Validación crítica de las salidas algorítmicas en el aprendizaje de las matemáticas con inteligencia artificial generativa

Validación crítica de las salidas algorítmicas en el aprendizaje de las matemáticas con inteligencia artificial generativa

Alejandro Piñón Méndez

Docente Digital: Mtra. Marlen Lizzet Huerta Ramírez

Competencias Informativas para el Aprendizaje · Instituto Consorcio Clavijero · 2 de septiembre de 2026

Descargar el reporte completo (PDF)

Computadora portátil con código en pantalla

La narrativa de certeza algorítmica se construye en segundos; la validación exige una pausa humana. Photo by Federico Respini on Unsplash

Introducción

Cuando un modelo de lenguaje resuelve en segundos un problema de modelación, en el aula circula algo más significativo que el resultado: una narrativa de certeza que casi nadie cuestiona. Este reporte se ocupa justo de ese punto: la necesidad de convertir a la inteligencia artificial generativa en un objeto de validación crítica dentro del aprendizaje de las matemáticas, y no en una proveeduría de respuestas.

La relevancia del tema descansa en datos observables. En contextos de educación media superior a distancia, el estudiantado tiende a emplear estas herramientas como atajos que omiten el razonamiento (Terrazas Razo, 2023, pp. 1–15), y las revisiones de literatura recientes muestran que la producción académica se concentra en la generación técnica de procedimientos, dejando relativamente desatendida la validación contextual de las soluciones (Conde-Carmona et al., 2025, pp. 205–234). Ese vacío no es solo bibliográfico: es formativo.

Frente a ello, los marcos internacionales reubican la responsabilidad. El marco de la UNESCO para estudiantes (2024a) exige que la persona estudiante evalúe la credibilidad de las salidas algorítmicas y asuma la responsabilidad final de su validez; el marco para docentes (2024b) traslada esa exigencia al diseño instruccional. Leídos juntos, ambos documentos apuntan en una sola dirección: la tecnología queda subordinada al juicio humano.

Para explorar esa dirección, el presente reporte se guía por un objetivo general: analizar, con base en la literatura especializada, de qué manera la inteligencia artificial generativa diseñada bajo un enfoque de indagación socrática puede favorecer el desarrollo de habilidades de validación y pensamiento crítico en el aprendizaje de las matemáticas.

De ese objetivo se desprenden tres objetivos específicos. Primero, sistematizar los marcos teóricos sobre pensamiento crítico y modelación matemática pertinentes para contextos mediados por IA. Segundo, identificar las brechas y tensiones de la literatura reciente sobre el uso de estas herramientas en educación. Tercero, argumentar las implicaciones pedagógicas de tratar la salida algorítmica como conjetura auditable y no como oráculo.

El documento se organiza de manera convencional: una revisión de la literatura que recupera lo avanzado en etapas previas de esta experiencia; un apartado de análisis y discusión que cruza los hallazgos; y unas conclusiones que reúnen los aportes y proponen rutas para futuras investigaciones.

Revisión de la literatura

La revisión organiza la literatura recogida en torno a una tensión central: la distancia entre lo que la inteligencia artificial generativa produce y lo que el aprendizaje matemático exige validar. No es un inventario de posturas, sino un mapa de conceptos: teorías, modelos y distinciones que permiten mirar el fenómeno con precisión.

El uso espontáneo de la IA y el riesgo del atajo cognitivo

El punto de partida es empírico: en contextos de educación media superior a distancia, el estudiantado tiende a emplear herramientas como ChatGPT como atajos que entregan el resultado sin transitar el razonamiento (Terrazas Razo, 2023, pp. 1–15). El problema no es la herramienta, sino el contrato implícito que se instala: si la máquina responde, la persona estudiante deja de preguntarse si esa respuesta tiene sentido. Esa delegación silencia las fases de validación e interpretación que son el corazón de la actividad matemática (Conde-Carmona et al., 2025, pp. 205–234).

Además, ese uso no se percibe como problema por quien lo practica: la fluidez narrativa del modelo disfraza la omisión de ayuda. De ahí que sea necesario volver visible lo invisible: mostrar que un procedimiento limpio no equivale a un modelo validado.

El pensamiento crítico como marco operacional

Para nombrar con precisión lo que se atrofia con el atajo, el marco más sólido sigue siendo el Delphi Report: el pensamiento crítico como juicio autorregulado que interpreta, analiza, evalúa e infiere a partir de evidencia (Facione, 1990, p. 2), con la evaluación como acto de juzgar la credibilidad de las fuentes y la solidez de las inferencias (p. 8).

De ese marco, tres habilidades resultan operativas: el análisis, que descompone la salida de la máquina en sus premisas; la evaluación, que juzga su credibilidad; y la inferencia, que deduce lo que el modelo no dijo (Facione, 1990, p. 9). Y una dimensión afectiva que las sostiene: curiosidad, apertura mental, honestidad intelectual (p. 15). No son disposiciones vagas: son procedimientos observables que pueden ejercitarse frente a una respuesta algorítmica.

La modelación matemática y el ciclo que la IA puede colapsar

El anclaje disciplinar es la modelación escolar: el proceso en que el estudiantado construye representaciones matemáticas de fenómenos del entorno (Villa-Ochoa, 2007, pp. 1–24). Díaz Godino, Batanero y Font (2004) completan el cuadro con un ciclo iterativo —comprensión, matematización, resolución, validación e interpretación—, y es en las dos últimas fases donde el uso acrítico de la IA colapsa: la máquina matematiza y resuelve, el estudiante copia sin validar. La selección de contextos también importa: Villa-Ochoa (2007) ofrece criterios para elegir situaciones significativas y gestionables.

Comprensión de la situación real
→
Matematización
→
Resolución
→
Validación
→
Interpretación

Las fases en rojo son las que quedan sin sujeto cuando la IA se usa como oráculo: el ciclo se colapsa justo donde debería ejercerse el juicio. Diseñada como interlocutor socrático, la herramienta devuelve esas fases a la persona estudiante.

Dentro de ese ciclo, la distinción de Skemp entre comprensión instrumental y comprensión relacional, retomada por Díaz Godino et al. (2004), funciona como termómetro: ejecutar un algoritmo sin saber por qué funciona es lo opuesto a entender las relaciones que el modelo representa.

Comprensión instrumentalComprensión relacional
Aplica la regla sin saber por qué funciona.Conecta conceptos y adapta el conocimiento a situaciones nuevas.
Se refuerza cuando la IA entrega soluciones cerradas.Se entrena cuando la salida de la IA se vuelve objeto de análisis.
El error se oculta o se copia.El error algorítmico se analiza como recurso didáctico.

La naturaleza predictiva de los modelos de lenguaje

La revisión exige también entender qué es, técnicamente, lo que se valida. Los modelos de lenguaje de gran tamaño no razonan: predicen la secuencia de tokens más probable a partir de correlaciones estadísticas (Benavides Lara et al., 2023). De ahí nacen las alucinaciones: respuestas fluidas, seguras y, a veces, matemáticamente falsas. Ese desfase entre fluidez narrativa y rigor matemático es el punto ciego que explota el atajo cognitivo, en un discurso que tiende a inflar promesas y a relegar competencias críticas (Nemorin et al., 2022, pp. 38–51).

Toda salida algorítmica es una conjetura, no un teorema: mientras no pase por el filtro humano de la validación, vale lo que vale una hipótesis sin comprobar.

Los marcos normativos y la responsabilidad final del juicio

Frente a ese panorama, los marcos internacionales reubican la responsabilidad: el marco para estudiantes (UNESCO, 2024a) exige evaluar la credibilidad de las salidas algorítmicas y asumir la responsabilidad final de su validez; el marco para docentes (UNESCO, 2024b) traslada esa exigencia al diseño. Y la literatura didáctica lo traduce así: el tutor con IA debe operar como interlocutor que cuestiona, no como oráculo que entrega soluciones (Bernardi et al., 2025).

Brechas que ordenan el recorrido

El cruce de estas líneas deja ver un hueco productivo: literatura abundante sobre generación, escasa sobre validación contextual (Conde-Carmona et al., 2025, pp. 205–234). Ese vacío justifica el foco adoptado. Y queda una hipótesis de trabajo: las estrategias socráticas, que devuelven preguntas en lugar de respuestas (Benavides Lara et al., 2023), son el puente más prometedor entre la herramienta y el pensamiento.

Análisis y discusión

Cuaderno con notas manuscritas y lápiz

Auditar una salida algorítmica sigue pasando por el papel: sustituir, contrastar, inferir. Photo by Possessed Photography on Unsplash

La validación como nodo ausente de la literatura

El primer hallazgo que emerge del cruce de fuentes es un desbalance productivo: la producción académica sobre IA y pensamiento matemático se concentra en las capacidades técnicas de generación de procedimientos, mientras la validación contextual de las soluciones queda relativamente desatendida (Conde-Carmona et al., 2025, pp. 205–234). Ese desbalance revela dónde ha puesto su energía el campo: en que la máquina resuelva, no en que el humano aprenda a auditar.

La implicación para el tema de este reporte es directa. Si la validación es el nodo desatendido, entonces es ahí donde debe concentrarse la investigación documental. Desplazar la pregunta de "¿la IA resuelve?" a "¿cómo se enseña a auditar lo resuelto?" reposiciona la tecnología: ya no es protagonista del aprendizaje, sino objeto de estudio.

Esa ausencia tiene, además, una explicación epistémica. Validar exige una referencia de realidad contra la cual contrastar el modelo, y esa referencia no forma parte del entrenamiento estadístico del modelo. Por eso la máquina puede ser algebraicamente impecable y contextualmente absurda al mismo tiempo.

La tensión entre el uso real y el uso esperado

El segundo hallazgo es una tensión. De un lado, la práctica real: el estudiantado emplea estos sistemas como atajos que omiten el razonamiento (Terrazas Razo, 2023, pp. 1–15). Del otro, la expectativa normativa: los marcos de la UNESCO (2024a) exigen que la persona estudiante evalúe la credibilidad de las salidas y asuma la responsabilidad final de su validez. Entre el atajo y la exigencia hay un espacio educativo que hoy está desocupado.

Ese espacio es el que el diseño instruccional debería ocupar. La literatura sobre tutoría socrática sugiere cómo: entornos que devuelven preguntas en lugar de respuestas (Benavides Lara et al., 2023), tecnologías que operan como interlocutores que cuestionan y no como oráculos que resuelven (Bernardi et al., 2025). La discusión arroja así una hipótesis comprobable: la diferencia entre atajo y escrutinio no está en la herramienta, sino en el diseño de la interacción.

El error algorítmico como recurso didáctico

El tercer hallazgo riguarda la naturaleza de lo que se valida. Los modelos de lenguaje no razonan: predicen secuencias estadísticamente probables (Benavides Lara et al., 2023), y de esa arquitectura nacen las alucinaciones. Pero leído con la lente de la didáctica de las matemáticas, ese defecto se convierte en recurso: el error algorítmico funciona como un error revelador de obstáculos y, como tal, merece ser analizado y no ocultado (Díaz Godino et al., 2004).

Aquí el análisis conecta con la distinción de Skemp retomada por Díaz Godino et al. (2004): la IA usada como oráculo refuerza la comprensión instrumental; usada como objeto de análisis, puede entrenar la comprensión relacional. El hallazgo no solo se relaciona con el tema: lo redefine.

Discusión: el juicio como competencia transversal

Cruzados, los tres hallazgos convergen en un mismo punto: la formación del juicio. Las habilidades de análisis, evaluación e inferencia que Facione (1990) describió como componentes del pensamiento crítico (pp. 8–9) encuentran, en la auditoría de salidas algorítmicas, un terreno de ejercicio contemporáneo y concreto.

La implicación es amplia: enseñar a auditar lo resuelto no es un tecnicismo didáctico, es formación ciudadana para un entorno informacional saturado (UNESCO, 2024a). Y conviene marcar el límite de esta discusión: el presente reporte es documental, no empírico. Sus hallazgos son vacíos, tensiones y hipótesis, no mediciones.

Conclusiones

El aporte principal de esta investigación es un reposicionamiento: en contextos mediados por IA generativa, el nodo decisivo del aprendizaje matemático ya no es la ejecución de procedimientos, sino la validación de los resultados. La literatura revisada muestra que ese nodo ha sido relativamente desatendido (Conde-Carmona et al., 2025, pp. 205–234).

Un segundo aporte es la articulación operacional. El cruce del marco Delphi (Facione, 1990) con el ciclo de modelación (Díaz Godino et al., 2004; Villa-Ochoa, 2007) ofrece un lenguaje común para nombrar lo que hace la persona estudiante cuando audita a la máquina: analizar sus premisas, evaluar su credibilidad, inferir sus silencios.

Un tercer aporte es la hipótesis que merece ser probada: la diferencia entre atajo cognitivo y escrutinio crítico no reside en la herramienta, sino en el diseño de la interacción. Los entornos socráticos que devuelven preguntas (Benavides Lara et al., 2023; Bernardi et al., 2025) son el puente más prometedor.

De ahí se desprenden recomendaciones para futuras investigaciones: estudios empíricos en contextos de educación media superior con recursos limitados; rúbricas que operacionalicen el análisis, la evaluación y la inferencia en interacciones estudiante-máquina; y trabajos sobre formación docente centrados en el co-diseño.

Una recomendación final es de carácter longitudinal: conviene seguir en el tiempo si el hábito de auditar algoritmos se transfiere a otros dominios del juicio. Si la validación crítica es una competencia transversal (UNESCO, 2024a), su huella debería notarse más allá del aula de matemáticas.

Mientras eso llega, este reporte cierra con una convicción: la máquina resolverá cada vez mejor. La pregunta interesante, la que justifica esta investigación y las que sigan, es si seremos capaces de formar personas que sepan contradecirla con fundamento.

Referencias

Benavides Lara, M. A., Rendón Cazales, V. J., Gutiérrez Lovera, M. D., Navarro Perales, J., & Sánchez Mendiola, M. (2023). Caja de herramientas número 7: Aplicaciones de la Inteligencia Artificial Generativa para la Docencia. Universidad Nacional Autónoma de México. https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es_ES

Bernardi, A., Slobodsky, M., & Durcheva, P. (2025). Tutores y educación matemática frente a la IA generativa. Actas del IV Congreso Internacional de Educación Matemática y Ciencias (CEMACYC). https://ponencias.ciaem-redumate.org/cemacyc/article/download/713/563/5607

Conde-Carmona, R. J., Valbuena Duarte, S., & Castillo Ochoa, L. S. (2025). Estado del arte sobre inteligencia artificial y pensamiento matemático: Una revisión sistemática. Revista Interamericana de Investigación, Educación y Pedagogía, 19(1), 205–234. https://doi.org/10.15332/j2av3v41

Díaz Godino, J., Batanero, C., & Font, V. (2004). Didáctica de las matemáticas para maestros. Universidad de Granada.

Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction (The Delphi Report). The California Academic Press.

Nemorin, S., Vlachidis, A., Ayerakwa, H., & Andriotis, P. (2022). AI hyped? A horizon scan of discourse on artificial intelligence in education (AIED) and development. Learning, Media and Technology, 48(1), 38–51. https://doi.org/10.1080/17439884.2022.2095568

Terrazas Razo, O. (2023). ChatGPT y los retos de la educación media superior a distancia en México. Revista Mexicana de Bachillerato a Distancia, 15(29), 1–15. https://doi.org/10.22201/cuaieed.20074751e.2023.29.84989

UNESCO. (2024a). Marco de competencias de inteligencia artificial para estudiantes. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura.

UNESCO. (2024b). Marco de competencias de inteligencia artificial para docentes. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura.

Villa-Ochoa, J. A. (2007). La modelación como proceso en el aula de matemáticas: Un marco de referencia y un ejemplo. Cuadernos de Investigación y Formación en Educación Matemática, 2(4), 1–24.

Comentarios