DOI: https://doi.org/10.56712/latam.v7i4.6458
Prácticas docentes sobre el uso de herramientas de
Inteligencia Artificial Generativa en la enseñanza de las
matemáticas en educación secundaria en las Unidades
Educativas de la ciudad de Cuenca
Teaching practices regarding the use of Generative Artificial Intelligence
tools in secondary school mathematics instruction at educational
institutions in the city of Cuenca
Luis Miguel Salinas Guzmán
1
1
Autor de correspondencia.
luissalinas0504@gmail.com
https://orcid.org/0009-0006-7922-7743
Universidad Estatal de Milagro
Ecuador
Eugenio Alejandro Ortega García
eortegag2@unemi.edu.ec
https://orcid.org/0000-0003-2537-3965
Universidad Estatal de Milagro
Ecuador
Artículo recibido: 05 de abril de 2026. Aceptado para publicación: 05 de septiembre de 2026.
Conflictos de Interés: Ninguno que declarar.
Resumen
La
creciente
integración
de
la
Inteligencia
Artificial
Generativa
(IAG)
en
la
enseñanza
de
las
Matemáticas
está
transformando
las
rutinas
del
profesorado
de
secundaria
y
planteando
interrogantes sobre su incidencia en el razonamiento y la autonomía intelectual de los estudiantes.
Este
estudio,
con
enfoque
cuantitativo,
alcance
descriptivo
y
diseño
no
experimental
transversal,
analiza las prácticas de uso de herramientas de IAG y las percepciones docentes en instituciones
educativas de la ciudad de Cuenca. Se aplicó una encuesta estructurada de 30 ítems, organizada en
cuatro bloques (datos generales, prácticas de uso, dimensiones del modelo TPACK y percepciones
sobre autonomía, pensamiento crítico e integridad académica), a 32 docentes de matemáticas de
secundaria. Los datos se procesaron mediante
estadística
descriptiva
(frecuencias,
porcentajes
y
medidas
de
tendencia
central).
Los
resultados
revelan
que
los
docentes
emplean
la
IAG
principalmente para diseñar tareas, adaptar problemas y elaborar ejercicios, mientras que su uso en
la retroalimentación al estudiante es sensiblemente menor. La autopercepción de preparación es alta
en el conocimiento disciplinar y pedagógico, y algo más baja en el conocimiento tecnológico vinculado
a la integración curricular de la IAG, lo que sugiere que la brecha no reside en el manejo instrumental
de las herramientas, sino en su incorporación a la planificación de clase. Asimismo, el profesorado
muestra
una
conciencia
ética
relevante
sobre
los
riesgos
de
dependencia
cognitiva
y
pérdida
de
autonomía
intelectual,
aunque dicha preocupación
no
se
traduce
necesariamente
en
un
uso
más
intensivo o más restringido de la herramienta. Estos hallazgos permiten concluir que la integración
eficaz de la IAG en el aula de matemáticas depende menos de la tecnología en sí misma y más de una
mediación docente crítica, sustentada en formación continua orientada a la integración curricular y en
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3223.
lineamientos institucionales claros que promuevan un uso responsable y centrado en el desarrollo del
pensamiento matemático.
Palabras clave:
inteligencia artificial generativa, educación matemática, prácticas docentes,
enseñanza secundaria
Abstract
Generative Artificial Intelligence is progressively permeating mathematics teaching, generating both
opportunities
and
challenges
for
secondary
school
teachers.
This
descriptive,
quantitative,
non-
experimental,
cross-sectional
study
examines
teachers'
use
of
generative
AI
tools
and
their
perceptions
regarding
the
influence of
these
technologies
on
students'
reasoning
and
intellectual
autonomy
in
secondary
schools
in
Cuenca,
Ecuador.
A
structured
survey
comprising
30
items,
organized into four sections (general data, generative AI use practices, TPACK model dimensions, and
perceptions of autonomy, critical thinking, and academic integrity), was administered to 32 secondary
mathematics teachers. Data were processed using descriptive statistics (frequencies, percentages,
and measures of central tendency). Results indicate that teachers predominantly employ generative
AI for lesson planning and task design, while its use in assessment and feedback is less frequent.
Teachers report varying levels of technological preparedness and acknowledge that generative AI can
support the understanding of complex concepts, yet may also foster dependence if not accompanied
by
critical
mediation.
Perceptions
of
intellectual
autonomy
and
critical
thinking
appear
to
be
conditioned by the existence of clear usage rules and by the teacher's ability to guide reflection on AI-
generated
responses.
The
study
concludes
that
the
integration
of
generative
AI
in
mathematics
teaching requires strengthening teacher training and establishing institutional guidelines that promote
responsible practices focused on the development of mathematical thinking.
Keywords:
generative
artificial
intelligence,
mathematics
education,
teaching
practices,
secondary education
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia
Creative Commons
.
Cómo citar: Salinas Guzmán, L. M., & Ortega García, E. A. (2026). Prácticas docentes sobre el uso de
herramientas de Inteligencia Artificial Generativa en la enseñanza de las matemáticas en educación
secundaria en las Unidades Educativas de la ciudad de Cuenca.
LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades 7 (4), 3223 – 3236. https://doi.org/10.56712/latam.v7i4.6458
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3224.
INTRODUCCIÓN
La enseñanza de las matemáticas en la educación secundaria atraviesa una fase de transformación
profunda impulsada por la irrupción de la Inteligencia Artificial Generativa (IAG) (Andino-Sosa et al.,
2026; Cisneros, 2025). En el contexto ecuatoriano, esta transición no solo responde a una tendencia
global, sino también a la necesidad de revitalizar una disciplina que históricamente ha presentado
barreras de aprendizaje y desmotivación entre los jóvenes (Calle et al., 2025). Las herramientas de IAG,
capaces de producir contenido original, códigos y respuestas complejas mediante lenguaje natural,
desafían las concepciones tradicionales sobre la construcción del conocimiento en el aula (Vásquez,
2024). La relevancia de este estudio radica en que el uso de estas herramientas, bajo una mediación
pedagógica
con
sentido
humano,
permite
al
docente
trascender
la
instrucción
técnica
para
concentrarse en el acompañamiento emocional y el fomento del pensamiento lógico-matemático del
estudiante, evitando que la enseñanza se reduzca a una mera recepción de respuestas algorítmicas
(Garcés Prettel, 2025; Silgado-Tuñón & López-Flores, 2025).
Investigaciones recientes destacan que las herramientas de IAG han modificado la dinámica del aula
al posibilitar la creación de problemas adaptativos y la retroalimentación inmediata (Walkinton, 2024).
En el área de matemáticas, se ha evidenciado que estos recursos pueden actuar como acompañantes
o tutores del pensamiento, facilitando que el alumnado explore diversas rutas de resolución, siempre
que exista una guía docente que valide y contextualice los resultados (Silgado-Tuñón & López-Flores,
2025). No obstante, estudios nacionales, como el de Calle et al. (2025), muestran que la incorporación
de
IA
en
instituciones
educativas
fiscales
ecuatorianas
enfrenta
desafíos
específicos,
como
la
insuficiencia
de
recursos
tecnológicos,
brechas
socioeconómicas
pronunciadas
y
la
falta
de
infraestructura adecuada.
La
producción
científica
sobre
la
integración
de
sistemas
inteligentes
en
la
enseñanza
de
las
matemáticas ha crecido aceleradamente, alcanzando un punto máximo de interés académico entre
2024 y 2025 (Cisneros, 2025). Este auge coincide con el paso de enfoques teóricos tradicionales hacia
el uso de herramientas más sofisticadas de IAG, que hoy se constituyen en núcleos de investigación
pedagógica. A nivel internacional, las evidencias sugieren que estas herramientas no solo automatizan
tareas, sino que reconfiguran los procesos de producción y legitimación del conocimiento en el aula
(Andino-Sosa et al., 2026). Análisis recientes indican que el uso de estas tecnologías tiene un impacto
positivo
moderado
en
los
resultados
de
aprendizaje
matemático,
siendo
especialmente
efectivo
cuando se orienta a la resolución de problemas geométricos y al aprendizaje colaborativo (Liu et al.,
2026).
En
el
ámbito
específico
de
la
didáctica
matemática,
la
literatura
actual
resalta
que
la
IAG
puede
responder a tareas de alta demanda cognitiva, superando las funciones de las herramientas digitales
tradicionales (McGalliard & Otten, 2025). Se propone que los estudiantes utilicen estos sistemas como
"compañeros
de
pensamiento"
(thinking
partners)
para
explorar
conceptos,
comparar
rutas
de
razonamiento y verificar procedimientos complejos (Liu et al., 2026; Walkinton, 2024). Esta interacción
permite personalizar la experiencia educativa, adaptando los ritmos de instrucción a las necesidades
individuales y reduciendo la ansiedad asociada al aprendizaje de conceptos abstractos (Calle et al.,
2025; Liu et al., 2026). Sin embargo, el valor formativo de estas prácticas depende enteramente de una
mediación docente que promueva el juicio crítico para validar y contextualizar las respuestas obtenidas
(Cuellar & Palma, 2026; Silgado-Tuñón & López-Flores, 2025).
En
el
escenario
particular
de
Ecuador,
estudios
realizados
con
estudiantes
de
bachillerato
en
instituciones
fiscales
reportan
que
la
implementación
de
estrategias
mediadas
por
inteligencia
artificial
puede
incrementar
el
rendimiento
académico
hasta
en
un
20%
en
comparación
con
los
métodos convencionales (Calle et al., 2025). No obstante, esta potencialidad se ve limitada por brechas
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3225.
estructurales significativas, como la insuficiencia de infraestructura tecnológica (Andino-Sosa et al.,
2026; Calle et al., 2025). El profesorado ecuatoriano, si bien muestra una alta aceptación conceptual y
disposición hacia la innovación, a menudo se siente abrumado por la velocidad del cambio tecnológico
y la falta de programas de formación continua (Muñoz et al., 2024).
La
investigación
actual
subraya
que
el
éxito
de
la
inteligencia
artificial
generativa
en
el
aula
de
matemáticas no reside en la tecnología misma, sino en la evolución de la práctica docente hacia un
liderazgo
pedagógico más empático y reflexivo
(Andino-Sosa
et
al.,
2026;
Silgado-Tuñón
& López-
Flores,
2025).
Bajo
el
modelo
TPACK
(Conocimiento
Tecnológico,
Pedagógico
y
de
Contenido),
propuesto por Mishra y Koehler (2006), se ha observado que aquellos educadores que logran integrar
estas
dimensiones
tienden
a
desarrollar
experiencias
de
aprendizaje
más
enriquecedoras
y
autodirigidas (Muñoz et al., 2024). No obstante, persiste una tensión entre el deseo de innovar y la
preocupación por la integridad académica, lo que ha llevado a algunos sectores a adoptar posturas
defensivas
o
restrictivas
(Andino-Sosa
et
al.,
2026).
En
consecuencia,
la
literatura
demanda
urgentemente investigaciones situadas que analicen cómo los docentes en ciudades como Cuenca
están resignificando estas herramientas para fortalecer la autonomía intelectual de sus alumnos sin
deshumanizar el proceso de enseñanza (Silgado-Tuñón & López-Flores, 2025).
A pesar de la disponibilidad de recursos digitales, el profesorado de secundaria en Cuenca enfrenta el
reto de integrar la tecnología sin contar con lineamientos institucionales claros ni formación específica
(Calle et al., 2025; Vásquez, 2024). Existe una tensión entre el deseo de innovar y la preocupación por
la integridad académica o la posible pérdida de autonomía intelectual del estudiante (Muñoz et al.,
2024).
Las
prácticas
actuales
suelen
oscilar
entre
el
rechazo
por
desconfianza
y
una
adopción
experimental que no siempre fortalece el razonamiento
lógico
profundo
(Saavedra Messina
et
al.,
2025).
El
problema
central
radica
en
la
falta
de
evidencias
sobre
cómo
la
práctica
cotidiana
del
profesorado está logrando —o no— convertir la tecnología en un andamiaje que potencie el crecimiento
de la persona sin deshumanizar el encuentro educativo (Garcés Prettel, 2025).
El propósito de este artículo es analizar las
prácticas docentes mediadas por inteligencia artificial
generativa
en
la
enseñanza
de
matemáticas
en
secundaria
en
la
ciudad
de
Cuenca.
Para
ello,
se
plantean los siguientes objetivos:
-
●
Describir
las
prácticas
de
uso
de
inteligencia
artificial
generativa
de
los
docentes
de
matemáticas de educación secundaria en las Unidades Educativas de Cuenca.
-
●
Analizar
el
nivel
de
preparación
docente
en
las
dimensiones
de
contenido,
pedagogía
y
tecnología para integrar inteligencia artificial generativa en la enseñanza de las matemáticas.
-
●
Explorar las percepciones docentes sobre las facilidades y barreras que encuentran al utilizar
estas herramientas en el aula secundaria.
Consecuentemente, el estudio busca responder:
-
●
¿Qué
prácticas
docentes
de
uso
de
inteligencia
artificial
generativa
se
desarrollan
en
la
enseñanza
de
las
matemáticas
en
educación
secundaria
en
las
Unidades
Educativas
de
Cuenca?
METODOLOGÍA
De acuerdo con Hernández-Sampieri y Mendoza (2020), el estudio adopta un enfoque cuantitativo de
alcance descriptivo, fundamentado en la necesidad de caracterizar de forma estructurada las prácticas
docentes mediadas por la Inteligencia Artificial Generativa en las Unidades Educativas de Cuenca. Esta
ruta
metodológica
permite
medir,
a
través
de
una
encuesta
estructurada,
la
frecuencia
y
las
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3226.
modalidades de uso de estas herramientas, así como las percepciones del profesorado respecto a su
impacto
en
el razonamiento lógico y la
autonomía
del alumnado. La elección
de
este
enfoque
se
justifica por su capacidad para identificar patrones de comportamiento y tendencias generales en el
contexto educativo local, proporcionando una base de datos objetiva sobre un fenómeno emergente.
La
investigación
se
sustenta
en
un
diseño
no
experimental,
transversal
y
descriptivo.
Es
no
experimental porque el investigador observa las prácticas pedagógicas y las actitudes docentes tal
como
se
manifiestan
en
su
entorno
natural,
sin
manipular
deliberadamente
las
variables.
Es
transversal,
pues
la
información
se
recolecta
en
un
único
momento
del
tiempo
para
obtener
una
"fotografía"
actual
de la
integración tecnológica
en
las
instituciones
de
secundaria. Su
alcance es
descriptivo,
ya
que
el
propósito
central
consiste
en
detallar
las
características
del
uso
de
la
IA
generativa
y
la
valoración
profesional
que
el
profesorado
otorga
a
estos
recursos,
sin
establecer
relaciones de causalidad.
La
población
objetivo
comprende
a
docentes
de
matemáticas
que
imparten
clases
en
el
nivel
de
educación secundaria en las Unidades Educativas de la ciudad de Cuenca, Ecuador. Se contactó a un
total de 45 docentes, de los cuales 32 completaron el cuestionario (tasa de respuesta del 71,1 %). Para
la conformación de la muestra, el estudio emplea un muestreo no probabilístico por conveniencia,
seleccionando a aquellos profesionales que aceptaron participar voluntariamente y a quienes se logró
contactar
mediante
las
redes
institucionales
y
de
colaboración
docente.
El
tamaño
muestral
final
(n=32)
se
considera
metodológicamente
aceptado
para
la
caracterización
inicial
de
procesos
de
innovación tecnológica en entornos urbanos específicos.
Para garantizar la pertinencia de la información recolectada, el proceso de selección se rige por los
siguientes criterios:
Criterios de inclusión:
Ser docente activo del área de matemáticas en educación secundaria en Cuenca
y haber tenido contacto directo (uso o exploración) con alguna herramienta de IA generativa durante el
último año lectivo.
Criterios
de
exclusión:
Docentes
que
pertenezcan
a
otras
áreas
del
conocimiento
que
no
sean
matemáticas y profesionales que declaren no haber tenido ningún tipo de acercamiento o uso de estos
recursos digitales.
Se diseñó una encuesta estructurada en formato digital, elaborada específicamente para caracterizar
las prácticas docentes mediadas por la IA generativa en la enseñanza de las matemáticas en Cuenca.
El instrumento se organiza en cuatro bloques fundamentales:
Bloque A: Datos generales:
Recoge el perfil sociodemográfico, tipo de institución (fiscal, fiscomisional
o particular) y años de experiencia profesional.
Bloque
B: Prácticas
de
uso:
Identifica
la
frecuencia
y
finalidad
del
uso
de
herramientas
en
la
planificación, diseño de ejercicios y evaluación.
Bloque C: Modelo TPACK:
Evalúa mediante una escala Likert la autopercepción de los conocimientos
de contenido (CK), pedagógicos (PK) y tecnológicos (TK) del docente.
Bloque D: Percepciones y Ética:
Explora las opiniones sobre el impacto en la autonomía intelectual, el
riesgo de sedentarismo cognitivo y la integridad académica.
Para garantizar el rigor del instrumento, se realizó una validación de contenido mediante juicio de cinco
expertos en educación y tecnología, obteniendo un coeficiente de validez de contenido de 0,85 (método
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3227.
de Lawshe). Posteriormente, se llevó a cabo una prueba piloto con 8 docentes para ajustar la claridad
de los ítems y optimizar los tiempos de respuesta. La fiabilidad del instrumento, medida mediante Alfa
de Cronbach, fue de 0,82 para el bloque de prácticas, 0,79 para el bloque TPACK y 0,81 para el bloque
de percepciones, lo que indica una consistencia interna aceptable.
El proceso de investigación se desarrolló en tres fases sucesivas:
Fase
de
preparación
y
validación:
Se
definieron
las
dimensiones
de
análisis
y
se
sometió
el
cuestionario a revisión experta y prueba piloto para asegurar su adecuación al contexto de Cuenca.
Fase
de
aplicación:
Debido
al
periodo
de
receso
escolar,
el
estudio
empleó
una
modalidad
virtual
enviando
el
enlace
del
formulario
a
los
docentes,
acompañado
de
una
carta
de
presentación
y
el
consentimiento
informado.
Durante
tres
semanas
se
realizaron
recordatorios
periódicos
para
maximizar la participación.
Fase de organización de datos:
Tras cerrar la encuesta, el investigador descargó la base de datos,
eliminó registros incompletos y verificó los criterios de inclusión para asegurar que la muestra final
correspondiera a docentes de matemáticas con experiencia en IA generativa.
El análisis de la información se realiza mediante estadística descriptiva. Para las variables categóricas,
se
calculan
frecuencias absolutas y relativas
(porcentajes),
presentando
los
hallazgos
en
tablas y
gráficos descriptivos. Para los ítems tipo Likert, se calculan la media y la desviación estándar, lo que
permite identificar tendencias generales en las dimensiones del modelo TPACK y en las percepciones
éticas. Se establecieron los siguientes puntos de corte para interpretar las medias: 1,00-2,33 (nivel
bajo), 2,34-3,66 (nivel medio) y 3,67-5,00 (nivel alto). Todo el procesamiento de datos se llevó a cabo
utilizando Microsoft Excel e IBM SPSS Statistics.
La investigación cumple estrictamente con los estándares éticos internacionales de la UNESCO y la
normativa nacional. El estudio garantiza el consentimiento informado, asegurando que el profesorado
participe
de
forma
voluntaria
tras
conocer
los
fines
académicos
del
trabajo.
Para
salvaguardar
la
confidencialidad
y
el
anonimato,
no
se
solicitan
datos
de
identificación
personal,
gestionando
la
información
mediante
códigos
numéricos
en
archivos
protegidos.
Asimismo,
el
investigador
se
compromete al uso responsable de la información, difundiendo los resultados de manera agregada
para evitar la identificación de casos individuales o instituciones específicas. El proyecto cuenta con
el aval de las autoridades educativas correspondientes en Cuenca.
RESULTADOS
Una vez definido el diseño metodológico, la población y el instrumento de recolección de información,
se procedió a la aplicación de la encuesta estructurada a los docentes de matemáticas de educación
secundaria de la ciudad de Cuenca que cumplieron con los criterios de inclusión establecidos. Los
datos recabados fueron procesados mediante Microsoft Excel e IBM SPSS Statistics, aplicando el plan
de análisis descrito: frecuencias absolutas y relativas para las variables categóricas, y medidas de
tendencia central y dispersión (media y desviación estándar) para los ítems medidos en escala Likert.
A continuación, se presentan los resultados obtenidos, organizados en función de los cuatro bloques
del instrumento y en el mismo orden de los objetivos específicos del estudio: perfil sociodemográfico,
prácticas declaradas de uso de la IAG, nivel de preparación docente conforme al modelo TPACK, y
percepciones sobre autonomía intelectual, sedentarismo cognitivo e integridad académica.
La muestra estuvo conformada por 32 docentes de matemáticas de educación secundaria de la ciudad
de Cuenca. En cuanto al tipo de institución, la mayoría de los participantes labora en instituciones
particulares (n = 19; 59,4 %), seguida de instituciones fiscomisionales (n = 7; 21,9 %) y fiscales (n = 6;
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3228.
18,8 %). Respecto a los años de experiencia docente en matemáticas, predominó el grupo con menos
de 5 años de experiencia (n = 23; 71,9 %), seguido de docentes con entre 5 y 10 años (n = 7; 21,9 %); las
categorías de 11 a 20 años y más de 20 años reunieron cada una a un solo docente (n = 1; 3,1 %).
Tabla 1
Perfil sociodemográfico y formativo de los docentes participantes (n = 32)
|
Variable
|
Categoría
|
n
|
%
|
|
Tipo de institución
|
Particular
|
19
|
59,4
|
|
Fiscomisional
|
7
|
21,9
|
|
Fiscal
|
6
|
18,8
|
|
Años de experiencia docente
|
Menos de 5 años
|
23
|
71,9
|
|
Entre 5 y 10 años
|
7
|
21,9
|
|
Entre 11 y 20 años
|
1
|
3,1
|
|
Más de 20 años
|
1
|
3,1
|
|
Formación específica en TIC/IA
|
Cursos o talleres
|
13
|
40,6
|
|
Programas formales
(diplomado/posgrado)
|
9
|
28,1
|
|
Formación autodidacta o informal
|
7
|
21,9
|
|
Sin formación específica
|
3
|
9,4
|
|
Nivel educativo en que imparte
|
Ambos niveles (EGB Superior y
Bachillerato)
|
13
|
40,6
|
|
Educación General Básica Superior
|
12
|
37,5
|
|
Bachillerato
|
7
|
21,9
|
Fuente:
elaboración propia.
En relación con la formación específica en tecnologías digitales incluida la IA, el 40,6 % de los docentes
(n = 13) reportó haber recibido cursos o talleres, un 28,1 % (n = 9) programas formales de posgrado, un
21,9 % (n = 7) formación autodidacta y un 9,4 % (n = 3) declaró no contar con formación específica en
el área.
Prácticas de uso de la IA generativa en la enseñanza de las matemáticas
Tabla 2
Frecuencia de uso de herramientas de IA generativa en el último año lectivo (n = 32)
|
Categoría
|
n
|
%
|
|
Siempre
|
9
|
28,1
|
|
Frecuentemente
|
12
|
37,5
|
|
Algunas veces
|
10
|
31,2
|
|
Rara vez
|
1
|
3,1
|
|
Nunca
|
0
|
0,0
|
Fuente:
elaboración propia.
Respecto a la frecuencia general de uso de herramientas de IA generativa durante el último año lectivo,
el 37,5 % de los docentes (n = 12) declaró un uso frecuente, el 31,2 % (n = 10) un uso ocasional ("algunas
veces"), el 28,1 % (n = 9) un uso constante ("siempre") y únicamente el 3,1 % (n = 1) un uso esporádico
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3229.
("rara vez"). En conjunto, el 65,6 % de la muestra (n = 21) se ubicó en las categorías de mayor frecuencia
de uso ("frecuentemente" o "siempre").
En cuanto a las finalidades específicas de uso (escala Likert de 1 a 5, donde valores más altos indican
mayor uso), la finalidad con la media más alta fue "adaptar problemas matemáticos a diferentes niveles
de dificultad" (M = 3,69; DE = 0,97), seguida de "diseño de ejercicios y problemas matemáticos" (M =
3,59; DE = 1,13) y "elaboración de instrumentos de evaluación" (M = 3,41; DE = 1,13). La finalidad con la
media más baja correspondió a "elaboración de retroalimentación escrita para los estudiantes" (M =
2,78; DE = 1,18), seguida de "generación de materiales visuales o representaciones matemáticas" (M =
3,09; DE = 1,06).
Tabla 3
Finalidades de uso de la IA generativa en la práctica docente (n = 32)
|
Finalidad de uso
|
M
|
DE
|
|
Planificar unidades didácticas o lecciones
|
3,28
|
1,08
|
|
Diseñar ejercicios y problemas matemáticos
|
3,59
|
1,13
|
|
Adaptar problemas a diferentes niveles de dificultad
|
3,69
|
0,97
|
|
Elaborar explicaciones o ejemplos de conceptos
|
3,38
|
0,94
|
|
Generar materiales visuales o representaciones matemáticas
|
3,09
|
1,06
|
|
Elaborar instrumentos de evaluación
|
3,41
|
1,13
|
|
Proporcionar retroalimentación escrita a estudiantes
|
2,78
|
1,18
|
Fuente:
elaboración propia.
Sobre
las
herramientas
específicas
empleadas
(pregunta
de
opción
múltiple),
las
plataformas
educativas
con
IA
integrada
(por
ejemplo,
Khan
Academy
o
MathGPT)
y
las
herramientas
conversacionales de propósito general del tipo Gemini fueron señaladas cada una por el 59,4 % de los
docentes (n = 19), mientras que ChatGPT fue mencionado por el 56,2 % (n = 18). Solo un docente (3,1
%) reportó el uso de otra herramienta no especificada
en las opciones. Dado que el ítem permitía
marcar más de una opción, los porcentajes no suman 100 %.
Tabla 4
Herramientas de IA generativa utilizadas con mayor frecuencia (n = 32, respuesta múltiple)
|
Herramienta
|
n
|
% de docentes
|
|
Gemini u otros similares
|
19
|
59,4
|
|
Plataformas educativas con IA integrada (Khan Academy, MathGPT, etc.)
|
19
|
59,4
|
|
ChatGPT
|
18
|
56,2
|
|
Otra
|
1
|
3,1
|
Nivel de preparación docente para integrar la IA generativa (modelo TPACK)
En la dimensión de Conocimiento Disciplinar (CK), los docentes reportaron el nivel de autopercepción
más alto de todo el instrumento: un dominio sólido de los contenidos matemáticos que enseñan (M =
4,53; DE = 0,67). En Conocimiento Pedagógico (PK), las medias también fueron elevadas, tanto para la
capacidad de seleccionar tareas con distintos niveles de complejidad (M = 4,50; DE = 0,62) como para
el conocimiento de estrategias didácticas diversas (M = 4,41; DE = 0,76).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3230.
En la dimensión de Conocimiento Tecnológico y de integración de la IA generativa en la enseñanza
(TK), las medias descendieron levemente respecto de CK y PK, aunque se mantuvieron en el tramo alto
de la escala. El ítem con la media más alta de este grupo fue la competencia percibida para utilizar
herramientas de IA generativa (M = 4,31; DE = 0,78), igualada por la capacidad de evaluar críticamente
la precisión de las respuestas generadas por IA (M = 4,31; DE = 0,82). El ítem con la media más baja
del Bloque C correspondió a "saber integrar la IA generativa en la planificación de clases" (M = 4,03; DE
= 0,93).
Tabla 5
Autopercepción del nivel de preparación docente por ítem y dimensión TPACK (n = 32)
|
Dimensión
|
Ítem
|
M
|
DE
|
|
CK
|
14. Dominio sólido de los contenidos matemáticos
|
4,53
|
0,67
|
|
PK
|
15. Capacidad de seleccionar tareas con distintos niveles de
complejidad
|
4,50
|
0,62
|
|
PK
|
16. Conocimiento de estrategias didácticas diversas
|
4,41
|
0,76
|
|
TK
|
17. Preparación para adaptar prácticas al incorporar IA generativa
|
4,22
|
0,79
|
|
TK
|
18. Competencia percibida para utilizar herramientas de IA
generativa
|
4,31
|
0,78
|
|
TK
|
19. Saber integrar la IA generativa en la planificación de clases
|
4,03
|
0,93
|
|
TK
|
20. Saber seleccionar y utilizar IA para un contenido específico
|
4,16
|
0,81
|
|
TK
|
21. Capacidad de evaluar críticamente las respuestas de la IA
|
4,31
|
0,82
|
Fuente:
elaboración propia.
Al calcular un puntaje compuesto por dimensión (promedio de los ítems que la integran), CK obtuvo la
media más alta (M = 4,53; DE = 0,67), seguida de PK (M = 4,45; DE = 0,63) y de TK (M = 4,21; DE = 0,75),
lo que sitúa el conocimiento tecnológico y de integración pedagógica de la IA como la dimensión
relativamente menos consolidada dentro del modelo TPACK evaluado, aunque en términos absolutos
todas
las
dimensiones se ubicaron por
encima
del punto medio
de
la
escala
(nivel alto
según
los
criterios establecidos).
Percepciones docentes sobre autonomía intelectual, sedentarismo cognitivo e integridad académica
En el Bloque D, el ítem con la media más alta fue la percepción de riesgo de que el uso de IA generativa
limite la autonomía intelectual del alumnado si no se gestiona adecuadamente (M = 4,41; DE = 0,76).
Le siguió la percepción del propio rol docente como acompañante para que los estudiantes cuestionen
y analicen las respuestas ofrecidas por la IA (M = 4,28; DE = 0,85), y la percepción de riesgo para la
integridad académica cuando el uso de IA generativa por parte del estudiantado carece de supervisión
adecuada (M = 4,22; DE = 0,87).
La incorporación efectiva de discusiones sobre uso ético y responsable de la IA generativa en el aula
obtuvo una media de 4,09 (DE = 0,89), cercana a la preocupación docente por que, sin una guía clara,
la IA fomente una actitud pasiva frente al conocimiento y al razonamiento matemático —es decir, el
sedentarismo cognitivo— (M = 4,06; DE = 0,95). El entusiasmo con el potencial de la IA generativa para
la enseñanza de las matemáticas registró una media de 4,03 (DE = 0,78). Las medias más bajas del
bloque
correspondieron
a
la
percepción
de
que
la
IA
generativa
favorece
que
los
estudiantes
desarrollen
estrategias
propias
de
resolución
de
problemas
(M
=
3,84;
DE
=
0,88)
y
a
que
ofrece
oportunidades para trabajar el pensamiento crítico (M = 3,97; DE = 0,86), junto con la percepción de
que mejora la comprensión de conceptos matemáticos complejos (M = 3,97; DE = 0,90).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3231.
Tabla 6
Percepciones docentes sobre potencial pedagógico, autonomía intelectual e integridad académica (n =
32)
|
Ítem
|
M
|
DE
|
|
22. Rol de acompañar el cuestionamiento crítico de las respuestas de la IA
|
4,28
|
0,85
|
|
23. La IA mejora la comprensión de conceptos matemáticos complejos
|
3,97
|
0,90
|
|
24. La IA favorece que los estudiantes desarrollen estrategias propias
|
3,84
|
0,88
|
|
25. Riesgo de que la IA limite la autonomía intelectual del alumnado
|
4,41
|
0,76
|
|
26. La IA ofrece oportunidades para trabajar el pensamiento crítico
|
3,97
|
0,86
|
|
27. Preocupación por actitud pasiva / sedentarismo cognitivo sin guía clara
|
4,06
|
0,95
|
|
28. Riesgo para la integridad académica sin supervisión adecuada
|
4,22
|
0,87
|
|
29. Incorporación de discusiones sobre uso ético y responsable en clase
|
4,09
|
0,89
|
|
30. Entusiasmo con el potencial de la IA para la enseñanza de matemáticas
|
4,03
|
0,78
|
Fuente:
elaboración propia.
El puntaje compuesto del Bloque D (promedio de los nueve ítems de percepciones y ética) fue de 4,10
(DE = 0,60), superior al puntaje compuesto del Bloque B sobre finalidades de uso efectivo (M = 3,32; DE
= 0,81), lo que indica que, en la muestra estudiada, las medias de percepción y valoración ética se
situaron por encima de las medias de uso práctico declarado.
DISCUSIÓN
El predominio del uso de la IAG para adaptar problemas a distintos niveles de dificultad y para diseñar
ejercicios, frente a un uso comparativamente menor para la retroalimentación escrita y la generación
de materiales visuales, presenta que los docentes recurren a la IAG sobre todo para tareas de diseño
instruccional de alta demanda cognitiva: construir, variar y regular problemas, antes que para tareas de
acompañamiento directo al estudiante. Este patrón tiene relación con lo señalado por McGalliard y
Otten (2025), quienes sostienen que la IAG permite crear tareas cognitivamente exigentes, superando
a otras herramientas digitales más limitadas a la reproducción de contenidos. La menor presencia de
la retroalimentación escrita como finalidad de uso podría interpretarse no como desconocimiento de
esa función, sino como una zona de mayor cautela docente, quizá porque la retroalimentación implica
un contacto más directo con el proceso de aprendizaje individual del estudiante, un espacio que el
profesorado parece reservarse con mayor celo.
El
perfil
de
preparación
docente
bajo
el
modelo
TPACK
muestra
una
autopercepción
elevada
y
consistente
en
Conocimiento
Disciplinar
(CK)
y
Conocimiento
Pedagógico
(PK),
con
un
descenso
relativo en el Conocimiento Tecnológico y de integración de la IA (TK). Este patrón concuerda con el
hallazgo de Muñoz et al. (2024) sobre una alta aceptación conceptual del profesorado ecuatoriano
hacia la IA generativa acompañada de una sensación de sobrecarga ante el cambio tecnológico. En la
muestra estudiada, la aceptación no solo es conceptual, sino que convive con niveles de autoeficacia
tecnológica todavía sólidos. Sin embargo, el ítem específico de "saber integrar la IA en la planificación
de
clases",
el
de
menor
media
de
todo
el
bloque
C,
indica
que
la
brecha
no
está
en
el
manejo
instrumental de las herramientas, sino en su estructuración pedagógica dentro del diseño curricular.
En otras palabras, no es que a los docentes les falte competencia tecnológica en términos generales;
lo que aún no han terminado de afinar es ese saber-hacer más sutil: cómo integrar la IA generativa
dentro de la secuencia didáctica de forma orgánica. Esta idea coincide con lo que señalan Muñoz et
al. (2024) respecto a la ausencia de formación continua específica en este ámbito, y se aleja de la
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3232.
interpretación más simplista de que existiría un rechazo o un desconocimiento de la herramienta por
parte del profesorado.
La alta valoración que los docentes otorgan a su propio rol como acompañantes del cuestionamiento
crítico
de
las respuestas generadas por
la
IA
coincide
con
la
propuesta
de
Walkinton
(2024)
y
de
Silgado-Tuñón
y
López-Flores
(2025)
sobre
la
IAG
como
"compañero
de
pensamiento"
(thinking
partner), cuyo valor pedagógico depende de una mediación docente crítica y no de un uso autónomo
por parte del estudiante. Los docentes encuestados parecen situarse como mediadores del uso de
estas
herramientas
más
que
como
espectadores
del
proceso,
lo
cual
ofrece
un
contraste
con
la
investigación de Garcés Prettel (2025) sobre el riesgo de que la enseñanza se reduzca simplemente a
la recepción de respuestas algorítmicas. Esto indica que el profesorado no asume de manera acrítica
que la herramienta sea, por sí sola, generadora de autonomía intelectual en el estudiantado.
Finalmente, la comparación entre las percepciones éticas y las finalidades de uso práctico presenta
una desconexión entre el nivel de conciencia ética-pedagógica del profesorado y la intensidad de su
integración efectiva de la IA generativa en tareas concretas de enseñanza. Esta disociación no permite
establecer si la vigilancia ética antecede, modera o simplemente coexiste con las prácticas de uso,
pero
sí
sugiere
que,
en
la
muestra
estudiada,
saber
que
existen
riesgos
que
no
se
traduce
automáticamente en una integración más intensiva o más restringida de la herramienta. Este patrón
complementa
el
estudio
de
Andino-Sosa
et
al.
(2026)
y
de
Silgado-Tuñón
y
López-Flores
(2025),
quienes sostienen que el buen uso de la IAG en el aula depende más del liderazgo pedagógico que de
la tecnología en sí misma. Tener conciencia del riesgo no alcanza para transformar la práctica docente,
lo que marque la diferencia serán los lineamientos institucionales claros y compartidos.
Estos hallazgos sugieren que la brecha docente no está en el conocimiento disciplinar ni pedagógico,
sino en integrar la IA a la planificación de clase, lo que respalda ampliar el modelo TPACK hacia un
Conocimiento Contextual (XK) que contemple
las
condiciones
institucionales
y
culturales. Que
los
docentes usen la IA con frecuencia y, a la vez, vigilen el desarrollo del pensamiento implica que el riesgo
se evidencia desde su propia práctica, reforzando la idea de la IA como "compañero de pensamiento"
mediado críticamente por el docente (Walkinton, 2024; Silgado-Tuñón & López-Flores, 2025). En el
plano práctico, la formación docente sería más eficaz si se enfocara en la integración curricular más
que en el manejo instrumental. En definitiva, el éxito de la IAG en el aula depende de la tecnología y del
acompañamiento del profesorado que guía el proceso educativo (Andino-Sosa et al., 2026; Silgado-
Tuñón & López-Flores, 2025).
El estudio presenta limitaciones que deben ser consideradas. La muestra, reunida por conveniencia, es
de
tamaño
menor
al
previsto
y
con
predominio
de
instituciones
particulares,
lo
que
no
permite
generalizar al conjunto del profesorado cuencano, y deja pendiente la comparación con instituciones
fiscales, donde las brechas de recursos documentadas por Calle et al. (2025) podrían cambiar los
resultados. El diseño transversal sólo permite describir asociaciones, no establece si la vigilancia ética
antecede o modula el uso de la IAG. Además, al ser un estudio de autopercepción, existe el sesgo de
deseabilidad social.
A partir de estas limitaciones, se sugieren líneas futuras: estudios longitudinales que exploren si la
vigilancia ética cambia con la experiencia de uso; diseños mixtos con entrevistas que profundicen en
patrones como el menor uso declarado para la retroalimentación escrita; muestras más amplias y
balanceadas entre instituciones fiscales, fiscomisionales y particulares; estudios experimentales que
midan el impacto real en el aprendizaje matemático, en diálogo con los efectos moderados que reporta
Liu et al. (2026); e instrumentos que incorporen explícitamente el Conocimiento Contextual (XK) para
distinguir mejor entre factores individuales e institucionales.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3233.
CONCLUSIONES
El presente estudio permitió describir las prácticas docentes mediadas por la Inteligencia Artificial
Generativa (IAG) en la enseñanza de las matemáticas en la educación secundaria de la ciudad de
Cuenca,
evidenciando
que
el
profesorado
la
emplea
con
mayor
frecuencia
en
tareas
de
diseño
instruccional, adaptación de problemas a distintos niveles de dificultad y elaboración de ejercicios que,
en
actividades
de
acompañamiento
directo
al
estudiante,
como
la
retroalimentación
escrita.
Este
hallazgo
confirma
que
la
IAG
se
ha
instalado
principalmente
como
un
recurso
de
apoyo
a
la
planificación
docente,
más
que
como
una
herramienta
de
interacción
pedagógica
directa
con
el
alumnado.
En relación con el nivel de preparación docente, el modelo TPACK reveló una autopercepción alta y
consistente en los componentes de Conocimiento Disciplinar (CK) y Conocimiento Pedagógico (PK),
frente
a
un
Conocimiento
Tecnológico
y
de
integración
de
la
IA
(TK)
comparativamente
menor,
particularmente en lo referido a su articulación dentro de la planificación curricular. Ello indica que la
brecha docente no se localiza en el manejo instrumental de las herramientas, sino en la capacidad de
integrarlas de manera integral en la secuencia didáctica, lo que respalda la necesidad de ampliar el
modelo
hacia
una
dimensión
de
Conocimiento
Contextual
(XK)
que
dé
cuenta
de
los
factores
institucionales que condicionan dicha integración.
Las percepciones docentes evidenciaron una valoración ética elevada, expresada en la preocupación
por el riesgo de que un uso no gestionado de la IAG limite la autonomía intelectual del alumnado, así
como en el reconocimiento del propio rol del profesorado como mediador crítico de las respuestas
generadas
por
estas
herramientas.
No
obstante,
se
identificó
una
discrepancia
entre
el
nivel
de
conciencia
ética
y
la
intensidad
real
del
uso
pedagógico
declarado,
lo
que
sugiere
que
la
sola
percepción
del
riesgo
no
basta
para
transformar
la
práctica
docente;
se
requieren
lineamientos
institucionales explícitos que orienten un uso responsable y pedagógicamente intencionado.
Los resultados permiten concluir que la integración de la IAG en la enseñanza de las matemáticas en
Cuenca se configura como un proceso práctico en el cual el profesorado tiende a posicionarse como
mediador
y
no
como
espectador,
resignificando
estas
herramientas
como
un
"compañero
de
pensamiento" cuyo valor pedagógico depende de la guía crítica del docente. Esta mediación resulta
indispensable para que la IAG contribuya al desarrollo del razonamiento matemático y del pensamiento
crítico.
Desde el plano práctico, estos hallazgos subrayan la necesidad de reorientar la formación docente
hacia
la
integración
curricular
de
la
IAG,
más
que
hacia
su
manejo
instrumental,
y
de
establecer
políticas institucionales claras que acompañen su uso responsable en las aulas de Matemáticas. Se
recomienda
implementar
programas
de
desarrollo
profesional
centrados
en
comunidades
de
aprendizaje, donde los docentes puedan compartir experiencias y diseñar estrategias de integración
adaptadas a sus contextos específicos. Asimismo, los equipos directivos deben promover normativas
internas que delimiten usos éticos y pedagógicos de la IAG, y que fomenten la reflexión crítica sobre
su impacto en el aprendizaje.
Dado que la muestra estuvo compuesta mayoritariamente por docentes de instituciones particulares y
con
menos
de
cinco
años
de
experiencia,
los
resultados
deben
interpretarse
con
cautela
y
no
generalizarse al conjunto del profesorado cuencano. Se invita a futuras investigaciones a ampliar la
cobertura muestral y a profundizar en los procesos de toma de decisiones docentes frente a la IAG
mediante enfoques cualitativos.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3234.
REFERENCIAS
Andino-Sosa,
E.
P.,
Calvache-Sánchez,
D.
J.,
Ortiz-Armas,
S.
K.,
&
Moncayo-Alarcón,
I.
E.
(2026).
Docencia
e
inteligencia
artificial
generativa
en
la
educación
superior
tecnológica:
Perspectivas
y
compromisos
emergentes. INNOVA
Research
Journal,
11(2),
18-
39.
https://doi.org/10.33890/innova.v11.n2.2026.2989
Calle, O. A. B., Marchán, A. L. C., Campos, J. S. P., Valdez, M. A. N., Feijoo, J. J. V., & Pasmay, R. Z. (2025).
La importancia de la
inteligencia artificial en el aprendizaje de las matemáticas en estudiantes de
bachillerato de las unidades educativas fiscales del Ecuador. Revista Veritas de Difusão Científica, 6(1),
2217-2226.
https://doi.org/10.61616/rvdc.v6i1.508
Cisneros,
A.
E.
C.
(2025).
Inteligencia
artificial
aplicada
al
proceso
de
enseñanza-aprendizaje
en
educación matemática: Un análisis bibliométrico. Revista de Investigación Educativa Niveles, 2(2), 76-
88.
https://doi.org/10.61347/rien.v2i2.80
Cuellar, G. H., & Palma, J. A. B. (2026). La inteligencia artificial generativa como catalizador de equidad
en
la
educación
matemática. Revista
Varela,
26(74),
e2026267404.
https://doi.org/10.5281/zenodo.21399331
Garcés Prettel, M. (2025). Guía para el uso de IA generativa en educación e investigación: Una reseña
crítica. Educación Matemática, 37(1), 241-244.
https://doi.org/10.24844/EM3701.09
Hernández-Sampieri, R., & Mendoza, C. (2020). Metodología de la investigación: Las rutas cuantitativa,
cualitativa y mixta.
McGraw Hill.
Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students'
mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education
Sciences, 16(1), 140.
https://doi.org/10.3390/educsci16010140
McGalliard, W., & Otten, S. (2025). AI responses to challenging problems and educator responses to AI
availability. Digital
Experiences
in
Mathematics
Education,
11(2),
319-
332.
https://doi.org/10.1007/s40751-024-00167-4
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for
teacher knowledge. Teachers College Record, 108(6), 1017-1054.
Muñoz, J. M., Lorenzo, N., & Suñé, X. (2024).
Inteligencia artificial en la microeducación: Observatorio
de innovación educativa y cultura digital. [Editorial no especificada; verificar].
Saavedra Messina, S., Silva Riveros, A., & Pérez Vera, I. (2025). Integración de modelación matemática,
inteligencia
artificial
generativa
y
situaciones
de
aprendizaje
para
la
enseñanza
del
cálculo
escolar. Cuadernos
de
Investigación
y
Formación
en
Educación
Matemática,
18(2),
25-
48.
https://doi.org/10.15517/bh306f78
Silgado-Tuñón, D. A., & López-Flores, J. I. (2025). Inteligencia artificial generativa en el aula: ¿Aliada o
amenaza para la enseñanza de las matemáticas? Revista Electrónica Tecnologías Emergentes en la
Educación, 2(1), 53-66.
https://doi.org/10.71713/retee.v2i1.3512
Vásquez, E. F. (2024). Generative artificial intelligence in the classroom: A comprehensive evaluation
of
the
teaching
perspective
on
its
incorporation
in
Dominican
technical
professional
education.
Congreso Internacional Ideice, 15, 285-293.
https://doi.org/10.47554/cii.vol15.2024.pp285-
293
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3235.
Walkinton, C. (2024). Las implicaciones de la inteligencia artificial generativa para la enseñanza de las
matemáticas.
https://doi.org/10.13140/RG.2.2.11192.15367
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia
Creative Commons
.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 3236.