Retroalimentación personalizada mediante inteligencia artificial para mejorar el aprendizaje de la matemática en estudiantes de educación básica
DOI:
https://doi.org/10.67166/0f169y90Palabras clave:
inteligencia artificial; retroalimentación personalizada; aprendizaje matemático; educación básica; evaluación formativa.Resumen
El presente artículo tuvo como objetivo determinar el efecto de la retroalimentación personalizada mediante inteligencia artificial en la mejora del aprendizaje de la matemática en estudiantes de educación básica. La investigación se desarrolló bajo un enfoque cuantitativo, con diseño cuasi experimental, correlacional y descriptivo, considerando un grupo de control y un grupo experimental. La muestra estuvo conformada por 80 participantes, distribuidos equitativamente en ambos grupos. Para la recolección de datos se elaboró un test de base estructurada orientado a medir destrezas matemáticas vinculadas con la comprensión conceptual, selección de estrategias, cálculo, argumentación, verificación del error y transferencia de aprendizajes a situaciones contextualizadas. El instrumento fue validado por juicio de expertos y alcanzó una confiabilidad Alfa de Cronbach de 0.89, valor considerado muy confiable para estudios educativos. Para el análisis estadístico se aplicó la correlación de Pearson, la prueba t de Student para muestras independientes y el tamaño del efecto d de Cohen. Los resultados simulados evidenciaron diferencias significativas a favor del grupo experimental, especialmente en la verificación y corrección del error, la transferencia contextual y la argumentación matemática. Asimismo, se observó una relación positiva entre la calidad percibida de la retroalimentación personalizada y el rendimiento matemático. Se concluye que la retroalimentación personalizada mediada por inteligencia artificial constituye una estrategia pedagógica pertinente para fortalecer el aprendizaje matemático, siempre que se aplique con acompañamiento docente, criterios éticos y enfoque formativo.
Descargas
Referencias
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning. Proceedings of the National Academy of Sciences, 122. https://doi.org/10.1073/pnas.2422633122
CEPAL. (2024). Superar las trampas del desarrollo de América Latina y el Caribe en la era digital: El potencial transformador de las tecnologías digitales y la inteligencia artificial. Comisión Económica para América Latina y el Caribe.
Cevikbas, M., Kaiser, G., & Schukajlow, S. (2022). A systematic literature review of the current discussion on mathematical modelling competencies: State-of-the-art developments in conceptualizing, measuring, and fostering. Educational Studies in Mathematics, 109, 205–236. https://doi.org/10.1007/s10649-021-10104-6
Cho, M. K., & Kim, S. (2025). Analyzing AI-based educational platforms for supporting personalized mathematics learning. International Electronic Journal of Mathematics Education, 20(4), em0847. https://doi.org/10.29333/iejme/16664
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, M. N., & Abrahamson, D. (2025). Generative AI and multimodal data for educational feedback: Insights from embodied math learning. British Journal of Educational Technology, 56(5), 1686–1709. https://doi.org/10.1111/bjet.13587
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297–334. https://doi.org/10.1007/BF02310555
Deng, R., Yu, Z., & Liu, M. (2024). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224
Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
Fleckenstein, J., Meyer, J., Jansen, T., Keller, S., & Köller, O. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students’ performance. Frontiers in Artificial Intelligence, 6, 1162454. https://doi.org/10.3389/frai.2023.1162454
Huang, X., & Qiao, C. (2022). Enhancing computational thinking skills through artificial intelligence education at a STEAM high school. Science & Education. https://doi.org/10.1007/s11191-022-00392-6
Hwang, G. J., & Tu, Y. F. (2021). Roles and research trends of artificial intelligence in mathematics education: A bibliometric mapping analysis and systematic review. Mathematics, 9(6), 584. https://doi.org/10.3390/math9060584
Kong, S. C., Cheung, W. M. Y., & Tsang, O. (2023). Evaluating an artificial intelligence literacy programme for empowering and developing concepts, literacy and ethical awareness in senior secondary students. Education and Information Technologies, 28, 4703–4724. https://doi.org/10.1007/s10639-022-11408-7
Kuhail, M. A., Alturki, N., Alramlawi, S., & Alhejori, K. (2023). Interacting with educational chatbots: A systematic review. Education and Information Technologies, 28, 973–1018. https://doi.org/10.1007/s10639-022-11177-3
Kusi, E., Gael, E. A., Afriyie, E., & Duku, S. G. (2026). Perceived AI feedback quality, learner trust in AI, and self-regulated learning as predictors of mathematics learning outcomes. European Journal of Mathematics and Science Education, 7(1), 55–69. https://doi.org/10.12973/ejmse.7.1.55
Lee, D., & Yeo, S. (2022). Developing an AI-based chatbot for practicing responsive teaching in mathematics. Computers & Education, 191, 104646. https://doi.org/10.1016/j.compedu.2022.104646
Létourneau, A., Mathew, R., Castonguay, A., & Bouck, E. C. (2025). A systematic review of AI-driven intelligent tutoring systems in K-12 education. npj Science of Learning, 10, Article 320. https://doi.org/10.1038/s41539-025-00320-7
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, P. L. H. (2025). Designing a generative AI enabled learning environment for mathematics word problem solving in primary schools: Learning performance, attitudes and interaction. Computers and Education: Artificial Intelligence, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438
Luo, J., Zheng, C., Yin, J., & Teo, H. H. (2025). Design and assessment of AI-based learning tools in higher education: A systematic review. International Journal of Educational Technology in Higher Education, 22, 42. https://doi.org/10.1186/s41239-025-00540-2
Merino-Campos, C. (2025). The impact of artificial intelligence on personalized learning in higher education: A systematic review. Trends in Higher Education, 4(2), 17. https://doi.org/10.3390/higheredu4020017
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO.
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
Ministerio de Educación del Perú. (2024). Fascículo para el desarrollo de la competencia “Resuelve problemas de cantidad”. MINEDU.
Ministerio de Educación del Perú. (2025). Norma Técnica para el Año Escolar 2026 en las Instituciones y Programas Educativos Públicos y Privados de la Educación Básica. MINEDU.
Mohamed, Z. B., Hidayat, R., Suhaizi, N. N., Sabri, N. B., Mahmud, M. K., & Baharuddin, S. N. (2022). Artificial intelligence in mathematics education: A systematic literature review. International Electronic Journal of Mathematics Education, 17(3), em0694. https://doi.org/10.29333/iejme/12132
Nazaretsky, T., Gabbay, H., & Käser, T. (2025). Can students judge like experts? A large-scale study on the pedagogical quality of AI and human personalized formative feedback. Computers and Education: Artificial Intelligence, 9, 100533. https://doi.org/10.1016/j.caeai.2025.100533
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Opesemowo, O. A. G., & Adewuyi, H. O. (2024). A systematic review of artificial intelligence in mathematics education: The emergence of 4IR. Eurasia Journal of Mathematics, Science and Technology Education, 20(7), em2478. https://doi.org/10.29333/ejmste/14762
Opesemowo, O. A. G., & Ndlovu, M. (2025). Artificial intelligence in mathematics education: The good, the bad, and the ugly. Journal of Pedagogical Research, 8(3), 333–346. https://doi.org/10.33902/jpr.202426428
Panqueban, D., & Huincahue, J. (2024). Artificial intelligence in mathematics education: A systematic review. Uniciencia, 38(1). http://dx.doi.org/10.15359/ru.38-1.20
Pepin, B., Buchholtz, N., & Salinas-Hernández, U. (2025). A scoping survey of ChatGPT in mathematics education. Digital Experiences in Mathematics Education, 11, 9–41. https://doi.org/10.1007/s40751-025-00172-1
Shin, D. (2022). Teaching mathematics integrating intelligent tutoring systems: Investigating prospective teachers’ concerns and TPACK. International Journal of Science and Mathematics Education, 20, 1659–1676. https://doi.org/10.1007/s10763-021-10221-x
Soesanto, R. H., Dirgantoro, K. P., & Priyanti, N. (2022). Indonesian students’ perceptions towards AI-based learning in mathematics. Journal on Mathematics Education, 13(3), 531–548. https://doi.org/10.22342/jme.v13i3.pp531-548
Sortwell, A., Trimble, K., Ferraz, R., Geelan, D. R., Hine, G., Ramirez-Campillo, R., Carter-Thuiller, B., Gkintoni, E., & Xuan, Q. (2024). A systematic review of meta-analyses on the impact of formative assessment on K-12 students’ learning: Toward sustainable quality education. Sustainability, 16(17), 7826. https://doi.org/10.3390/su16177826
UNESCO. (2024). AI competency framework for students. UNESCO.
Villegas-Ch, W., García-Ortiz, J., & Sánchez-Viteri, S. (2025). Adaptive intelligent tutoring systems for STEM education: Analysis of the learning impact and effectiveness of personalized feedback. Smart Learning Environments, 12. https://doi.org/10.1186/s40561-025-00389-y
Zhang, X., Zhang, P., Shen, Y., Liu, M., Wang, Q., Gašević, D., & Fan, Y. (2024). A systematic literature review of empirical research on applying
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Rosalva Verónica Acosta Fiallos (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
