, M., Sánchez, L., y Ochoa, K. (2025).
Programa de intervención para el
aprovechamiento de las Tecnologías de la
Información y Comunicación en el
aprendizaje de educandos de secundaria.
Revista Escuela, Familia y Comunidad, 4(2),
23–36.
https://doi.org/10.48190/revefc.v4n2a2
Vera, M., y Ruiz, R. (2025). La inteligencia
artificial como herramienta para la
personalización del aprendizaje:
Potencialidades, desafíos y perspectivas
educativas. Noesis. Revista Electrónica de
Investigación, 7(14), 853–871.
https://doi.org/10.35381/noesisin.v7i14.545
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No
Comercial 4.0 Internacional. Copyright © Darwin
Mario Carrión Macas, Jhonny Jara Romero,
Lorenzo Jovanny Cevallos Torres y Dayron
Rumbaut Rangel.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Darwin Mario Carrión Macas: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los datos,
redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Jhonny Jara Romero: curación y organización de los datos, participación en la recolección de información, validación de los resultados obtenidos y
elaboración de representaciones gráficas y visualización de los datos.
Lorenzo Jovanny Cevallos Torres: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del proyecto
investigativo y revisión editorial del manuscrito antes de su publicación.
Dayron Rumbaut Rangel: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los datos,
redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del presente
artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso
de existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica,
transparencia y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego,
garantizando la confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor
declara que el artículo cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y
que sus observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad de los
datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben
ajustarse a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción del
manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del
manuscrito ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
