Christian Urff, Pädagogische Hochschule Weingarten, 2025

Resumen: La asistencia al aprendizaje mediante IA en las clases de matemáticas de primaria tiene un gran potencial, pero también conlleva riesgos como la sobrecarga cognitiva y la pérdida de habilidades. Este artículo desarrolla cuatro principios de diseño: una sólida base pedagógica, una dosificación adaptativa basada en el principio de "primero tú, luego yo", la activación metacognitiva y la integración en el currículo ("el profesor participa activamente"). Solo cuando la IA sea pedagógicamente sólida, se dosifique adecuadamente y se integre en el currículo, fortalecerá el pensamiento matemático independiente en lugar de obstaculizarlo.

El punto de partida

La inteligencia artificial generativa genera grandes expectativas y temores en el ámbito educativo. Existe una base empírica sustancial, aunque aún muy heterogénea, que permite extraer conclusiones sobre el diseño del aprendizaje asistido por IA. Los metaanálisis reportan efectos significativamente positivos de los sistemas de IA en el rendimiento académico, la motivación y los procesos cognitivos superiores (Wang y Fan, 2025; Deng et al., 2025; Alemdag, 2025; Wu y Yu, 2024; Zheng et al., 2023). Un metaanálisis reciente sobre IA generativa en matemáticas muestra tamaños del efecto de moderados a buenos (Liu et al., 2025). Sin embargo, estos efectos positivos se producen en condiciones muy diferentes, algunos diseños de estudio son metodológicamente cuestionables y, como ocurre con los metaanálisis en general, surge la pregunta de si los estudios con resultados particularmente positivos se publican de forma selectiva.

Este artículo pretende, por lo tanto, revisar y organizar los hallazgos iniciales y hacerlos utilizables para su implementación en las clases de matemáticas (en la escuela primaria).

Para este propósito, otro hallazgo es más significativo que los tamaños del efecto agregados de los estudios: la gran mayoría de los estudios disponibles se realizaron con alumnos mayores o estudiantes universitarios (Kuo et al., 2025; Liu et al., 2025; Son, 2024). La investigación centrada específicamente en niños de primaria aún es limitada. Una revisión sistemática reciente de sistemas de tutoría inteligente (Létourneau et al., 2025) muestra que solo alrededor de 14 de los estudios involucran a alumnos de primaria. Esto significa que muchas de las siguientes consideraciones se basan menos en resultados directos de estudios para este grupo objetivo y más en consideraciones teóricas y hallazgos de grupos de mayor edad.

En principio, (así como los "medios digitales" en sí mismos no tienen un efecto de aprendizaje) no es muy útil malinterpretar el "efecto de aprendizaje con IA" como una propiedad de la propia tecnología de IA, en lugar de preguntarse por el entorno de aprendizaje subyacente y la preestructuración didáctica (Dinsmore y Fryer, 2026; Kirschner, 2025). La pregunta crucial no es..., si La IA generativa puede tener un efecto en los procesos educativos, pero Cómo Este efecto se puede producir. Y también está la cuestión de cuándo no se debe utilizar la IA.

Por lo tanto, este artículo aborda la siguiente pregunta: ¿Cómo se puede utilizar la IA para apoyar los procesos de aprendizaje matemático en la escuela primaria a través de retroalimentación personalizada y bajo qué condiciones esto tiene éxito? La siguiente sección desarrolla principios de diseño para compañeros y tutores de aprendizaje basados en IA, respaldados por evidencia empírica y teórica según nuestro conocimiento actual. La tesis central es que el aprendizaje con apoyo de IA puede promover procesos de aprendizaje matemático, pero solo si se basa en una didáctica específica de la asignatura, se dosifica de forma adaptativa y se integra en un modelo híbrido de enseñanza y aprendizaje. Sin este marco, se corre el riesgo de obstaculizar el pensamiento independiente en lugar de fomentarlo.

Estas consideraciones constituyen la base para el desarrollo y la prueba de la orientación de aprendizaje con soporte de IA integrada en aplicaciones dentro del proyecto PRIMA-AI. No son definitivas, sino que evolucionarán a medida que avancen los modelos y tecnologías de IA, se obtengan nuevos hallazgos de estudios con tutores de IA y se desarrollen aplicaciones educativas basadas en ellos.

Marco teórico

Antes de analizar principios de diseño específicos, considero que dos fundamentos teóricos del aprendizaje para entornos de aprendizaje (apoyados por IA) son constitutivos y sirven como herramientas analíticas para el diseño de sistemas de tutoría basados en IA.

Teoría de la carga cognitiva

La Teoría de la Carga Cognitiva (Sweller, 2020) describe la capacidad limitada de la memoria de trabajo como una limitación clave para el diseño de materiales de aprendizaje. Esta limitación tiene consecuencias directas para los sistemas basados en IA: la IA generativa puede presentar información a alta velocidad y en grandes cantidades: textos, imágenes, explicaciones, visualizaciones, animaciones. Sin embargo, si los estudiantes se ven abrumados por la información y los estímulos sin poder procesarlos de forma relevante para el aprendizaje, incluso el mejor contenido no alcanzará su objetivo.

Optimizar esto es un desafío clave en el diseño de apoyo al aprendizaje basado en IA. El andamiaje (la provisión medida de ayuda y explicaciones) es crucial desde la perspectiva de la Teoría de la Carga Cognitiva. Los tutores de IA deben dosificar las indicaciones, la asistencia y el apoyo para que la carga de la memoria de trabajo se mantenga dentro del rango óptimo (Cosentino et al., 2025). Demasiada información en el momento inadecuado no es neutral, sino más bien perjudicial para el aprendizaje. La consecuencia para el diseño del sistema es clara: la capacidad de proporcionar la información adecuada. producir, Este no es el único factor importante para un tutor de IA. Casi más importante es la capacidad de procesar información. retener y dosificado ofrecer.

Zona de desarrollo próximo: La adaptabilidad requiere competencia diagnóstica

La zona de desarrollo próximo de Vygotsky describe el área entre lo que un niño puede lograr solo y lo que puede lograr con la ayuda de un compañero más competente. Este concepto es fundamental para el diseño de sistemas de tutoría de IA: deben "conocer" la situación actual del niño y ofrecerle estímulos precisamente dentro de esta zona próxima: ni demasiado fácil (poco exigente) ni demasiado difícil (sobreexigente).

Esto parece obvio, pero es técnica y pedagógicamente exigente. Los sistemas adaptativos deben realizar esta evaluación no solo una vez, sino de forma continua (Wu et al., 2025; Kuo et al., 2025). Deben deducir, a partir de la información de los alumnos, dónde reside su comprensión, qué errores se derivan de qué preconcepciones, qué tipo de malentendido condujo al error y cuál sería el siguiente impulso productivo. Por lo tanto, la adaptabilidad es la condición fundamental para que un sistema de IA sea eficaz a la hora de facilitar el aprendizaje y lo distingue de los sistemas tutoriales puramente deterministas que generan una retroalimentación más o menos apropiada o superficial basada en reglas simples.

Conocimientos procedimentales y conceptuales: diferentes objetivos, diferente apoyo.

Desde estas dos perspectivas teóricas, surge una distinción adicional crucial para el diseño de tutores de IA: el tipo de apoyo adecuado depende fundamentalmente del objetivo de aprendizaje específico que se persiga. Conocimiento procedimental: ¿Cómo soluciono este problema? – requiere apoyo distinto al conocimiento conceptual – ¿Por qué funciona de esa manera?

Un niño que practica la fluidez aritmética, como la suma o la resta rápidas, necesita retroalimentación frecuente y precisa sobre sus resultados. Un niño que desarrolla el sentido numérico, por otro lado, necesita ser alentado mediante preguntas específicas y actividades prácticas para construir y desarrollar aún más su comprensión de forma independiente. No debería limitarse a comprobar la ruta de solución (idealmente, debería haber múltiples soluciones). Un sistema de IA que no puede hacer esta distinción corre el riesgo de que su apoyo sea contraproducente, por ejemplo, al proporcionar soluciones demasiado rápido durante el aprendizaje conceptual o al sobrecargar la memoria de trabajo con indicaciones y sugerencias innecesarias durante la práctica procedimental. Makransky et al. (2024) también lo demuestran: en su estudio, un modelo entrenado específicamente en estos principios promovió la comprensión conceptual, la confianza y el disfrute del aprendizaje de forma significativamente mayor que un modelo de lenguaje genérico y a gran escala, y estos efectos se mantuvieron estables en el seguimiento. Esto significa que incluso los modelos de lenguaje grandes y potentes no pueden necesariamente aplicar el conocimiento didáctico específico de la materia de forma automática y eficaz sin una preestructuración específica de la materia.

Estas tres perspectivas teóricas —las limitaciones de la memoria de trabajo, la necesidad de un posicionamiento adaptativo en la zona de desarrollo próximo y la diferenciación según los objetivos de aprendizaje— conforman un marco en el que se sitúan los siguientes principios de diseño. Al mismo tiempo, aclaran por qué el apoyo al aprendizaje basado en IA no es un simple problema técnico: requiere sistemas que no solo puedan responder, sino que también posean un modelo del alumno, la materia y el proceso de aprendizaje.

De herramienta de aprendizaje a prótesis pensante

La presentación actual de la investigación podría dar la impresión de que el aprendizaje asistido por IA tiene un potencial predominantemente positivo que solo requiere optimización técnica. Sin embargo, emerge una imagen más ambivalente. Algunos estudios han demostrado que el uso incontrolado e "incorrecto" de la IA generativa en el aprendizaje no solo puede ser menos eficaz de lo esperado, sino que también puede obstaculizar el desarrollo cognitivo fundamental y, por lo tanto, dificultar el aprendizaje.

Descarga cognitiva: Cuando el apoyo se convierte en dependencia

El problema más fundamental puede describirse como el Descarga cognitiva En resumen: los estudiantes están delegando el esfuerzo cognitivo a la IA en lugar de realizarlo ellos mismos. Gerlich (2025) documenta una correlación negativa notablemente alta (r = −0,75) en un análisis reciente entre el uso intensivo de la IA y el desarrollo de habilidades de pensamiento crítico, siendo esta relación particularmente pronunciada entre los estudiantes más jóvenes. Esta correlación, por supuesto, no es una prueba general del daño causado por la IA (especialmente porque el estudio también puede ser criticado metodológicamente), pero apunta a un problema potencial: quienes delegan sistemáticamente el esfuerzo cognitivo pierden permanentemente la capacidad de resolver problemas de forma independiente.

Bastani et al. (2025) demostraron este riesgo en un estudio de intervención controlado. Los estudiantes que recibieron acceso no regulado a soluciones completas de IA durante la práctica lograron mejores resultados a corto plazo. Sin embargo, cuando se retiró el apoyo de la IA, sus resultados cayeron significativamente por debajo del nivel de un grupo de control sin ningún uso de IA. Los autores se refieren a esto como un DescalificaciónEl efecto: El supuesto apoyo no promovió el desarrollo de competencias, sino que lo obstaculizó activamente. Paralelamente, los análisis de aprendizaje de sistemas de tutoría basados en IA documentan que algunos estudiantes intentan completar secuencias de tareas sin involucrarse con el contenido (Jančařík et al., 2023).

Dinsmore y Fryer (2026) y Gisiger (2025) también argumentan, desde la perspectiva de la psicología del aprendizaje, que la IA generativa (en este caso, los chatbots que no están preestructurados para brindar apoyo al aprendizaje, por ejemplo, mediante indicaciones específicas del sistema) tienta a los usuarios a saltarse el arduo proceso de construir su propio conocimiento. Quienes consumen directamente la solución ahorran esfuerzo, pero no necesariamente construyen estructuras de conocimiento sólidas, especialmente si no utilizan la energía cognitiva ahorrada de manera efectiva para tareas cognitivas de nivel superior. También se podría decir: el éxito en el aprendizaje está ligado al esfuerzo, y si se evita este esfuerzo, el aprendizaje es menos sostenible. Muchos proveedores de chatbots ya han respondido a esto y ahora ofrecen un "modo de aprendizaje" en el que el chatbot no proporciona soluciones directamente, sino que formula preguntas de seguimiento y dialoga sobre el contenido con el usuario.

La trampa de la cortesía

Además de este riesgo estructural, existe un fenómeno más sutil pero significativo. Abdulsalam y Aroyehun (2025) demuestran en su análisis que, si bien los modelos lingüísticos de gran tamaño pueden alcanzar un nivel de tutoría experto, tienden a ser excesivamente corteses y comprensivos. Esta excesiva cortesía se correlacionó negativamente con la calidad del aprendizaje en su estudio. La IA evita frustrar a los estudiantes o señalar errores, eludiendo así deliberadamente los desafíos genuinos. Sin embargo, el esfuerzo productivo —la experiencia temporal de dificultad acompañada de apoyo— es un factor clave del aprendizaje, especialmente para el desarrollo de la comprensión conceptual.

Chudziak y Kostka (2025) identifican un problema relacionado: muchos sistemas de IA actuales tienden a preceptivo Estilo de interacción: dictan, guían y resuelven problemas, en lugar de dar cabida a procesos de pensamiento individuales. Sistemas que intervienen demasiado pronto (Retroalimentación reactivaAl hacerlo, corren el riesgo de inhibir precisamente los procesos (meta)cognitivos que realmente pretenden promover. El análisis de diálogos de tutoría reales realizado por Wang et al. (2025) confirma este panorama también para los estudiantes más jóvenes: los estudiantes de primaria respondieron positivamente a las preguntas interactivas, pero tendieron a permanecer pasivo-reactivos y no mostraron un efecto de aprendizaje duradero cuando el tutor actuó de forma demasiado monológica y orientada a las soluciones.

La paradoja del soporte óptimo

Estos hallazgos se unen en una paradoja que puede entenderse como un problema clave para el diseño de apoyo al aprendizaje basado en IA: cuanto más eficientemente un sistema de IA pueda resolver tareas y ofrecer asistencia, mayor será el riesgo de que reemplace el pensamiento independiente en lugar de fomentarlo. Esta paradoja es difícil de resolver. Significa que un buen tutor de IA a veces debe, conscientemente... menos Debe ir más allá de sus posibilidades. Debe permitir una frustración controlada (el „bloqueo“ como núcleo del pensamiento matemático, Mason, Burton y Stancey, 1982), retener soluciones, proporcionar pistas incompletas y generar tiempos de espera. Esto significa que el sistema de IA debe, en parte, contrarrestar los mecanismos que hacen que la IA generativa sea tan impresionante.

Esto deja claro por qué un chatbot no estructurado —por ejemplo, un modelo de lenguaje de libre acceso como un chatbot sin un marco pedagógico— puede incluso ser perjudicial para el aprendizaje escolar. Se convierte en una máquina de respuesta que puede obstaculizar, en lugar de facilitar, un aprendizaje genuino que promueva la comprensión. La pregunta central, por lo tanto, no es si la IA generativa... usado Deberían ser, pero cómo deberían ser. diseñado Se puede lograr de una manera que fortalezca, en lugar de debilitar, el pensamiento de los niños. Los siguientes principios de diseño buscan ofrecer una respuesta inicial precisamente a este riesgo fundamental.

Gestaltungsprinzipien als Antwort auf das Risiko der Verkürzung des Lernens

Die Spannung zwischen dem Potenzial adaptiver KI-Lernbegleitung und den beschriebenen Risiken des Cognitive Offloading erfordert ein Zusammenspiel mehrerer Gestaltungsebenen, die aufeinander aufbauen: eine fachdidaktische Fundierung des Systems als zentrale Voraussetzung für Diagnostik und Förderung (Primat der Fachdidaktik), die adaptive Dosierung als Kernmechanismus des Feedbacks, die metakognitive Aktivierung als Qualitätsmerkmal und hybride Einbettung („Lehrkraft in the loop“) als Wirksamkeitsbedingung.

Fundamentos: El conocimiento didáctico específico de la materia como requisito previo clave.

El primer y más fundamental nivel de diseño se refiere a la base de conocimientos del sistema. La IA generativa produce resultados lingüística y formalmente impresionantes, pero desde una perspectiva didáctica, estos suelen ser superficiales, carecen de orientación a los problemas o incluso son erróneos si no se controlan específicamente (Schneider, 2025). Esto no es una debilidad de implementación fácilmente remediable; es una consecuencia de la arquitectura de los grandes modelos lingüísticos. Su entrenamiento se basa en datos disponibles en internet, y la selección cualitativa, especialmente para cuestiones de educación matemática, generalmente no se ha llevado a cabo. Por lo tanto, las revisiones bibliográficas sobre el uso de la IA generativa en la educación matemática señalan repetidamente la débil base teórica y la propensión a errores de muchos sistemas (Almheiri et al., 2025; Awang et al., 2024; Holmes y Tuomi, 2022; Pesemowo y Adewuyi, 2024).

En su análisis sistemático, Cárdenas et al. (2025) identifican la falta de un marco teórico como uno de los principales obstáculos para la eficacia de los sistemas de tutoría con IA. Esto no solo afecta a la precisión del contenido de las tareas y explicaciones (ámbito en el que los sistemas mejoran constantemente), sino también a la forma en que el sistema responde a los estudiantes. La experiencia en la materia y la experiencia en tutoría no son lo mismo. Macina et al. (2025) demuestran empíricamente que las personas con excelentes habilidades matemáticas no proporcionan automáticamente una buena tutoría. Pueden resolver problemas correctamente, pero no siempre reconocen dónde reside la dificultad para los estudiantes, qué idea errónea subyace a un error o qué tipo de estímulo sería productivo en una situación de aprendizaje determinada. Para los sistemas de IA, esto significa que simplemente integrar el conocimiento de la materia en la consigna es insuficiente. El sistema también debe poseer conocimiento pedagógico de la materia, es decir, el conocimiento de..., Cómo Los niños desarrollan conceptos matemáticos, qué errores y malentendidos típicos existen y qué intervenciones son efectivas en cada punto del proceso de aprendizaje.

Varios hallazgos convergentes demuestran la importancia práctica de esta diferencia. Makransky et al. (2024), basándose en la teoría del aprendizaje generativo, muestran que un modelo específicamente entrenado en didáctica promueve la comprensión conceptual, la confianza y el disfrute del aprendizaje significativamente más que un modelo genérico de lenguaje amplio, y que estos efectos se mantienen estables en el seguimiento. Por lo tanto, los sistemas de tutoría exitosos como ChatTutor o marcos específicos (p. ej., el modo de aprendizaje de ChatGPT) se basan explícitamente en teorías educativas como la teoría cognitiva social o el diseño centrado en la evidencia (Cohn et al., 2025; Dwivedi y Rejina, 2025). Además, los estudios sobre GeoGebra y entornos de aprendizaje respaldados por IA demuestran que la comprensión conceptual y la autoeficacia solo aumentan cuando la experiencia en la materia y la didáctica específica de la materia se incorporan explícitamente en el diseño del sistema, es decir, cuando la tecnología no se añade simplemente (Cononigo, 2024).

¿Qué significa esto en concreto? Un compañero de aprendizaje de IA para clases de matemáticas de primaria requiere al menos las siguientes bases de conocimientos didácticos específicos de la asignatura, que deben proporcionarse mediante el contexto del sistema (instrucciones) o mediante entrenamiento especializado con modelos:

Primero, una Modelo de desarrollo de la competencia matemática Para el área de contenido correspondiente. La IA debe saber que la comprensión numérica no surge de la memorización de datos, sino del desarrollo de modelos mentales, y que existen trayectorias de desarrollo típicas y habilidades precursoras para este desarrollo. Sin este conocimiento, cualquier adaptación es superficial: el sistema, como mucho, puede variar el nivel de dificultad, pero no puede ajustar la calidad de su entrada al nivel de comprensión.

En segundo lugar Taxonomías de errores y estrategias, Estos modelos describen trayectorias de aprendizaje y errores típicos de los estudiantes (Nauryzbayev et al., 2023; Bewersdorff et al., 2023). Diagnosticar ideas erróneas, como confundir posición y valor en el sistema de valor posicional o usar el conteo como una estrategia arraigada, es una competencia pedagógica fundamental que un sistema debe adquirir para ir más allá de simplemente determinar "correcto/incorrecto". Por ejemplo, incluso los modelos de lenguaje más complejos suelen sugerir explícitamente la estrategia "simplemente contar" cuando se producen errores, si no se ha proporcionado ninguna instrucción o conocimiento previo al respecto.

En tercer lugar, se requiere reglas y directrices explícitas, La pregunta es qué medidas de apoyo son útiles en cada fase del aprendizaje y para cada tipo de dificultad. La distinción introducida anteriormente entre aprendizaje procedimental y conceptual puede servir, por ejemplo, como guía: promover habilidades rutinarias requiere estrategias de intervención diferentes a las de desarrollar la comprensión conceptual. Un sistema debe ser capaz de reconocer si un error es un descuido o se debe a un problema de comprensión. Se puede incorporar un historial de aprendizaje para que la IA generativa pueda responder adecuadamente a las entradas previas y al progreso del aprendizaje, evitando así bucles interminables.

En cuarto lugar, el sistema debe adaptarse no sólo en términos de dificultad, sino también en términos de diferentes formas de pensar, que los alumnos pueden usar para llegar a un resultado. Los niños resuelven problemas matemáticos de diversas maneras, lo cual es deseable. Un tutor de IA con una sólida base pedagógica reconoce estrategias alternativas, evalúa su viabilidad, formula preguntas aclaratorias si es necesario y puede reforzar las estrategias que los niños ya utilizan o fomentar sutilmente enfoques más eficientes.

Proporcionar este conocimiento pedagógico específico de la materia es complejo, pero tiene otra gran ventaja: permite el uso de modelos más pequeños y especializados que requieren menos potencia de procesamiento y pueden ejecutarse localmente en el dispositivo o en infraestructuras que cumplen con las normas de protección de datos. Esto permite abordar tanto los problemas de sostenibilidad (consumo energético) como los requisitos de protección de datos sin comprometer la calidad.

Por lo tanto, una base pedagógica sólida no solo es una cualidad deseable, sino una condición necesaria para que el apoyo adaptativo funcione. Sin ella, un tutor de IA se convierte —para usar la incisiva formulación de Schneider (2025)— en un „generador de números aleatorios con un lenguaje excepcional“ que, en ocasiones, produce sugerencias útiles, pero a menudo imprecisas o incluso engañosas.

Dosificación: Andamiaje adaptativo y el principio de "primero tú, luego yo".„

A partir del conocimiento didáctico específico de cada materia, se posibilita el segundo nivel de diseño: la dosificación adaptativa de estímulos y apoyo. Este es el mecanismo que distingue el apoyo al aprendizaje basado en IA de una simple máquina de respuestas. Los hallazgos empíricos indican que los entornos de aprendizaje con apoyo de IA generan potencial para los procesos de aprendizaje y comprensión, especialmente cuando reaccionan de forma adaptativa al progreso, los errores y las estrategias de aprendizaje, en lugar de simplemente proporcionar respuestas correctas.

En el estudio TALPer, por ejemplo, los estudiantes de quinto grado con menor rendimiento se beneficiaron especialmente del apoyo adaptativo, mientras que los estudiantes con mayor rendimiento desarrollaron patrones de interacción más complejos con el compañero de aprendizaje de IA (Kuo et al., 2025). Por lo tanto, un solo sistema pudo abordar eficazmente diferentes necesidades de aprendizaje. Liu et al. (2025) demuestran mejoras significativas en el rendimiento en problemas de enunciado con un sistema comparable, donde, curiosamente, la calidad percibida del apoyo, en lugar de su mera disponibilidad, tuvo la mayor influencia en la motivación y los resultados de aprendizaje. La revisión sistemática de Son (2024) confirma los efectos positivos de los sistemas de tutoría inteligente bien diseñados en el rendimiento del aprendizaje matemático, especialmente cuando estos sistemas se adaptan a las necesidades individuales de aprendizaje. Por lo tanto, la fortaleza de la IA generativa para la retroalimentación reside precisamente en la individualización: en adaptar la respuesta a las necesidades específicas de aprendizaje de cada niño.

El factor crucial aquí es la secuencia de pensamiento y apoyo. Investigaciones previas sobre grandes modelos lingüísticos en el aprendizaje indican claramente que la retroalimentación de la IA es particularmente efectiva cuando los estudiantes primero intentan resolver el problema por sí mismos (Kumar et al., 2023). En su estudio, incluso las raras explicaciones incorrectas del modelo lingüístico después de intentos previos de resolver el problema condujeron a mejoras en el aprendizaje, sin que los participantes adoptaran sistemáticamente estrategias incorrectas. Esto subraya la solidez del principio de "pensar primero, luego retroalimentación". Cohn et al. (2025), en su marco teórico para agentes educativos basados en LLM, enfatizan explícitamente la necesidad de descubrimiento guiado sobre respuestas directas Es decir, descubrimiento guiado en lugar de respuestas directas. Ruan et al. (2020) también demuestran en su estudio sobre tutores de chatbots basados en narrativas que las mejoras de aprendizaje se lograron principalmente cuando el sistema proporcionó retroalimentación interactiva y sugerencias en lugar de soluciones directas.

En el ámbito del aprendizaje autorregulado, varios estudios indican que el andamiaje adaptativo con apoyo de IA, a diferencia de las secuencias de apoyo estáticas, puede mejorar la calidad de los procesos de aprendizaje autorregulado y ofrece ventajas sobre un enfoque universal (Liu et al., 2025; Wu et al., 2025). Por lo tanto, la IA generativa debe estar integrada y preestructurada de forma que responda de forma adaptativa e individualizada a la información del alumno, en lugar de simplemente ofrecer indicaciones predefinidas.

Al mismo tiempo, las consideraciones analizadas en la sección 3 muestran que la asistencia no sólo debe ser individualizada, sino también limitado Debe ser. Bastani et al. (2025) demuestran que el acceso no regulado a soluciones completas es perjudicial a largo plazo, a menos que la IA se regule de tal manera que solo proporcione una guía paso a paso, dejando así espacio para intentos individuales de resolución de problemas. Un enfoque consistente desvanecimiento Por lo tanto, la retirada planificada del apoyo es un componente necesario del diseño del sistema. Si los estudiantes solicitan demasiada asistencia, el sistema debe poder responder distribuyéndola, escalonándola y, si es necesario, reduciéndola para prevenir la dependencia.

Un problema recurrente son las alucinaciones y la retroalimentación inadecuada de la IA. Sin embargo, los nuevos enfoques multiagente y los métodos LLM como juez demuestran que los procedimientos de autoverificación pueden mejorar la calidad y la fiabilidad de los andamiajes y reducir significativamente las alucinaciones en la retroalimentación (Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026). Además, los modelos de IA más recientes presentan cada vez menos alucinaciones y errores, lo que sugiere que este problema perderá relevancia en el futuro.

En resumen, estos hallazgos sugieren que un asistente de aprendizaje con IA debe operar consistentemente según el principio de "primero tú, luego yo". En primer lugar, se requiere que el usuario intente encontrar una solución de forma independiente. La IA solo interviene cuando es necesario —a petición del usuario o automáticamente en caso de errores— y luego solicita ideas, estrategias parciales y observaciones. Las explicaciones se basan en los conocimientos previos. Las soluciones completas del modelo son la excepción y se utilizan como herramienta de reflexión, no como el formato principal de aprendizaje. Además, el asistente de aprendizaje con IA no debe elogiar en exceso ni evadir preguntas, sino proporcionar retroalimentación constructiva e informativa.

Activación: Metacognición, pensamiento crítico y el tutor como espejo.

El tercer nivel de diseño va más allá de la dosis de asistencia y se centra en la calidad de los procesos cognitivos estimulados por la interacción. Los chatbots y los sistemas de IA pueden funcionar no solo como guías y explicadores de tareas, sino también como estímulos de planificación, supervisión y reflexión en la resolución de problemas si se diseñan adecuadamente. El metaanálisis de Wu et al. (2025) muestra que los chatbots pueden apoyar el aprendizaje autorregulado desde el punto de vista técnico, social y reflexivo, siempre que sus andamiajes estén vinculados a modelos de aprendizaje autorregulado. Guo et al. (2025) confirman en su revisión sistemática que los sistemas de IA pueden satisfacer las necesidades psicológicas fundamentales de autonomía, competencia y conexión como factores clave para la motivación y el compromiso.

En este contexto resultan especialmente interesantes los estudios sobre los llamados [temas específicos]. agentes enseñables. Song et al. (2024) demuestran que los estudiantes pueden percibir los sistemas con soporte de IA como compañeros de aprendizaje, moderadores y solucionadores colaborativos de problemas cuando dirigen sus propias explicaciones a estos agentes. El principio de aprendizaje por explicación puede, por lo tanto, transferirse a entornos con soporte de IA y utilizarse para el aprendizaje. Al mismo tiempo, sin embargo, es evidente que muchos sistemas de IA generativa actuales aún no cumplen de forma fiable funciones tutoriales clave —por ejemplo, la estimulación dirigida de la planificación, la selección de estrategias y la reflexión— sin indicaciones específicas ni reentrenamiento, y tienden más hacia el estilo prescriptivo ya mencionado (Chudziak y Kostka, 2025; Contel y Cusi, 2025). Esto subraya la necesidad de preestructurar los sistemas de IA para que empleen de forma proactiva andamiajes metacognitivos que vayan más allá de la retroalimentación reactiva.

Un aspecto clave de la activación metacognitiva es también capacitar a los estudiantes para que examinen críticamente las respuestas de la IA por sí mismos. En un entorno de aprendizaje en el marco de un Jornadas de Matemáticas en una Escuela Primaria Se ha observado que los niños que perciben las respuestas de la IA como potencialmente defectuosas desarrollan una actitud crítica y escrutadora, y dejan de aceptar respuestas acríticas (Helal et al., 2024). Esta habilidad puede practicarse desde la primaria y cobra cada vez mayor importancia dada la creciente difusión del contenido generado por IA en la vida cotidiana.

Un compañero de aprendizaje de IA puede diseñarse como un socio metacognitivo que estimula sistemáticamente estos procesos. El tutor formula preguntas como: "¿Qué observaste?", "¿Qué estrategia probaste?", "¿Por qué crees que funciona?". Fomenta la reflexión sobre los errores: "¿Qué idea anterior podría ser útil?". Y, cuando corresponda, puede integrar elementos de repaso: los niños explican a la IA lo que han comprendido, y esta reflexiona, plantea preguntas y profundiza. De esta manera, la IA no se convierte en un explicador omnisciente, sino en un catalizador del propio pensamiento del alumno.

Integración: Los arreglos híbridos como condición para la eficacia.

El cuarto y último nivel de diseño se refiere al marco en el que se desarrolla el aprendizaje asistido por IA. Las investigaciones sugieren que los escenarios más eficaces son aquellos en los que la IA no sustituye a los docentes, sino que alivia su carga de trabajo. Esto se puede lograr, por ejemplo, mediante un andamiaje personalizado en el proceso de resolución de problemas o un análisis en tiempo real, lo que permite a los docentes disponer de más tiempo para la interacción pedagógica y la construcción de relaciones (Wezendonk y Veldhuis, 2024; Gonnermann-Müller et al., 2025).

Un estudio de Eedi en colaboración con Google DeepMind (2025) ilustra directamente el potencial de los enfoques híbridos: mientras que el apoyo de la IA por sí solo generó mejoras en el aprendizaje de 4,5 puntos porcentuales, estas se duplicaron a 10 puntos porcentuales cuando el profesor revisó y utilizó las sugerencias de la IA. En este caso, el profesor no actúa simplemente como un mecanismo de control, sino como una autoridad pedagógica que contextualiza la información de la IA dentro de la lección, la clase y el alumno individual. El metaanálisis de Kaliisa et al. (2025) mostró que la retroalimentación de la IA no es menos efectiva que la retroalimentación humana, pero tampoco es sistemáticamente superior. Por lo tanto, los enfoques híbridos que combinan una retroalimentación de la IA fiable, directa y accesible con retroalimentación estructurada de profesores humanos son particularmente prometedores. Cosentino et al. (2025) confirman que estos modelos de retroalimentación híbrida tienen el potencial de reducir la carga cognitiva y apoyar estrategias diferenciadas de procesamiento de la información.

Estudios posteriores han respaldado la eficacia de la IA para apoyar a los docentes. Por ejemplo, CoPilot proporciona apoyo en tiempo real a los profesores y conduce a resultados de aprendizaje matemático significativamente mejores entre los estudiantes más jóvenes. Esto es especialmente cierto cuando los profesores suelen ofrecer una retroalimentación de menor calidad, como por ejemplo, al impartir clases fuera de su área de especialización (Wang et al., 2024). Kestin et al. (2025) señalan que los tutores de IA, basados en los principios didácticos del aprendizaje activo, pueden enriquecer y complementar la instrucción presencial de alta calidad en ciertas fases, sin sustituirla.

Desde la perspectiva de la integración híbrida, surgen varias consecuencias para el diseño del sistema. La generación de retroalimentación debe basarse en información pedagógicamente sólida y específica de la materia, y no puede dejarse al azar. Los docentes necesitan paneles de control y opciones de configuración para ver el nivel de los estudiantes, el apoyo que la IA ha brindado y la efectividad de dicho apoyo. La IA puede sugerir tareas, apoyo o diagnósticos iniciales; la decisión final recae en el docente. Lo siguiente resulta particularmente prometedor: microdidáctica El ámbito del apoyo a nivel de tarea en la resolución de problemas, donde los docentes en una clase heterogénea a menudo no pueden brindar apoyo oportuno a todos los niños en momentos cruciales. La revisión sistemática de Eti, Mosia y Egara (2026) demostró que la IA es particularmente efectiva cuando reconoce ideas erróneas, proporciona orientación adecuada y guía gradualmente a los estudiantes hacia la resolución independiente de problemas.

Sin embargo, la participación significativa de los docentes en el diseño y uso de sistemas de tutoría de IA a menudo no se considera lo suficiente. Guerino et al. (2023) y Wezendonk y Veldhuis (2024) enfatizan que los enfoques de diseño centrados en el docente y los programas de alfabetización de IA correspondientes son necesarios para garantizar la integración y aceptación práctica en el aula. El desarrollo profesional y la capacitación en la integración, orquestación y uso de IA son prerrequisitos para un uso responsable (Holmes et al., 2018; KMK, 2024; Wang y Nie, 2023) y, por lo tanto, deben integrarse en la capacitación y el desarrollo profesional del docente. Esto no solo debe extenderse al conocimiento sobre la tecnología, sino también, en particular, abarcar aspectos pedagógicos que aborden tanto las oportunidades como los riesgos. El conocimiento pedagógico específico de la materia sigue siendo central como base para evaluar y orquestar la IA como una ayuda en el entorno de aprendizaje.

La IA como catalizador de descubrimientos matemáticos

Los principios de diseño existentes describen cómo el apoyo al aprendizaje impulsado por IA interno Debería funcionar, es decir, en la interacción entre el sistema y el alumno. Sin embargo, es igualmente importante la cuestión de cómo se integra esta interacción en el Disposición general La IA está integrada en el aprendizaje matemático. La IA no debe ni debe llevar a los niños a simplemente mirar e interactuar con las pantallas. La investigación sobre Interfaces tangibles Los robots sociales demuestran que la IA también puede estimular la interacción en el mundo físico (Ligthart et al., 2023). La IA debería servir como catalizador para las actividades matemáticas, utilizando los niveles de representación de Bruner.

Esto podría significar, por ejemplo, que se realicen acciones con materiales concretos o que se utilicen bocetos y dibujos, que la IA reconoce y, si es necesario, formula preguntas analíticas. Por ejemplo, al modelar problemas de texto en la aplicación...„Historias de matemáticas„Aquí, además de la entrada de voz, se pueden comentar bocetos, notas y fotos del modelado con el compañero de aprendizaje de IA. Hay muchos menos estudios sobre educación primaria que sobre educación secundaria y superior, pero los resultados existentes son cautelosamente optimistas: los niños pueden beneficiarse de la IA generativa en su aprendizaje si los entornos de aprendizaje se diseñan eficazmente, también en lo que respecta a la integración de soporte digital y entornos de aprendizaje analógicos (Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow y Coles, 2024; Yim y Su, 2025).

El reconocimiento de objetos con apoyo de IA, como el de las varillas de Cuisenaire o el reconocimiento de dibujos o notas, puede ayudar a los niños a conectar cada vez más sus acciones con representaciones matemáticas abstractas (Rumbelow y Coles, 2024). La práctica con apoyo de IA puede mejorar específicamente la fluidez aritmética y lograr mayores ganancias de fluidez que los enfoques basados en la memorización, pero debe combinarse cuidadosamente con otras formas de práctica para niños con dificultades aritméticas (Samuelsson, 2023). Los sistemas adaptativos para niños con discalculia muestran resultados prometedores en el mantenimiento de la motivación y la participación (Hocine et al., 2023; Holmes, 2024). Los enfoques narrativos y gamificados merecen especial atención: Ruan et al. (2020) muestran que los tutores de chatbots basados en la narración pueden promover la participación y las ganancias de aprendizaje, y Sayed et al. (2022) confirman mejoras significativas, especialmente entre los estudiantes de bajo rendimiento, a través de contenido adaptativo y gamificado.

La tarea central sigue siendo permitir que los niños examinen, justifiquen y negocien críticamente enunciados matemáticos, incluyendo, en especial, los de IA (Kortenkamp, 2024; Aufenanger, 2023). Por lo tanto, el apoyo al aprendizaje mediante IA en primaria debería servir principalmente como catalizador de actividades matemáticas enriquecedoras que, guiadas por consideraciones didácticas específicas de la asignatura, combinen procesos digitales y analógicos.

Condiciones del marco ético y estructural

Requisitos éticos para el apoyo al aprendizaje basado en IA

Los principios de diseño actuales buscan crear sistemas eficaces de tutoría con IA. Sin embargo, la eficacia por sí sola no es un criterio suficiente, especialmente cuando los alumnos son niños. Las cuestiones éticas son fundamentales para el aprendizaje con IA generativa y van más allá del tema, a menudo prioritario, de la protección de datos. Holmes et al. (2021) abogan por un marco ético desarrollado de forma colaborativa que incluya aspectos como la equidad, la transparencia, la autonomía y la responsabilidad pedagógica. La Conferencia Permanente de Ministros de Educación y Asuntos Culturales (KMK, 2024) recomienda explícitamente un uso prudente y basado en la investigación de la IA en escuelas primarias y de educación especial, centrándose en las habilidades básicas, la inclusión, la igualdad de oportunidades y soluciones adaptadas a la edad y que cumplan con las normas de protección de datos.

Las revisiones de alcance sobre IA muestran que las investigaciones previas en esta área tienen lagunas. Florecimiento humanoEl panorama de la investigación está fuertemente orientado al rendimiento y se centra en los resultados de aprendizaje, mientras que las perspectivas éticas, metacognitivas y relacionadas con el profesorado siguen siendo poco investigadas (Fock y Siller, 2025). Almheiri et al. (2025) y Cárdenas et al. (2025) identifican los desafíos éticos y los problemas de escalabilidad como obstáculos clave para el uso generalizado de los sistemas de tutoría de IA. Además, los estudios sobre perfiles psicológicos con grandes modelos lingüísticos (Rosenfelder et al., 2025) demuestran la precisión con la que los modelos pueden derivar patrones de personalidad y valores a partir de textos. Esto resalta el potencial de mal uso inherente a los sistemas opacos. Gulz et al. (2021) también enfatizan la necesidad de combinar la adaptabilidad con la pedagogía inclusiva y la accesibilidad sin estigmatizar a los estudiantes con necesidades especiales.

De estos hallazgos y demandas, se pueden derivar requisitos éticos concretos para un facilitador responsable del aprendizaje de IA. Debe trabajando con la minimización de datos y evitar la elaboración de perfiles psicológicos. Esto puede lograrse, por ejemplo, mediante un procesamiento consistente en el dispositivo o en infraestructuras con protección de datos, separando los análisis de IA de los datos personales y limitando los datos personales al mínimo indispensable. Debe sin barreras Ser y utilizar la interacción multimodal (lenguaje, texto, imagen) para diversas necesidades de aprendizaje (Hocine et al., 2023), con un enfoque específico en los estudiantes desfavorecidos en el diseño. Debe ser Se puede explicar la funcionalidad básica. Y así hacerlo comprensible. Además, debe animar a los estudiantes a examinar críticamente las respuestas de la IA y contribuir a fortalecer, en lugar de debilitar, el pensamiento crítico. El principio general es: No controlemos a los estudiantes, sino fortalezcamos su autosuficiencia.

El modelo SKILL como marco para la orientación

Für das Projekt PRIMA-KI wurde das Modelo de marco SKILL (Structured Competence-based Integration of Learning-supportive AI Systems) für den Einsatz generativer KI bei jüngeren Kindern entwickelt. Es bietet eine Orientierung für die Frage, wie offen oder vorstrukturiert KI-Systeme in verschiedenen Lernkontexten eingesetzt werden sollten. Die Grundaussage des Modells besteht darin, dass die Vorstrukturierung und Kontrolle der KI umso stärker sein muss, je näher die generative KI direkt mit dem Lernprozess in Verbindung steht – wobei zusätzlich der Grad der Kompetenzen der Kinder im Umgang mit den Ausgaben der KI berücksichtigt wird.

Damit wird sichergestellt, dass fundamentale kognitive Prozesse – wie der Aufbau von Zahlverständnis oder eigener Problemlösestrategien – als eigenständige Denkleistungen erhalten bleiben und nicht aus der Hand gegeben werden. Das SKILL-Modell operationalisiert damit die in diesem Beitrag entwickelten Gestaltungsprinzipien – insbesondere die Spannung zwischen adaptiver Unterstützung und dem Schutz eigenständigen Denkens – in eine anwendbare Struktur, die als Grundlage für die Gestaltung von KI-gestützten Lernumgebungen genutzt werden kann.

Conclusión y perspectiva

La asistencia al aprendizaje con IA en las clases de matemáticas de primaria ofrece un potencial considerable para la retroalimentación personalizada y el apoyo adaptativo. Sin embargo, este potencial solo se puede materializar si los sistemas son pedagógicamente sólidos, se adaptan adecuadamente y se integran en sistemas híbridos de enseñanza y aprendizaje. Sin este marco, corren el riesgo de obstaculizar, en lugar de favorecer, el pensamiento independiente de los niños.

El problema central de cada decisión de diseño es que Paradoja del soporte óptimo. Cuanto más eficiente sea la asistencia de un sistema de IA, mayor será el riesgo de descarga cognitiva y pérdida de habilidades. Este riesgo solo puede contrarrestarse mediante una combinación de diversas consideraciones de diseño.

El fundamento didáctico específico de la materia Este es el requisito previo para que un sistema sea eficaz en el aprendizaje. Sin modelos de desarrollo de competencias, taxonomías de errores y conocimiento de procesos de pensamiento alternativos, la retroalimentación de la IA es, en el mejor de los casos, superficial y, en el peor, engañosa. Un tutor de IA que solo sea lingüísticamente plausible, pero que carezca de una sólida base pedagógica, representa un riesgo para el aprendizaje, no una ventaja.

El dosificación adaptativa Este es el mecanismo fundamental que distingue el apoyo al aprendizaje basado en IA de un contestador automático. El principio de "primero tú, luego yo", la disminución constante de la respuesta y la limitación de las soluciones completas son estrategias con sólida base empírica para mantener la participación activa de los estudiantes, facilitar su esfuerzo productivo y ofrecer apoyo individualizado.

El activación metacognitiva Esto garantiza que el apoyo al aprendizaje basado en IA no solo ofrezca asistencia y orientación, sino que también incentive al sistema a participar en procesos de planificación, monitoreo y reflexión. Por lo tanto, la capacidad de evaluar críticamente las respuestas de la IA no solo es una habilidad para trabajar con el sistema específico, sino también una técnica cultural cada vez más importante.

Y por último, el incrustación híbrida Es crucial para la eficacia del apoyo al aprendizaje basado en IA. Investigaciones previas indican que la combinación de retroalimentación de IA y orientación humana („profesor en el circuito“) logra los mayores resultados, y que la IA es especialmente valiosa cuando los docentes alcanzan su límite de capacidad para brindar apoyo individual.

Estos principios se combinan en el modelo SKILL como un marco que vincula la apertura y la naturaleza preestructurada de los sistemas utilizados con las competencias de los estudiantes en el manejo de la IA. Especialmente con niños pequeños, es necesaria una integración integrada en aplicaciones, pedagógicamente preestructurada y controlada, ya que a menudo los niños aún no son capaces de usar la IA de forma independiente como herramienta de aprendizaje (Gulz et al., 2021).

Surgen varias preguntas de investigación abiertas para el futuro. Se carece de estudios a largo plazo que examinen el aprendizaje con apoyo de IA más allá del período de intervenciones individuales; en particular, la cuestión de si el andamiaje adaptativo realmente conduce al desarrollo sostenible de competencias o si los efectos de la pérdida de habilidades solo se manifiestan con el tiempo. También faltan estudios que consideren sistemáticamente las condiciones específicas de la escuela primaria (menor comprensión lectora, diferentes patrones de interacción y la interacción con materiales concretos). Asimismo, se carece de investigación sobre cómo el profesorado integra realmente los sistemas de tutoría de IA en sus clases, no en condiciones de laboratorio, sino en la vida cotidiana de una clase de primaria heterogénea con infraestructura limitada.

Basándose en los principios fundamentales aquí descritos, el proyecto PRIMA-AI desarrolla diversas herramientas de aprendizaje de IA integradas en aplicaciones, que se investigan, desarrollan y optimizan en el marco de la investigación basada en el diseño. El objetivo de estos ensayos es generar conocimientos que puedan mejorar el aprendizaje matemático de los niños.

---