Especialista en Inteligencia Artificial aplicada a la Educación Matemática
Investigación doctoral enfocada en estrategias de diseño instruccional para el aprendizaje híbrido en matemáticas, integrando la inteligencia artificial como recurso educativo en escuelas secundarias especializadas.
Ver DisertaciónEstrategias innovadoras para integrar la inteligencia artificial en el diseño de experiencias de aprendizaje efectivas y personalizadas.
Desarrollo de modelos educativos que combinan enseñanza presencial y digital, optimizando la integración de tecnologías de IA.
Investigación en metodologías innovadoras para la enseñanza de matemáticas en educación secundaria utilizando recursos tecnológicos.
Formación y preparación de educadores en competencias pedagógicas y técnicas para la integración efectiva de IA en el aula.
Evaluación e implementación de herramientas tecnológicas emergentes que potencian el proceso de enseñanza-aprendizaje.
Uso de IA para adaptar contenidos y experiencias educativas a las necesidades individuales de cada estudiante.
De los primeros sistemas de tutoría inteligente a la integración masiva del aprendizaje adaptativo — evolución histórica de la inteligencia artificial en entornos educativos.
Alan Turing publica "Computing Machinery and Intelligence" — el primer marco para evaluar inteligencia artificial.
Conferencia de Dartmouth — McCarthy y Minsky acuñan el término "Inteligencia Artificial" como campo formal.
Joseph Weizenbaum crea el primer sistema de conversación en lenguaje natural, precursor de tutores virtuales.
Primera plataforma de aprendizaje asistido por computadora a gran escala — precursor de los LMS modernos.
Surgen los primeros Sistemas de Tutoría Inteligente (ITS) capaces de adaptar la instrucción al estudiante.
La IA supera al campeón mundial de ajedrez — demuestra capacidades cognitivas antes exclusivas del ser humano.
Geoffrey Hinton resucita las redes neuronales profundas — base de todos los sistemas modernos de IA educativa.
Coursera y edX lanzan masivamente cursos con recomendaciones adaptativas — millones de estudiantes conectados.
"Attention is All You Need" (Google Brain) — arquitectura que hace posible los modelos de lenguaje masivos.
175 mil millones de parámetros — primeras aplicaciones directas de IA generativa en tutorías y producción de contenido educativo.
Adopción global de IA conversacional en aulas. Khan Academy, Duolingo y plataformas educativas integran IA generativa.
Integración de IA en diseño instruccional, evaluación adaptativa y personalización del aprendizaje a escala global.
Khanmigo, Copilot Education y Gemini ofrecen tutoría 1:1 en tiempo real. Modelos multimodales adaptan texto, imagen y voz al ritmo de cada estudiante.
Investigación cuantitativa no experimental descriptivo-correlacional que examina las estrategias de diseño instruccional para la integración de IA en entornos híbridos de matemáticas en escuelas secundarias especializadas de San Juan, Puerto Rico.
¿Cuál es el nivel de preparación de los educadores en matemáticas para integrar estrategias de diseño instruccional basadas en la IA en entornos híbridos?
¿Qué tipo de capacitación o desarrollo profesional necesitan los docentes de matemáticas para implementar efectivamente estrategias didácticas con IA en entornos híbridos?
¿Cuáles son las percepciones y actitudes de los docentes de matemáticas hacia el uso de estrategias de enseñanza apoyadas en IA?
Estudio descriptivo-correlacional con recolección sistemática de datos mediante cuestionario estructurado. Análisis estadístico sin manipulación experimental, adecuado para describir y explorar relaciones entre variables.
Docentes de Escuelas Secundarias Especializadas en Tecnología y Matemáticas de la Región de San Juan. Selección mediante muestreo estratificado en dos etapas con 95% de confianza y 10% de margen de error.
Cuestionario de 20 ítems en escala Likert (1–5). Validado por Dr. Luis De la Torre, Dr. Juan Concepción y Dr. Eduan Martínez-Soto. Secciones: demografía, preparación, necesidades y percepciones.
Medidas de tendencia central y dispersión, análisis de frecuencias, correlaciones de Pearson entre las variables principales. Estrictas consideraciones éticas: confidencialidad, anonimato y participación voluntaria.
Los resultados revelan un nivel de preparación moderado-bajo (M = 2.34/5), con limitaciones significativas en familiaridad con herramientas y formación especializada en IA.
Existe una alta demanda de capacitación (M = 4.28/5) que prioriza tanto fundamentos teóricos como mentorías prácticas en diseño instruccional con IA.
Las percepciones muestran una dualidad: reconocimiento del potencial de la IA para personalizar el aprendizaje, con preocupación moderada por su impacto en el rol docente.
Las correlaciones identificadas subrayan la importancia de enfoques holísticos en la formación docente que conecten preparación técnica con actitudes positivas hacia la IA.
Se requieren programas de desarrollo profesional contextualizados que equilibren innovación tecnológica con pedagogía sólida, mentorías continuas y soporte institucional.
El estudio provee evidencia para el diseño de políticas educativas que promuevan la integración ética y efectiva de la IA en la enseñanza matemática a nivel secundario.
Síntesis cuantitativa de estudios indexados en Scopus · Web of Science · ERIC · PubMed del periodo 2023–2025. Meta-análisis, encuestas globales y ensayos controlados aleatorios sobre inteligencia artificial en contextos educativos.
Forest plot · Hedges's g · Meta-análisis indexados 2023–2025 · Línea punteada = umbral moderado (g = 0.5)
Tasas de adopción comparadas · Fuentes: HEPI, DEC, Gallup, RAND · 2024–2025
Estudiantes del Reino Unido · HEPI / Kortext · n = 1,041 · 2024 → 2025
% que reporta mejora por área · Gallup / Walton Family Foundation · n = 2,232 docentes K-12 EE.UU. · 2025
HEPI / Kortext Student GenAI Survey · n = 1,041 · Reino Unido · 2025
Digital Education Council Global Survey · n = 3,839 · 16 países · 2024
Kestin et al. (2025) · Harvard University · Física universitaria · n = 194 · Scientific Reports (Nature)
Kestin, G., et al. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design. Scientific Reports. DOI: 10.1038/s41598-025-97652-6
Tlili, A., Saqer, K., Salha, S., & Huang, R. (2025). Investigating the effect of artificial intelligence in education on learning achievement: A meta-analysis. Information Development, 41(3), 825–842.
Liu, X., Guo, B., He, W., & Hu, X. (2025). Effects of generative artificial intelligence on K-12 and higher education students' learning outcomes. Journal of Educational Computing Research, 63, 1249–1291.
Sun, L., & Zhou, L. (2024). Does generative artificial intelligence improve the academic achievement of college students? A meta-analysis. Journal of Educational Computing Research, 62(7). DOI: 10.1177/07356331241277937
Gallup & Walton Family Foundation. (2025). Three in 10 teachers use AI weekly, saving six weeks a year. American Educator Panels, marzo–abril 2025.
Higher Education Policy Institute & Kortext. (2025). Student generative AI survey 2025. HEPI Report. Savanta, diciembre 2024.
Digital Education Council. (2024). Global AI student survey 2024. Muestra de estudiantes de pregrado, maestría y doctorado.
Kaufman, J. H., et al. (2024). Uneven adoption of artificial intelligence tools among U.S. teachers and principals in the 2023–2024 school year. RAND Corporation.
Interesado en investigación colaborativa, oportunidades de retroalimentación, o discusiones sobre el futuro de la inteligencia artificial.