Forma Descripción generada automáticamente
Forma Descripción generada automáticamente
Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 2, 2026, abril-junio
DOI: https://doi.org/10.71112/0axh3867
INTELIGENCIA ARTIFICIAL Y TRANSFORMACIÓN DE LA ENSEÑANZA
MATEMÁTICA UNIVERSITARIA: EVIDENCIA SISTEMÁTICA, DESAFÍOS ÉTICOS Y
MODELOS EMERGENTES DE APRENDIZAJE ADAPTATIVO
ARTIFICIAL INTELLIGENCE AND THE TRANSFORMATION OF UNIVERSITY
MATHEMATICS EDUCATION: SYSTEMATIC EVIDENCE, ETHICAL CHALLENGES,
AND EMERGING MODELS OF ADAPTIVE LEARNING
Alfredo Demetrio Moreno Llacza
Perú
DOI: https://doi.org/10.71112/0axh3867
1670 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Inteligencia artificial y transformación de la enseñanza matemática universitaria:
evidencia sistemática, desafíos éticos y modelos emergentes de aprendizaje
adaptativo
Artificial intelligence and the transformation of university mathematics education:
systematic evidence, ethical challenges, and emerging models of adaptive
learning
Alfredo Demetrio Moreno Llacza
a,*
amoreno@lamolina.edu.pe
https://orcid.org/0000-0003-4028-0396
*
Autor de correspondencia: amoreno@lamolina.edu.pe,
a
Universidad Nacional Agraria la
Molina, Perú
RESUMEN
Se analizó el impacto de la inteligencia artificial en educación superior mediante revisión
sistemática de 30 estudios, empleando matrices de análisis documental. Los resultados
evidencian mejoras en rendimiento académico y comprensión conceptual, asociadas a
aprendizaje adaptativo y retroalimentación inmediata. No obstante, se identifican limitaciones
en formación docente y ética educativa. Se concluye que su integración requiere modelos
pedagógicos sólidos y mayor evidencia longitudinal.
Palabras clave: Inteligencia artificial; Educación superior; Aprendizaje adaptativo; Rendimiento
académico; Didáctica matemática.
DOI: https://doi.org/10.71112/0axh3867
1671 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
ABSTRACT
The study analyzed the impact of artificial intelligence in higher education through a systematic
review of 30 studies, using document analysis matrices. Findings reveal improvements in
academic performance and conceptual understanding, linked to adaptive learning and
immediate feedback. However, limitations in teacher training and educational ethics were
identified. It is concluded that effective integration requires robust pedagogical models and
stronger longitudinal evidence.
Keywords: Artificial intelligence; Higher education; Adaptive learning; Academic performance;
Mathematics didactics.
Recibido: 27 abril 2026 | Aceptado: 18 mayo 2026 | Publicado: 19 mayo 2026
INTRODUCCIÓN
A nivel global, la convergencia entre la inteligencia artificial (IA) y los paradigmas
educativos ha generado una transformación significativa en la enseñanza de las ciencias
exactas, modificando tanto las herramientas de instrucción como la interacción cognitiva entre
el estudiante y el conocimiento. La implementación de sistemas de aprendizaje adaptativo,
basados en algoritmos de aprendizaje profundo, ha optimizado la resolución de problemas
lógicos en contextos educativos avanzados; sin embargo, este avance no ha sido uniforme y
presenta riesgos estructurales. En este sentido, La Organización de las Naciones Unidas para
la Educación, la Ciencia y la Cultura (2023)advierte que la principal problemática radica en la
desigualdad en el acceso tecnológico y en la ausencia de marcos éticos que regulen la praxis
algorítmica, generando una “brecha de inteligencia” que amplía la tradicional brecha digital.
Asimismo, La Organización de las Naciones Unidas para la Educación, la Ciencia y la
Cultura,UNESCO (2026) señala que, aunque el uso de herramientas de IA en educación
DOI: https://doi.org/10.71112/0axh3867
1672 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
superior se ha incrementado considerablemente, su integración pedagógica continúa siendo
desigual, evidenciando limitaciones en su aplicación efectiva y la necesidad de lineamientos
institucionales claros.
En este contexto, la incorporación de la IA en la enseñanza matemática enfrenta
limitaciones asociadas a la formación docente en entornos tecnológicos complejos. La
Organization for Economic Co-operation and Development , OECD (2023)señala que cerca del
60% de los profesionales STEM carece de competencias digitales avanzadas, restringiendo la
evaluación automatizada y la detección de errores conceptuales. En consecuencia, la IA se
utiliza de forma complementaria, limitando su potencial y profundizando desigualdades
educativas.
En América Latina, la adopción de estas tecnologías se caracteriza por un desarrollo
heterogéneo, condicionado por limitaciones estructurales y baja inversión en ciencia y
tecnología. La Comisión Económica para América Latina y el Caribe (2021)reporta que la
brecha de conectividad en zonas rurales alcanza el 45%, restringiendo el acceso equitativo a
herramientas digitales. A ello se suma la escasez de políticas educativas contextualizadas, lo
que ha llevado a la adopción de modelos externos que no responden adecuadamente a las
necesidades regionales. En este sentido, La Organización de Estados Iberoamericanos para la
Educación, la Ciencia y la Cultura, OEI (2022) sostiene que la IA suele ser percibida como un
elemento administrativo más que como un recurso pedagógico estratégico, generando una
desconexión entre los avances tecnológicos y la práctica educativa.
Asimismo, la región presenta debilidades en la validación pedagógica de los sistemas
basados en IA. El Banco interamericano de desarrollo, BID (2020) señala que el 55% de los
ecosistemas digitales de aprendizaje carece de evaluación bajo estándares internacionales, lo
que genera dependencia de plataformas externas y dificulta su integración curricular. Esta
DOI: https://doi.org/10.71112/0axh3867
1673 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
situación limita el desarrollo de competencias analíticas avanzadas y afecta la calidad de la
enseñanza matemática.
En el caso del Perú, el Ministerio de Educación del Perú, MiNEDU (2023)reporta que
solo el 15% de las instituciones públicas ha incorporado plataformas inteligentes, debido a
deficiencias en infraestructura y conectividad. A su vez, el Centro Nacional de Planeamiento
Estratégico, CEPLAN (2025) indica que la conectividad en zonas rurales alcanza apenas el
23.7%, profundizando las brechas educativas. Este escenario evidencia la necesidad de
articular estas iniciativas con la política del Consejo Nacional de Ciencia Tecnología e
Innovación, CONCYTEC (2025) orientada a fortalecer la integración tecnológica y mejorar la
calidad educativa.
En consecuencia, el presente estudio tiene como objetivo examinar el impacto de la
inteligencia artificial en la enseñanza universitaria de la matemática mediante una revisión
sistemática de 30 investigaciones recientes, aportando evidencia que contribuya al desarrollo
de modelos pedagógicos más eficientes y contextualizados.
Marco teórico
La teoría de la inteligencia artificial educativa encuentra su génesis fundamental en los
postulados de McCarthy, quien es reconocido como el principal propulsor de esta disciplina
científica. Esta teoría se centra en la capacidad de los sistemas computacionales para replicar
procesos cognitivos humanos, orientándolos específicamente hacia la optimización de los
entornos de instrucción. Trata sobre la creación de arquitecturas neuronales y modelos
algorítmicos capaces de interactuar con el discente, proporcionando respuestas adaptativas
que simulan la tutoría personalizada de un experto. Al respecto, Bustamante Y Camacho
(2024)sostienen que esta evolución tecnológica requiere revisiones sistemáticas constantes
para entender cómo la IA se infiltra en las estructuras escolares modernas.
DOI: https://doi.org/10.71112/0axh3867
1674 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Por añadidura, la teoría de la enseñanza de matemática halla su base epistemológica
más sólida en la Teoría de las Situaciones Didácticas de Brousseau, su principal exponente
contemporáneo. Este enfoque trata sobre la modelización de la interacción entre el docente, el
estudiante y el saber matemático, dentro de un medio diseñado estratégicamente para generar
aprendizaje. La teoría sostiene que el conocimiento matemático se construye mediante la
resolución de problemas donde el sujeto debe adaptar sus esquemas cognitivos previos ante
situaciones de incertidumbre lógica. En este contexto, Panqueban y Huincahue Arcos
(2024)precisan que la integración de la IA en la educación matemática debe ser analizada bajo
una óptica sistemática que respete estos procesos de construcción del saber.
En el mismo orden de ideas, la inteligencia artificial educativa se define técnicamente
como la convergencia de la ciencia de la computación y las ciencias del aprendizaje para
desarrollar sistemas instruccionales inteligentes. Según Isea et al. (2024)esta convergencia es
el motor de la transformación actual de los procesos de enseñanza. Entre sus características
primordiales destaca la capacidad de procesamiento de grandes volúmenes de datos en tiempo
real, permitiendo una personalización del ritmo de aprendizaje. Estos sistemas se distinguen
por su naturaleza predictiva, logrando identificar patrones de comportamiento académico y
niveles de frustración antes de que estos deriven en un fracaso escolar o deserción, un impacto
Castillo Herrera (2023) destaca como fundamental para mejorar el rendimiento en niveles
educativos críticos.
Igualmente, la inteligencia artificial educativa posee propiedades intrínsecas como la
interoperabilidad y la escalabilidad dentro de los ecosistemas digitales modernos. Como señala
Campbell (2025) la integración de la IA en los sistemas de gestión del aprendizaje está
revolucionando la forma en que se administra la educación superior. Esta variable se manifiesta
a través de tutores inteligentes que ofrecen andamiajes cognitivos dinámicos, adaptando la
complejidad de los contenidos según el desempeño del usuario. Según Rodríguez (2021) estos
DOI: https://doi.org/10.71112/0axh3867
1675 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
sistemas de tutoría inteligente son herramientas clave para personalizar la instrucción
universitaria. Su función principal es actuar como un facilitador de la zona de desarrollo
próximo, proporcionando pistas heurísticas y retroalimentación inmediata, lo cual transforma
radicalmente la gestión del conocimiento al convertir al software en un agente activo y reflexivo.
Sin embargo, Camacho et al. (2025) advierten que este avance debe considerar seriamente las
implicaciones éticas que surgen al utilizar IA en el ámbito académico.
Del mismo modo, la enseñanza de matemática se define como un proceso complejo de
transposición didáctica que busca la adquisición de competencias de razonamiento lógico y
abstracción numérica. De acuerdo con Pérez et al. (2025) el uso de las TIC es hoy un eje
transformador en el aprendizaje de estas ciencias exactas. Sus características fundamentales
incluyen el rigor metodológico, la estructuración jerárquica de contenidos y la búsqueda
constante de la resolución de problemas del mundo real. Esta variable requiere de una
planificación estratégica que considere tanto la dimensión afectiva del estudiante como la
naturaleza axiomática de la disciplina. En este escenario, Castro-Pérez (2025)enfatiza que la
identidad profesional del docente debe resignificarse, convirtiéndose en un mediador capaz de
gestionar estos nuevos desafíos tecnológicos en el contexto latinoamericano.
Por otra parte, la enseñanza de matemática se caracteriza por el uso de diversos
registros de representación semiótica que facilitan la comprensión de conceptos abstractos.
Valbuena-Duarte et al. (2021) demuestran que las intervenciones tecnológicas, al basarse en el
potencial semiótico, permiten un estudio más profundo de conceptos complejos, como las
secciones cónicas. Este proceso implica la mediación constante del profesorado para guiar la
institucionalización del saber, asegurando que los hallazgos empíricos del alumno se
conviertan en teoremas validados. La eficacia en esta área depende de la capacidad del
sistema educativo para integrar estrategias que fomenten el pensamiento crítico, la intuición
DOI: https://doi.org/10.71112/0axh3867
1676 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
espacial y la habilidad para modelar fenómenos complejos mediante el lenguaje universal de
los números.
METODOLOGÍA
El presente estudio se desarrolló mediante una revisión bibliográfica de la literatura
científica, con el propósito de analizar el impacto y las aplicaciones de la inteligencia artificial en
la enseñanza de la matemática en el contexto universitario. Las búsquedas se realizaron en las
bases de datos SciELO, Dialnet y ScienceDirect, utilizando como descriptores principales:
“inteligencia artificial”, “enseñanza matemática”, “educación superior”, “aprendizaje
automatizado” y “tecnologías educativas”, lo que permitió identificar un total de 30 artículos
científicos pertinentes para el análisis.
Con el fin de asegurar la calidad y pertinencia de los estudios incluidos, se
establecieron criterios específicos de inclusión y exclusión aplicados durante el proceso de
selección:
Criterios de inclusión
a) Año de publicación: Se consideraron estudios publicados entre 2023 y 2026,
garantizando la actualización del conocimiento en un campo de rápida evolución tecnológica.
b) Tipo de estudio: Se incluyeron investigaciones cuantitativas, cualitativas, mixtas, así
como revisiones sistemáticas y bibliográficas relacionadas con la temática.
c) Temática central: Los estudios debían abordar de manera directa el uso, aplicación
o impacto de la inteligencia artificial en la enseñanza y aprendizaje de la matemática en el nivel
universitario.
d) Idioma y acceso: Se seleccionaron artículos en español e inglés con acceso a texto
completo.
DOI: https://doi.org/10.71112/0axh3867
1677 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Criterios de exclusión
a) Tipo de publicación: Se excluyeron documentos no científicos como ensayos,
editoriales, capítulos de libros y actas de congresos sin revisión por pares.
b) Desalineación temática: Se descartaron estudios que no abordaran específicamente
la relación entre inteligencia artificial y enseñanza matemática en educación superior.
c) Limitado aporte científico: Se excluyeron investigaciones con escaso sustento
empírico o teórico, o que no aportaran resultados relevantes al campo de estudio.
d) Acceso restringido: No se consideraron artículos sin disponibilidad de texto
completo.
Cadenas de búsqueda utilizadas
Para optimizar la recuperación de información, se emplearon operadores booleanos
(AND, OR), generando cadenas como:
“artificial intelligence” AND “mathematics education” AND “higher education”;
“inteligencia artificial” AND “enseñanza de la matemática” AND “educación superior”;
“machine learning” OR “AI tools” AND “mathematics learning” AND “university
students”;
“tecnologías educativas” AND “inteligencia artificial” AND “didáctica de la matemática”;
“AI in education” AND “mathematics teaching” AND “tertiary education” .
Proceso de selección de estudios
El proceso de selección de los estudios se desarrolló de manera sistemática en varias
etapas. En primer lugar, se realizó la búsqueda en las bases de datos SciELO, Dialnet y
ScienceDirect, utilizando combinaciones de palabras clave relacionadas con la inteligencia
artificial y la enseñanza de la matemática en educación superior, apoyadas en operadores
booleanos (“AND” y “OR”). Posteriormente, se eliminaron los registros duplicados mediante el
uso del gestor bibliográfico Zotero. En una segunda fase, se llevó a cabo el cribado inicial
DOI: https://doi.org/10.71112/0axh3867
1678 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
mediante la revisión de títulos y resúmenes, aplicando los criterios de inclusión y exclusión
definidos. Los estudios que cumplieron con dichos criterios fueron analizados en texto completo
para verificar su pertinencia y calidad metodológica. Finalmente, el proceso fue documentado
mediante un diagrama de flujo que evidencia las etapas de identificación, selección e inclusión
de los artículos
Extracción de datos
La extracción de datos se realizó mediante una matriz de análisis diseñada para
organizar la información de los estudios seleccionados de forma sistemática. Se registraron
variables como autores, año de publicación, país, tipo de metodología y contexto educativo, lo
que permitió contextualizar la investigación en distintos entornos universitarios. Asimismo, se
analizaron los objetivos, principales resultados y conclusiones de cada estudio, prestando
especial atención a los efectos de la inteligencia artificial en el aprendizaje matemático, el
rendimiento académico y la motivación estudiantil. También se consideraron los aportes y
limitaciones señalados por los autores. Esta organización permitió identificar tendencias,
similitudes y vacíos en la literatura sobre el uso de la inteligencia artificial en la enseñanza de
las matemáticas en educación superior
Evaluación de la calidad metodológica
La calidad metodológica de los estudios incluidos fue evaluada mediante las
herramientas del Joanna Briggs Institute (JBI), seleccionando la lista de verificación
correspondiente al diseño de cada investigación. Se analizaron criterios como la coherencia
metodológica, la claridad en la descripción de procedimientos, la rigurosidad en el análisis de
datos y la consistencia entre resultados y conclusiones. Asimismo, se consideró la
identificación de posibles sesgos y la discusión de limitaciones por parte de los autores. En el
caso de estudios sobre inteligencia artificial en la enseñanza de la matemática, se valoró
especialmente la relación entre la implementación tecnológica y los resultados educativos
DOI: https://doi.org/10.71112/0axh3867
1679 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
reportados. En general, los estudios presentaron una calidad metodológica adecuada para
sustentar el análisis del presente trabajo
La figura evidencia un proceso sistemático de depuración bibliográfica en el que, a
partir de 309 registros iniciales provenientes de SciELO, Dialnet y ScienceDirect, se eliminaron
78 duplicados, quedando 231 documentos para evaluación. Posteriormente, 162 registros
fueron excluidos tras el análisis de título y resumen, reduciendo el corpus a 69 publicaciones
para revisión a texto completo. De estas, 39 fueron descartadas según criterios de inclusión y
exclusión, consolidándose así un total de 30 estudios pertinentes para el análisis final, lo que
refleja un filtrado riguroso y orientado a la pertinencia temática del estudio.
RESULTADOS
Los resultados presentan el análisis de 30 estudios seleccionados, organizados en
ejes temáticos que permiten identificar tendencias, aportes y limitaciones en el uso de la
inteligencia artificial en la enseñanza matemática universitaria. Se examinan patrones comunes
relacionados con el rendimiento académico, la innovación pedagógica y los desafíos éticos en
contextos educativos actuales.
Síntesis de estudios seleccionados y categorización temática
Tabla 1
Características generales de los estudios incluidos
N°
Autor
Metodología
País
Año
Base de
Datos
1
Carrasco
Valenzuela y
Fuentes
Velásquez
Revisión de
la literatura
España
2024
Dialnet
2
Chacon Valverde
et al.
Mixta
Ecuador
2026
Dialnet
DOI: https://doi.org/10.71112/0axh3867
1680 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
3
De León de
Hernández
Cualitativa
México
2024
Dialnet
4
López-Flores y
García
Cualitativa
Venezuela
2025
Dialnet
5
Mayorga Ases
et al.
Cuantitativa
Ecuador
2025
Dialnet
6
Mazón-Fierro y
Buñay-Guisñan
Cuantitativa
Ecuador
2026
Dialnet
7
Panqueban y
Huincahue Arcos
Revisión de
la literatura
Chile
2024
Dialnet
8
Quiroz Rosas
Cualitativa
México
2023
Dialnet
9
Vela Acurio et al.
Cuantitativa
Ecuador
2025
Dialnet
10
Velázquez Prieto
et al.
Revisión de
la literatura
México
2025
Dialnet
11
Aquije Ramirez
et al.
Revisión de
la literatura
Perú
2026
Scielo
12
Corica et al.
Cuantitativa
Chile
2024
Scielo
13
Corzo-Zavaleta
et al.
Revisión de
la literatura
Perú
2025
Scielo
14
Kroff et al.
Revisión de
la literatura
Chile
2024
Scielo
DOI: https://doi.org/10.71112/0axh3867
1681 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
15
López Farias et al.
Revisión de
la literatura
Ecuador
2026
Scielo
16
Michuy Rodas
et al.
Revisión de
la literatura
Perú
2026
Scielo
17
Niño et al. .
Revisión de
la literatura
Colombia
2025
Scielo
18
Ponce Altamirano
& Cherre Antón
Cuantitativa
Perú
2025
Scielo
19
Romaní Pillpe
et al.
Mixta
Perú
2025
Scielo
20
Ultreras-Rodríguez
et al.
Mixta
España
2025
Scielo
21
Turmuzi et al.
Revisión de
la literatura
Malasia
2026
ScienceDirect
22
Baig y
Yadegaridehkordi
Revisión de
la literatura
R. Unido
2024
ScienceDirect
23
Wang et al.
Revisión de
la literatura
China
2024
ScienceDirect
24
Belkina et al.
Revisión de
la literatura
EE. UU.
2025
ScienceDirect
25
Mesa Canonigo
Cuantitativa
Perú
2024
ScienceDirect
26
González -Campos
et al. .
Revisión de
la literatura
España
2024
ScienceDirect
27
Ardisana y Gaínza
Cualitativa
Perú
2024
ScienceDirect
28
Deng et al.
Revisión de
la literatura
China
2024
ScienceDirect
DOI: https://doi.org/10.71112/0axh3867
1682 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
29
Abdallah et al.
Revisión de
la literatura
Emiratos
Á.
2025
ScienceDirect
30
Guo et al.
Revisión de
la literatura
China
2025
ScienceDirect
Tabla 2
Ejes temáticos emergentes en la investigación sobre inteligencia artificial aplicada a la
enseñanza de la matemática universitaria
Eje temático
Autor(es)
Síntesis y/o conclusiones
Impacto de la
inteligencia artificial
en el aprendizaje
matemático
Mayorga Ases et al.
(2025);Vela Acurio et al.
(2025); Mesa Canonigo,
(2024); Corica et al. (2024);
Ponce Altamirano & Cherre
Antón (2025); Mazón-Fierro &
Buñay-Guisñan (2026)
Los estudios coinciden en que la
inteligencia artificial mejora el
rendimiento académico, la
comprensión conceptual y la
confianza en el aprendizaje
matemático. Asimismo, facilita la
retroalimentación inmediata y el
desarrollo de habilidades
procedimentales; no obstante, se
reconoce que el acompañamiento
docente sigue siendo clave en la
resolución de problemas complejos.
Innovación
pedagógica y
metodologías
activas mediadas
por IA
Chacon Valverde et al. (2026);
De León de Hernández (2024);
Quiroz Rosas (2023); Ultreras-
Rodríguez et al. (2025);
Carrasco Valenzuela &
Fuentes Velásquez (2024);
Velázquez Prieto et al.
(2025);López Farias et al.
(2026)
Se evidencia que la IA impulsa
metodologías innovadoras como la
gamificación, el aprendizaje
adaptativo y los modelos híbridos de
enseñanza. Estas estrategias
favorecen la personalización del
aprendizaje, la visualización de
conceptos abstractos y la
transformación del rol docente hacia
un facilitador tecnológico.
Desafíos, riesgos y
consideraciones
éticas de la IA en
educación
López-Flores & García (2025);
Wang et al. (2024);Kroff et al.
(2024);González -Campos
et al. (2024)
Los hallazgos destacan
preocupaciones sobre sesgos
algorítmicos, integridad académica,
privacidad de datos y ausencia de
marcos regulatorios claros. En
consecuencia, se subraya la
necesidad de políticas institucionales,
formación ética y uso responsable de
la inteligencia artificial en contextos
educativos.
DOI: https://doi.org/10.71112/0axh3867
1683 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Percepción,
competencias y
adaptación de
docentes y
estudiantes
Romaní Pillpe et al. (2025);
Niño et al. (2025); Aquije
Ramirez et al. (2026); Michuy
Rodas et al. (2026); Ardisana &
Gaínza (2025)
Se identifica una percepción positiva
hacia la IA por parte de los
estudiantes, quienes valoran su
accesibilidad y rapidez. Sin embargo,
los docentes presentan niveles
intermedios de competencias
digitales y ciertos temores frente a su
uso. Se resalta la importancia de
fortalecer la formación continua y el
pensamiento crítico en el uso de
estas tecnologías.
Tendencias,
producción
científica y
desarrollo de la IA
en educación
superior
Panqueban y Huincahue Arcos
(2024); Corzo-Zavaleta et al.
(2025); Turmuzi et al. (2026);
Belkina et al. (2025); Baig &
Yadegaridehkordi (2024); Deng
et al. (2025); Abdallah et al.
(2025); Guo et al. (2026)
La evidencia muestra un crecimiento
sostenido en la investigación sobre
inteligencia artificial en educación
superior, consolidándose como una
tendencia global. Se identifican
líneas emergentes como el uso de IA
generativa, aprendizaje adaptativo y
rediseño curricular, lo que evidencia
la necesidad de transformar los
modelos educativos tradicionales.
DOI: https://doi.org/10.71112/0axh3867
1684 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Figura 1
Diagrama del proceso de depuración de fuentes bibliográficas
DISCUSIÓN
A continuación, se presentan la discusión de los estudios según los ejes temáticos
previamente presentados.
Impacto de la inteligencia artificial en el aprendizaje matemático
Los hallazgos evidencian que la inteligencia artificial contribuye significativamente al
rendimiento académico, la comprensión conceptual y la confianza en el aprendizaje
matemático. En esta línea, Mayorga et al. (2025);Vela et al.(2025) y Mesa, (2024) reportan
mejoras sustanciales asociadas a la personalización del aprendizaje y la retroalimentación
inmediata. Asimismo, Corica et al. (2024) destacan la eficacia de sistemas automatizados en la
DOI: https://doi.org/10.71112/0axh3867
1685 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
resolución de problemas, mientras que Ponce y Cherre (2025) evidencian su impacto en etapas
formativas iniciales. No obstante, Mazón-Fierro y Buñay-Guisñan (2026) advierten que el
acompañamiento docente sigue siendo indispensable para abordar procesos cognitivos
complejos. En consecuencia, la IA se configura como un recurso potenciador del aprendizaje,
pero no sustitutivo del rol pedagógico del docente.
Innovación pedagógica y metodologías activas mediadas por IA
La evidencia analizada demuestra que la inteligencia artificial impulsa una
transformación en las prácticas pedagógicas hacia enfoques más dinámicos y centrados en el
estudiante. Chacon Valverde et al. (2026) y Quiroz (2023) destacan el potencial de la
gamificación y los entornos interactivos para mejorar la motivación y comprensión de
contenidos abstractos. De León (2024) y Ultreras-Rodríguez et al. (2025) señalan que la IA
favorece modelos híbridos que integran lo presencial y lo virtual, optimizando el proceso
formativo. Asimismo, Carrasco y Fuentes (2024) junto con Velázquez et al. (2025) resaltan el
rol emergente del docente como facilitador tecnológico. Sin embargo, López et al. (2026)
advierten que estas innovaciones requieren una adecuada planificación pedagógica para
garantizar su efectividad.
Desafíos, riesgos y consideraciones éticas de la IA en educación
La evidencia revisada identifica múltiples desafíos asociados a la implementación de la
inteligencia artificial en educación, especialmente en el plano ético y normativo. López-Flores y
García (2025) advierten la presencia de sesgos algorítmicos que pueden generar inequidades
en el acceso y resultados educativos. En la misma línea, Wang et al. (2024) señalan la
ausencia de marcos regulatorios claros, lo que dificulta una adopción responsable. Asimismo,
Kroff et al. (2024) evidencian que la integración tecnológica no siempre se acompaña de
transformaciones estructurales en los sistemas educativos. Por su parte, González -Campos et
al. (2024) enfatizan la necesidad de rediseñar los modelos educativos bajo principios éticos. En
DOI: https://doi.org/10.71112/0axh3867
1686 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
conjunto, estos hallazgos subrayan la urgencia de establecer políticas institucionales, fortalecer
la formación ética y garantizar un uso responsable de la IA.
Percepción, competencias y adaptación de docentes y estudiantes
Los estudios analizados muestran una percepción mayoritariamente positiva de la
inteligencia artificial por parte de los estudiantes, quienes valoran su accesibilidad, rapidez y
apoyo en el aprendizaje. Romaní et al. (2025) y Niño et al. (2025) evidencian una alta
aceptación de estas tecnologías en entornos universitarios. Asimismo, Aquije et al. (2026) y
Michuy et al. (2026) destacan su potencial en el fortalecimiento del pensamiento crítico y la
tutoría personalizada. Sin embargo, Ardisana y Gaínza (2025) señalan que los docentes
presentan niveles intermedios de competencias digitales y ciertas resistencias frente a su uso.
En este contexto, se evidencia la necesidad de fortalecer la formación continua y promover una
apropiación crítica de la IA para asegurar su integración efectiva en el proceso educativo.
Tendencias, producción científica y desarrollo de la IA en educación superior
La producción científica en torno a la inteligencia artificial en educación superior
evidencia un crecimiento sostenido y una consolidación como línea de investigación
emergente. Panqueban y Huincahue (2024) y Corzo-Zavaleta et al. (2025) destacan el
incremento de estudios, especialmente en contextos latinoamericanos. Asimismo, Turmuzi et
al. (2026), Belkina et al. (2025) y Baig y Yadegaridehkordi (2024) identifican el auge de la
inteligencia artificial generativa y su impacto en los procesos educativos. De igual forma, Deng
et al. (2025), Abdallah et al. (2025) y Guo et al. (2026) analizan su influencia en el aprendizaje y
el pensamiento crítico. En conjunto, estos hallazgos evidencian la necesidad de desarrollar
modelos pedagógicos integradores que orienten la aplicación efectiva de la IA en la educación
superior.
DOI: https://doi.org/10.71112/0axh3867
1687 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
CONCLUSIONES
La evidencia analizada confirma que la inteligencia artificial se ha consolidado como un
recurso clave para optimizar la enseñanza de la matemática en el ámbito universitario,
particularmente en términos de mejora del rendimiento académico, fortalecimiento de la
comprensión conceptual y aumento de la motivación estudiantil. Los sistemas inteligentes
permiten una retroalimentación inmediata, favorecen el aprendizaje personalizado y reducen
barreras asociadas a la ansiedad matemática, configurando entornos de aprendizaje más
accesibles y adaptativos. Sin embargo, estos beneficios no implican la sustitución del docente,
sino su reconfiguración como mediador pedagógico que orienta, valida y contextualiza el
conocimiento generado por la tecnología.
Asimismo, se evidencia que la integración de la inteligencia artificial ha impulsado
transformaciones significativas en las metodologías de enseñanza, promoviendo enfoques
innovadores como la gamificación, el aprendizaje adaptativo y los modelos híbridos. Estas
estrategias han demostrado ser efectivas para dinamizar el proceso educativo y facilitar la
comprensión de contenidos abstractos. No obstante, su implementación aún enfrenta
limitaciones estructurales, especialmente relacionadas con la falta de formación docente, la
escasa articulación curricular y la ausencia de modelos pedagógicos consolidados que orienten
su uso en contextos universitarios diversos.
Por otro lado, la revisión pone en evidencia desafíos críticos asociados a la ética, la
regulación y la equidad en el uso de la inteligencia artificial en educación. La presencia de
sesgos algorítmicos, los riesgos de uso indebido y la falta de políticas institucionales claras
representan obstáculos que deben ser abordados de manera prioritaria. En este sentido, la
literatura coincide en la necesidad de desarrollar marcos normativos, fortalecer las
competencias digitales y promover un uso crítico y responsable de la inteligencia artificial,
DOI: https://doi.org/10.71112/0axh3867
1688 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
garantizando su contribución efectiva a la calidad educativa y evitando brechas en el acceso y
aprovechamiento de estas tecnologías
Limitaciones
Entre las principales limitaciones de la presente revisión se identifica la heterogeneidad
metodológica de los estudios analizados, lo que dificulta la comparación directa de resultados y
la generalización de hallazgos. Asimismo, la concentración de investigaciones en determinados
contextos geográficos limita la comprensión global del fenómeno. De igual forma, la
predominancia de estudios de corto alcance y la escasez de investigaciones longitudinales
restringen la evaluación del impacto sostenido de la inteligencia artificial en la enseñanza de la
matemática en educación superior.
Futuras investigaciones
En cuanto a las recomendaciones, se sugiere desarrollar investigaciones longitudinales
que permitan evaluar el impacto a largo plazo de la inteligencia artificial en el aprendizaje
matemático, así como diseñar modelos pedagógicos integrados que articulen tecnología y
didáctica disciplinar. Además, se recomienda fortalecer la formación docente en competencias
digitales y éticas, y promover estudios comparativos entre contextos educativos diversos.
Futuras investigaciones deberían profundizar en la relación entre inteligencia artificial y
desarrollo del pensamiento crítico, así como en la construcción de marcos teóricos que orienten
su implementación efectiva en la educación superior.
Declaración de conflicto de interés
El autor declara que el presente manuscrito es original, inédito y no se encuentra en
proceso de evaluación en ninguna otra revista. Asimismo, garantiza el cumplimiento de los
principios de integridad académica, incluyendo la adecuada citación de fuentes y la ausencia
de cualquier forma de plagio. Se declara también la inexistencia de conflictos de interés. El
DOI: https://doi.org/10.71112/0axh3867
1689 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
autor asume plena responsabilidad por el contenido del trabajo y asegura la transparencia en el
uso de fuentes científicas verificables.
Originalidad y plagio: El manuscrito corresponde a un trabajo propio y cumple con los
principios de integridad académica, asegurando la adecuada referencia y reconocimiento de
todas las fuentes consultadas.
Conflictos de interés: Se declara la inexistencia de intereses personales, académicos,
económicos o institucionales que puedan influir de manera directa o indirecta en los resultados
o en su interpretación.
Participación y crédito: El autor ha participado en todas las fases del estudio, incluyendo
su concepción, diseño metodológico, análisis, redacción y revisión final, asumiendo la
responsabilidad total de la autoría.
Datos y materiales: La información utilizada proviene de fuentes científicas confiables,
accesibles y comprobables. Todas ellas han sido debidamente citadas, garantizando la
transparencia del proceso y la posibilidad de replicar el análisis.
Declaración de contribución a la autoría
Alfredo Demetrio Moreno Llacza: metodología, conceptualización, redacción del borrador
original, revisión y edición de la redacción
Declaración de uso de inteligencia artificial
Durante la elaboración del manuscrito se recurrió a herramientas de inteligencia artificial
únicamente como soporte en la organización del contenido y la mejora de la redacción. Estas
herramientas no influyeron en el análisis de los datos ni en las conclusiones del estudio.
Roles de la IA: Su uso se limitó a aspectos formales del texto, como la estructuración y
optimización del estilo, sin intervención en el desarrollo científico del trabajo.
DOI: https://doi.org/10.71112/0axh3867
1690 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Responsabilidad humana: El autor asume plenamente la responsabilidad sobre la
exactitud de la información, la interpretación de los resultados y el cumplimiento de los
principios éticos.
Edición final: El documento fue revisado y aprobado en su totalidad por el autor,
garantizando su coherencia, precisión y calidad académica.
REFERENCIAS
Abdallah, N., Katmah, R., Khalaf, K., & Jelinek, H. F. (2025). Systematic review of ChatGPT in
higher education: Navigating impact on learning, wellbeing, and collaboration. Social
Sciences & Humanities Open, 12, Artículo 101866.
https://doi.org/10.1016/j.ssaho.2025.101866
Aquije Ramirez, K., Michuy Rodas, F. D. M., & Chavez Paredes, R. C. (2026). Integración de la
IA en metodologías educativas para potenciar el pensamiento crítico en la educación
universitaria: Una revisión sistemática. Revista InveCom, 6(2), 1-9.
https://doi.org/10.5281/zenodo.17096540
Ardisana, E. F. H., & Gaínza, B. M. (2025). Inteligencia Artificial (ChatGPT) en la educación
universitaria: Realidad y consideraciones éticas. Chakiñan, Revista de Ciencias Sociales y
Humanidades, (25), 299-316. https://doi.org/10.37135/chk.002.25.13
Baig, M. I., & Yadegaridehkordi, E. (2024). ChatGPT in the higher education: A systematic
literature review and research challenges. International Journal of Educational Research,
127, Artículo 102411. https://doi.org/10.1016/j.ijer.2024.102411
Banco Interamericano de Desarrollo. (2020). La inteligencia artificial al servicio del bien social
en América Latina y el Caribe: Panorámica regional e instantáneas de doce países. IDB
Publications. https://doi.org/10.18235/0002393
DOI: https://doi.org/10.71112/0axh3867
1691 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Belkina, M., Daniel, S., Nikolic, S., Haque, R., Lyden, S., Neal, P., Grundy, S., & Hassan, G. M.
(2025). Implementing generative AI (GenAI) in higher education: A systematic review of
case studies. Computers and Education: Artificial Intelligence, 8, Artículo 100407.
https://doi.org/10.1016/j.caeai.2025.100407
Bustamante Bula, R., & Camacho Bonilla, A. (2024). Inteligencia artificial (IA) en las escuelas:
Una revisión sistemática. Enunciación, 29(1), 62-82.
https://doi.org/10.14483/22486798.22039
Camacho Vázquez, M. R., Pérez Méndez, J., Cárdenas Castellanos, J., & Adaile Benítez, N. T.
(2025). Implicaciones éticas del uso de Inteligencia Artificial en educación superior.
Emerging Trends in Education, 8(15), 122-139. https://doi.org/10.19136/etie.v8n15.6343
Campbell Rodríguez, V. M. (2025). Revolucionando la educación: Integración de Inteligencia
Artificial en sistemas de gestión del aprendizaje. RIDE Revista Iberoamericana para la
Investigación y el Desarrollo Educativo, 15(30). https://doi.org/10.23913/ride.v15i30.2242
Carrasco Valenzuela, A. C., & Fuentes Velásquez, J. A. (2024). Inteligencia artificial en el área
de enseñanza a las matemáticas. Educación 5.0 Tendencias Tecnológicas Educativas -
Tomo I, 50-61. https://doi.org/10.5281/zenodo.14783673
Castillo Herrera, M. E. (2023). Impacto de la inteligencia artificial en el proceso de enseñanza y
aprendizaje en la educación secundaria. LATAM Revista Latinoamericana de Ciencias
Sociales y Humanidades, 4(6), 515-530. https://doi.org/10.56712/latam.v4i6.1459
Castro-Pérez, R. (2025). La identidad profesional del docente en la era de la inteligencia
artificial: Desafíos y resignificaciones en el contexto latinoamericano. Desde el Sur, 17(2),
e0018. https://doi.org/10.21142/DES-1702-2025-0018
Centro Nacional de Planeamiento Estratégico. (2025). Ficha técnica T67: Incremento del
acceso a la educación por el uso de tecnología y brechas territoriales al 2024. CEPLAN.
https://observatorio.ceplan.gob.pe
DOI: https://doi.org/10.71112/0axh3867
1692 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Chacon Valverde, A. M., Vasquez Salvatierra, W. A., Carbo Ordoñez, E. M., Guerrero Ordoñez,
M. L., Banguera Valencia, B. S., & Barreto Zúñiga, W. W. (2026). Gamificación avanzada
con IA en la educación matemática. Revista Latinoamericana de Calidad Educativa, 3(1),
1-10. https://doi.org/10.70625/rlce/401
Comisión Económica para América Latina y el Caribe. (2021). Tecnologías digitales para un
nuevo futuro [Informe Técnico]. CEPAL.
https://repositorio.cepal.org/server/api/core/bitstreams/879779be-c0a0-4e11-8e08-
cf80b41a4fd9/content
Consejo Nacional de Ciencia, Tecnología e Innovación. (2025). Política Nacional de Ciencia,
Tecnología e Innovación al 2030. CONCYTEC.
https://www.gob.pe/institucion/concytec/informes-publicaciones/6963950-politica-nacional-
de-ciencia-tecnologia-e-innovacion-al-2030
Corica, A. R., Sureda, P., Parra, V., Schiaffino, S., & Godoy, D. (2024). Educación e inteligencia
artificial: Desempeño de chatbots y profesores de matemática en la resolución de
problemas geométricos. Areté, Revista Digital del Doctorado en Educación, 10(ee), 119-
139. https://doi.org/10.55560/arete.2024.ee.10.9
Corzo-Zavaleta, J., Navarro-Castillo, Y., & Ugaz-Rivero, M. (2025). Uso de la inteligencia
artificial en la educación universitaria: Exploración bibliométrica. Desde el Sur, 17(1),
e0010. https://doi.org/10.21142/DES-1701-2025-0010
De León de Hernández, I. M. (2024). La enseñanza de la matemática universitaria de la mano
de la inteligencia artificial. Ciencia Latina Revista Científica Multidisciplinar, 8(6), 10434-
10446. https://doi.org/10.37811/cl_rcm.v8i6.15723
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning?
A systematic review and meta-analysis of experimental studies. Computers & Education,
227, Artículo 105224. https://doi.org/10.1016/j.compedu.2024.105224
DOI: https://doi.org/10.71112/0axh3867
1693 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
González-Campos, J., Núñez, J. L., & Pérez, C. A. (2024). Educación superior e inteligencia
artificial: Desafíos para la universidad del siglo XXI. Aloma: Revista de Psicologia, Ciències
de l’Educació i de l’Esport, 42(1), 79-90. https://doi.org/10.51698/aloma.2024.42.1.79-90
Guo, Y., Huang, L., Zhang, C., Li, Q., & Chen, M. (2026). ChatGPT in education: A systematic
review of its impact on critical thinking skills and dispositions. Thinking Skills and Creativity,
60, Artículo 102106. https://doi.org/10.1016/j.tsc.2025.102106
Isea Arguelles, J. J., Duque Rodríguez, J. A., Piña Ferrer, L. S., & Atencio González, R. E.
(2024). Análisis de la inteligencia artificial en la transformación de la enseñanza y
aprendizaje educativa. Revista Conrado, 20(100), 179-185.
https://conrado.ucf.edu.cu/index.php/conrado/article/view/3948
Kroff, F. J., Coria, D. F., & Ferrada, C. A. (2024). Inteligencia Artificial en la educación
universitaria: Innovaciones, desafíos y oportunidades. Revista Espacios, 45(5), 120-135.
https://doi.org/10.48082/espacios-a24v45n05p09
López Farias, C. J., Roque Ruiz, V. R., Gonzales Preciado, A. S., & Veintimilla, R. A. F. (2026).
El uso de la Inteligencia Artificial para mejorar el aprendizaje en la educación superior: Una
revisión sistemática [Preprint]. SciELO Preprints.
https://doi.org/10.1590/SciELOPreprints.15175
López-Flores, J. I., & García, C. C. (2025). Educación matemática inclusiva e inteligencia
artificial: Riesgos de sesgo y propuestas desde el modelo social. Revista Venezolana de
Investigación en Educación Matemática, 5(2), 1-16.
https://doi.org/10.54541/reviem.v5i2.154
Mayorga Ases, L., Espinoza Jarrín, D. E., Guerrero Lliguin, G. I., & Herrera Herrera, R. V.
(2025). Inteligencia artificial para mejorar el desempeño académico en el área de
Matemática de estudiantes. Revista Ciencia Innovadora, 3(4), 236-248.
https://doi.org/10.64422/rci.v3n4.2025.102
DOI: https://doi.org/10.71112/0axh3867
1694 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Mazón-Fierro, G. J., & Buñay-Guisñan, P. A. (2026). Uso de herramientas digitales en la
enseñanza de las matemáticas en la educación superior. Revista de Investigación
Educativa Niveles, 3(1), 18-28. https://doi.org/10.61347/rien.v3i1.83
Mesa Canonigo, A. (2024). Levering AI to enhance students’ conceptual understanding and
confidence in mathematics. Journal of Computer Assisted Learning, 40(6), 3215-3229.
https://doi.org/10.1111/jcal.13065
Michuy Rodas, F. D. M., Aquije Ramirez, K., & Chávez Paredes, R. C. (2026). El uso de
inteligencia artificial en la tutoría y acompañamiento docente: Revisión sistemática en el
contexto escolar. Revista InveCom, 6(2), 1-11. https://doi.org/10.5281/zenodo.17118338
Ministerio de Educación del Perú. (2023). Plan de gobierno y transformación digital para el
período 2023-2025 del Ministerio de Educación. MINEDU.
https://repositorio.minedu.gob.pe/handle/20.500.12799/8779
Niño, S. A., Castellanos, J. C., López, M. L., & Parra, K. L. (2025). Inteligencia artificial en la
formación universitaria: Una revisión de estudios centrados en la opinión de los
estudiantes. Formación universitaria, 18(2), 107-124. https://doi.org/10.4067/s0718-
50062025000200107
Organización de Estados Iberoamericanos para la Educación, la Ciencia y la Cultura. (2022). El
futuro de la Inteligencia Artificial en educación en América Latina. OEI. https://oei.int/wp-
content/uploads/2023/04/the-future-of-artificial-intelligence-in-education-in-latin-america-
oei-profuturo.pdf
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2023).
Guidance for generative AI in education and research. UNESCO.
https://doi.org/10.54675/EWZM9535
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2026).
UNESCO survey: Two-thirds of higher education institutions have or are developing
DOI: https://doi.org/10.71112/0axh3867
1695 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
guidance on AI use. UNESCO. https://www.unesco.org/en/articles/unesco-survey-two-
thirds-higher-education-institutions-have-or-are-developing-guidance-ai-use
Organization for Economic Co-operation and Development. (2023). OECD Digital Education
Outlook 2023: Towards an Effective Digital Education Ecosystem. OECD Publishing.
https://doi.org/10.1787/c74f03de-en
Panqueban, D., & Huincahue Arcos, J. (2024). Artificial Intelligence in Mathematics Education:
A Systematic Review. Uniciencia, 38(1), Artículo 10. https://doi.org/10.15359/ru.38-1.20
Pérez Romero, D. F., Calapucha, J. G., Barbotó Márquez, A. S., & Uvidia Armijo, L. A. (2025).
La transformación del aprendizaje de las matemáticas mediante las TIC. Sage Sphere
International Journal, 2(1), Artículo 1.
https://sagespherejournal.com/index.php/SSIJ/article/view/9
Ponce Altamirano, D. R., & Cherre Antón, C. A. (2025). Herramientas de inteligencia artificial en
estudiantes de bachillerato. Aula Virtual, 6(13), 2325-2342.
https://doi.org/10.5281/zenodo.18023700
Quiroz Rosas, V. (2023). Aplicaciones de inteligencia artificial aliadas en la enseñanza de las
matemáticas. Ciencia Latina Revista Científica Multidisciplinar, 7(4), 7454-7467.
https://doi.org/10.37811/cl_rcm.v7i4.7498
Rodríguez Chávez, M. H. (2021). Sistemas de tutoría inteligente y su aplicación en la educación
superior. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo,
11(22), e175. https://doi.org/10.23913/ride.v11i22.848
Romaní Pillpe, G., Macedo Inca, K. S., Gaspar Tapara, C., Hernández Acasiete, C. A., &
Esplana Paitan, E. G. (2025). Artificial intelligence in university teaching: Skills, perception,
and technological integration in university teachers. Prohominum, 7(2), 265-275.
https://doi.org/10.47606/ACVEN/PH0347
DOI: https://doi.org/10.71112/0axh3867
1696 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Turmuzi, M., Azmi, S., & Kertiyani, N. M. I. (2026). ChatGPT in school mathematics education:
A systematic review of opportunities, challenges, and pedagogical implications. Teaching
and Teacher Education, 170, Artículo 105286. https://doi.org/10.1016/j.tate.2025.105286
Ultreras-Rodríguez, A., Bueno-Fernández, M. M., Mercedes-Ramos, M. A., & Zuriaga-Bravo, C.
(2025). Enseñanza y aprendizaje en la educación superior asistidos por tecnologías de
inteligencia artificial. Episteme Koinonia, 8(15), 4-27.
https://doi.org/10.35381/e.k.v7i14.4353
Valbuena-Duarte, S., Tamara-Gutiérrez, Y., & Berrio-Valbuena, J. D. (2021). Technological
didactic intervention for the study of conical sections based on semiotic potential.
Formación universitaria, 14(1), 181-194. https://doi.org/10.4067/S0718-
50062021000100181
Vela Acurio, L. G., Camacho Torres, V. L., Ochoa Vásquez, L. F., Hugo Ochoa, S. X., &
Amoroso Ochoa, B. G. (2025). Integración de la Inteligencia Artificial en la enseñanza de
las matemáticas: Impacto en la comprensión conceptual y la motivación del estudiante.
ASCE Magazine, 4(4), 918-939. https://doi.org/10.70577/asce.v4i4.423
Velázquez Prieto, R. Y., Machado Arnau, A., & Camejo Mastrapa, A. D. (2025). La Inteligencia
Artificial en la enseñanza de la Matemática. Didáctica y Educación, 16(5), 248-261.
https://revistas.ult.edu.cu/index.php/didascalia/article/view/91
Wang, H., Dang, A., Wu, Z., & Mac, S. (2024). Generative AI in higher education: Seeing
ChatGPT through universities’ policies, resources, and guidelines. Computers and
Education: Artificial Intelligence, 7, Artículo 100326.
https://doi.org/10.1016/j.caeai.2024.100326