La inteligencia artificial generativa (genAI, o simplemente IA) ha llegado al discurso educativo, a menudo con grandes promesas, a veces con temores apocalípticos. Actualmente existe una base empírica amplia, aunque heterogénea. Los metaanálisis informan de efectos significativamente positivos de chatbots de IA como ChatGPT en el rendimiento del aprendizaje, la motivación y el pensamiento superior, pero en condiciones muy diferentes, con diseños de estudio a veces cuestionables y predominantemente mediante estudios con alumnos mayores o universitarios (Alemdag, 2025; Deng et al., 2025; Wang y Fan, 2025; Wu y Yu, 2024; Zheng et al., 2023). La pregunta, por lo tanto, no es si se pueden lograr estos efectos positivos, sino cómo. Porque, por supuesto, ChatGPT y tecnologías similares no garantizan el éxito en el ámbito del apoyo al aprendizaje, sino que son una herramienta didáctica.

Por lo tanto, los autores advierten contra la interpretación errónea del "efecto de aprendizaje con IA", a veces observado, como una propiedad de la propia tecnología de IA, en lugar de indagar en el entorno de aprendizaje subyacente y la preestructuración didáctica (Dinsmore y Fryer, 2026; Kirschner, 2025). En resumen: La IA puede respaldar eficazmente el aprendizaje, pero solo si está diseñada e integrada de manera didácticamente sólida. Sin embargo, puede ser igualmente inútil si reemplaza y previene el aprendizaje en lugar de apoyarlo.

La pregunta que quiero explorar aquí es: ¿Cómo se puede utilizar la IA para apoyar los procesos de aprendizaje a través de feedback personalizado? A continuación, se describen consideraciones fundamentales, con base empírica y teórica, sobre los principios de diseño para compañeros y tutores de aprendizaje con IA en el aprendizaje de matemáticas, con especial atención a la educación primaria. Estas consideraciones constituyen la base para el desarrollo y la prueba de la guía de aprendizaje integrada en la app y asistida por IA dentro del proyecto. PRIMA-KI.

Andamiaje adaptativo: ayuda para la autoayuda en lugar de soluciones rápidas

Los entornos de aprendizaje con apoyo de IA generan mejoras en el aprendizaje, especialmente cuando se adaptan 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 en las clases de matemáticas, mientras que los estudiantes con mayor rendimiento desarrollaron patrones de interacción más complejos con el compañero de aprendizaje de IA (Kuo et al., 2025). De manera similar, un sistema de aprendizaje comparable mostró mejoras significativas en el rendimiento en problemas de enunciado, y el beneficio percibido —es decir, la calidad del apoyo— tuvo una fuerte influencia en la motivación y los resultados del aprendizaje (Liu et al., 2025). 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.
En el campo del aprendizaje autorregulado, varios estudios indican que el andamiaje adaptativo con apoyo de IA (en lugar de secuencias de apoyo estáticas) puede mejorar la calidad de los procesos de aprendizaje autorregulado y ofrece ventajas sobre el concepto de "apoyo igualitario para todos los estudiantes" (Liu et al., 2025; Wu et al., 2025). Nuevos enfoques multiagente y procedimientos de LLM como juez demuestran que la calidad y la fiabilidad de los andamiajes pueden mejorarse mediante procedimientos de autoevaluación, y que las alucinaciones durante la retroalimentación pueden reducirse significativamente (Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026).
Al mismo tiempo, se hicieron evidentes las limitaciones de algunas herramientas no diseñadas específicamente para apoyar el aprendizaje: los sistemas de IA que proporcionan acceso no regulado a soluciones completas bajo demanda durante la práctica pueden aumentar el rendimiento a corto plazo, pero perjudicar el aprendizaje a largo plazo cuando se retira la IA (Bastani et al., 2025). Esto también se conoce como "descapacitación", ya que obstaculiza el aprendizaje real en lugar de promoverlo y solo crea superficialmente la ilusión de aprendizaje. Los análisis de aprendizaje de los sistemas de tutoría basados en IA también muestran que algunos estudiantes intentan completar las tareas sin involucrarse realmente en ellas (Jancafik et al., 2023). Esto debe evitarse en la medida de lo posible mediante una preestructuración y un diseño adecuados de la retroalimentación de la IA para evitar un aprendizaje superficial y permitir un aprendizaje más profundo y que mejore la comprensión.

Conclusiones: Un compañero de aprendizaje de IA debería principalmente:

• Diagnosticar errores y conceptos erróneos basándose en la información didáctica de fondo específica del tema y adaptarlos en consecuencia. Notas dar (Bewersdorff et al., 2023),
• Fomentar un cambio de estrategia y brindar orientación informativa para la resolución independiente de problemas, en lugar de entregar resultados terminados.,
• Proporcionar apoyo en dosis medidas, escalonarlo en el tiempo (desvanecerlo) y, si es necesario, "retirarlo" si los estudiantes se vuelven demasiado dependientes (es decir, solicitar demasiadas pistas).
• Implementar mecanismos contra la resolución superficial de problemas fortaleciendo la capacidad de los niños para resolver problemas de forma independiente a través de preguntas y referencias a trabajos previos.
• Individualizar: adaptar los formatos de tareas al nivel de competencia para evitar exigir demasiado o poco a los estudiantes (Son, 2024).

Los buenos tutores de IA fomentan el pensamiento independiente.

La investigación sobre los Modelos de Lenguaje Grande (LLM) en el aprendizaje sugiere que la secuencia de pensamiento y explicación es crucial. La retroalimentación de IA es particularmente eficaz cuando los estudiantes intentan primero resolver problemas por sí mismos (Kumar et al., 2023). Incluso las explicaciones LLM, poco frecuentes y erróneas, en estos entornos generaron mejoras en el aprendizaje, sin que los participantes adoptaran sistemáticamente estrategias incorrectas (Kumar et al., 2023). Los sistemas que intervienen demasiado pronto ("retroalimentación reactiva") corren el riesgo de suprimir los procesos metacognitivos (Chudziak y Kostka, 2025). Además, los modelos de inteligencia híbridos (es decir, la combinación del pensamiento humano con el apoyo de IA) suelen generar mejores resultados y una menor carga cognitiva que las soluciones de IA pura (Cosentino et al., 2025).

Esto coincide con la crítica de la psicología del aprendizaje que sostiene que la genAI suele tentar a los usuarios a tomar un "atajo" en su pensamiento: si bien consumir directamente la solución ahorra esfuerzo, difícilmente construye estructuras de conocimiento robustas (Gisiger, 2025; Dinsmore y Fryer, 2026). Los estudios sobre la IA en la práctica también muestran que si la IA ofrece soluciones completas durante la práctica, los resultados de aprendizaje a largo plazo son peores que sin IA, a menos que la IA esté regulada para proporcionar únicamente pistas paso a paso (Bastani et al., 2025). En su marco teórico para agentes educativos basados en LLM, Cohn et al. (2025) enfatizan explícitamente la necesidad del "descubrimiento guiado por encima de las respuestas directas", es decir, descubrimiento guiado en lugar de respuestas directas.

El análisis de diálogos de tutoría en la vida real también muestra que la instrucción pura sin participación activa del alumno genera poco aprendizaje constructivo. Los alumnos de primaria responden positivamente a preguntas interactivas y específicas, pero permanecen pasivos cuando el tutor se mantiene monológico y centrado en soluciones (Wang et al., 2025). Ruan et al. (2020) demuestran un hallazgo similar en su estudio sobre tutores con chatbots narrativos: los avances en el aprendizaje se lograron principalmente cuando el sistema proporcionó retroalimentación interactiva y sugerencias en lugar de soluciones directas.

Conclusiones: Un compañero de aprendizaje de IA en clases de matemáticas debe funcionar consistentemente según el principio: "Primero tú, luego yo".„
Esto significa:

• Primero, una propio intento de solución exigido.
• La IA sólo entra en juego cuando es necesario, ya sea por solicitud o automáticamente en caso de errores, y pide ideas, subestrategias y observaciones.
• Se darán explicaciones "acoplado" a las bases existentes de comprensión„.
• Las soluciones modelo completas deberían seguir siendo la excepción y utilizarse como una herramienta de reflexión, no como el formato principal de aprendizaje.
• Se anima a los estudiantes a examinar críticamente las respuestas de la IA, una habilidad que los niños pueden practicar desde la escuela primaria, por ejemplo, detectando errores en las declaraciones de la IA (Helal et al., 2024).

Sin una base pedagógica sólida, el tutor de IA se convierte en un "generador de números aleatorios dotado lingüísticamente".„

Si bien la IA generativa puede producir resultados lingüística y formalmente impresionantes, a menudo genera tareas superficiales y poco orientadas a los problemas desde una perspectiva didáctica de la asignatura si no se controla específicamente y el resultado no está preconfigurado según los principios didácticos de la asignatura (Schneider, 2025). Las revisiones bibliográficas sobre IA en la educación matemática enfatizan el potencial para la visualización, la individualización y la resolución de problemas, pero también señalan la base teórica débil o excesivamente imprecisa de muchos sistemas, presumiblemente porque los sistemas no están específicamente optimizados para problemas didácticos de la asignatura (Almheiri et al., 2025; Awang et al., 2024; Holmes y Tuomi, 2022; Pesemowo y Adewuyi, 2024). El análisis sistemático de Cárdenas et al. (2025) identifica la falta de un marco teórico como uno de los principales obstáculos para los sistemas de tutoría de IA eficaces. Por lo tanto, sistemas exitosos como ChatTutor o marcos específicos 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). No basta con considerar la IA como un simple complemento técnico.
Por lo tanto, los sistemas de tutoría basados en la teoría son significativos: Basándose en la Teoría del Aprendizaje Generativo, el estudio de Makransky et al. (2024) muestra que un modelo específicamente entrenado en didáctica promueve el conocimiento conceptual, la confianza y el disfrute significativamente más que un LLM genérico o la instrucción tradicional, y que estos efectos se mantienen estables en el seguimiento. Lo mismo ocurre con los modelos específicamente adaptados para la tutoría del aprendizaje, como LearnLM de Google. Estudios sobre GeoGebra y entornos con soporte de IA muestran claramente que la comprensión conceptual y la autoeficacia solo aumentan cuando la materia y la didáctica específica de la materia se incorporan explícitamente en el diseño del sistema, en lugar de simplemente añadir tecnología adicional (Cononigo, 2024; Kortenkamp, 2024).
Cohn et al. (2025) realizaron una importante contribución con su marco para andamiajes adaptativos en agentes educativos basados en LLM, que combina el diseño centrado en la evidencia con la teoría cognitiva social. Este enfoque, con base teórica, permite una evaluación e interacción formativas de alta calidad.

Conclusión: Un tutor de IA requiere amplios conocimientos específicos del contenido como contexto en la formación de seguimiento específica o específica con conocimientos didácticos específicos de la materia, por ejemplo:

• un modelo matemático Desarrollo de competencias para el área de contenido,
• Taxonomías de errores y estrategias, que describen las trayectorias y errores típicos de los estudiantes (Nauryzbayev et al., 2023),
• reglas y directrices explícitas, ¿Qué formas de apoyo son útiles en qué fase del aprendizaje? son,
• Una comprensión y un reconocimiento claros de los conceptos erróneos son cruciales para que la IA pueda adaptar su enfoque y promover habilidades rutinarias (p. ej., fluidez computacional) o la comprensión conceptual. Esto también puede implicar, por ejemplo, integrar un historial de aprendizaje para que la IA generativa pueda responder adecuadamente y evitar bucles interminables.

Metacognición, aprendizaje autorregulado y „agentes enseñables“: El tutor como espejo del propio pensamiento

Los chatbots y los sistemas de IA pueden utilizarse no solo como guías y explicadores de tareas, sino también como estímulos para la planificación, la supervisión y la reflexión en la resolución de problemas, siempre que estén diseñados para ello. El metaanálisis de Wu et al. (2025) demuestra que los chatbots pueden favorecer el aprendizaje autorregulado desde el punto de vista técnico, social y reflexivo cuando sus andamiajes se vinculan a modelos de aprendizaje autorregulado. Guo et al. (2025) confirman en su revisión sistemática que los sistemas de IA pueden satisfacer las necesidades psicológicas básicas de autonomía, competencia y conexión, factores clave para la motivación y el compromiso.
Estudios sobre los llamados agentes enseñables demuestran que los estudiantes pueden percibir los sistemas con IA como compañeros de aprendizaje, moderadores y solucionadores colaborativos de problemas cuando dirigen sus propias explicaciones a estos agentes (Song et al., 2024). Al mismo tiempo, es evidente que muchos sistemas de IA generativa actuales aún no cumplen de forma fiable funciones tutoriales clave —como la estimulación específica de la planificación, la selección de estrategias y la reflexión— sin indicaciones específicas ni reentrenamiento, y tienden a un estilo prescriptivo (Chudziak y Kostka, 2025; Contel y Cusi, 2025). Esto subraya la necesidad de andamiajes metacognitivos proactivos que vayan más allá de la retroalimentación reactiva.

Conclusiones: Los compañeros de aprendizaje de IA pueden diseñarse explícitamente como socios de aprendizaje metacognitivos:

• El tutor hace preguntas como "¿Qué notaste?", "¿Qué estrategia intentaste?", "¿Por qué crees que funciona?".
• Fomenta la reflexión sobre los errores ("¿Qué idea anterior podría ayudar aquí?").
• Enseñanza retroactiva-Se pueden incluir elementos cuando sea apropiado: los niños explican a la IA lo que han entendido, y la IA les devuelve el mensaje, y así sucesivamente.

„Human in the loop“: Enfoques híbridos en lugar de soluciones totalmente automatizadas

Una deficiencia común de las herramientas actuales de IA es la falta de participación del profesorado (Guerino et al., 2023). La IA no debe convertirse en una "caja negra" en el aula. Los escenarios más eficaces son aquellos en los que la IA libera al profesor de algunas tareas (p. ej., mediante la diferenciación automatizada o el análisis en tiempo real), lo que le permite más tiempo para la interacción pedagógica (Wezendonk y Veldhuis, 2024; Gonnermann-Müller et al., 2025). Las revisiones de la IA en la educación (matemática) enfatizan que los sistemas de IA deben entenderse como bucles de retroalimentación en los que la recopilación de datos, el reconocimiento de patrones y el apoyo adaptativo siempre deben estar enmarcados por decisiones humanas (Holmes y Tuomi, 2022; Ninaus y Sailer, 2022). La IA puede apoyar los procesos de aprendizaje, pero no puede reemplazar el profesionalismo pedagógico ni la responsabilidad de los docentes (Aru y Laak, 2025; Aufenanger, 2023; Buchholtz et al., 2024).
El metaanálisis de Kaliisa et al. (2025) muestra que la retroalimentación de IA no es menos efectiva que la retroalimentación humana, pero tampoco sistemáticamente superior. En los estudios examinados, principalmente en el campo de la lingüística, los enfoques híbridos son particularmente prometedores, ya que combinan una retroalimentación de IA fiable, directa y accesible con la retroalimentación estructurada de profesores humanos. Cosentino et al. (2025), en su estudio sobre IA generativa en entornos de aprendizaje encarnados, demuestran que los modelos de retroalimentación híbridos tienen el potencial de reducir la carga cognitiva y apoyar estrategias diferenciadas de procesamiento de la información.
Estudios posteriores sobre sistemas híbridos lo confirman: CoPilot, por ejemplo, apoya a los docentes humanos en tiempo real y produce resultados de aprendizaje matemático significativamente mejores para los estudiantes más jóvenes, especialmente cuando, de otro modo, los docentes proporcionarían una retroalimentación más deficiente, por ejemplo, debido a que imparten clases fuera de su área temática (Wang et al., 2024). Kestin et al. (2025) señalan que los tutores de IA, basados en los principios didácticos del aprendizaje activo, pueden enriquecer la instrucción presencial en ciertas fases sin reemplazarla. La integración efectiva en las escuelas primarias depende en gran medida de la actitud del docente, la tecnología disponible y la participación de los padres y la comunidad escolar (KMK, 2024; Li, 2024).
Sin embargo, la participación del profesorado en el diseño y uso de sistemas de tutoría con IA suele ser insuficiente. Guerino et al. (2023) y Wezendonk y Veldhuis (2024) enfatizan que los enfoques de diseño centrados en el profesorado y los correspondientes programas de alfabetización en IA son necesarios para garantizar la integración y la aceptación práctica en el aula, y para evitar el uso de la IA como un mero complemento.

Conclusiones: Los compañeros de aprendizaje de IA deben diseñarse desde el principio como Herramientas y apoyo para docentes Para pensar en:

• La generación de retroalimentación debe basarse en información didáctica específica del tema y no dejarse al azar.
• Transparencia: Los profesores necesitan paneles de control para ver dónde se encuentran los estudiantes y qué ayuda les ha proporcionado la IA.
• La IA puede sugerir tareas, brindar apoyo o ofrecer diagnósticos, pero la decisión final recae en el profesorado. Este evalúa la calidad de la asistencia con IA y decide si se integra, cómo se integra y en qué áreas resulta beneficioso. El área "microdidáctica", que consiste en brindar apoyo a nivel de tarea durante la resolución de problemas, es particularmente prometedora, ya que a menudo los profesores no pueden ofrecer apoyo directo en momentos cruciales o solo lo hacen de forma inadecuada.
• El desarrollo profesional y la formación en la integración y el uso de la IA (alfabetización en IA) son requisitos previos para un uso responsable (Holmes et al., 2018; KMK, 2024; Wang y Nie, 2023) y, por lo tanto, deben integrarse en la formación y el desarrollo profesional del profesorado. Esto no solo debe abarcar el conocimiento de la tecnología, sino también los aspectos pedagógicos que aborden tanto las oportunidades como los riesgos.

Motivación y emoción: El tutor como socio empático

Revisiones recientes enfatizan el rol de la dimensión afectiva. Los sistemas de IA que utilizan robots sociales, narración o gamificación pueden satisfacer las necesidades psicológicas básicas de autonomía, competencia y conexión (Guo et al., 2025; Vitale e Iacono, 2024). Las narrativas y los elementos lúdicos, en particular, ayudan a mantener la motivación incluso durante las tediosas sesiones de práctica („Enhancing student engagement…“, 2022). Las investigaciones sobre la búsqueda de ayuda han demostrado que los estudiantes evitan buscar ayuda cuando la perciben como algo público, que amenaza su estatus o es vergonzoso. La vergüenza, el miedo a la evaluación y el desprestigio inhiben a los niños de hacer preguntas en clase. Los sistemas de IA pueden complementar eficazmente el apoyo al profesorado en este sentido, ya que brindan ayuda y retroalimentación de forma paciente y personalizada sin arriesgarse a los costos sociales percibidos ni al estigma que conlleva buscar ayuda (Aleven et al., 2016).

ConclusionesEl apoyo al aprendizaje mediante IA debe ser un socio metacognitivo y motivacional:

• Construyendo relaciones:Uso de avatares o narrativas amigables y personalizados (Ruan et al., 2020).
• Retroalimentación orientada al crecimiento:Ofrecer retroalimentación que elogie el esfuerzo y enmarque los errores como oportunidades de aprendizaje (mentalidad de crecimiento).
• Estimular la reflexiónPreguntas como "¿Cómo se te ocurrió eso?" fomentan la reflexión sobre el propio aprendizaje (metacognición).

Aspectos éticos: Lo que la IA no debe hacer!

Las cuestiones éticas son fundamentales para el aprendizaje con genAI, especialmente cuando se trata de niños. Holmes et al. (2021) abogan por un marco ético desarrollado de forma colaborativa para la IA en la educación que, más allá de la protección de datos, abarque 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 cauteloso y basado en la investigación de la IA en escuelas de educación primaria y 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 exploratorias sobre la IA y el desarrollo humano muestran que la investigación previa está fuertemente orientada al rendimiento y se centra en los resultados de aprendizaje, mientras que las perspectivas éticas, metacognitivas y docentes siguen siendo poco investigadas (Fock y Siller, 2025).
Almheiri et al. (2025) y Cárdenas et al. (2025) identifican desafíos éticos y problemas de escalabilidad como obstáculos clave para el uso generalizado de sistemas de tutoría de IA en sus revisiones sistemáticas. Además, los estudios indican que el uso frecuente de IA puede estar asociado con un deterioro en las habilidades de pensamiento crítico, especialmente cuando la IA se utiliza principalmente como una máquina de proporcionar respuestas (Gerlich, 2025). La investigación sobre perfiles psicológicos con LLM demuestra la precisión con la que los modelos pueden derivar patrones de personalidad y valores de los textos, lo que destaca el potencial de mal uso inherente a los sistemas opacos (Rosenfelder et al., 2025). Por lo tanto, la preestructuración y regulación pedagógica de las herramientas de IA es de suma importancia, especialmente para los niños más pequeños.
Gulz et al. (2021) también enfatizan la necesidad de combinar la adaptabilidad con la pedagogía inclusiva sin estigmatizar a los estudiantes con necesidades especiales, un aspecto importante que a menudo se descuida.

Conclusiones: Un facilitador responsable del aprendizaje de IA en clases de matemáticas debe:

• ahorro de datos evitar la elaboración de perfiles psicológicos, por ejemplo, procesando los datos sistemáticamente, preferentemente en el dispositivo o en infraestructuras protegidas, separando las evaluaciones de IA de los datos personales, que deberían limitarse al mínimo indispensable.
• estar libre de barreras:Utilizar la interacción multimodal (lenguaje, texto, imagen) para diversas necesidades de aprendizaje (Hocine et al., 2023) y promover la igualdad de oportunidades considerando específicamente a los estudiantes desfavorecidos en el proceso de diseño.
• para explicar su funcionalidad, al menos en sus líneas básicas,
• Estudiantes a revisión crítica Estimular respuestas de IA (Kortenkamp, 2024),
• no controlar a los estudiantes, sino Fortalecimiento de la autosuficiencia.
• ser pedagógicamente preestructurado y controlado.

Para el proyecto PRIMA-AI, se desarrolló el modelo de marco SKILL para el uso de IA generativa en niños más pequeños, que vincula la apertura y la naturaleza preestructurada de los sistemas utilizados con las competencias en el manejo de la IA y, por lo tanto, puede proporcionar una orientación importante para el diseño del uso de la IA.

La IA como catalizador de nuestros propios descubrimientos matemáticos, no como sustituto

La IA no debería ni debe llevar a los niños a limitarse a mirar pantallas. Las investigaciones sobre interfaces tangibles y robots sociales muestran que la IA también puede estimular la interacción en el mundo físico (Ligthart et al., 2023). La IA debería servir como catalizador para actividades matemáticas, por ejemplo, para descubrir patrones que puedan crearse posteriormente utilizando materiales táctiles. Actualmente, existen muchos menos estudios sobre educación primaria que sobre educación secundaria y superior, pero los resultados existentes ofrecen un optimismo cauteloso: los niños pueden beneficiarse de la genAI en su aprendizaje si los entornos de aprendizaje se diseñan adecuadamente (Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow y Coles, 2024; Yim y Su, 2025). Algunos ejemplos:

• Los niños de primaria pueden comprender conceptos clave de IA, como la clasificación y el sesgo, cuando se abordan en entornos basados en proyectos, desconectados o lúdicos (Yim y Su, 2025; Mott et al., 2023). Esta comprensión es importante para que los niños puedan evaluar críticamente cómo interactuar con los andamiajes de los compañeros de aprendizaje de IA, y también para que sepan que no toda la asistencia es necesariamente correcta.
• El reconocimiento de objetos asistido por IA (por ejemplo, para las varillas de Cuisenaire) puede ayudar a los niños a vincular cada vez más sus acciones con representaciones matemáticas abstractas (Rumbelow y Coles, 2024).
• El entrenamiento con IA puede mejorar específicamente la fluidez aritmética, pero para los niños con dificultades en aritmética, debe combinarse cuidadosamente con otras formas de práctica (Samuelsson, 2023). Samuelsson demuestra que la práctica con IA logra mayores mejoras en la fluidez que los enfoques basados únicamente en la memorización.
• ChatGPT y sistemas similares muestran potencial para respaldar la resolución de problemas, las tareas geométricas y el álgebra en la escuela primaria, pero requieren una alta calidad de indicaciones y un filtrado específico de la materia por parte de los docentes (Harahap, 2024; Listyaningrum et al., 2024; Schneider, 2025).
• Los sistemas adaptativos para niños con discalculia muestran resultados prometedores en el mantenimiento de la motivación y el compromiso (Hocine et al., 2023; Holmes, 2024).

Los enfoques narrativos y gamificados merecen especial atención: Ruan et al. (2020) demuestran que los chatbots tutores basados en la narración pueden promover la participación y el aprendizaje. Sayed et al. (2022) confirman mejoras significativas, especialmente entre los estudiantes con bajo rendimiento académico, mediante contenido adaptativo y gamificado.

Conclusiones: En la escuela primaria, los compañeros de aprendizaje de IA deberían servir principalmente como Un catalizador para actividades matemáticas enriquecedoras No deben servir como herramienta para "llegar rápidamente a una solución". La tarea central sigue siendo permitir que los niños examinen, justifiquen y negocien críticamente las afirmaciones matemáticas, incluidas las de la IA (Kortenkamp, 2024; Aufenanger, 2023).

Conclusión: Diseño de apoyo al aprendizaje basado en IA para lecciones de matemáticas desde una perspectiva didáctica específica de la asignatura

Con base en el estado actual de la investigación y consideraciones previas, actualmente se pueden formular los siguientes principios rectores para el diseño de tutores de IA:

1. Adaptativo en lugar de responsivo: Los buenos tutores de IA reconocen patrones y errores, brindan asistencia medida y se abstienen de dar soluciones (Bastani et al., 2025; Bewersdorff et al., 2023; Kuo et al., 2025; Son, 2024).
2. Piensa antes de explicar: Están diseñados para que los estudiantes primero deban volverse activos antes de que sigan las explicaciones y la retroalimentación (Gisiger, 2025; Kumar et al., 2023).
3. Perspectivas didácticas específicas del tema como base: Se basan en modelos explícitos de aprendizaje matemático, no solo en la plausibilidad lingüística, que poseen inherentemente (Cohn et al., 2025; Cononigo, 2024; Holmes y Tuomi, 2022; Makransky et al., 2024).
4. Socios metacognitivos: Promueven la planificación, el seguimiento y la reflexión en lugar de la mera finalización de tareas (Wu et al., 2025; Song et al., 2024).
5. Juntos en lugar de aislados: Apoyan a los docentes en lugar de reemplazarlos y funcionan mejor en entornos con un enfoque humano durante aquellas fases de aprendizaje en las que los docentes no pueden apoyar a todos los niños en el proceso de aprendizaje (Holmes et al., 2018; Ninaus y Sailer, 2022; Wang et al., 2024; Wezendonk y Veldhuis, 2024).
6. Éticamente justificable: Tienen en cuenta la protección de datos, la equidad, la accesibilidad y el riesgo de „deterioro“ cognitivo debido al alivio excesivo (Holmes et al., 2021; Fock & Siller, 2025; Gerlich, 2025; KMK, 2024).
7. Preestructurado en lugar de abierto:Especialmente con niños más pequeños, es necesaria una integración de IA como apoyo al aprendizaje integrada (en la aplicación o en el entorno de aprendizaje), pedagógicamente preestructurada y controlada, ya que los niños a menudo aún no pueden usar la IA de forma independiente como apoyo al aprendizaje (Gulz et al., 2021).

Si diseñamos e investigamos más a fondo el apoyo al aprendizaje mediante IA generativa basándonos en principios rectores, entonces no es un reemplazo para la enseñanza, sino un Potencial expansión del repertorio didáctico y una herramienta para una retroalimentación y un andamiaje más personalizados., especialmente en educación primaria. La tarea para los próximos años será traducir estos principios en diseños concretos y probados empíricamente para la enseñanza de las matemáticas en primaria. En el marco del proyecto PRIMA-AI, se están desarrollando herramientas de apoyo al aprendizaje con IA integradas en apps, basadas en los principios fundamentales formulados para tutores de IA. Estas herramientas se están investigando, desarrollando y optimizando en el marco de la investigación basada en el diseño.

---

literatura

Alemdag, E. (2025). El efecto de los chatbots en el aprendizaje: un metaanálisis de investigación empírica. Revista de Investigación sobre Tecnología en Educación, 57(2), 459–481. https://doi.org/10.1080/15391523.2023.2255698

Aleven, V., Roll, I., McLaren, BM y Koedinger, KR (2016). La ayuda ayuda, pero solo hasta cierto punto: Investigación sobre la búsqueda de ayuda con sistemas de tutoría inteligente. Revista Internacional de Inteligencia Artificial en Educación, 26(1), 205-223. https://doi.org/10.1007/s40593-015-0089-1

Almheiri, ASB, Albastaki, H. y Alrashdan, H. (2025). Sistemas de tutoría basados en IA en educación. Serie de libros sobre avances en inteligencia computacional y robótica, 185–210. https://doi.org/10.4018/979-8-3373-0847-0.ch007

Aru, J., y Laak, K.-J. (2025). Desarrollo de un tutor personal general basado en IA para la educación. Tendencias en las ciencias cognitivas, 29(11), 957–960. https://doi.org/10.1016/j.tics.2025.09.010

Aufenanger, S., Herzig, B. y Schiefner-Rohs, M. (2023). Inteligencia artificial y escuelas. Tareas para la enseñanza y la organización escolar. En C. de Witt, C. Gloerfeld y S. E. Wrede (Eds.)., Inteligencia artificial en la educación (págs. 199-218). Springer Fachmedien. https://doi.org/10.1007/978-3-658-40079-8_10

Awang, L.A., Yusop, FD y Danaee, M. (2025). Prácticas actuales y direcciones futuras de la inteligencia artificial en la educación matemática: una revisión sistemática. Revista Electrónica Internacional de Educación Matemática, 20(2), em0823. https://doi.org/10.29333/iejme/16006

Bach, KM, Reinhold, F. y Hofer, S. (2025). Liberando el potencial matemático en estudiantes de bajos recursos: utilizando andamiajes instruccionales para mejorar el rendimiento. npj Science of Learning, 10(1).

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). La IA generativa sin barandillas puede perjudicar el aprendizaje: evidencia de las matemáticas de secundaria. Actas de la Academia Nacional de Ciencias, 122(26), 2422633122.

Bewersdorff, A., Seßler, K., Baur, A., Kasneci, E. y Nerdel, C. (2023). Evaluación de errores de estudiantes en la experimentación mediante inteligencia artificial y modelos lingüísticos extensos: Un estudio comparativo con evaluadores humanos. Computadoras y Educación: Inteligencia Artificial, 5, 100177. https://doi.org/10.1016/j.caeai.2023.100177

Buchholtz, N., Schorcht, S., Baumanns, L., Huget, J., Noster, N., Rott, B., Siller, H.-S. y Sommerhoff, D. (2024). ¡Nadie se lo espera! Seis principios rectores sobre las implicaciones y las necesidades de investigación de las tecnologías de IA en la educación matemática. Comunicaciones de la Sociedad para la Didáctica de las Matemáticas, 117.

Canonigo, A.M. (2024). Aprovechamiento de la IA para mejorar la comprensión conceptual y la confianza de los estudiantes en matemáticas. Revista de aprendizaje asistido por computadora, 40(6), 3215–3229. https://doi.org/10.1111/jcal.13065

Cárdenas, R., Vásquez, HGE, Gamboa, DAP, Arteaga-Arcentales, E., & Carrera, JEM (2025). Exploración de sistemas de aprendizaje adaptativo impulsados por IA y su implementación en entornos educativos: Una revisión sistemática de la literatura. Revista internacional de investigación innovadora y estudios científicos, 8(4), 832–842. https://doi.org/10.53894/ijirss.v8i4.7961

Chudziak, JA, y Kostka, A. (2025). Tutoría de matemáticas impulsada por IA: Plataforma para educación personalizada y adaptativa. Apuntes de clase en Ciencias de la Computación, 462–469. https://doi.org/10.1007/978-3-031-98465-5_58

Cohn, C., Rayala, S., Srivastava, N., Fonteles, J., Jain, S., Luo, X., Mereddy, D., Mohammed, N. y Biswas, G. (2025). Una teoría de andamiaje adaptativo para agentes pedagógicos basados en LLM. arXiv. https://doi.org/10.48550/arxiv.2508.01503

Contel, F., y Cusi, A. (2025). Investigación del papel de ChatGPT en el apoyo a los procesos metacognitivos durante las actividades de resolución de problemas. Experiencias digitales en la educación matemática, 11(1), 167–191. https://doi.org/10.1007/s40751-024-00164-7

Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, MN y Abrahamson, D. (2025). IA generativa y datos multimodales para retroalimentación educativa: conocimientos del aprendizaje de matemáticas incorporado. Revista británica de tecnología educativa. https://doi.org/10.1111/bjet.13587

Deng, R., Jiang, M., Yu, X., Lu, Y. y Liu, S. (2025). ¿ChatGPT mejora el aprendizaje estudiantil? Una revisión sistemática y metaanálisis de estudios experimentales. Computadoras y educación, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224

Dinsmore, D.L. y Fryer, L.K. (2026). ¿Qué significa realmente la genAI actual para el aprendizaje estudiantil? Aprendizaje y diferencias individuales, 125, 102834. https://doi.org/10.1016/j.lindif.2025.102834

Fock, A., y Siller, H.-S. (2025). Inteligencia artificial generativa en la educación STEM secundaria a la luz del florecimiento humano: una revisión de la literatura. Plaza de la Investigación. https://doi.org/10.21203/rs.3.rs-6923010/v1

Gerlich, M. (2025). Herramientas de IA en la sociedad: impactos en la descarga cognitiva y el futuro del pensamiento crítico. Sociedades, 15(1), 6. https://doi.org/10.3390/soc15010006

Gisiger, M. (17 de abril de 2025). El papel de la inteligencia artificial en el aprendizaje: oportunidades y riesgos. Michael Gisiger. https://text.tchncs.de/gisiger/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken

Gonnermann-Müller, J., Haase, J., Fackeldey, K., y Pokutta, S. (2025). FACET: Sistemas multiagente basados en LLM centrados en el profesor: Hacia hojas de trabajo educativas personalizadas. arXiv. https://doi.org/10.48550/arxiv.2508.11401

Guerino, G., Challco, GC, Veloso, TE, Oliveira, L., Penha, RSD, Melo, RF, Vieira, T., Marinho, MLM, Macario, V., Bittencourt, II, Isotani, S., & Dermeval, D. (2023). Sistemas de tutoría inteligentes centrados en el docente: consideraciones de diseño de docentes de escuelas públicas brasileñas. Anais do XXXIV Simpósio Brasileiro de Informática na Educação. https://doi.org/10.5753/sbie.2023.235159

Gulz, A. y Haake, M. (2021). Ningún niño se queda atrás ni se distingue: ¿Es posible combinar la instrucción adaptativa y la pedagogía inclusiva en el software de matemáticas tempranas? SN Ciencias Sociales, 1, 205. https://doi.org/10.1007/s43545-021-00205-7

Guo, J., Ma, Y., Jang, H., Li, T., Wu, J., Huang, D., Han, F., Noetel, M., Liao, K., Tang, X., y Kui, X. (2025). El impacto de la inteligencia artificial en la motivación y el compromiso de los estudiantes de primaria: Una revisión sistemática. PsyArXiv. https://doi.org/10.31234/osf.io/ecspn_v1

Harahap, R. (2024). El papel de ChatGPT en la mejora de la educación matemática: una revisión sistemática. Anales de la Academia de Ciencia y Tecnología de Vietnam, 28(2s), 511–524. https://doi.org/10.52783/anvi.v28.2753

Hocine, N., Moussa, MBO y Ali, S.A. (2023). Posicalculia: Un entorno virtual adaptativo para niños con dificultades de aprendizaje. IEEE INSTA 2023. https://doi.org/10.1109/inista59065.2023.10310592

Holmes, V.M. (2024). Diseño de un tutor matemático basado en IA para niños con dislexia, disgrafía y discalculia. https://doi.org/10.58445/rars.2035

Holmes, W., Bialik, M. y Fadel, C. (2019). Inteligencia artificial en la educación: promesas e implicaciones para la enseñanza y el aprendizaje. Centro de Rediseño Curricular.

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S., Santos, OC, Rodrigo, M., Cukurova, M., Bittencourt, I. y Koedinger, K. (2021). Ética de la IA en la educación: hacia un marco comunitario. Revista Internacional de Inteligencia Artificial en Educación, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1

Holmes, W. y Tuomi, I. (2022). Estado del arte y la práctica de la IA en la educación. Revista Europea de Educación, 57(4), 542–570. https://doi.org/10.1111/ejed.12533

Hwang, S. (2022). Examinando los efectos de la inteligencia artificial en el rendimiento matemático de estudiantes de primaria: un metaanálisis. Sostenibilidad, 14(20), 13185. https://doi.org/10.3390/su142013185

Jančařík, A., Michal, J. y Novotná, J. (2023). Uso de AI Chatbot para tutoría de matemáticas. Revista de Educación, Cultura y Sociedad, 14(2), 285–296. https://doi.org/10.15503/jecs2023.2.285.296

Kaliisa, R., Misiejuk, K., López-Pernas, S. y Saqr, M. (2025). ¿Cómo se compara la inteligencia artificial con la retroalimentación humana? Un metaanálisis de rendimiento, percepción de la retroalimentación y predisposiciones al aprendizaje. Psicología Educativa, 1–32. https://doi.org/10.1080/01443410.2025.2553639

Kestin, G., Miller, K., Klales, A., Milbourne, T. y Ponti, G. (2025). La tutoría con IA supera al aprendizaje activo en clase: un ensayo clínico aleatorio que introduce un nuevo diseño basado en la investigación en un entorno educativo auténtico. Informes científicos, 15(1), 17458. https://doi.org/10.1038/s41598-025-97652-6

KirschnerED (15 de agosto de 2025). ChatGPT en educación: ¿Un efecto en busca de una causa? https://www.kirschnered.nl/2025/08/15/chatgpt-in-education-an-effect-in-search-of-a-cause/

KMK (2024). Recomendaciones para las autoridades educativas sobre el abordaje de la inteligencia artificial en los procesos educativos escolares. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Kortenkamp, U. (2024). ¿Cuánta matemática necesita la humanidad? Competencias matemáticas básicas ante la IA. https://doi.org/10.20378/irb-104036

Kumar, H., Rothschild, DM, Goldstein, DG y Hofman, JM (2023). Educación matemática con modelos lingüísticos amplios: ¿Peligro o promesa? (Artículo académico SSRN n.º 4641653). Red de Investigación en Ciencias Sociales. https://doi.org/10.2139/ssrn.4641653

Kuo, B.-C., Bai, Z.-E. y Lin, C.-H. (2026). Desarrollo de un compañero de aprendizaje de IA para la resolución de problemas matemáticos en escuelas primarias. Computadoras y educación, 240, 105463. https://doi.org/10.1016/j.compedu.2025.105463

Li, M. (2024). Integración de la inteligencia artificial en la educación matemática primaria: investigación de las influencias internas y externas en la adopción docente. Revista Internacional de Educación en Ciencias y Matemáticas. https://doi.org/10.1007/s10763-024-10515-w

Ligthart, MEU, de Droog, SM, Bossema, M., Elloumi, L., Hoogland, K., Smakman, MHJ, Hindriks, KV y Ben Allouch, S. (2023). Especificaciones de diseño para un robot social tutor de matemáticas. En G. Castellano, L. Riek, M. Cakmak y J. Leite (Eds.), Actas de la Conferencia Internacional ACM/IEEE 2023 sobre Interacción Humano-Robot (pp. 321–330). ACM/IEEE. https://doi.org/10.1145/3568162.3576957

Listyaningrum, P., Retnawati, H., Harun, H., e Ibda, H. (2024). Aprendizaje digital mediante ChatGPT en el aprendizaje de matemáticas en la escuela primaria: Una revisión sistemática de la literatura. Revista indonesia de ingeniería eléctrica y ciencias de la computación, 36(3), 1701–1710. https://doi.org/10.11591/ijeecs.v36.i3.pp1701-1710

Liu, J., Sun, D., Sun, J., Wang, J. y Yu, PLH (2025). Diseño de un entorno de aprendizaje generativo basado en IA para la resolución de problemas matemáticos en escuelas primarias: Rendimiento, actitudes e interacción en el aprendizaje. Computadoras y Educación: Inteligencia Artificial, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438

Makransky, G., Shiwalia, BM, Herlau, T. y Blurton, S. (2024). Más allá del factor sorpresa: Uso de IA generativa para aumentar la comprensión generativa. Revisar. https://doi.org/10.21203/rs.3.rs-5622133/v1

Mott, B., Gupta, A., Glazewski, K., Ottenbreit-Leftwich, A., Hmelo-Silver, C., Scribner, A., Lee, S. y Lester, J. (2023). Fomento de la educación en IA en la educación primaria superior: Refinamiento iterativo de una progresión de andamiaje de uso-modificación-creación para la planificación de IA. Actas de la Conferencia de 2023 sobre Innovación y Tecnología en la Educación en Ciencias de la Computación V. 2, 647. https://doi.org/10.1145/3587103.3594170

Ninaus, M. y Sailer, M. (2022). Cerrando el círculo: El rol humano en la inteligencia artificial para la educación. Fronteras en Psicología, 13. https://doi.org/10.3389/fpsyg.2022.956798

Opesemowo, OAG, y Adewuyi, HO (2024). Una revisión sistemática de la inteligencia artificial en la educación matemática: El surgimiento de la Cuarta Revolución Industrial (4IR). Revista Eurasia de Educación en Matemáticas, Ciencia y Tecnología, 20(7), em2478. https://doi.org/10.29333/ejmste/14762

Qian, K., Liu, S., Li, T., Raković, M., Li, X., Guan, R., Molenaar, I., Nawaz, S., Swiecki, Z., Yan, L. y Gašević, D. (2026). Hacia un andamiaje generativo fiable basado en IA: reducción de alucinaciones y mejora de la calidad del apoyo al aprendizaje autorregulado. Computadoras y educación, 240, 105448. https://doi.org/10.1016/j.compedu.2025.105448

Rosenfelder, A., Levitin, MD, y Gilead, M. (2025). ¿Hacia la superinteligencia social? La IA infiere diversos rasgos psicológicos a partir de textos sin entrenamiento específico, superando a los jueces humanos. Las computadoras en el comportamiento humano: humanos artificiales, 6, 100228. https://doi.org/10.1016/j.chbah.2025.100228

Ruan, S., He, J., Ying, R., Burkle, J., Hakim, D., Wang, A., Yin, Y., Zhou, L., Xu, Q., AbuHashem, AA, Dietz, G., Murnane, EL, Brunskill, E. y Landay, JA (2020). Apoyo al aprendizaje de matemáticas infantil con tecnología narrativa aumentada por retroalimentación. Actas de la Conferencia CHI de 2020 sobre factores humanos en sistemas informáticos. https://doi.org/10.1145/3392063.3394400

Rumbelow, M. y Coles, A. (2024). La promesa del reconocimiento de objetos mediante IA en el aprendizaje de las matemáticas: Un estudio exploratorio de las interacciones de niños de 6 años con las varillas Cuisenaire y la aplicación Blockplay.ai. Ciencias de la Educación, 14(6), 591. https://doi.org/10.3390/educsci14060591

Samuelsson, J. (2023). Fluidez de hechos aritméticos apoyada por inteligencia artificial. Fronteras en la tecnología educativa, 6(1), 13. https://doi.org/10.22158/fet.v6n1p13

Sayed, W.S., Noeman, A., Abdellatif, A., Abdelrazek, M., Badawy, MG, Hamed, AEA y El-Tantawy, S. (2022). Presentación de contenido adaptativa y personalizada basada en IA y navegación de ejercicios para una plataforma de aprendizaje electrónico eficaz y atractiva. Herramientas y aplicaciones multimedia, 82(3), 3303–3333. https://doi.org/10.1007/s11042-022-13076-8

Schneider, RJ (s.f.). El uso de IA para apoyar la preparación de clases: ¿Cómo evaluar los ejercicios prácticos generados por IA para matemáticas de primaria desde una perspectiva didáctica? [Manuscrito inédito].

Son, T. (2024). Inteligencia artificial en la educación matemática: una revisión sistemática de la literatura sobre sistemas de tutoría inteligentes. Revista de Investigación Educativa en Matemáticas, 34(2), 187. https://doi.org/10.29275/jerm.2024.34.2.187

Song, Y., Kim, J., Liu, Z., Li, C. y Xing, W. (2024). Roles, oportunidades y desafíos percibidos por los estudiantes de un agente de enseñanza basado en IA generativa: Un caso de una clase de matemáticas de secundaria. Revista de Investigación sobre Tecnología en Educación, 1–19. https://doi.org/10.1080/15391523.2024.2447727

Topkaya, Y., Doğan, Y., Batdı, V. y Aydın, S. (2025). Aplicaciones de la inteligencia artificial en educación primaria: Un estudio de metamétodo mixto con soporte cuantitativo [Preimpresión]. Preimpresiones. https://doi.org/10.20944/preprints202501.2263.v1

Vitale, A. y Dello Iacono, U. (2024). Uso de robots sociales como tecnología educativa inclusiva para el aprendizaje de matemáticas mediante la narración. Revista Europea de Innovación Pública y Social, 9, 1–17. https://doi.org/10.31637/epsir-2024-672

Wang, D., Shan, D., Ju, R., Kao, B., Zhang, C. y Chen, G. (2025). Investigación de la interacción dialógica en tutorías individuales en línea de matemáticas para K12 mediante IA y técnicas de minería de secuencias. Educación y tecnologías de la información, 30(7), 9215–9240. https://doi.org/10.1007/s10639-024-13195-9

Wang, J., y Fan, W. (2025). El efecto de ChatGPT en el rendimiento de aprendizaje, la percepción del aprendizaje y el pensamiento de orden superior de los estudiantes: Perspectivas de un metaanálisis. Comunicación en Humanidades y Ciencias Sociales, 12(1), 1–21. https://doi.org/10.1057/s41599-025-04787-y

Wang, L., y Nie, Z. (2023). Investigación sobre aprendizaje adaptativo en educación K-12 desde la perspectiva de la alfabetización en inteligencia artificial de los docentes: desarrollo, tecnología, estrategias de mejora. IEEE CSTE 2023. https://doi.org/10.1109/cste59648.2023.00059

Wang, RE, Ribeiro, AT, Robinson, CD, Loeb, S., y Demszky, D. (2024). Tutor CoPilot: Un enfoque humano-IA para escalar la experiencia en tiempo real. preimpresión de arXiv arXiv:2410.03017. https://arxiv.org/abs/2410.03017

Wezendonk, A., & Veldhuis, M. (2024). Sistemas vacíos adaptativos y la solución didáctica para el aprendizaje escolar básico en el campo del conocimiento. Tijdschrift voor Onderwijs y Praktijk en Statistiek. https://doi.org/10.54657/tops.13844

Wu, R. y Yu, Z. (2024). ¿Mejoran los chatbots de IA los resultados de aprendizaje de los estudiantes? Evidencia de un metaanálisis. Revista británica de tecnología educativa, 55(1), 10–33. https://doi.org/10.1111/bjet.13334

Wu, X.-Y., Radloff, J., Yeter, I., Wang, L. y Chiu, TKF (2025). Diseño de chatbots de inteligencia artificial para el aprendizaje autorregulado a partir de una revisión sistemática basada en los tres intereses de Habermas. Entornos de aprendizaje interactivos. https://doi.org/10.1080/10494820.2025.2563086

Yim, IHY, y Su, J. (2025). Educación en inteligencia artificial en escuelas primarias: una revisión. Revista Internacional de Educación en Tecnología y Diseño. https://doi.org/10.1007/s10798-025-09979-w

Zheng, L., Niu, J., Zhong, L. y Gyasi, J.F. (2023). La eficacia de la inteligencia artificial en el rendimiento y la percepción del aprendizaje: un metaanálisis. Entornos de aprendizaje interactivos, 31(9), 5650–5664. https://doi.org/10.1080/10494820.2021.2015693