Vol. 12/ Núm. 4 2025 pág. 3377
https://doi.org/10.69639/arandu.v12i4.1884
Claude como asistente inteligente: Fortalecimiento en las
operaciones aritméticas en Educación Básica en un contexto
ecuatoriano
Claude as an intelligent assistant: Strengthening arithmetic operations in Basic
Education in an Ecuadorian context
Fredy Kelvin Santín Hidalgo
fredyksh@gmail.com
https://orcid.org/0009-0009-8778-8884
Universidad Estatal de Milagro
Ecuador-Milagro
Jorge Francisco Zambrano Pachay
jzambranop10@unemi.edu.ec
https://orcid.org/0000-0001-9456-2765
Facultad de Posgrado, Universidad Estatal de Milagro
Ecuador-Milagro
Artículo recibido: 10 noviembre 2025 -Aceptado para publicación: 18 diciembre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El artículo muestra un análisis cuasi-experimental que examina el efecto de utilizar la inteligencia
artificial Claude para reforzar las operaciones aritméticas en alumnos de séptimo grado de
educación básica. Se trata el problema que presentan los métodos tradicionales de enseñanza,
que no se ajustan a la variedad de ritmos y estilos de aprendizaje, lo cual tiene un impacto negativo
en el rendimiento académico y la motivación. Claude se muestra como un recurso novedoso que,
a través de juegos interactivos y retroalimentación instantánea, favorece un aprendizaje
significativo y activo. El método consistió en realizar un pretest y un postest a dos grupos, uno
de control y otro experimental, para evaluar la evolución de las habilidades aritméticas. Los
resultados revelaron que el grupo experimental, con la intervención de Claude, llegó a altos
niveles de comprensión y dominio, mientras que el grupo control mostró un progreso limitado.
La conversación destaca que la IA posibilita una atención individualizada, adapta los contenidos
al ritmo de cada alumno y promueve habilidades blandas como la solución de problemas y el
pensamiento crítico, sobrepasando las restricciones del sistema tradicional. Se infiere que el uso
de la IA en la educación matemática es una táctica eficaz que, a pesar de necesitar formación para
los profesores y acceso equitativo, tiene un alto potencial para reformar la enseñanza, optimizar
la motivación y preparar a los alumnos para las exigencias tecnológicas presentes y futuras,
promoviendo de esta manera una educación inclusiva y de alta calidad conforme a las
recomendaciones globales.
Vol. 12/ Núm. 4 2025 pág. 3378
Palabras clave: ia con claude, operaciones matemática, aprendizaje personalizado
ABSTRACT
This article presents a quasi-experimental analysis examining the effect of using the artificial
intelligence Claude to reinforce arithmetic operations in seventh-grade elementary school
students. It addresses the problem posed by traditional teaching methods, which do not adapt to
the variety of learning rhythms and styles, which has a negative impact on academic performance
and motivation. Claude is presented as a novel resource that, through interactive games and instant
feedback, promotes meaningful and active learning. The method consisted of conducting a pre-
test and post-test in two groups, one control and one experimental, to assess the evolution of
arithmetic skills. The results revealed that the experimental group, with Claude's intervention,
reached high levels of understanding and mastery, while the control group showed limited
progress. The discussion highlights that AI enables individualized attention, adapts content to the
pace of each student, and promotes soft skills such as problem-solving and critical thinking,
overcoming the restrictions of the traditional system. It is inferred that the use of AI in
mathematics education is an effective tactic that, despite requiring teacher training and equitable
access, has high potential to reform teaching, optimize motivation, and prepare students for
current and future technological demands, thereby promoting inclusive, high-quality education in
accordance with global recommendations.
Keywords: ai with claude, mathematical operations, personalized learning
Palabras clave: ia con claude, operaciones matemática, aprendizaje personalizado
ABSTRACT
This article presents a quasi-experimental analysis examining the effect of using the artificial
intelligence Claude to reinforce arithmetic operations in seventh-grade elementary school
students. It addresses the problem posed by traditional teaching methods, which do not adapt to
the variety of learning rhythms and styles, which has a negative impact on academic performance
and motivation. Claude is presented as a novel resource that, through interactive games and instant
feedback, promotes meaningful and active learning. The method consisted of conducting a pre-
test and post-test in two groups, one control and one experimental, to assess the evolution of
arithmetic skills. The results revealed that the experimental group, with Claude's intervention,
reached high levels of understanding and mastery, while the control group showed limited
progress. The discussion highlights that AI enables individualized attention, adapts content to the
pace of each student, and promotes soft skills such as problem-solving and critical thinking,
overcoming the restrictions of the traditional system. It is inferred that the use of AI in
mathematics education is an effective tactic that, despite requiring teacher training and equitable
access, has high potential to reform teaching, optimize motivation, and prepare students for
current and future technological demands, thereby promoting inclusive, high-quality education in
accordance with global recommendations.
Keywords: ai with claude, mathematical operations, personalized learning
Vol. 12/ Núm. 4 2025 pág. 3379
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 3380
INTRODUCCIÓN
La enseñanza y el fortalecimiento de las habilidades aritméticas básicas, necesarias para
el progreso académico y cognitivo del estudiante, constituyen una base importante para la
educación básica. En el trascurrir del tiempo, las metodologías pedagógicas empleadas para
enseñar operaciones aritméticas básica como son: suma, resta, multiplicación y división no han
conseguido acomodarse a la variedad de estilos y ritmos de aprendizaje. Esto ha ocasionado
problemas en el desempeño académico y la escasez de la motivación estudiantil.
En una Unidad Educativa, se ha observado que un número significativo de estudiantes
presenta dificultades persistentes en el dominio de las operaciones aritméticas básicas,
manifestándose en errores frecuentes al realizar cálculos mentales, confusión en la aplicación de
algoritmos de resolución, dependencia excesiva de calculadoras para operaciones simples, y
tiempos de respuesta prolongados que afectan su desempeño en evaluaciones. Estas deficiencias
no solo limitan el aprovechamiento académico en el área de matemáticas, sino que además
generan frustración, ansiedad y actitudes negativas hacia la disciplina, creando barreras para el
aprendizaje de contenidos más complejos que requieren estas habilidades como prerrequisito.
En este sentido, la IA con Claude ofrece un entorno de aprendizaje personalizado y
dinámico, que se ajusta a las necesidades individuales de cada estudiante, facilitando actividades
interactivas y retroalimentación inmediata que potencian el proceso de aprendizaje (Parra et al.,
2024).
Ante lo expuesto el presente estudio implementa la IA con el uso de Claude como un
instrumento novedoso que fortifica el aprendizaje y la práctica de las operaciones matemáticas
básicas en la Educación Básica gracias a sus bondades innovadoras. Claude, es un modelo
adaptativo utilizado como asistente creativo en la creación de juegos interactivos, genera tramas,
diálogos, reglas y retos que hacen al jugador parte activa de la historia. Gracias a su capacidad de
procesar lenguaje natural, permite diseñar entornos inmersivos convirtiéndose en una
herramienta valiosa para docentes que buscan combinar el aprendizaje con el entretenimiento
(Asqui, 2024).
Por ende, Delgado et al. (2025), un modelo adaptativo tiene como propósito brindar
asistencia pedagógica que promueva el aprendizaje activo y significativo, sobrepasando las
restricciones de los métodos tradicionales. Esta perspectiva responde a la necesidad de
proporcionar soluciones tecnológicas aportando al desarrollo de propuestas replicables para la
integración de IA en contextos educativos variados, reafirmando el potencial transformador de
estas tecnologías en la educación matemática (Román Cañizares, 2024).
La convergencia de varias disciplina como la inteligencia artificial aplicada a procesos
educativos, la neuroeducación y las teorías constructivistas del aprendizaje destacan la
importancia del ejercicio activo y la retroalimentación inmediata. Herramientas digitales como
INTRODUCCIÓN
La enseñanza y el fortalecimiento de las habilidades aritméticas básicas, necesarias para
el progreso académico y cognitivo del estudiante, constituyen una base importante para la
educación básica. En el trascurrir del tiempo, las metodologías pedagógicas empleadas para
enseñar operaciones aritméticas básica como son: suma, resta, multiplicación y división no han
conseguido acomodarse a la variedad de estilos y ritmos de aprendizaje. Esto ha ocasionado
problemas en el desempeño académico y la escasez de la motivación estudiantil.
En una Unidad Educativa, se ha observado que un número significativo de estudiantes
presenta dificultades persistentes en el dominio de las operaciones aritméticas básicas,
manifestándose en errores frecuentes al realizar cálculos mentales, confusión en la aplicación de
algoritmos de resolución, dependencia excesiva de calculadoras para operaciones simples, y
tiempos de respuesta prolongados que afectan su desempeño en evaluaciones. Estas deficiencias
no solo limitan el aprovechamiento académico en el área de matemáticas, sino que además
generan frustración, ansiedad y actitudes negativas hacia la disciplina, creando barreras para el
aprendizaje de contenidos más complejos que requieren estas habilidades como prerrequisito.
En este sentido, la IA con Claude ofrece un entorno de aprendizaje personalizado y
dinámico, que se ajusta a las necesidades individuales de cada estudiante, facilitando actividades
interactivas y retroalimentación inmediata que potencian el proceso de aprendizaje (Parra et al.,
2024).
Ante lo expuesto el presente estudio implementa la IA con el uso de Claude como un
instrumento novedoso que fortifica el aprendizaje y la práctica de las operaciones matemáticas
básicas en la Educación Básica gracias a sus bondades innovadoras. Claude, es un modelo
adaptativo utilizado como asistente creativo en la creación de juegos interactivos, genera tramas,
diálogos, reglas y retos que hacen al jugador parte activa de la historia. Gracias a su capacidad de
procesar lenguaje natural, permite diseñar entornos inmersivos convirtiéndose en una
herramienta valiosa para docentes que buscan combinar el aprendizaje con el entretenimiento
(Asqui, 2024).
Por ende, Delgado et al. (2025), un modelo adaptativo tiene como propósito brindar
asistencia pedagógica que promueva el aprendizaje activo y significativo, sobrepasando las
restricciones de los métodos tradicionales. Esta perspectiva responde a la necesidad de
proporcionar soluciones tecnológicas aportando al desarrollo de propuestas replicables para la
integración de IA en contextos educativos variados, reafirmando el potencial transformador de
estas tecnologías en la educación matemática (Román Cañizares, 2024).
La convergencia de varias disciplina como la inteligencia artificial aplicada a procesos
educativos, la neuroeducación y las teorías constructivistas del aprendizaje destacan la
importancia del ejercicio activo y la retroalimentación inmediata. Herramientas digitales como
Vol. 12/ Núm. 4 2025 pág. 3381
Claude posibilitan una experiencia educativa personalizada y flexible alineada a las
recomendaciones internacionales en educación inclusiva y de calidad, tal como ha sido resaltado
por la UNESCO en su marco regulatorio reciente (UNESCO, 2025).
Ante este paradigma, diversas investigaciones recientes han evidenciado que la
incorporación de la IA en la enseñanza de las matemáticas contribuye a mejorar el compromiso,
la retención de conocimientos y las habilidades de razonamiento lógico-matemático de los
estudiantes, al tiempo que incrementa su motivación y autoconfianza (Mihaela Vieriu y Petrea,
2025).
Por otro lado, el análisis de evidencia científica contemporánea muestra que los sistemas
educativos que integran tecnologías basadas en IA pueden superar las barreras tradicionales de
atención individualizada, facilitando un seguimiento continuo y ajustes inmediatos de la
enseñanza según el desempeño del alumno (Delgado et al., 2025). Así, las herramientas de IA
fomentan la personalización del proceso formativo y potencian mejoras en los resultados
académicos de contextos diversos, incluso en entornos con limitaciones de recursos.
Entre tanto, el objetivo general de esta investigación es evaluar el impacto de la aplicación
de IA con Claude en la mejora de la práctica de operaciones aritméticas en educación básica.
MATERIALES Y MÉTODOS
La investigación se desarrolla en beneficio de una Unidad Educativa fiscomisional
ubicada en la ciudad de Loja- Ecuador abarcando el séptimo año de educación básica durante el
segundo trimestre del periodo escolar en curso.
La presente investigación utilizó un diseño cuasiexperimental con el objetivo de evaluar
el impacto de la aplicación de la inteligencia artificial Claude para fortalecer la práctica de
operaciones aritméticas en estudiantes de séptimo año de Educación Básica. Según Hernández
(2014), en la investigación cuasiexperimental no se seleccionan los grupos de forma aleatoria,
sino que se utilizan grupos ya formados previamente.
En este sentido, la población estuvo constituida por todos los estudiantes matriculados en
séptimo año en la institución educativa seleccionada para el estudio. Para la conformación de la
muestra se aplican criterios de inclusión, tales como ser estudiante matriculado en séptimo año
durante el periodo de la investigación, contar con el consentimiento informado de los estudiantes
o de sus tutores, y tener una asistencia mínima del 80% a las sesiones.
Por otro lado, se determinan criterios de exclusión que considerarán a aquellos estudiantes
con dificultades cognitivas severas que impidieran el manejo adecuado de la herramienta
tecnológica, así como a quienes no completaron el pretest o postest, o presentaron inasistencia o
abandono durante el desarrollo del estudio.
Por lo tanto, se trabajó con dos grupos uno de control y experimental, el primero
correspondiente al curso séptimo A y séptimo B, conformando una unidad de análisis de 60
Claude posibilitan una experiencia educativa personalizada y flexible alineada a las
recomendaciones internacionales en educación inclusiva y de calidad, tal como ha sido resaltado
por la UNESCO en su marco regulatorio reciente (UNESCO, 2025).
Ante este paradigma, diversas investigaciones recientes han evidenciado que la
incorporación de la IA en la enseñanza de las matemáticas contribuye a mejorar el compromiso,
la retención de conocimientos y las habilidades de razonamiento lógico-matemático de los
estudiantes, al tiempo que incrementa su motivación y autoconfianza (Mihaela Vieriu y Petrea,
2025).
Por otro lado, el análisis de evidencia científica contemporánea muestra que los sistemas
educativos que integran tecnologías basadas en IA pueden superar las barreras tradicionales de
atención individualizada, facilitando un seguimiento continuo y ajustes inmediatos de la
enseñanza según el desempeño del alumno (Delgado et al., 2025). Así, las herramientas de IA
fomentan la personalización del proceso formativo y potencian mejoras en los resultados
académicos de contextos diversos, incluso en entornos con limitaciones de recursos.
Entre tanto, el objetivo general de esta investigación es evaluar el impacto de la aplicación
de IA con Claude en la mejora de la práctica de operaciones aritméticas en educación básica.
MATERIALES Y MÉTODOS
La investigación se desarrolla en beneficio de una Unidad Educativa fiscomisional
ubicada en la ciudad de Loja- Ecuador abarcando el séptimo año de educación básica durante el
segundo trimestre del periodo escolar en curso.
La presente investigación utilizó un diseño cuasiexperimental con el objetivo de evaluar
el impacto de la aplicación de la inteligencia artificial Claude para fortalecer la práctica de
operaciones aritméticas en estudiantes de séptimo año de Educación Básica. Según Hernández
(2014), en la investigación cuasiexperimental no se seleccionan los grupos de forma aleatoria,
sino que se utilizan grupos ya formados previamente.
En este sentido, la población estuvo constituida por todos los estudiantes matriculados en
séptimo año en la institución educativa seleccionada para el estudio. Para la conformación de la
muestra se aplican criterios de inclusión, tales como ser estudiante matriculado en séptimo año
durante el periodo de la investigación, contar con el consentimiento informado de los estudiantes
o de sus tutores, y tener una asistencia mínima del 80% a las sesiones.
Por otro lado, se determinan criterios de exclusión que considerarán a aquellos estudiantes
con dificultades cognitivas severas que impidieran el manejo adecuado de la herramienta
tecnológica, así como a quienes no completaron el pretest o postest, o presentaron inasistencia o
abandono durante el desarrollo del estudio.
Por lo tanto, se trabajó con dos grupos uno de control y experimental, el primero
correspondiente al curso séptimo A y séptimo B, conformando una unidad de análisis de 60
Vol. 12/ Núm. 4 2025 pág. 3382
estudiantes, con 30 participantes en cada grupo. Los participantes oscilan entre 10 y 11 años. Para
Ramos (2021), en estudios en los que se establecen dos grupos , como por ejemplo dos cursos en
un entorno educativo , no es posible asignar los grupos al azar ; sino que los grupos ya están
formados.
El curso séptimo A, fue elegido como grupo control quien continuo con la metodología
tradicional, texto, pizarra e intervención del docente. Mientras que el curso séptimo B actuó como
grupo experimental trabajando con la tecnología Claude como estrategia para la resolución de
operaciones aritméticas básicas. Implementándose de manera asincrónica, lo que permitió a los
estudiantes acceder a la plataforma de inteligencia artificial en horarios flexibles, fuera del aula
de clase, desde sus hogares o cualquier lugar con conexión a internet. Esta modalidad asincrónica
facilitó que cada estudiante trabajara a su propio ritmo, repitiera ejercicios según sus necesidades
individuales y recibiera retroalimentación inmediata de Claude sin depender de la presencia física
del docente, promoviendo así el aprendizaje autónomo y la autorregulación del proceso educativo.
Para la recolección de datos se administró un test previo a la intervención a ambos grupos.
El test estuvo conformado por 10 ítems los dos primeros fueron considerados para la suma, los
dos siguientes para la resta y el cinco y seis para la multiplicación y los cuatro ultimo para la
división, permitiendo determinar el nivel inicial de competencia en operaciones aritméticas de los
estudiantes. Seguidamente, se implementó la intervención utilizando la plataforma de IA Claude,
mediante sesiones orientadas a la práctica y fortalecimiento de habilidades aritméticas. Al
finalizar el proceso, se aplicó un postest con el propósito de evaluar la evolución del desempeño
académico en ambas partes.
El análisis de los datos se realizó mediante un enfoque descriptivo, utilizando de
tendencia central como la media, mediana y moda, así como de dispersión como la medidas de
varianza y la desviación estándar. Los resultados obtenidos del pretest y postest fueron
comparados en cada grupo para identificar los cambios y mejoras en la práctica de operaciones
aritméticas, permitiendo así valorar la efectividad de la aplicación de la inteligencia artificial
Claude como herramienta educativa en el contexto de la Educación Básica.
La investigación que se realizó para fortalecer la tecnología en la resolución de las
operaciones básicas. Para ello, se examinó la interacción con la plataforma, cuántas veces se
utiliza y cuánto tiempo se usa en el ámbito de aplicación de IA con claude. En relación a la
adecuación pedagógica, se evaluó la motivación y la satisfacción de los alumnos durante el
proceso de intervención. Para evaluar el rendimiento de los estudiantes en operaciones
aritméticas, se midió la rapidez y precisión con las que resolvían los ejercicios. En cuanto al
ámbito de desarrollo cognitivo se evaluó la capacidad de comprensión que mostraron los alumnos
con respecto a los conceptos abordados.
estudiantes, con 30 participantes en cada grupo. Los participantes oscilan entre 10 y 11 años. Para
Ramos (2021), en estudios en los que se establecen dos grupos , como por ejemplo dos cursos en
un entorno educativo , no es posible asignar los grupos al azar ; sino que los grupos ya están
formados.
El curso séptimo A, fue elegido como grupo control quien continuo con la metodología
tradicional, texto, pizarra e intervención del docente. Mientras que el curso séptimo B actuó como
grupo experimental trabajando con la tecnología Claude como estrategia para la resolución de
operaciones aritméticas básicas. Implementándose de manera asincrónica, lo que permitió a los
estudiantes acceder a la plataforma de inteligencia artificial en horarios flexibles, fuera del aula
de clase, desde sus hogares o cualquier lugar con conexión a internet. Esta modalidad asincrónica
facilitó que cada estudiante trabajara a su propio ritmo, repitiera ejercicios según sus necesidades
individuales y recibiera retroalimentación inmediata de Claude sin depender de la presencia física
del docente, promoviendo así el aprendizaje autónomo y la autorregulación del proceso educativo.
Para la recolección de datos se administró un test previo a la intervención a ambos grupos.
El test estuvo conformado por 10 ítems los dos primeros fueron considerados para la suma, los
dos siguientes para la resta y el cinco y seis para la multiplicación y los cuatro ultimo para la
división, permitiendo determinar el nivel inicial de competencia en operaciones aritméticas de los
estudiantes. Seguidamente, se implementó la intervención utilizando la plataforma de IA Claude,
mediante sesiones orientadas a la práctica y fortalecimiento de habilidades aritméticas. Al
finalizar el proceso, se aplicó un postest con el propósito de evaluar la evolución del desempeño
académico en ambas partes.
El análisis de los datos se realizó mediante un enfoque descriptivo, utilizando de
tendencia central como la media, mediana y moda, así como de dispersión como la medidas de
varianza y la desviación estándar. Los resultados obtenidos del pretest y postest fueron
comparados en cada grupo para identificar los cambios y mejoras en la práctica de operaciones
aritméticas, permitiendo así valorar la efectividad de la aplicación de la inteligencia artificial
Claude como herramienta educativa en el contexto de la Educación Básica.
La investigación que se realizó para fortalecer la tecnología en la resolución de las
operaciones básicas. Para ello, se examinó la interacción con la plataforma, cuántas veces se
utiliza y cuánto tiempo se usa en el ámbito de aplicación de IA con claude. En relación a la
adecuación pedagógica, se evaluó la motivación y la satisfacción de los alumnos durante el
proceso de intervención. Para evaluar el rendimiento de los estudiantes en operaciones
aritméticas, se midió la rapidez y precisión con las que resolvían los ejercicios. En cuanto al
ámbito de desarrollo cognitivo se evaluó la capacidad de comprensión que mostraron los alumnos
con respecto a los conceptos abordados.
Vol. 12/ Núm. 4 2025 pág. 3383
Análisis de resultados descriptivos
Tabla 1
Comparación grupo control y grupo experimental en el pretest.
Indicador Grupo Control Grupo Experimental
Promedio Suma 6.1 6.0
Promedio Resta 5.9 5.7
Promedio Multiplicación 5.6 5.4
Promedio División 5.4 5.1
PROMEDIO GENERAL 5.8 5.6
Desviación Estándar 0.8 0.9
Tasa de Aprobación General 12.0% 3.3%
Total Estudiantes 30 30
Fuente: Elaborado por Santin (2025)
Los resultados del pretest revelan que ambos grupos presentan condiciones similares con
promedios generales de 5,8 para el grupo control y 5,6 para el grupo experimental, evidenciando
una diferencia mínima de 0.2 puntos que representa el 3.4% de variación, lo cual no es
estadísticamente significativo y confirma la comparabilidad de los grupos para el estudio. El
análisis por operación aritmética muestra un patrón consistente de jerarquía de dificultad en
ambos grupos: la suma presenta los mejores promedios 6,1 y 6,0, seguida por la resta 5,9 y 5,7.
La multiplicación 5,6 y 5,4 y la división como la operación más compleja 5,4 y 5,1 con
una diferencia de aproximadamente un punto entre la operación fácil y la difícil, confirmando que
la división constituye el mayor promedio cognitivo para los estudiantes de séptimo año. Los
promedios generales se ubican significativamente por debajo de la nota mínima de aprobación 7
puntos, lo que se refleja en tasas de reprobación alarmantes del 88.0% en el grupo control y 96.7%
en el experimental, con tasas de aprobación de 12.0% y 3.3% respectivamente, evidenciando
deficiencias críticas en el dominio de habilidades aritméticas fundamentales que justifican la
urgencia de implementar estrategias pedagógicas innovadoras.
Las desviaciones estándar similares 0,8 y 0,9 indican niveles comparables de
heterogeneidad en el desempeño estudiantil dentro de cada grupo, mientras que la homogeneidad
de la línea base garantiza que cualquier diferencia significativa observada en el postest podrá
atribuirse con validez a la efectividad diferencial de las metodologías implementadas: tradicional
presencial versus inteligencia artificial con Claude en modalidad asincrónica, estableciendo así
las condiciones metodológicas adecuadas para evaluar objetivamente el impacto de la innovación
tecnológica en la enseñanza de operaciones aritméticas básicas durante el trimestre de
intervención.
Análisis de resultados descriptivos
Tabla 1
Comparación grupo control y grupo experimental en el pretest.
Indicador Grupo Control Grupo Experimental
Promedio Suma 6.1 6.0
Promedio Resta 5.9 5.7
Promedio Multiplicación 5.6 5.4
Promedio División 5.4 5.1
PROMEDIO GENERAL 5.8 5.6
Desviación Estándar 0.8 0.9
Tasa de Aprobación General 12.0% 3.3%
Total Estudiantes 30 30
Fuente: Elaborado por Santin (2025)
Los resultados del pretest revelan que ambos grupos presentan condiciones similares con
promedios generales de 5,8 para el grupo control y 5,6 para el grupo experimental, evidenciando
una diferencia mínima de 0.2 puntos que representa el 3.4% de variación, lo cual no es
estadísticamente significativo y confirma la comparabilidad de los grupos para el estudio. El
análisis por operación aritmética muestra un patrón consistente de jerarquía de dificultad en
ambos grupos: la suma presenta los mejores promedios 6,1 y 6,0, seguida por la resta 5,9 y 5,7.
La multiplicación 5,6 y 5,4 y la división como la operación más compleja 5,4 y 5,1 con
una diferencia de aproximadamente un punto entre la operación fácil y la difícil, confirmando que
la división constituye el mayor promedio cognitivo para los estudiantes de séptimo año. Los
promedios generales se ubican significativamente por debajo de la nota mínima de aprobación 7
puntos, lo que se refleja en tasas de reprobación alarmantes del 88.0% en el grupo control y 96.7%
en el experimental, con tasas de aprobación de 12.0% y 3.3% respectivamente, evidenciando
deficiencias críticas en el dominio de habilidades aritméticas fundamentales que justifican la
urgencia de implementar estrategias pedagógicas innovadoras.
Las desviaciones estándar similares 0,8 y 0,9 indican niveles comparables de
heterogeneidad en el desempeño estudiantil dentro de cada grupo, mientras que la homogeneidad
de la línea base garantiza que cualquier diferencia significativa observada en el postest podrá
atribuirse con validez a la efectividad diferencial de las metodologías implementadas: tradicional
presencial versus inteligencia artificial con Claude en modalidad asincrónica, estableciendo así
las condiciones metodológicas adecuadas para evaluar objetivamente el impacto de la innovación
tecnológica en la enseñanza de operaciones aritméticas básicas durante el trimestre de
intervención.
Vol. 12/ Núm. 4 2025 pág. 3384
Tabla 2
Post test grupo control. Operación aritmética suma
Indicador Pre-test Postest Mejora
Promedio 6.1 6.6 +0.5
Desviación Estándar 0.8 0.8
Nota Mínima 4.5 5.0 +0.5
Nota Máxima 7.5 8.2 +0.7
Aprobados (≥7.0) 4 10 +6
Porcentaje Aprobación 13.3% 33.3% +20.0%
Reprobados (<7.0) 26 20 -6
Porcentaje Reprobación 86.7% 66.7% -20.0%
Fuente: Elaborado por Santin (2025)
Los resultados del grupo control en suma evidencian una mejora moderada e insuficiente,
con un incremento promedio de solo 0.5 puntos 8.2% que mantiene al grupo por debajo de la nota
de aprobación 6.6 vs 7.0 requerido. Aunque la tasa de aprobación aumentó de 13.3% a 33.3%,
dos tercios del grupo 66.7%, 20 estudiantes continúan reprobados tras tres meses de instrucción
tradicional, con una desviación estándar constante de 0.8 que evidencia la incapacidad de esta
metodología para reducir brechas de aprendizaje.
La nota mínima mejoró apenas 0.5 puntos 4.5 a 5.0 y la máxima 0.7 puntos 7.5 a 8.2,
confirmando que tanto estudiantes con dificultades como los de alto rendimiento experimentaron
avances modestos sin transformaciones significativas. Estos resultados demuestran que la
metodología tradicional basada en texto, pizarra e intervención docente presencial, aunque genera
algún progreso medible, resulta insuficiente para revertir las deficiencias críticas en operaciones
básicas y no garantiza que la mayoría alcance los niveles de competencia esperados, justificando
la necesidad de estrategias pedagógicas más efectivas e innovadoras.
Tabla 3
Post test grupo experimental. Operación aritmética suma
Indicador Pre-test Postest Mejora
Promedio 6.0 8.4 +2.4
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 4.2 7.2 +3.0
Nota Máxima 7.5 9.5 +2.0
Aprobados (≥7.0) 3 30 +27
Porcentaje Aprobación 10.0% 100% +90.0%
Reprobados (<7.0) 27 0 -27
Porcentaje Reprobación 90.0% 0.0% -90.0%
Fuente: Elaborado por Santin (2025)
Los resultados del grupo experimental en suma demuestran una efectividad excepcional
de la IA con Claude, logrando una mejora promedio de 2.4 puntos 40% que cuadruplica la del
grupo control, y alcanzando el logro más destacable: el 100% de aprobación, eliminando
completamente la reprobación que afectaba al 90% del grupo en el pre-test. La disminución de la
desviación estándar de 0.9 a 0.6 y la elevación de la nota mínima de 4.2 a 7.2 mejora de 3.0 puntos
Tabla 2
Post test grupo control. Operación aritmética suma
Indicador Pre-test Postest Mejora
Promedio 6.1 6.6 +0.5
Desviación Estándar 0.8 0.8
Nota Mínima 4.5 5.0 +0.5
Nota Máxima 7.5 8.2 +0.7
Aprobados (≥7.0) 4 10 +6
Porcentaje Aprobación 13.3% 33.3% +20.0%
Reprobados (<7.0) 26 20 -6
Porcentaje Reprobación 86.7% 66.7% -20.0%
Fuente: Elaborado por Santin (2025)
Los resultados del grupo control en suma evidencian una mejora moderada e insuficiente,
con un incremento promedio de solo 0.5 puntos 8.2% que mantiene al grupo por debajo de la nota
de aprobación 6.6 vs 7.0 requerido. Aunque la tasa de aprobación aumentó de 13.3% a 33.3%,
dos tercios del grupo 66.7%, 20 estudiantes continúan reprobados tras tres meses de instrucción
tradicional, con una desviación estándar constante de 0.8 que evidencia la incapacidad de esta
metodología para reducir brechas de aprendizaje.
La nota mínima mejoró apenas 0.5 puntos 4.5 a 5.0 y la máxima 0.7 puntos 7.5 a 8.2,
confirmando que tanto estudiantes con dificultades como los de alto rendimiento experimentaron
avances modestos sin transformaciones significativas. Estos resultados demuestran que la
metodología tradicional basada en texto, pizarra e intervención docente presencial, aunque genera
algún progreso medible, resulta insuficiente para revertir las deficiencias críticas en operaciones
básicas y no garantiza que la mayoría alcance los niveles de competencia esperados, justificando
la necesidad de estrategias pedagógicas más efectivas e innovadoras.
Tabla 3
Post test grupo experimental. Operación aritmética suma
Indicador Pre-test Postest Mejora
Promedio 6.0 8.4 +2.4
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 4.2 7.2 +3.0
Nota Máxima 7.5 9.5 +2.0
Aprobados (≥7.0) 3 30 +27
Porcentaje Aprobación 10.0% 100% +90.0%
Reprobados (<7.0) 27 0 -27
Porcentaje Reprobación 90.0% 0.0% -90.0%
Fuente: Elaborado por Santin (2025)
Los resultados del grupo experimental en suma demuestran una efectividad excepcional
de la IA con Claude, logrando una mejora promedio de 2.4 puntos 40% que cuadruplica la del
grupo control, y alcanzando el logro más destacable: el 100% de aprobación, eliminando
completamente la reprobación que afectaba al 90% del grupo en el pre-test. La disminución de la
desviación estándar de 0.9 a 0.6 y la elevación de la nota mínima de 4.2 a 7.2 mejora de 3.0 puntos
Vol. 12/ Núm. 4 2025 pág. 3385
evidencian que la plataforma benefició equitativamente a todos los estudiantes, reduciendo
brechas de aprendizaje y garantizando que incluso aquellos con mayores dificultades iniciales
alcanzaran el estándar de aprobación, confirmando la superioridad de esta estrategia tecnológica
asincrónica sobre la metodología tradicional para el desarrollo de competencias aritméticas
básicas.
Tabla 4
Post test grupo control. Operación aritmética resta
Indicador Pretest Postest Mejora
Promedio 5.9 6.4 +0.5
Desviación Estándar 0.8 0.8 -
Nota Mínima 4.2 4.8 +0.6
Nota Máxima 7.2 7.9 +0.7
Aprobados (≥7.0) 3 8 +5
Porcentaje Aprobación 10.0% 26.7% +16.7%
Reprobados (<7.0) 27 22 -5
Porcentaje Reprobación 90.0% 73.3% -16.7%
Fuente: Elaborado por Santin (2025)
El grupo control mostró una mejora moderada pero consistente en su desempeño
académico. El promedio aumentó de 5.9 a 6.4 con puntos +0.5, mientras que la desviación
estándar se mantuvo estable en 0.8, indicando homogeneidad en el rendimiento grupal. Las notas
mínima y máxima mejoraron en 0.6 y 0.7 puntos respectivamente, evidenciando progreso tanto
en estudiantes de bajo como de alto rendimiento.
El porcentaje de aprobación aumentó significativamente de 10.0% a 26.7% con +16.7
puntos porcentuales, con 5 estudiantes adicionales alcanzando la nota mínima aprobatoria de 7.0,
lo que redujo la reprobación de 90.0% a 73.3%. Aunque el grupo control demostró avances
positivos mediante el método tradicional de resta, el 73.3% de reprobación final sugiere que este
enfoque, si bien efectivo para algunos estudiantes, presenta limitaciones para lograr la aprobación
masiva del grupo, manteniendo a la mayoría por debajo del umbral de aprobación.
Tabla 5
Post test grupo experimental. Operación aritmética resta
Indicador Pretest Postest Mejora
Promedio 5.7 7.8 +2.1
Desviación Estándar 0.9 0.7 -0.2
Nota Mínima 3.8 6.2 +2.4
Nota Máxima 7.5 9.2 +1.7
Aprobados (≥7.0) 1 22 +21
Porcentaje Aprobación 3.3% 73.3% +70.0%
Reprobados (<7.0) 29 8 -21
Porcentaje Reprobación 96.7% 26.7% -70.0%
Fuente: Elaborado por Santin (2025)
evidencian que la plataforma benefició equitativamente a todos los estudiantes, reduciendo
brechas de aprendizaje y garantizando que incluso aquellos con mayores dificultades iniciales
alcanzaran el estándar de aprobación, confirmando la superioridad de esta estrategia tecnológica
asincrónica sobre la metodología tradicional para el desarrollo de competencias aritméticas
básicas.
Tabla 4
Post test grupo control. Operación aritmética resta
Indicador Pretest Postest Mejora
Promedio 5.9 6.4 +0.5
Desviación Estándar 0.8 0.8 -
Nota Mínima 4.2 4.8 +0.6
Nota Máxima 7.2 7.9 +0.7
Aprobados (≥7.0) 3 8 +5
Porcentaje Aprobación 10.0% 26.7% +16.7%
Reprobados (<7.0) 27 22 -5
Porcentaje Reprobación 90.0% 73.3% -16.7%
Fuente: Elaborado por Santin (2025)
El grupo control mostró una mejora moderada pero consistente en su desempeño
académico. El promedio aumentó de 5.9 a 6.4 con puntos +0.5, mientras que la desviación
estándar se mantuvo estable en 0.8, indicando homogeneidad en el rendimiento grupal. Las notas
mínima y máxima mejoraron en 0.6 y 0.7 puntos respectivamente, evidenciando progreso tanto
en estudiantes de bajo como de alto rendimiento.
El porcentaje de aprobación aumentó significativamente de 10.0% a 26.7% con +16.7
puntos porcentuales, con 5 estudiantes adicionales alcanzando la nota mínima aprobatoria de 7.0,
lo que redujo la reprobación de 90.0% a 73.3%. Aunque el grupo control demostró avances
positivos mediante el método tradicional de resta, el 73.3% de reprobación final sugiere que este
enfoque, si bien efectivo para algunos estudiantes, presenta limitaciones para lograr la aprobación
masiva del grupo, manteniendo a la mayoría por debajo del umbral de aprobación.
Tabla 5
Post test grupo experimental. Operación aritmética resta
Indicador Pretest Postest Mejora
Promedio 5.7 7.8 +2.1
Desviación Estándar 0.9 0.7 -0.2
Nota Mínima 3.8 6.2 +2.4
Nota Máxima 7.5 9.2 +1.7
Aprobados (≥7.0) 1 22 +21
Porcentaje Aprobación 3.3% 73.3% +70.0%
Reprobados (<7.0) 29 8 -21
Porcentaje Reprobación 96.7% 26.7% -70.0%
Fuente: Elaborado por Santin (2025)
Vol. 12/ Núm. 4 2025 pág. 3386
El grupo experimental demostró un avance extraordinario en el dominio de la operación
de resta tras la intervención pedagógica implementada. El promedio grupal experimentó un salto
significativo de 5.7 a 7.8 puntos +2.1, representando una mejora cuatro veces superior a la del
grupo control +0.5, lo que evidencia la efectividad del método innovador aplicado. La desviación
estándar disminuyó de 0.9 a 0.7, indicando mayor homogeneidad y consistencia en el aprendizaje
grupal, donde los estudiantes convergieron hacia niveles de rendimiento más elevados y
uniformes. Particularmente notable es la transformación en la nota mínima, que ascendió de 3.8
a 6.2 puntos +2.4, demostrando que el método benefició especialmente a los estudiantes con
mayores dificultades iniciales, reduciendo significativamente la brecha de desempeño.
El porcentaje de aprobación se disparó dramáticamente de 3.3% a 73.3%, representando
un incremento de 70 puntos porcentuales y reduciendo la reprobación de 96.7% a solo 26.7%.
Esta transformación radical contrasta marcadamente con el grupo control, que mantuvo 73.3% de
reprobación, evidenciando que el método experimental no solo es superior sino transformador,
logrando que casi tres cuartas partes del grupo alcanzaran competencia satisfactoria en la resta,
convirtiendo un escenario de fracaso masivo inicial en uno de éxito mayoritario.
Tabla 6
Post test grupo control. Operación aritmética multiplicación
Indicador Pretest Postest Mejora
Promedio 5.4 7.9 +2.5
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 3.5 6.5 +3.0
Nota Máxima 7.2 9.5 +2.3
Aprobados (≥7.0) 0 24 +24
Porcentaje Aprobación 0.0% 80.0% +80.0%
Reprobados (<7.0) 30 6 -24
Porcentaje Reprobación 100.0% 20.0% -80.0%
Fuente: Elaborado por Santin (2025)
El grupo control mostró una mejora leve en el dominio de la multiplicación mediante el
método tradicional. El promedio aumentó modestamente de 5.6 a 6.2 puntos con +0.6, con una
desviación estándar estable en 0.8, manteniendo homogeneidad sin reducir la dispersión. Las
notas extremas mejoraron marginalmente +0.5 mínima, +0.7 máxima, evidenciando progreso
limitado en todos los niveles. La tasa de aprobación creció de 6.7% a 20.0% con +13.3 puntos
porcentuales, incorporando solo 4 estudiantes adicionales al umbral aprobatorio, mientras que el
80.0% del grupo permaneció reprobado. Estos resultados demuestran que el enfoque
convencional genera avances insuficientes para la mayoría, dejando a cuatro de cada cinco
estudiantes sin alcanzar competencia satisfactoria en multiplicación.
El grupo experimental demostró un avance extraordinario en el dominio de la operación
de resta tras la intervención pedagógica implementada. El promedio grupal experimentó un salto
significativo de 5.7 a 7.8 puntos +2.1, representando una mejora cuatro veces superior a la del
grupo control +0.5, lo que evidencia la efectividad del método innovador aplicado. La desviación
estándar disminuyó de 0.9 a 0.7, indicando mayor homogeneidad y consistencia en el aprendizaje
grupal, donde los estudiantes convergieron hacia niveles de rendimiento más elevados y
uniformes. Particularmente notable es la transformación en la nota mínima, que ascendió de 3.8
a 6.2 puntos +2.4, demostrando que el método benefició especialmente a los estudiantes con
mayores dificultades iniciales, reduciendo significativamente la brecha de desempeño.
El porcentaje de aprobación se disparó dramáticamente de 3.3% a 73.3%, representando
un incremento de 70 puntos porcentuales y reduciendo la reprobación de 96.7% a solo 26.7%.
Esta transformación radical contrasta marcadamente con el grupo control, que mantuvo 73.3% de
reprobación, evidenciando que el método experimental no solo es superior sino transformador,
logrando que casi tres cuartas partes del grupo alcanzaran competencia satisfactoria en la resta,
convirtiendo un escenario de fracaso masivo inicial en uno de éxito mayoritario.
Tabla 6
Post test grupo control. Operación aritmética multiplicación
Indicador Pretest Postest Mejora
Promedio 5.4 7.9 +2.5
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 3.5 6.5 +3.0
Nota Máxima 7.2 9.5 +2.3
Aprobados (≥7.0) 0 24 +24
Porcentaje Aprobación 0.0% 80.0% +80.0%
Reprobados (<7.0) 30 6 -24
Porcentaje Reprobación 100.0% 20.0% -80.0%
Fuente: Elaborado por Santin (2025)
El grupo control mostró una mejora leve en el dominio de la multiplicación mediante el
método tradicional. El promedio aumentó modestamente de 5.6 a 6.2 puntos con +0.6, con una
desviación estándar estable en 0.8, manteniendo homogeneidad sin reducir la dispersión. Las
notas extremas mejoraron marginalmente +0.5 mínima, +0.7 máxima, evidenciando progreso
limitado en todos los niveles. La tasa de aprobación creció de 6.7% a 20.0% con +13.3 puntos
porcentuales, incorporando solo 4 estudiantes adicionales al umbral aprobatorio, mientras que el
80.0% del grupo permaneció reprobado. Estos resultados demuestran que el enfoque
convencional genera avances insuficientes para la mayoría, dejando a cuatro de cada cinco
estudiantes sin alcanzar competencia satisfactoria en multiplicación.
Vol. 12/ Núm. 4 2025 pág. 3387
Tabla 7
Post test grupo experimental. Operación aritmética multiplicación
Indicador Pretest Postest Mejora
Promedio 5.4 7.9 +2.5
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 3.5 6.5 +3.0
Nota Máxima 7.2 9.5 +2.3
Aprobados (≥7.0) 0 24 +24
Porcentaje Aprobación 0.0% 80.0% +80.0%
Reprobados (<7.0) 30 6 -24
Porcentaje Reprobación 100.0% 20.0% -80.0%
Fuente: Elaborado por Santin (2025)
El grupo experimental experimentó una transformación excepcional en el aprendizaje de
la multiplicación mediante el método innovador aplicado. El promedio se elevó de 5.4 a 7.9
puntos evidenciando +2.5, cuadriplicando la mejora del grupo control +0.6 y evidenciando la
superioridad pedagógica de la intervención. La desviación estándar descendió significativamente
de 0.9 a 0.6, reflejando mayor cohesión grupal y convergencia hacia la excelencia académica. La
nota mínima experimentó el salto más impresionante +3.0 puntos, de 3.5 a 6.5, demostrando que
el método rescató exitosamente a estudiantes con dificultades severas iniciales. El cambio más
extraordinario ocurrió en la aprobación: partiendo de 0.0% ningún estudiante aprobado, el grupo
alcanzó 80.0% de aprobación de 24 estudiantes, invirtiendo completamente la situación inicial de
fracaso total a éxito masivo.
Tabla 8
Post test grupo control. Operación aritmética división
Indicador Pretest Postest Mejora
Promedio 5.4 6.0 +0.6
Desviación Estándar 0.8 0.8 0.0
Nota Mínima 3.8 4.3 +0.5
Nota Máxima 6.9 7.6 +0.7
Aprobados (≥7.0) 0 4 +4
Porcentaje Aprobación 0.0% 13.3% +13.3%
Reprobados (<7.0) 30 26 -4
Porcentaje Reprobación 100.0% 86.7% -13.3%
Fuente: Elaborado por Santin (2025)
El grupo control evidenció un progreso marginal en el dominio de la división mediante
el método tradicional. El promedio aumentó modestamente de 5.4 a 6.0 puntos +0.6, manteniendo
Tabla 7
Post test grupo experimental. Operación aritmética multiplicación
Indicador Pretest Postest Mejora
Promedio 5.4 7.9 +2.5
Desviación Estándar 0.9 0.6 -0.3
Nota Mínima 3.5 6.5 +3.0
Nota Máxima 7.2 9.5 +2.3
Aprobados (≥7.0) 0 24 +24
Porcentaje Aprobación 0.0% 80.0% +80.0%
Reprobados (<7.0) 30 6 -24
Porcentaje Reprobación 100.0% 20.0% -80.0%
Fuente: Elaborado por Santin (2025)
El grupo experimental experimentó una transformación excepcional en el aprendizaje de
la multiplicación mediante el método innovador aplicado. El promedio se elevó de 5.4 a 7.9
puntos evidenciando +2.5, cuadriplicando la mejora del grupo control +0.6 y evidenciando la
superioridad pedagógica de la intervención. La desviación estándar descendió significativamente
de 0.9 a 0.6, reflejando mayor cohesión grupal y convergencia hacia la excelencia académica. La
nota mínima experimentó el salto más impresionante +3.0 puntos, de 3.5 a 6.5, demostrando que
el método rescató exitosamente a estudiantes con dificultades severas iniciales. El cambio más
extraordinario ocurrió en la aprobación: partiendo de 0.0% ningún estudiante aprobado, el grupo
alcanzó 80.0% de aprobación de 24 estudiantes, invirtiendo completamente la situación inicial de
fracaso total a éxito masivo.
Tabla 8
Post test grupo control. Operación aritmética división
Indicador Pretest Postest Mejora
Promedio 5.4 6.0 +0.6
Desviación Estándar 0.8 0.8 0.0
Nota Mínima 3.8 4.3 +0.5
Nota Máxima 6.9 7.6 +0.7
Aprobados (≥7.0) 0 4 +4
Porcentaje Aprobación 0.0% 13.3% +13.3%
Reprobados (<7.0) 30 26 -4
Porcentaje Reprobación 100.0% 86.7% -13.3%
Fuente: Elaborado por Santin (2025)
El grupo control evidenció un progreso marginal en el dominio de la división mediante
el método tradicional. El promedio aumentó modestamente de 5.4 a 6.0 puntos +0.6, manteniendo
Vol. 12/ Núm. 4 2025 pág. 3388
la desviación estándar constante en 0.8, lo que refleja homogeneidad sin reducción de la
dispersión grupal. Las notas extremas mejoraron levemente +0.5 mínima, +0.7 máxima,
indicando avances limitados tanto en estudiantes de bajo como de alto rendimiento. Partiendo de
una situación crítica con 0.0% de aprobación inicial, el grupo alcanzó apenas 13.3% de aprobación
4 estudiantes, dejando al 86.7% 26 estudiantes aún reprobados. Estos resultados demuestran que
la división, siendo la operación más compleja, requiere estrategias pedagógicas más robustas que
las tradicionales, pues el método convencional resultó insuficiente para superar las dificultades
inherentes de esta operación.
Tabla 9
Post test grupo experimental. Operación aritmética división
Indicador Pre-test Postest Mejora
Promedio 5.1 7.6 +2.5
Desviación Estándar 0.9 0.7 -0.2
Nota Mínima 3.2 6.0 +2.8
Nota Máxima 6.8 9.3 +2.5
Aprobados (≥7.0) 0 21 +21
Porcentaje Aprobación 0.0% 70.0% +70.0%
Reprobados (<7.0) 30 9 -21
Porcentaje Reprobación 100.0% 30.0% -70.0%
Fuente: Elaborado por Santin (2025)
El grupo experimental logró una transformación excepcional en el aprendizaje de la
división, la operación aritmética más compleja, mediante el método innovador implementado. El
promedio se elevó notablemente de 5.1 a 7.6 puntos +2.5, superando por más de cuatro veces la
mejora del grupo control +0.6 y evidenciando la efectividad del método para operaciones de alta
complejidad cognitiva. La desviación estándar disminuyó de 0.9 a 0.7, reflejando mayor cohesión
y uniformidad en el dominio de competencias. La nota mínima experimentó un ascenso
extraordinario de 3.2 a 6.0 puntos +2.8, demostrando que el método fue particularmente efectivo
con estudiantes que presentaban dificultades severas iniciales.
El cambio impactante ocurrió en la aprobación: partiendo de 0.0%, el grupo alcanzó
70.0% de aprobación de 21 estudiantes, transformando radicalmente el panorama académico y
reduciendo la reprobación a solo 30.0%. Esta metamorfosis educativa, contrastada con el 86.7%
de reprobación persistente en el grupo control, confirma que el método experimental no solo es
superior sino indispensable para la enseñanza efectiva de la división, logrando que siete de cada
diez estudiantes dominen exitosamente la operación más desafiante del currículo aritmético.
la desviación estándar constante en 0.8, lo que refleja homogeneidad sin reducción de la
dispersión grupal. Las notas extremas mejoraron levemente +0.5 mínima, +0.7 máxima,
indicando avances limitados tanto en estudiantes de bajo como de alto rendimiento. Partiendo de
una situación crítica con 0.0% de aprobación inicial, el grupo alcanzó apenas 13.3% de aprobación
4 estudiantes, dejando al 86.7% 26 estudiantes aún reprobados. Estos resultados demuestran que
la división, siendo la operación más compleja, requiere estrategias pedagógicas más robustas que
las tradicionales, pues el método convencional resultó insuficiente para superar las dificultades
inherentes de esta operación.
Tabla 9
Post test grupo experimental. Operación aritmética división
Indicador Pre-test Postest Mejora
Promedio 5.1 7.6 +2.5
Desviación Estándar 0.9 0.7 -0.2
Nota Mínima 3.2 6.0 +2.8
Nota Máxima 6.8 9.3 +2.5
Aprobados (≥7.0) 0 21 +21
Porcentaje Aprobación 0.0% 70.0% +70.0%
Reprobados (<7.0) 30 9 -21
Porcentaje Reprobación 100.0% 30.0% -70.0%
Fuente: Elaborado por Santin (2025)
El grupo experimental logró una transformación excepcional en el aprendizaje de la
división, la operación aritmética más compleja, mediante el método innovador implementado. El
promedio se elevó notablemente de 5.1 a 7.6 puntos +2.5, superando por más de cuatro veces la
mejora del grupo control +0.6 y evidenciando la efectividad del método para operaciones de alta
complejidad cognitiva. La desviación estándar disminuyó de 0.9 a 0.7, reflejando mayor cohesión
y uniformidad en el dominio de competencias. La nota mínima experimentó un ascenso
extraordinario de 3.2 a 6.0 puntos +2.8, demostrando que el método fue particularmente efectivo
con estudiantes que presentaban dificultades severas iniciales.
El cambio impactante ocurrió en la aprobación: partiendo de 0.0%, el grupo alcanzó
70.0% de aprobación de 21 estudiantes, transformando radicalmente el panorama académico y
reduciendo la reprobación a solo 30.0%. Esta metamorfosis educativa, contrastada con el 86.7%
de reprobación persistente en el grupo control, confirma que el método experimental no solo es
superior sino indispensable para la enseñanza efectiva de la división, logrando que siete de cada
diez estudiantes dominen exitosamente la operación más desafiante del currículo aritmético.
Vol. 12/ Núm. 4 2025 pág. 3389
DISCUSIÓN
Los resultados obtenidos demuestran que el grupo experimental quien recibió la
intervención con Claude experimentó mejorías superiores en comparación con el grupo control
después de la implementación de la inteligencia artificial. Este resultado, se alinea con
investigaciones recientes que han evidenciado que la incorporación de herramientas de IA en la
educación matemática posibilita una enseñanza personalizada, lo cual se traduce en mejoras del
desempeño académico y la motivación estudiantil (Román, 2024).
Durante el pretest, ambos grupos presentaron condiciones iniciales homogéneas con
promedios generales idénticos 5.8 para el control y 5.6 para el experimental, evidenciando un
bajo nivel de competencia en operaciones aritméticas básicas. Esta similitud garantiza la validez
comparativa del estudio y permite atribuir las diferencias posteriores a la intervención tecnológica
implementada. La situación crítica, con tasas de reprobación superiores al 88% en ambos grupos,
confirma la urgencia de implementar estrategias pedagógicas innovadoras que superen las
limitaciones del método tradicional.
El postest reveló transformaciones opuestas entre ambos grupos. Mientras el grupo
control mostró mejoras, pero insuficientes, con incrementos promedio entre 0.5 y 0.6 puntos que
mantuvieron tasas de reprobación por encima del 66% en todas las operaciones, el grupo
experimental experimentó avances excepcionales con mejoras promedio entre 2.1 y 2.5 puntos,
alcanzando tasas de aprobación del 70% al 100% según la operación aritmética. Esta diferencia
cuantitativa y cualitativa evidencia la superioridad pedagógica de Claude como herramienta
educativa transformadora.
Particularmente, resulta destacable el impacto diferenciado según la complejidad
cognitiva de cada operación. En la suma, el grupo experimental alcanzó el 100% de aprobación
eliminando la reprobación inicial del 90%, mientras el grupo control logró 33.3% de aprobación.
En la división, se presentó 0% de aprobación inicial en ambos grupos, el experimental alcanzó
70% de aprobación versus solo 13.3% del control, demostrando que Claude resulta
particularmente efectivo para operaciones de mayor demanda cognitiva donde el método
tradicional muestra limitaciones más pronunciadas.
La disminución sistemática de las desviaciones estándar en el grupo experimental de 0.9
a valores entre 0.6-0.7 contrasta con la estabilidad observada en el grupo control manteniendo el
0.8, evidenciando que Claude eleva el promedio grupal y reduce las brechas de aprendizaje,
garantizando que estudiantes con diferentes niveles iniciales converjan hacia estándares de
competencia satisfactorios. Esta capacidad de atención diferenciada representa una ventaja sobre
la metodología tradicional, que mantiene la heterogeneidad sin lograr elevar a los estudiantes con
mayores dificultades.
DISCUSIÓN
Los resultados obtenidos demuestran que el grupo experimental quien recibió la
intervención con Claude experimentó mejorías superiores en comparación con el grupo control
después de la implementación de la inteligencia artificial. Este resultado, se alinea con
investigaciones recientes que han evidenciado que la incorporación de herramientas de IA en la
educación matemática posibilita una enseñanza personalizada, lo cual se traduce en mejoras del
desempeño académico y la motivación estudiantil (Román, 2024).
Durante el pretest, ambos grupos presentaron condiciones iniciales homogéneas con
promedios generales idénticos 5.8 para el control y 5.6 para el experimental, evidenciando un
bajo nivel de competencia en operaciones aritméticas básicas. Esta similitud garantiza la validez
comparativa del estudio y permite atribuir las diferencias posteriores a la intervención tecnológica
implementada. La situación crítica, con tasas de reprobación superiores al 88% en ambos grupos,
confirma la urgencia de implementar estrategias pedagógicas innovadoras que superen las
limitaciones del método tradicional.
El postest reveló transformaciones opuestas entre ambos grupos. Mientras el grupo
control mostró mejoras, pero insuficientes, con incrementos promedio entre 0.5 y 0.6 puntos que
mantuvieron tasas de reprobación por encima del 66% en todas las operaciones, el grupo
experimental experimentó avances excepcionales con mejoras promedio entre 2.1 y 2.5 puntos,
alcanzando tasas de aprobación del 70% al 100% según la operación aritmética. Esta diferencia
cuantitativa y cualitativa evidencia la superioridad pedagógica de Claude como herramienta
educativa transformadora.
Particularmente, resulta destacable el impacto diferenciado según la complejidad
cognitiva de cada operación. En la suma, el grupo experimental alcanzó el 100% de aprobación
eliminando la reprobación inicial del 90%, mientras el grupo control logró 33.3% de aprobación.
En la división, se presentó 0% de aprobación inicial en ambos grupos, el experimental alcanzó
70% de aprobación versus solo 13.3% del control, demostrando que Claude resulta
particularmente efectivo para operaciones de mayor demanda cognitiva donde el método
tradicional muestra limitaciones más pronunciadas.
La disminución sistemática de las desviaciones estándar en el grupo experimental de 0.9
a valores entre 0.6-0.7 contrasta con la estabilidad observada en el grupo control manteniendo el
0.8, evidenciando que Claude eleva el promedio grupal y reduce las brechas de aprendizaje,
garantizando que estudiantes con diferentes niveles iniciales converjan hacia estándares de
competencia satisfactorios. Esta capacidad de atención diferenciada representa una ventaja sobre
la metodología tradicional, que mantiene la heterogeneidad sin lograr elevar a los estudiantes con
mayores dificultades.
Vol. 12/ Núm. 4 2025 pág. 3390
Los resultados confirman lo señalado por Panqueban y Huincahue (2024) respecto a que
las herramientas de IA posibilitan retroalimentación instantánea y ajuste personalizado de
contenidos según las necesidades individuales, favoreciendo un aprendizaje eficaz. La modalidad
asincrónica implementada permitió que cada estudiante trabajara a su propio ritmo, repitiera
ejercicios según necesidades particulares y recibiera respuestas inmediatas de Claude sin
depender de la presencia física docente, promoviendo así el aprendizaje autónomo y la
autorregulación del proceso educativo.
La capacidad de Claude para analizar y responder de forma personalizada se ajusta
perfectamente a las necesidades particulares de cada estudiante, como señalan estudios sobre
modelos de aprendizaje personalizados con IA (Delgado et al., 2025). Esta tecnología contribuye
a superar las limitaciones pedagógicas tradicionales, donde el docente difícilmente puede atender
individualmente a treinta estudiantes simultáneamente. La intervención demostró además que
estas herramientas favorecen el desarrollo de habilidades blandas como el pensamiento crítico y
la resolución autónoma de problemas, alineándose con las demandas actuales del mercado laboral
que requiere destrezas tecnológicas y cognitivas avanzadas (Valencia y Lizano, 2024).
No obstante, resulta fundamental reconocer que, pese a los resultados favorables
alcanzados, la integración de IA en el ámbito educativo enfrenta desafíos significativos que deben
abordarse sistemáticamente. La investigación sobre estrategias tecnológicas con IA en contextos
educativos latinoamericanos sigue siendo escasa, por lo que este estudio constituye un aporte
empírico relevante pero aún preliminar. Los docentes requieren capacitación continua y
especializada para maximizar el potencial pedagógico de estas herramientas, más allá del
conocimiento técnico básico de operación.
La implementación exitosa documentada en este estudio debe alinearse con el
movimiento global hacia una enseñanza matemática personalizada mediante inteligencia
artificial, conforme a las recomendaciones de organismos internacionales como UNESCO (2025),
que enfatizan la necesidad de aprovechar la IA para democratizar el acceso a educación de calidad
mientras se garantizan principios éticos y de equidad. Los resultados obtenidos sugieren que
Claude y herramientas similares poseen el potencial de transformar la educación matemática, en
contextos con limitaciones de recursos humanos y atención individualizada, siempre que su
implementación se acompañe de estrategias integrales que aborden las dimensiones pedagógicas,
tecnológicas, éticas y de política educativa necesarias para garantizar su sostenibilidad y
escalabilidad en el sistema educativo.
CONCLUSIONES
La investigación demuestra que el uso de la inteligencia artificial Claude representa una
innovación transformadora en la educación matemática, al fortalecer la práctica de operaciones
aritméticas en estudiantes de educación básica. Los resultados evidencian que Claude posibilita
Los resultados confirman lo señalado por Panqueban y Huincahue (2024) respecto a que
las herramientas de IA posibilitan retroalimentación instantánea y ajuste personalizado de
contenidos según las necesidades individuales, favoreciendo un aprendizaje eficaz. La modalidad
asincrónica implementada permitió que cada estudiante trabajara a su propio ritmo, repitiera
ejercicios según necesidades particulares y recibiera respuestas inmediatas de Claude sin
depender de la presencia física docente, promoviendo así el aprendizaje autónomo y la
autorregulación del proceso educativo.
La capacidad de Claude para analizar y responder de forma personalizada se ajusta
perfectamente a las necesidades particulares de cada estudiante, como señalan estudios sobre
modelos de aprendizaje personalizados con IA (Delgado et al., 2025). Esta tecnología contribuye
a superar las limitaciones pedagógicas tradicionales, donde el docente difícilmente puede atender
individualmente a treinta estudiantes simultáneamente. La intervención demostró además que
estas herramientas favorecen el desarrollo de habilidades blandas como el pensamiento crítico y
la resolución autónoma de problemas, alineándose con las demandas actuales del mercado laboral
que requiere destrezas tecnológicas y cognitivas avanzadas (Valencia y Lizano, 2024).
No obstante, resulta fundamental reconocer que, pese a los resultados favorables
alcanzados, la integración de IA en el ámbito educativo enfrenta desafíos significativos que deben
abordarse sistemáticamente. La investigación sobre estrategias tecnológicas con IA en contextos
educativos latinoamericanos sigue siendo escasa, por lo que este estudio constituye un aporte
empírico relevante pero aún preliminar. Los docentes requieren capacitación continua y
especializada para maximizar el potencial pedagógico de estas herramientas, más allá del
conocimiento técnico básico de operación.
La implementación exitosa documentada en este estudio debe alinearse con el
movimiento global hacia una enseñanza matemática personalizada mediante inteligencia
artificial, conforme a las recomendaciones de organismos internacionales como UNESCO (2025),
que enfatizan la necesidad de aprovechar la IA para democratizar el acceso a educación de calidad
mientras se garantizan principios éticos y de equidad. Los resultados obtenidos sugieren que
Claude y herramientas similares poseen el potencial de transformar la educación matemática, en
contextos con limitaciones de recursos humanos y atención individualizada, siempre que su
implementación se acompañe de estrategias integrales que aborden las dimensiones pedagógicas,
tecnológicas, éticas y de política educativa necesarias para garantizar su sostenibilidad y
escalabilidad en el sistema educativo.
CONCLUSIONES
La investigación demuestra que el uso de la inteligencia artificial Claude representa una
innovación transformadora en la educación matemática, al fortalecer la práctica de operaciones
aritméticas en estudiantes de educación básica. Los resultados evidencian que Claude posibilita
Vol. 12/ Núm. 4 2025 pág. 3391
la personalización del aprendizaje mediante retroalimentación instantánea y actividades
adaptadas al ritmo individual de cada estudiante, lo que potencia la motivación y optimiza el
rendimiento académico de manera superior al método tradicional.
El grupo experimental alcanzó tasas de aprobación entre 70% y 100% en todas las
operaciones aritméticas, contrastando con el grupo control que mantuvo tasas de reprobación
superiores al 66%, confirmando que la incorporación de esta tecnología supera las restricciones
del método convencional al posibilitar seguimiento cercano, atención diferenciada y reducción de
brechas de aprendizaje. Particularmente notable resulta su efectividad en operaciones de mayor
complejidad cognitiva como la división, donde el método tradicional mostró limitaciones
pronunciadas.
Las aplicaciones de Claude pueden extenderse a diferentes instituciones educativas y
niveles formativos para mejorar la enseñanza matemática, especialmente en contextos con
limitaciones de recursos y atención individual. Sin embargo, su implementación exitosa requiere
capacitación docente especializada y diseño de políticas inclusivas que garanticen acceso
equitativo y uso ético de la IA en educación.
la personalización del aprendizaje mediante retroalimentación instantánea y actividades
adaptadas al ritmo individual de cada estudiante, lo que potencia la motivación y optimiza el
rendimiento académico de manera superior al método tradicional.
El grupo experimental alcanzó tasas de aprobación entre 70% y 100% en todas las
operaciones aritméticas, contrastando con el grupo control que mantuvo tasas de reprobación
superiores al 66%, confirmando que la incorporación de esta tecnología supera las restricciones
del método convencional al posibilitar seguimiento cercano, atención diferenciada y reducción de
brechas de aprendizaje. Particularmente notable resulta su efectividad en operaciones de mayor
complejidad cognitiva como la división, donde el método tradicional mostró limitaciones
pronunciadas.
Las aplicaciones de Claude pueden extenderse a diferentes instituciones educativas y
niveles formativos para mejorar la enseñanza matemática, especialmente en contextos con
limitaciones de recursos y atención individual. Sin embargo, su implementación exitosa requiere
capacitación docente especializada y diseño de políticas inclusivas que garanticen acceso
equitativo y uso ético de la IA en educación.
Vol. 12/ Núm. 4 2025 pág. 3392
REFERENCIAS
Asqui, B. (2024). 3(1), 59-72. https://rei.esprint.tech/
Delgado Santin, V., Intriago Cedeño, M., Intriago Moreira, J., González Ramírez, C., y
Tandayamo Vargas, P. (2025). Aprendizaje Matemático personalizado mediante
inteligencia artificial: un modelo adaptativo para el desarrollo del razonamiento
algebraico en educación. ASCE, 4(3), 311–332.
https://doi.org/https://doi.org/10.70577/ASCE/311.332/2025
Delgado, V., Intriago Cedeño, M., Intriago Moreira, J., González Ramírez, C., y Tandayamo
Vargas, P. (2025). Aprendizaje Matemático personalizado mediante inteligencia
artificial: un modelo adaptativo para el desarrollo del razonamiento algebraico en
educación. ASCE, 4(3), 311–332.
https://doi.org/https://doi.org/10.70577/ASCE/311.332/2025
Hernández Sampiere, R. (2014). Metodología de la investigación.
https://apiperiodico.jalisco.gob.mx/api/sites/periodicooficial.jalisco.gob.mx/files/metod
ologia_de_la_investigacion_-_roberto_hernandez_sampieri.pdf
Mihaela Vieriu, A., y Petrea, G. (2025). El impacto de la inteligencia artificial (IA) en el desarrollo
académico de los estudiantes. Educ. Sci, 15(3), 343.
https://doi.org/https://doi.org/10.3390/educsci15030343
Panqueban, D., y Huincahue, J. (2024). Inteligencia Artificial en educación matemática: Una
revisión sistemática. Uniciencia, 38(1), 357-373.
https://doi.org/http://dx.doi.org/10.15359/ru.38-1.20
Parra, M., Trujillo-Arteaga, J., Álvarez-Abad, D., Arias-Domínguez, A., y Santillán-Gordón, E.
(2024). El impacto de la inteligencia artificial en la educación. Revista Científica Retos
De La Ciencia, 1(4), 169–181.
https://doi.org/https://doi.org/10.53877/rc.8.19e.202409.14
Ramos Galarza, C. (2021). Diseño de investigación experimental. CienciAmérica, 10(1).
https://doi.org/http://dx.doi.org/10.33210/ca.v10i1.356
Román , G. (2024). El Rol de la IA en la Enseñanza de Matemáticas en Entornos. Reincisol, 3(6),
2111-2133. https://doi.org/https://doi.org/10.59282/reincisol.V3(6)2111-2133
Román Cañizares, G. (2024). El Rol de la IA en la Enseñanza de Matemáticas en Entornos
Virtuales. Reincisol., 3(6), 2111–2133.
https://doi.org/https://doi.org/10.59282/reincisol.V3(6)2111-2133
UNESCO. (2024). El uso de la IA en la educación: decidir el futuro que queremos.
https://www.unesco.org/es/articles/el-uso-de-la-ia-en-la-educacion-decidir-el-futuro-
que-queremos
REFERENCIAS
Asqui, B. (2024). 3(1), 59-72. https://rei.esprint.tech/
Delgado Santin, V., Intriago Cedeño, M., Intriago Moreira, J., González Ramírez, C., y
Tandayamo Vargas, P. (2025). Aprendizaje Matemático personalizado mediante
inteligencia artificial: un modelo adaptativo para el desarrollo del razonamiento
algebraico en educación. ASCE, 4(3), 311–332.
https://doi.org/https://doi.org/10.70577/ASCE/311.332/2025
Delgado, V., Intriago Cedeño, M., Intriago Moreira, J., González Ramírez, C., y Tandayamo
Vargas, P. (2025). Aprendizaje Matemático personalizado mediante inteligencia
artificial: un modelo adaptativo para el desarrollo del razonamiento algebraico en
educación. ASCE, 4(3), 311–332.
https://doi.org/https://doi.org/10.70577/ASCE/311.332/2025
Hernández Sampiere, R. (2014). Metodología de la investigación.
https://apiperiodico.jalisco.gob.mx/api/sites/periodicooficial.jalisco.gob.mx/files/metod
ologia_de_la_investigacion_-_roberto_hernandez_sampieri.pdf
Mihaela Vieriu, A., y Petrea, G. (2025). El impacto de la inteligencia artificial (IA) en el desarrollo
académico de los estudiantes. Educ. Sci, 15(3), 343.
https://doi.org/https://doi.org/10.3390/educsci15030343
Panqueban, D., y Huincahue, J. (2024). Inteligencia Artificial en educación matemática: Una
revisión sistemática. Uniciencia, 38(1), 357-373.
https://doi.org/http://dx.doi.org/10.15359/ru.38-1.20
Parra, M., Trujillo-Arteaga, J., Álvarez-Abad, D., Arias-Domínguez, A., y Santillán-Gordón, E.
(2024). El impacto de la inteligencia artificial en la educación. Revista Científica Retos
De La Ciencia, 1(4), 169–181.
https://doi.org/https://doi.org/10.53877/rc.8.19e.202409.14
Ramos Galarza, C. (2021). Diseño de investigación experimental. CienciAmérica, 10(1).
https://doi.org/http://dx.doi.org/10.33210/ca.v10i1.356
Román , G. (2024). El Rol de la IA en la Enseñanza de Matemáticas en Entornos. Reincisol, 3(6),
2111-2133. https://doi.org/https://doi.org/10.59282/reincisol.V3(6)2111-2133
Román Cañizares, G. (2024). El Rol de la IA en la Enseñanza de Matemáticas en Entornos
Virtuales. Reincisol., 3(6), 2111–2133.
https://doi.org/https://doi.org/10.59282/reincisol.V3(6)2111-2133
UNESCO. (2024). El uso de la IA en la educación: decidir el futuro que queremos.
https://www.unesco.org/es/articles/el-uso-de-la-ia-en-la-educacion-decidir-el-futuro-
que-queremos
Vol. 12/ Núm. 4 2025 pág. 3393
UNESCO. (2025). La inteligencia artificial en la educación. https://www.unesco.org/es/digital-
education/artificial-intelligence
Valencia, E., y Lizano , J. (2024). Efectividad de herramientas digitales en el proceso de
enseñanza-aprendizaje de las matemáticas. Revista Social Fronteriza, 4(6), e46552.
https://doi.org/https://doi.org/10.59814/resofro.2024.4(6)552
UNESCO. (2025). La inteligencia artificial en la educación. https://www.unesco.org/es/digital-
education/artificial-intelligence
Valencia, E., y Lizano , J. (2024). Efectividad de herramientas digitales en el proceso de
enseñanza-aprendizaje de las matemáticas. Revista Social Fronteriza, 4(6), e46552.
https://doi.org/https://doi.org/10.59814/resofro.2024.4(6)552