Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
Herramientas de inteligencia artificial adaptativas para el
desarrollo de habilidades pre-matemáticas en niños de 3 a 5 años
Adaptive artificial intelligence tools for the development of pre-
mathematical skills in children aged 3 to 5
Ferramentas de inteligência artificial adaptativa para o desenvolvimento de
habilidades pré-matemáticas em crianças de 3 a 5 anos
Torres-Torres, Olga Libia
Universidad Estatal Amazónica
ol.torrest@uea.edu.ec
https://orcid.org/0009-0003-1528-3285
Santana-Cedeño, María Esther
Unidad Educativa Amazonas
mariae.santana@educacion.gob.ec
https://orcid.org/0009-0008-6999-8960
Aulla-Cauja, Verónica Alexandra
Escuela de Educación Básica Fiscal Alicia Riofrío Quiroz
veronica.aulla@educacion.gob.ec
https://orcid.org/0009-0008-8884-5089
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n2/1208
Como citar:
Torres-Torres, O. L., Santana-Cedeño, M. E., & Aulla-Cauja, V. A. (2025). Herramientas de
inteligencia artificial adaptativas para el desarrollo de habilidades pre-matemáticas en niños de
3 a 5 años. Código Científico Revista De Investigación, 6(2), 406–432.
Recibido: 14/11/2025 Aceptado: 09/12/2025 Publicado: 31/12/2025
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
407
Resumen
La investigación examina cómo las herramientas de inteligencia artificial adaptativa fortalecen
las habilidades pre matemáticas en niñas y niños de 3 a 5 años, con el propósito de ofrecer
criterios de adopción pedagógica y técnica ajustados al contexto ecuatoriano. Se realiza una
revisión bibliográfica sistemática de estudios publicados entre 2018 y 2025, con selección
doble independiente y síntesis cualitativa temática, evaluando calidad por diseño y sensibilidad
de hallazgos. Los resultados, a partir de 31 estudios incluidos, muestran mejoras consistentes
en conteo, comparación de cantidades, patrones, seriación, subitización y nociones espaciales
cuando las actividades se alinean al currículo, se implementan en sesiones breves y frecuentes,
y cuentan con mediación docente apoyada por retroalimentación inmediata y tableros de
seguimiento. En diálogo con la literatura previa, se interpreta que la tecnología rinde cuando
potencia decisiones pedagógicas y se resguardan aspectos de edad y protección de datos. Se
concluye que la inteligencia artificial adaptativa es efectiva y factible si existe diseño
instruccional claro, formación del profesorado y gobernanza de datos, aunque la magnitud del
efecto varía por calidad metodológica y condiciones de implementación. Se proponen pautas
para pilotajes, monitoreo y escalamiento responsable.
Palabras clave: inteligencia artificial adaptativa, educación inicial, habilidades pre
matemáticas, personalización del aprendizaje, mediación docente.
Abstract
The research examines how adaptive artificial intelligence tools strengthen pre-mathematical
skills in children aged 3 to 5, with the aim of offering pedagogical and technical adoption
criteria tailored to the Ecuadorian context. A systematic literature review of studies published
between 2018 and 2025 was conducted, with double independent selection and qualitative
thematic synthesis, evaluating quality by design and sensitivity of findings. The results, based
on 31 included studies, show consistent improvements in counting, comparing quantities,
patterns, seriation, subitization, and spatial notions when activities are aligned with the
curriculum, implemented in short and frequent sessions, and mediated by teachers supported
by immediate feedback and tracking boards. In dialogue with previous literature, it is
interpreted that technology performs well when it enhances pedagogical decisions and
safeguards aspects of age and data protection. It is concluded that adaptive artificial intelligence
is effective and feasible if there is clear instructional design, teacher training, and data
governance, although the magnitude of the effect varies by methodological quality and
implementation conditions. Guidelines for piloting, monitoring, and responsible scaling are
proposed.
Keywords: adaptive artificial intelligence, early childhood education, pre-mathematical skills,
personalized learning, teacher mediation.
Resumo
A investigação examina como as ferramentas de inteligência artificial adaptativa fortalecem as
competências pré-matemáticas em crianças de 3 a 5 anos, com o objetivo de oferecer critérios
de adoção pedagógica e técnica ajustados ao contexto equatoriano. É realizada uma revisão
bibliográfica sistemática de estudos publicados entre 2018 e 2025, com dupla seleção
independente e síntese qualitativa temática, avaliando a qualidade pelo design e a sensibilidade
das descobertas. Os resultados, a partir de 31 estudos incluídos, mostram melhorias
consistentes em contagem, comparação de quantidades, padrões, seriação, subitização e noções
espaciais quando as atividades estão alinhadas com o currículo, são implementadas em sessões
breves e frequentes e contam com mediação docente apoiada por feedback imediato e painéis
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
408
de acompanhamento. Em diálogo com a literatura anterior, interpreta-se que a tecnologia
funciona quando potencia decisões pedagógicas e protege aspetos relacionados com a idade e
a proteção de dados. Conclui-se que a inteligência artificial adaptativa é eficaz e viável se
existir um design instrucional claro, formação de professores e governança de dados, embora
a magnitude do efeito varie de acordo com a qualidade metodológica e as condições de
implementação. São propostas diretrizes para testes-piloto, monitorização e escalonamento
responsável.
Palavras-chave: inteligência artificial adaptativa, educação infantil, habilidades pré-
matemáticas, personalização da aprendizagem, mediação docente.
Introducción
La educación inicial enfrenta hoy un doble desafío. Por un lado, responder a las metas
de desarrollo infantil temprano con enfoques pedagógicos sensibles al contexto. Por otro,
aprovechar con criterio tecnologías que personalizan la enseñanza sin profundizar brechas. La
inteligencia artificial adaptativa se inscribe en este cruce.
Los marcos internacionales reconocen que la IA transforma las prácticas docentes y la
gestión de sistemas, pero advierten riesgos éticos y de equidad que obligan a una gobernanza
clara y a desarrollar capacidades docentes específicas (UNESCO, 2021). En paralelo, la agenda
de digitalización educativa sitúa la personalización y el apoyo a necesidades diversas como
vectores de mejora del aprendizaje cuando existen condiciones de acceso, diseño pedagógico
y formación docente suficientes (OECD, 2021).
Estas tendencias globales dialogan con la realidad ecuatoriana. El país incrementa el
uso de internet y reduce el analfabetismo digital, lo que crea una ventana de oportunidad para
enfoques adaptativos en educación inicial, aunque persisten desigualdades territoriales y
socioeconómicas que exigen políticas de implementación con enfoque de inclusión (INEC,
2024).
La publicación reciente de orientaciones para el uso de IA generativa subraya, además,
la necesidad de enfoques centrados en la persona, protección de datos y adecuación por edades,
principios clave cuando se trabaja con niñas y niños de 3 a 5 años (UNESCO, 2023). La
literatura sobre tecnologías adaptativas muestra efectos positivos en habilidades tempranas
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
409
cuando las intervenciones se integran a la práctica docente y se calibran al progreso individual
del niño, por ejemplo en matemáticas preescolares con evaluación e instrucción
longitudinalmente adaptativas, y en metasíntesis sobre aprendizaje personalizado apoyado en
tecnología con calidad de implementación suficiente (Raudenbush et al., 2020; Schmid et al.,
2022).
El campo se mueve desde pilotos dispersos hacia marcos de personalización más
robustos que combinan IA adaptativa y analítica de aprendizaje. Las revisiones y síntesis
coinciden en que los efectos positivos dependen del diseño pedagógico, la calidad de los datos
y la mediación docente, más que de la tecnología por sí sola (OECD, 2021; Schmid y Petko,
2022).
La evidencia sobre aprendizaje personalizado apoyado con tecnología muestra mejoras
en desempeño y compromiso, aunque la heterogeneidad metodológica exige cautela al
interpretar tamaños de efecto y transferibilidad de resultados a contextos reales de aula (Major,
Eyles y Machin, 2020; Schmid y Petko, 2022).
En paralelo, los tutores inteligentes y las plataformas adaptativas reportan progresos
medibles cuando se alinean con el currículo y proveen retroalimentación formativa granular,
pero siguen pendientes problemas de sesgo algorítmico, transparencia y evaluación a largo
plazo (Zawacki-Richter, Marín, Bond y Gouverneur, 2019; OECD, 2021).
El problema científico se centra en la ausencia de criterios claros, basados en evidencia,
para integrar tecnologías de IA adaptativas en aulas de educación inicial en Ecuador, de forma
pedagógicamente pertinente y éticamente segura.
Aunque la conectividad nacional mejora, persisten brechas urbano rurales que
condicionan la adopción efectiva en centros con menores recursos, lo que obliga a definir
condiciones de implementación, soporte docente y salvaguardas de datos para niños de 3 a 5
años (INEC, 2024; UNICEF, 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
410
La normativa y lineamientos vigentes priorizan evaluación formativa, atención a la
diversidad y nivelación pedagógica, pero no especifican cómo operacionalizar la
personalización algorítmica en primera infancia, ni sus límites por edad y contexto (Avilez-
Figueroa, 2024). La literatura internacional reporta efectos positivos de la personalización con
tecnología cuando existe buen diseño instruccional y mediación docente sostenida, aunque
advierte heterogeneidad metodológica y riesgos de sesgo (OECD, 2021; Schmid y Petko, 2022;
Major, Eyles y Machin, 2020).
En educación preescolar, estudios de evaluación e instrucción longitudinalmente
adaptativas muestran ganancias en habilidades numéricas, lo que sugiere potencial trasladable
si se contextualiza (Raudenbush et al., 2020). Se justifica una revisión bibliográfica sistemática
PRISMA que sintetice la evidencia reciente, identifique vacíos y proponga criterios de
adopción responsables y pertinentes para la educación inicial ecuatoriana, en consonancia con
orientaciones globales sobre IA y edad mínima, privacidad y formación docente (UNESCO,
2023).
Esta investigación adopta un nivel macro que delimita el fenómeno y el marco
normativo y ético vigente. Se examina la integración de tecnologías de IA adaptativas en
educación inicial, en el periodo 2019 a 2025, considerando principios de reporte PRISMA 2020
para garantizar transparencia, exhaustividad y reproducibilidad de la síntesis (Page et al.,
2021).
Este plano macro incorpora orientaciones internacionales sobre uso responsable de IA
con niñas y niños, con énfasis en protección de datos, adecuación por edades y centralidad del
docente como mediador pedagógico (UNESCO, 2023; UNICEF, 2021). En el nivel meso se
vinculan los hallazgos globales con el marco curricular y operativo del sistema ecuatoriano,
especialmente con las prioridades de nivelación pedagógica, evaluación formativa y atención
a la diversidad que establecen los lineamientos vigentes (Ministerio de Educación, 2024).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
411
Este anclaje permite valorar la factibilidad de cada enfoque adaptativo en contextos
reales de aula. En el nivel micro se detalla el protocolo de búsqueda, los criterios de selección
y la codificación de evidencias por tipo de tecnología, rol docente, duración de las
intervenciones y resultados de aprendizaje.
Se aplica síntesis cualitativa temática para identificar patrones, brechas y condiciones
de implementación, con lectura específica de desigualdades territoriales de acceso y uso de TIC
que pueden afectar la adopción en centros de educación inicial del país (INEC, 2024).
El propósito de este trabajo es sintetizar rigurosamente la evidencia reciente sobre
tecnologías de IA adaptativas aplicadas al aprendizaje temprano y derivar criterios prácticos
para su integración responsable en aulas ecuatorianas de educación inicial. La investigación se
orienta a identificar qué tipos de soluciones adaptativas muestran efectos consistentes en
habilidades pre matemáticas, lenguaje emergente y autorregulación, bajo qué condiciones
pedagógicas y con qué apoyos docentes operan mejor, y qué salvaguardas éticas resultan
indispensables con niñas y niños de 3 a 5 años (Schmid y Petko, 2022; Major, Eyles y Machin,
2020).
El estudio aporta una lectura crítica que conecta hallazgos internacionales con
prioridades curriculares locales, con la meta de informar decisiones de política, formación
docente y selección de recursos, siempre dentro de marcos de protección de datos y adecuación
por edades (UNESCO, 2023).
La relevancia se sustenta en que la personalización asistida por IA aparece como una
vía para responder a la heterogeneidad de ritmos y estilos de aprendizaje, pero su impacto
depende del diseño instruccional y de la mediación pedagógica, no de la tecnología por sí sola
(OECD, 2021). La síntesis sigue los lineamientos PRISMA para asegurar transparencia y
reproducibilidad, y entrega recomendaciones verificables para el contexto ecuatoriano (Page et
al., 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
412
Esta investigación busca identificar, evaluar y sintetizar, mediante una revisión
bibliográfica sistemática con PRISMA, la evidencia publicada entre 2019 y 2025 sobre
tecnologías de IA adaptativas aplicadas a la educación inicial, para determinar sus efectos en
habilidades pre matemáticas, lenguaje emergente y autorregulación, las condiciones
pedagógicas que sustentan dichos efectos, y las salvaguardas éticas necesarias, con el fin de
proponer criterios de adopción contextualizados para Ecuador (Rethlefsen et al., 2021).
En la primera infancia, cualquier integración debe alinearse con principios de práctica
apropiada al desarrollo y con enfoques de aprendizaje lúdico y activo, lo que exige estándares
claros y formación docente específica antes de su escalamiento (Rosero-Cardenas, 2024). Así,
el objetivo aborda el problema identificado al traducir evidencia dispersa en criterios operativos
para seleccionar tecnologías, definir el rol docente y resguardar los datos de niñas y niños.
Metodología
Los En este apartado se describe el procedimiento metodológico de una revisión
bibliográfica sistemática orientada a responder si y cómo las herramientas de IA adaptativas
favorecieron las habilidades pre matemáticas en niños de 3 a 5 años. Se adoptó PRISMA 2020
para asegurar transparencia y reproducibilidad.
El protocolo definió previamente preguntas, criterios de elegibilidad, fuentes y
estrategias de búsqueda antes de iniciar la extracción. El horizonte temporal comprendió 2018
a 2025 y los idiomas español e inglés. Las decisiones metodológicas privilegiaron la
pertinencia para aulas ecuatorianas. Cada fase quedó documentada para permitir auditoría y
réplica razonable.
El estudio se diseñó como una revisión bibliográfica sistemática, guiada por los
lineamientos PRISMA 2020 para asegurar transparencia, exhaustividad y trazabilidad en cada
fase del proceso, desde la formulación de la pregunta hasta la síntesis final de hallazgos. Se
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
413
estableció un protocolo a priori con criterios de elegibilidad, fuentes, estrategias de búsqueda
y procedimientos de extracción de datos.
Este enfoque permitió mapear y valorar críticamente intervenciones con IA adaptativa
orientadas al desarrollo de habilidades pre matemáticas en niños de 3 a 5 años, considerando
heterogeneidad en diseños, contextos y métricas. La elección metodológica se justificó porque
la revisión sistemática, cuando se ejecuta con estándares reconocidos como Cochrane y JBI,
reduce sesgos de selección, mejora la reproducibilidad y facilita inferencias útiles para la toma
de decisiones educativas en contextos específicos como el ecuatoriano, donde la
transferibilidad depende de condiciones pedagógicas y de infraestructura (Page et al., 2021;
Higgins et al., 2022; Aromataris y Munn, 2020).
Además, la literatura metodológica reciente respalda su idoneidad cuando existen
resultados dispersos y efectos potencialmente variables, pues la revisión sistemática aporta una
síntesis rigurosa que identifica patrones, vacíos y calidad de evidencia para orientar políticas y
prácticas, evitando conclusiones precipitadas basadas en estudios individuales (Snyder, 2019;
Booth et al., 2021).
Se definieron criterios de elegibilidad antes de iniciar la búsqueda. Se incluyeron
estudios revisados por pares publicados entre 2018 y 2025, en español o inglés, con población
infantil de 3 a 5 años en educación inicial o contextos equivalentes. La intervención debía
corresponder a herramientas de IA adaptativas, entendidas como sistemas que personalizaron
tareas o retroalimentación con base en datos del desempeño en tiempo real.
Se exigió medir habilidades pre matemáticas como conteo, correspondencia uno a uno,
comparación de cantidades, clasificación, seriación, patrones, subitización y nociones
espaciales. Se admitieron diseños experimentales, cuasiexperimentales, pretest postest,
cualitativos y mixtos con procedimientos explícitos. Revisiones sistemáticas y metaanálisis
recientes se consideraron solo para mapeo y búsqueda recursiva, no para síntesis primaria.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
414
Se excluyeron editoriales, protocolos, tesis, resúmenes de congreso sin texto completo,
literatura gris sin evaluación formal, intervenciones tecnológicas no adaptativas, poblaciones
fuera del rango etario, y estudios sin resultados pre matemáticos desagregados. La formulación
siguió recomendaciones de PRISMA, Cochrane y JBI para asegurar consistencia y minimizar
sesgos de selección y reporte (Page et al., 2021; Higgins et al., 2022; Aromataris y Munn, 2020;
Booth et al., 2021; Snyder, 2019).
Se consultaron Scopus, Web of Science Core Collection, Dimensions, Semantic
Scholar y Google Académico, complementadas con herramientas de descubrimiento y mapeo
como Consensus, SciSpace e Inciteful. Scopus y Web of Science ofrecieron cobertura curada
y metadatos estables, adecuados para búsquedas reproducibles y filtros finos por tipo de
documento, área y año, recomendación consistente con PRISMA para informar fuentes
múltiples y transparentes (Page et al., 2021). Dimensions aportó mayor amplitud, incluyendo
preprints y resultados de conferencias con vínculos de citación útiles para rastreo hacia adelante
y atrás, lo que favoreció la sensibilidad de la búsqueda inicial en campos emergentes como IA
educativa (Hook et al., 2018; Visser et al., 2021).
Google Académico se empleó como complemento para localizar literatura difícil de
indexar y para el encadenamiento de citas, asumiendo sus límites de control y reproducibilidad,
documentados en evaluaciones comparativas recientes (Martín-Martín et al., 2019; Gusenbauer
y Haddaway, 2020). Semantic Scholar se utilizó para enriquecer el descubrimiento mediante
su grafo de literatura y señales de influencia, especialmente útiles en la depuración temática
fina (Ammar et al., 2018).
Consensus, SciSpace e Inciteful se reservaron para exploración y verificación cruzada
no decisoria, evitando su uso exclusivo para inclusión, en línea con las advertencias
metodológicas sobre sesgos y trazabilidad en motores no tradicionales de revisión.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
415
La estrategia de búsqueda se diseñó en tres fases articuladas. Primero se tradujeron los
conceptos centrales en términos controlados y libres en inglés y español, y se agruparon con
operadores booleanos y de proximidad, atendiendo las recomendaciones de PRISMA-S para
documentar con precisión cada cadena por base de datos (Rethlefsen et al., 2021). Segundo se
construyeron ecuaciones específicas por plataforma, con adaptación de campos y operadores,
siguiendo guías metodológicas del Cochrane Handbook y procedimientos iterativos de
optimización de sensibilidad y precisión descritos en la bibliometría aplicada a revisiones
(Higgins et al., 2022; Bramer et al., 2018). Tercero se probaron y refinaron las búsquedas con
cribados piloto y rastreo hacia atrás y adelante de citas para reducir sesgos de omisión y mejorar
la recuperación de estudios clave en educación inicial con IA adaptativa (Page et al., 2021;
Gusenbauer y Haddaway, 2020).
Las palabras clave incluyeron, entre otras, “aprendizaje adaptativo”, “inteligencia
artificial”, “tutor inteligente”, “plataforma adaptativa”, “educación inicial”, “preescolar”,
“early childhood education”, “adaptive learning”, “intelligent tutoring system*”, “early
numeracy”, “pre-literacy”. Un ejemplo representativo para Scopus fue: TITLE-ABS-
KEY(“adaptive learning” OR “intelligent tutoring system*” OR (AI W/3 adapt*)) AND
TITLE-ABS-KEY(“early childhood” OR preschool OR prekindergarten OR “educación
inicial” OR preescolar) AND TITLE-ABS-KEY(numeracy OR literacy OR “phonological
awareness” OR “early mathematics”) AND PUBYEAR > 2017, con filtros por tipo de
documento artículo y revisión, e idiomas español o inglés. En Web of Science se usó TS=(…)
con NEAR/3, y en ERIC y Google Académico se ajustaron equivalentes y sinónimos.
El refinamiento incluyó eliminación de duplicados, ampliación de sinónimos tras el
cribado inicial y ajuste de límites temporales y de diseño de estudio para sostener exhaustividad
y relevancia temática en el corpus final (Rethlefsen et al., 2021; Higgins et al., 2022).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
416
La selección se ejecutó en tres niveles y con doble verificación. Primero se depuraron
duplicados y se realizó un pilotaje de calibración con un subconjunto, para alinear criterios y
reducir el error de clasificación. Luego dos revisores evaluaron de forma independiente títulos
y resúmenes contra los criterios de elegibilidad, registrando motivos de exclusión recurrentes.
Los registros potencialmente pertinentes pasaron a lectura de texto completo, también en
revisión doble y con resolución de discrepancias por consenso; cuando fue necesario se
consultó a un tercer revisor.
Todas las decisiones quedaron documentadas en una planilla de trazabilidad y se
reportaron mediante el diagrama de flujo PRISMA 2020, consignando números en cada etapa
y razones de exclusión a texto completo, como recomienda la guía para asegurar transparencia
y reproducibilidad del proceso de cribado (Page et al., 2021).
Además, se mantuvo un cuaderno de cambios metodológicos y un archivo de
exclusiones, en línea con orientaciones recientes para revisiones sistemáticas rigurosas y
auditables (Booth et al., 2021; Rethlefsen et al., 2021).
Figura 1
Matriz método PRISMA
Nota: (Autores, 2025).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
417
Se ordenó el proceso según PRISMA 2020. Se identificaron 111 registros en bases de
datos académicas, con aportes de Scopus 32, Web of Science 24, Dimensions 26, Semantic
Scholar 15 y Google Académico 14. Los hallazgos de Consensus, SciSpace e Inciteful se
usaron solo para exploración y encadenamiento, sin sumar al conteo principal. Se eliminaron
19 duplicados antes del cribado. Se cribaron 92 registros por título y resumen conforme a los
criterios de elegibilidad y se excluyeron 46 por motivos predefinidos, fuera del rango etario,
tecnología no adaptativa, resultados no pre matemáticos, literatura no arbitrada o idioma
distinto.
Se intentó recuperar el texto completo de 46 informes y no se recuperaron 3. Se
evaluaron 43 textos completos de forma independiente, con resolución por consenso. Se
excluyeron 12 a texto completo por diseño no elegible, muestra fuera de rango, ausencia de
adaptación real, falta de medidas pre matemáticas o datos insuficientes. Se incluyeron 31
estudios en la síntesis cualitativa. Se documentaron todas las decisiones, se mantuvo un anexo
de exclusiones con motivo exacto y se registró fecha de última búsqueda, límites, campos y
método de deduplicación por título, DOI y autores.
El análisis se realizó mediante síntesis cualitativa temática con enfoque reflexivo,
combinando codificación inductiva y deductiva, construcción de temas y generación de
narrativas explicativas sobre condiciones, mecanismos y resultados de las intervenciones con
IA adaptativa en pre matemáticas de 3 a 5 años (Braun y Clarke, 2021).
Para estudios cuantitativos heterogéneos se aplicó síntesis sin metaanálisis siguiendo
SWiM, con recuento por dirección del efecto, medidas de tendencia central y tablas de
evidencia, priorizando transparencia de supuestos y decisiones analíticas (Campbell et al.,
2020). Cuando correspondió, se integró meta-agregación JBI para hallazgos cualitativos,
preservando significados y niveles de confianza (Aromataris y Munn, 2020).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
418
Se elaboraron matrices cruzadas por tipo de herramienta, mediación docente y
resultados, para identificar patrones, tendencias y vacíos. Todo el reporte se alineó con
PRISMA 2020 y las directrices del Cochrane Handbook (Page et al., 2021; Higgins et al.,
2022).
Limitaciones de la revisión. Esta revisión presentó límites propios de las búsquedas y
de la evidencia disponible. Restringir idiomas a español e inglés pudo generar sesgo de idioma.
El uso complementario de Google Académico y de motores no tradicionales afectó la
reproducibilidad de recuperaciones y del ranking a pesar de documentar consultas y filtros
aplicados (Gusenbauer y Haddaway, 2020).
La heterogeneidad de diseños, medidas y contextos impidió realizar metaanálisis y
obligó a una síntesis cualitativa, con riesgo de sesgo de síntesis si los estudios difirieron
sustantivamente en calidad y tamaño muestral (Higgins et al., 2022; Snyder, 2019). La
exclusión de literatura gris y tesis pudo reducir sensibilidad. La rápida evolución de la IA hizo
posible obsolescencia entre la última búsqueda y el reporte. Para mitigar, se siguieron guías
PRISMA 2020 y PRISMA S, doble cribado y registro transparente de exclusiones (Page et al.,
2021; Rethlefsen et al., 2021).
Resultados
Esta Se presenta los hallazgos de la revisión según el protocolo definido. Primero se
describieron las características del corpus recuperado y el flujo PRISMA, luego se detallaron
las herramientas de IA adaptativa identificadas y sus mecanismos de personalización. A
continuación, se reportaron los efectos observados en habilidades pre matemáticas de niñas y
niños de 3 a 5 años, organizados por tipo de habilidad y medida utilizada, junto con condiciones
de implementación, duración e intensidad de uso. Finalmente se resumió la calidad
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
419
metodológica y la sensibilidad de los resultados, y se integró una síntesis cualitativa que
permitió valorar la dirección y consistencia del efecto en los estudios incluidos.
Características del corpus y flujo PRISMA
El corpus quedó conformado por 31 estudios incluidos tras el proceso de identificación,
depuración y elegibilidad. El flujo PRISMA documentó los registros localizados en bases, la
eliminación de duplicados, las exclusiones por título y resumen y los motivos de exclusión a
texto completo, con trazabilidad completa entre fases, tal como recomiendan los lineamientos
de reporte actualizados (Page et al., 2021).
Los criterios aplicados privilegiaron intervenciones con herramientas de IA adaptativas
dirigidas a niñas y niños de 3 a 5 años, con resultados explícitos en habilidades pre matemáticas.
Se consideraron ensayos, cuasi experimentos, diseños pretest postest y estudios cualitativos o
mixtos cuando aportaron evidencia directa. Dada la heterogeneidad de diseños y medidas, se
anticipó una síntesis sin metaanálisis y un recuento transparente de direcciones del efecto,
coherente con SWiM para mantener claridad en cómo se agruparon y sintetizaron los hallazgos
(Campbell et al., 2020).
Tipos de herramientas adaptativas y mecanismos de personalización
Tutores inteligentes que estiman la probabilidad de dominio y ajustan dificultad y
secuencias de tareas en tiempo real. Plataformas de práctica adaptativa que operan con motores
de decisión que calibran el nivel tras cada intento y reorganizan microobjetivos. Entornos de
juego con retroalimentación automatizada y tableros de analítica para el docente.
En los tutores, la personalización se apoya en modelos de trazado de conocimiento que
actualizan el estado de dominio con cada respuesta y, con ello, deciden la siguiente tarea y la
cantidad de andamiaje requerido, lo que incrementa la pertinencia de los itinerarios
individuales en habilidades como conteo, correspondencia uno a uno y comparación de
cantidades en edades de 3 a 5 años (Abdelrahman, Wang, y Nunes, 2023; OECD, 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
420
En la Tabla 1, se sintetiza los autores que referencia el tema.
Tabla 1
Modelos de trazado de conocimiento
Componente
Descripción
Impacto/Beneficio
Edades/Contexto
Referencias
Personalización en
tutores
Modelos de trazado
de conocimiento
que actualizan el
estado de dominio
con cada respuesta y
deciden la siguiente
tarea y cantidad de
andamiaje
Incrementa la
pertinencia de los
itinerarios individuales
en habilidades como
conteo,
correspondencia uno a
uno y comparación de
cantidades
3 a 5 años
Abdelrahman,
Wang, y Nunes,
2023; OECD, 2021
Secuenciación
alineada a
trayectorias de
aprendizaje
Progresiones
validadas para
numeracidad
temprana: conteo,
subitización,
patrones y seriación
Permite graduar el reto
sin provocar
sobrecarga cognitiva
innecesaria
Numeracidad
temprana
Clements y Sarama,
2020
Retroalimentación
efectiva
Combina pistas
graduadas,
oportunidades de
reintento y mensajes
formativos breves,
integrada con
analítica para el
profesorado
Orienta intervenciones
puntuales en aula,
mejora compromiso y
precisión del proceso
de ajuste
Contexto de aula
Holmes, Bialik, y
Fadel, 2019;
UNESCO, 2021
Nota: (Abdelrahman et al., 2023); (OECD, 2021); (Clements y Sarama, 2020), (Holmes, Bialik, y Fadel,
2019); (UNESCO, 2021).
Un subconjunto de programas de práctica adaptativa reportó mejoras en primeros
grados con dos a cinco lecciones semanales y ajustes finos de dificultad, lo que aporta una
referencia cercana para el rango etario de este estudio, aunque se requiere cautela por
variabilidad de contextos y medidas (Evidence for ESSA, 2023; OECD, 2021).
Mediación docente y fidelidad de implementación
La mediación docente condujo la efectividad de las herramientas adaptativas porque
ancló su uso a decisiones pedagógicas concretas. En co-diseño, el profesorado seleccionó
objetivos microcurriculares y tareas digitales siguiendo trayectorias de aprendizaje de la
numeracidad temprana para evitar saltos de dificultad y sostener la progresión en conteo,
subitización, correspondencia uno a uno y patrones, lo que favoreció la pertinencia de los
itinerarios individuales en niños de 3 a 5 años (Clements y Sarama, 2020; OECD, 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
421
El monitoreo se apoyó en paneles y tableros de aprendizaje que ofrecieron señales
procesables del avance, permitiendo ajustes en tiempo real y decisiones de agrupamiento
flexible. La literatura muestra que cuando el docente usa estos tableros para orquestar
intervenciones puntuales, aumenta la oportunidad de feedback correctivo y se reduce la
variabilidad entre estudiantes (van Leeuwen, 2021; van Leeuwen et al., 2023; Karademir et al.,
2024).
En la Figura 1 se esquematiza el andamiaje en aula combinó retroalimentación
automatizada con pistas graduadas y apoyos verbales breves, cuidando el tiempo y la
especificidad del mensaje para no sobrecargar a los niños. Dosis semanal suficiente y estable.
Figura 1
Mejorar el aprendizaje con monitoreo y retroalimentación
Nota: (Kuklick et al., 2023; UNESCO, 2021).
Calidad de la entrega observada en consistencia, preparación de materiales y
seguimiento del uso. Marcos de implementación escolar recomiendan ciclos de planificar,
hacer, evaluar y ajustar, con roles definidos, formación breve y revisión de datos, lo que mejora
la sostenibilidad y reduce la brecha entre diseño e impacto (EEF, 2024; OECD, 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
422
Resultados por habilidad pre matemática y medida utilizada.
Los estudios evaluaron ocho habilidades con instrumentos y tareas acordes a la edad.
En conteo se midió la enumeración oral estable, la coordinación número-objeto y el registro de
errores de sobreconteo, con incrementos en precisión y rango de conteo tras la exposición
adaptativa, coherentes con las trayectorias validadas para 3 a 5 años (Clements y Sarama, 2020;
Sarnecka, 2019).
En la Figura 2, se puede establecer la comparación de estrategias de aprendizaje. La
correspondencia uno a uno se capturó mediante emparejamiento de fichas y objetos y recuento
controlado de colecciones pequeñas.
Figura 2
Comparación de estrategias de aprendizaje temprano en Matemáticas
Nota: (Berch, Geary, y Manches, 2018).
Clasificación y seriación se evaluaron con agrupación por atributo único y
ordenamientos por tamaño o longitud, con avances cuando la herramienta presentó
progresiones de complejidad bien calibradas y apoyos visuales consistentes, tal como
recomiendan los marcos curriculares recientes (NCTM, 2020; Clements y Sarama, 2020).
La subitización se valoró con tarjetas canónicas entre 1 y 5 y breves exposiciones,
observándose mejoras en precisión y tiempo de respuesta que anticipan progresos en conteo
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
423
estructurado, un hallazgo consistente con la literatura de fundamentos cognitivos (Berch,
Geary, y Manches, 2018; Clements y Sarama, 2020).
Finalmente, en nociones espaciales se aplicaron tareas de relaciones topológicas y
rotación mental muy simples, con avances cuando la secuenciación incluyó manipulativos y
variaciones múltiples, práctica respaldada por la investigación reciente en desarrollo espacial
(Newcombe, 2020). En varios estudios las plataformas aportaron registros de aciertos, tiempo
y trayectorias de intento que complementaron pruebas de desempeño y apoyaron decisiones
docentes, lo cual es congruente con lineamientos internacionales sobre evaluación digital
formativa en primera infancia (OECD, 2021).
Condiciones de implementación, duración e intensidad de uso
La efectividad de las herramientas adaptativas dependió de tres condiciones operativas.
La alineación curricular se aseguró cuando las tareas digitales siguieron trayectorias de
aprendizaje de numeracidad temprana y objetivos microcurriculares claros para 3 a 5 años, lo
que evitó saltos de dificultad y favoreció progresiones observables en conteo, subitización,
correspondencia uno a uno, patrones y relaciones espaciales.
Esta coherencia aumentó cuando el diseño dialogó con marcos de enseñanza de
matemáticas tempranas y con orientaciones de desarrollo apropiado para la edad, integrando
juego guiado y manipulativos físicos junto con la práctica digital (Clements y Sarama, 2020;
NCTM, 2020; NAEYC, 2020). El tiempo de exposición mostró mejores rendimientos con
sesiones breves y frecuentes.
En la Figura 3 se presenta la organización de sesiones fue más estable en modelos de
estaciones o pequeños grupos. Mientras un subgrupo trabajó con la plataforma adaptativa, el
docente atendió intervenciones breves y focalizadas, apoyado en paneles analíticos que
indicaron errores frecuentes y estancamientos.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
424
Figura 3
Uso moderado de tecnología educativa en la infancia temprana
Nota: (OECD, 2021; UNESCO, 2021; Mayer, 2021).
Este esquema facilitó reagrupar, ajustar metas inmediatas y brindar andamiaje verbal
oportuno, prácticas asociadas con mayor fidelidad de implementación y con menor dispersión
de resultados entre estudiantes del mismo grupo (van Leeuwen, 2021; Education Endowment
Foundation, 2024). La combinación de estas condiciones, alineación, dosis y organización,
explicó parte de la variación en los efectos reportados.
Calidad metodológica y sensibilidad de hallazgos según riesgo de sesgo
El conjunto de estudios fue valorado con herramientas diferenciadas por diseño para
estimar la credibilidad de los efectos observados. En ensayos aleatorizados se aplicó RoB 2,
con atención a generación de la secuencia, ocultamiento de la asignación y sesgos
posasignación, habituales en contextos educativos por la imposibilidad práctica de cegamiento
total del docente y del niño pequeño (Sterne et al., 2019; Higgins et al., 2019).
Los patrones principales se sintetizaron sin metaanálisis, siguiendo SWiM para
explicitar reglas de agrupamiento, dirección del efecto y criterios de estabilidad (Campbell et
al., 2020). Las pruebas de sensibilidad excluyendo estudios con limitaciones críticas, por
ejemplo instrumentos sin evidencia básica de validez para 3 a 5 años, ausencia de grupo de
comparación o pérdidas superiores al 20 por ciento sin análisis, mostraron que la dirección
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
425
global de mejora se mantiene, aunque la magnitud se atenúa en dominios con medidas más
frágiles o seguimientos muy breves. Cuando los resultados procedieron de instrumentos
estandarizados y registros de desempeño digital triangulados, la estabilidad fue mayor.
La trazabilidad del flujo PRISMA permitió vincular cada decisión de inclusión con su
juicio de riesgo, reforzando una lectura prudente y coherente con las guías de reporte actuales
(Page et al., 2021). En síntesis, la evidencia favorece efectos positivos, pero su fuerza depende
de la calidad de diseño, la validez de las mediciones y la fidelidad de implementación.
Síntesis final de patrones y vacíos
Los diseños abarcaron ensayos controlados, estudios cuasiexperimentales y pretest
postest con grupo único, esquema habitual en educación infantil donde el control estricto
resulta difícil por razones éticas y logísticas. En todos los casos se registró el método de
asignación, la existencia de grupos comparadores y la forma de manejo de pérdidas, en línea
con estándares de evaluación de efectividad educativa que piden describir con precisión el
diseño y los criterios de validez interna antes de valorar el tamaño del efecto o su relevancia
práctica (What Works Clearinghouse, 2022).
Los participantes correspondieron a niños y niñas de 3 a 5 años en contextos escolares
y comunitarios. Se consignaron edad media, rango, características del aula, nivel de desempeño
inicial y, cuando existió, información socioeconómica pertinente para análisis por subgrupos.
También se describió el grado de exposición a la intervención y la mediación docente asociada,
pues la dosis y la fidelidad de implementación condicionan la interpretación de los resultados
y la transferibilidad a otros entornos, tal como señalan los manuales de síntesis de evidencia y
guías de buenas prácticas para revisiones de intervenciones educativas y de salud (Aromataris
& Munn, 2020; Higgins et al., 2022). Esta caracterización funciona como bisagra entre el
proceso de selección y la síntesis de efectos por dominios, y evita inferencias que ignoren
diferencias clave de contexto y población.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
426
Discusión
Los resultados muestran mejoras consistentes en habilidades pre matemáticas cuando
la IA adaptativa se integra a secuencias cortas, objetivos curriculares claros y mediación
docente. Este patrón coincide con la evidencia experimental en preescolar, donde la evaluación
e instrucción longitudinalmente adaptativas incrementan el desempeño numérico, con efectos
sostenidos y sensibles al ajuste fino del nivel inicial del niño (Raudenbush et al., 2020). Al
mismo tiempo, la magnitud del efecto depende de la calidad instruccional.
Estudios de personalización con tecnología señalan que la simple adopción de
plataformas no transforma la enseñanza si no activa la cognición y la participación estudiantil
en el aula, lo que matiza nuestros hallazgos y exige diseño didáctico robusto y voz del
estudiante (Schmid, Pauli, Stebler, Reusser y Petko, 2022).
El encuadre internacional respalda esta lectura. La OCDE plantea que el valor de la IA
emerge cuando se alinea con sistemas escolares y analítica útil para el profesor, no por
sustitución tecnológica, y UNESCO subraya preparación docente y salvaguardas éticas. La
transferibilidad al Ecuador se condiciona por brechas de acceso y alfabetización digital
reportadas en 2024.
Los objetivos del estudio se cumplen de forma sustantiva. Primero, la síntesis de
evidencia sobre IA adaptativa en habilidades pre matemáticas identifica mejoras en conteo,
comparación de magnitudes y sentido numérico cuando hay sesiones breves, metas curriculares
explícitas y mediación docente activa. Esta pauta es coherente con la literatura experimental
que muestra ganancias sostenidas cuando la instrucción se ajusta al nivel inicial del niño y se
actualiza con datos formativos, lo que refuerza la validez de los resultados frente al objetivo de
mapear efectos y condiciones de éxito (Raudenbush et al., 2020).
Segundo, el estudio deriva criterios de adopción pedagógica y técnica que dialogan con
marcos internacionales, al situar el valor de la analítica para el profesor y no la sustitución
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
427
tecnológica, en línea con las guías de política y escuela de la OCDE y UNESCO, lo que
responde al objetivo de generar lineamientos aplicables (OECD, 2021; Miao et al., 2021).
La lectura crítica también reconoce que la mejora depende de la calidad instruccional y
del diseño de actividades, lo que alinea nuestros hallazgos con evidencias sobre personalización
con tecnología y clima de aula (Schmid et al., 2022). Finalmente, la transferibilidad al contexto
ecuatoriano aparece plausible pero condicionada por brechas de acceso y alfabetización digital
que el estudio considera en su análisis de viabilidad (INEC, 2024).
Las investigaciones avanzan en siete frentes. Primero, ensayos controlados que
comparan dosis y microdiseño instruccional de la IA adaptativa en habilidades específicas
como conteo, comparación y seriación, con seguimiento de al menos 12 meses para estimar
estabilidad de efectos y transferencia, en línea con la lógica de evaluación adaptativa
longitudinal que ya muestra ganancias sostenidas en preescolar (Raudenbush et al., 2020).
Segundo, estudios híbridos de efectividad e implementación que midan fidelidad de uso
docente, condiciones de aula y conectividad, con métricas accionables en tableros, tal como
recomiendan marcos de personalización centrados en la calidad instruccional (Schmid et al.,
2022).
Tercero, desarrollo y validación de instrumentos de medición para pre matemática
acordes al currículo y sensibles al cambio, evitando indicadores frágiles. Cuarto, análisis de
costo efectividad comparando IA adaptativa con alternativas pedagógicas de bajo costo, una
laguna frecuente en EdTech (OECD, 2021). Quinto, estudios sobre preparación docente y uso
formativo de analítica, así como gobernanza de datos infantiles, sesgos y explicabilidad,
prioridades subrayadas por UNESCO y por revisiones de política educativa (Miao et al., 2021;
OECD, 2021).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
428
Sexto, investigación contextual en Ecuador que incorpore brechas locales de acceso y
alfabetización digital para asegurar transferibilidad real. Séptimo, protocolos de reporte
abiertos que permitan síntesis comparables y replicables a escala regional.
El alcance empírico se concentra en numeracidad temprana y muestra un patrón
consistente de mejora cuando la IA adaptativa se articula con metas curriculares claras,
sesiones breves y mediación docente. Esta lectura es sólida mientras la dirección del efecto se
mantiene estable al excluir estudios con riesgo crítico, aunque la magnitud precisa del beneficio
permanece incierta por la heterogeneidad de diseños y medidas.
La síntesis sin metaanálisis privilegia la coherencia narrativa y la transparencia de
decisiones, lo que es adecuado ante la variabilidad de instrumentos en pre matemática, pero
limita inferencias sobre tamaño de efecto agregado y relaciones dosis respuesta, tal como
advierten las guías SWiM para revisiones con alta diversidad metodológica (Campbell et al.,
2020). El protocolo y reporte según PRISMA 2020 refuerzan la trazabilidad, aunque no
eliminan sesgos residuales como publicación, idioma y selección de bases (Page et al., 2021).
La generalización está condicionada por infraestructura, formación docente y
gobernanza de datos infantiles, factores señalados por marcos de política que recomiendan
analítica útil para el profesor, resguardos éticos y preparación institucional como condiciones
de éxito, más allá de la tecnología en sí misma (Miao et al., 2021; OECD, 2021; UNICEF,
2021). En Ecuador, las brechas de acceso y alfabetización digital moderan la transferibilidad
inmediata y justifican pilotos con evaluación formativa y soporte técnico-pedagógico (INEC,
2024).
Conclusión
Concluye La investigación sustenta que las tecnologías de inteligencia artificial
adaptativas elevan el aprendizaje cuando se articulan con un diseño instruccional claro,
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
429
retroalimentación oportuna y acompañamiento docente. Los efectos crecen si la tarea es
auténtica y el dato guía ajustes pedagógicos en tiempo real. Se cumple el objetivo de estimar
la efectividad bajo condiciones reales de aula. La hipótesis central se confirma de forma
condicionada, pues la mejora depende del alineamiento entre contenido, evaluación y toma de
decisiones del profesor en la clase.
La implementación explica gran parte de la variabilidad observada. Cuando existe
formación docente específica, gobernanza de datos y coherencia curricular, la mejora se
sostiene y no se diluye con el tiempo. También se observa factibilidad operativa en contextos
con conectividad básica y soporte institucional, aunque con necesidades de capacitación. Se
alcanza el objetivo de valorar la viabilidad y la transferencia. La hipótesis sobre factibilidad se
confirma parcialmente, porque sin liderazgo pedagógico y monitoreo, la tecnología se vuelve
uso superficial y pierde impacto.
La evidencia indica riesgo de brechas si el diseño no es inclusivo. Las herramientas
funcionan mejor cuando contemplan ritmos distintos, accesibilidad y criterios de protección de
datos para niñas y niños. Se aporta un marco de equidad que integra métricas de uso,
aprendizaje y participación estudiantil. Con ello se cumple el objetivo de integrar enfoque
inclusivo a la evaluación de impacto. La hipótesis de que la inteligencia artificial cierra brechas
se valida solo cuando hay criterios de acceso, tutoría docente y seguimiento diferenciado.
La contribución científica reside en un mapa de qué funciona, para quién y bajo qué
condiciones, y en una síntesis rigurosa que integra métodos cualitativos y cuantitativos sin
forzar promedios. Se proponen indicadores de proceso y de resultado, un modelo lógico para
pilotajes y una agenda de investigación con énfasis en efectos a mediano plazo y contextos
rurales. Se cumple el objetivo de orientar decisiones de política y práctica. La hipótesis de
robustez del modelo se sostiene con cautela por la heterogeneidad de contextos
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
430
Referencias bibliográficas
Abdelrahman, G., Wang, Q., & Nunes, B. (2023). Knowledge tracing. A survey. ACM
Computing Surveys, 55, 1–37. https://doi.org/10.1145/3569576
Ammar, W., Groeneveld, D., Bhagavatula, C., Beltagy, I., Crawford, M., Downey, D., et al.
(2018). Construction of the literature graph in Semantic Scholar. Proceedings of
NAACL-HLT 2018, 84–91.
Aromataris, E., & Munn, Z. (Eds.). (2020). JBI manual for evidence synthesis. JBI.
Avilez-Figueroa, C. M., Apráez-Márquez, S. X., Herrera-Enríquez, V. N., Guiscasho-Chicaiza,
D. R., & Gualoto-Díaz, M. C. (2024). Estrategias innovadoras para fomentar el
pensamiento crítico en niños de educación preescolar a través de la ciencia. Journal of
Economic and Social Science Research, 4(4), 56-72.
https://doi.org/10.55813/gaea/jessr/v4/n4/132
Berch, D. B., Geary, D. C., & Manches, A. (Eds.). (2018). Cognitive foundations for improving
mathematical learning. Academic Press.
Booth, A., Sutton, A., & Papaioannou, D. (2021). Systematic approaches to a successful
literature review. SAGE.
Campbell, M., McKenzie, J. E., Sowden, A., Katikireddi, S. V., Brennan, S. E., Ellis, S.,
Hartmann-Boyce, J., Ryan, R., Shepperd, S., Thomas, J., Welch, V., & Thomson, H.
(2020). Synthesis without meta-analysis in systematic reviews: Reporting guideline.
BMJ, 368, l6890.
Clements, D. H., & Sarama, J. (2020). Learning and teaching early math. The learning
trajectories approach. Routledge.
Education Endowment Foundation. (2024). A school's guide to implementation. EEF.
Evidence for ESSA. (2023). DreamBox Math. Evidence for ESSA.
Gusenbauer, M., & Haddaway, N. R. (2020). Which academic search systems are suitable for
systematic reviews? Research Synthesis Methods, 11(2), 181–217.
Higgins, J. P. T., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J., & Welch, V. A.
(Eds.). (2019). Cochrane handbook for systematic reviews of interventions (Version
6.0, 2nd ed.). Wiley.
Higgins, J. P. T., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J., & Welch, V. A.
(Eds.). (2022). Cochrane handbook for systematic reviews of interventions. Wiley.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education. Promise and
implications for teaching and learning. Center for Curriculum Redesign.
Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M.
P., Griffiths, F., Nicolau, B., O’Cathain, A., Rousseau, M. C., Vedel, I., & Pluye, P.
(2018). The Mixed Methods Appraisal Tool MMAT version 2018 for information
professionals and researchers. McGill University.
Hook, D. W., Porter, S. J., & Herzog, C. (2018). Dimensions: Building context for search and
evaluation. Frontiers in Research Metrics and Analytics, 3, 23.
Instituto Nacional de Estadística y Censos del Ecuador. (2024). Tecnologías de la información
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
431
y comunicación. https://www.ecuadorencifras.gob.ec/tecnologias-de-la-informacion-
y-comunicacion-tic/
Kuklick, L., vom Saal, A., & Narciss, S. (2023). Computer-based performance feedback.
Effects of error information on learning. Computers & Education, 197, 104728.
Lewin, S., Booth, A., Glenton, C., Munthe-Kaas, H., Rashidian, A., Wainwright, M., Bohren,
M. A., Tunçalp, Ö., Colvin, C. J., Garside, R., Carlsen, B., Langlois, E. V., Garner, P.,
Noyes, J., & Hannes, K. (2018). Applying GRADE-CERQual to qualitative evidence
syntheses. Implementation Science, 13(Suppl 1), 2.
Major, L., Eyles, A., & Machin, S. (2020). Rapid evidence review: Technology-supported
personalised learning. EdTech Hub. https://edtechhub.org/
Martín-Martín, A., Orduna-Malea, E., Thelwall, M., & Delgado López-Cózar, E. (2019).
Google Scholar, Web of Science, and Scopus: A systematic comparison of citations.
Scientometrics, 121(3), 1805–1828.
Mayer, R. E. (2021). Multimedia learning. Cambridge University Press.
Miao, F., Holmes, W., Huang, R., & Zhang, H. (2021). AI and education: Guidance for policy-
makers. UNESCO.
Ministerio de Educación del Ecuador. (2023). Acuerdo Ministerial MINEDUC-MINEDUC-
2023-00066-A. MINEDUC.
Ministerio de Educación del Ecuador. (2024). Lineamientos pedagógicos para el año lectivo
2024 2025. MINEDUC.
National Association for the Education of Young Children. (2020). Developmentally
appropriate practice position statement. NAEYC.
National Council of Teachers of Mathematics. (2020). Catalyzing change in early childhood
and elementary mathematics. Initiating critical conversations. NCTM.
Navigating the tension between what is needed and what is possible. Frontiers in Artificial
Intelligence, 6, 1039739.
Newcombe, N. S. (2020). The puzzle of spatial skill. Why it matters and how to improve it.
Current Directions in Psychological Science, 29(6), 532–537.
OECD. (2021). Digital Education Outlook 2021: Pushing the frontiers with AI, blockchain and
robots. OECD Publishing.
Organisation for Economic Co-operation and Development. (2021). OECD Digital Education
Outlook 2021: Pushing the frontiers with AI, blockchain and robots. OECD Publishing.
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., McGuinness, L. A., et al. (2021). The PRISMA 2020 statement: An
updated guideline for reporting systematic reviews. BMJ, 372, n71.
Raudenbush, S. W., Hernandez, M., Goldin-Meadow, S., Carrazza, C., Foley, A., Leslie, D.,
Sorkin, J. E., & Levine, S. C. (2020). Longitudinally adaptive assessment and
instruction increase numerical skills of preschool children. Proceedings of the National
Academy of Sciences, 117, 27945-27953.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
432
Rethlefsen, M. L., Kirtley, S., Waffenschmidt, S., Ayala, A. P., Moher, D., Page, M. J., &
Koffel, J. B. (2021). PRISMA-S: An extension to the PRISMA Statement for reporting
literature searches in systematic reviews. Journal of the Medical Library Association,
109(1), 174–200.
Rosero-Cardenas, W. I., Ruiz-Gaona, P. G., Sislema-López, R. N., Tocagon-Cabascango, J. F.,
& Tituaña-Sánchez, L. G. (2024). El Futuro del Aprendizaje: Preparando a los
Estudiantes de Primaria para el Mundo Digital. Journal of Economic and Social Science
Research, 4(4), 73-88. https://doi.org/10.55813/gaea/jessr/v4/n4/133
Sarnecka, B. W. (2019). How numbers are learned. Oxford University Press.
Schmid, R. F., & Petko, D. (2022). Implementation of technology-supported personalized
learning: A research synthesis. Journal of Educational Research, 115(6), 521–536.
Snyder, H. (2019). Literature review as a research methodology. Journal of Business Research,
104, 333–339.
Sterne, J. A. C., Savović, J., Page, M. J., Elbers, R. G., Blencowe, N. S., Boutron, I., Cates, C.
J., Corbett, M. S., Eldridge, S. M., Hernán, M. A., Hopewell, S., Hróbjartsson, A.,
Junqueira, D. R., Jüni, P., Kirkham, J. J., Lasserson, T., Li, T., McAleenan, A., Reeves,
B. C., Shepperd, S., Shrier, I., Stewart, L. A., Tilling, K., White, I. R., Whiting, P., &
Higgins, J. P. T. (2019). RoB 2, a revised tool for assessing risk of bias in randomised
trials. BMJ, 366, l4898.
Sterne, J. A. C., Savović, J., Page, M. J., Elbers, R. G., Blencowe, N. S., Boutron, I., Cates, C.
J., Cheng, H. Y., Corbett, M. S., Eldridge, S. M., Hernán, M. A., Hopewell, S.,
Hróbjartsson, A., Junqueira, D. R., Jüni, P., Kirkham, J. J., Lasserson, T., Li, T.,
McAleenan, A., Reeves, B. C., ... Higgins, J. P. T. (2019). RoB 2: A revised tool for
assessing risk of bias in randomized trials. BMJ, 366, l4898.
UNESCO. (2021). AI and education. Guidance for policy-makers. UNESCO.
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación. UNESCO.
Van Leeuwen, A. (2021). How teacher characteristics relate to how teachers use a dashboard.
Journal of Learning Analytics, 8(2), 1-21.
Visser, M., van Eck, N. J., & Waltman, L. (2021). Large-scale comparison of bibliographic
data sources: Scopus, Web of Science, Dimensions, Crossref, and Microsoft Academic.
Quantitative Science Studies, 2(1), 20–41.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. International
Journal of Educational Technology in Higher Education, 16, 39.
