Zeedback automatizado con inteligencia artificial y autorregulación del aprendizaje matemático en educación secundaria: una revisión sistemática de literatura 2020 a marzo 2026
DOI:
https://doi.org/10.70577/asce.v5i3.996Palabras clave:
inteligencia artificial; feedback automatizado; autorregulación del aprendizaje; aprendizaje matemático; educación secundaria; revisión sistemática.Resumen
Esta revisión sistemática analiza el papel del feedback automatizado con inteligencia artificial (IA) en el desarrollo de la autorregulación del aprendizaje (ARA) matemático en educación secundaria. El estudio siguió el protocolo PRISMA 2020 y consultó siete bases de datos (Scopus, Web of Science, ERIC, SciELO, Redalyc, MDPI y Frontiers in Education) durante el período comprendido entre enero de 2020 y marzo de 2026. De 347 registros iniciales se llegó a 20 estudios para el análisis final. Los sistemas inteligentes de tutoría con modelado del conocimiento del estudiante presentan la evidencia más consistente de efectividad, seguidos por las plataformas adaptativas y los asistentes conversacionales basados en modelos de lenguaje. El monitoreo del error es la dimensión de la ARA más favorecida por el feedback automatizado; la planificación metacognitiva, en cambio, muestra resultados contradictorios que dependen del grado de autonomía que el sistema transfiere al estudiante. Las limitaciones más frecuentes son la retroalimentación superficial, la brecha digital y la tendencia a generar dependencia tecnológica cuando el diseño instruccional no contempla la progresiva transferencia de control. La revisión concluye que el feedback automatizado produce efectos sostenidos sobre la ARA únicamente cuando el docente interpreta activamente los datos del sistema y los articula con la práctica de aula.
Descargas
Citas
Afzaal, M., Nouri, J., Zia, A., Papapetrou, P., Fors, U., Wu, Y., Li, X., & Weegar, R. (2021). Explainable AI for data-driven feedback and intelligent action recommendations to support students' self-regulation. Frontiers in Artificial Intelligence, 4, 723447. https://doi.org/10.3389/frai.2021.723447
Bardach, L., Moeller, K., Ruiz-Garcia, M., Strittmatter, Y., Meyer, J., Musslick, S., & Spitzer, M. (2026). Intelligent tutoring systems need teachers. Journal of Computer Assisted Learning, 42(1), e70159. https://doi.org/10.1002/jcal.70159
Bellhäuser, H., Dignath, C., & Theobald, M. (2023). Daily automated feedback enhances self-regulated learning: A longitudinal randomized field experiment. Frontiers in Psychology, 14, 1125873. https://doi.org/10.3389/fpsyg.2023.1125873
Gómez, S. (2024). Systematic review: Trends in intelligent tutoring systems in mathematics teaching and learning. International Journal of Education in Mathematics, Science, and Technology, 12(1), 203–229. https://doi.org/10.46328/ijemst.3189
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2022). Ethics of AI in education: Towards a community-wide agenda. Journal of Learning Analytics, 9(1), 1–23. https://doi.org/10.18608/jla.2022.7527
Huang, J., Cai, Y., Lv, Z., Huang, Y., & Zheng, X.-L. (2024). Toward self-regulated learning: Effects of different types of data-driven feedback on pupils' mathematics word problem-solving performance. Frontiers in Psychology, 15, 1356852. https://doi.org/10.3389/fpsyg.2024.1356852
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Mejeh, M., Sarbach, L., & Hascher, T. (2024). Effects of adaptive feedback through a digital tool: A mixed-methods study on the course of self-regulated learning. Education and Information Technologies. https://doi.org/10.1007/s10639-024-12510-8
Mertens, U., Finn, B., & Lindner, M. A. (2022). Effects of computer-based feedback on lower- and higher-order learning outcomes: A network meta-analysis. Journal of Educational Psychology, 114(8), 1743–1772. https://doi.org/10.1037/edu0000764
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2020). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Medicine, 6(7), e1000097. https://doi.org/10.1371/journal.pmed.1000097
OCDE. (2023). PISA 2022 results (Volume I): The state of learning and equity in education. OECD Publishing. https://doi.org/10.1787/53f23881-en
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Panadero, E. (2023). Toward a paradigm shift in feedback research: Five further steps influenced by self-regulated learning theory. Educational Psychologist, 58(3), 193–204. https://doi.org/10.1080/00461520.2023.2210808
Son, T. (2024). Intelligent tutoring systems in mathematics education: A systematic literature review using the substitution, augmentation, modification, redefinition model. Computers, 13(10), 270. https://doi.org/10.3390/computers13100270
Wisniewski, B., Zierer, K., & Hattie, J. (2020). The power of feedback revisited: A meta-analysis of educational feedback research. Frontiers in Psychology, 10, 3087. https://doi.org/10.3389/fpsyg.2019.03087
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Nidia Marcela Alarcón Micolta , Edwin Matías Vidal Landin , Johana Pamela Galarza Bermeo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
