El estudio analizó los usos educativos de la inteligencia artificial en el campo de las matemáticas, para determinar el uso de la IA en la enseñanza de matemáticas, así como describir las características de las herramientas de IA usadas para el aprendizaje de matemática e identificar las limitaciones y desafíos que presenta la IA como herramienta de aprendizaje matemático mediante una revisión sistemática bajo el protocolo PRISMA generando una búsqueda en las bases de datos Scopus, eligiendo diez investigaciones que cumplieron los criterios de inclusión previamente establecidos. Cómo resultados se evidenció que dentro de las herramientas utilizadas con mayor con frecuencia los tutores inteligentes, los sistemas adaptativos, IA generativa, robótica educativa, chatbots, y plataformas de aprendizaje, empleados para la personalización de la enseñanza, ya que proporcionan retroalimentación inmediata, diagnosticando errores y fortaleciendo la resolución de problemas, además se identificaron mejoras en la comprensión conceptual, el razonamiento lógico matemático y la autonomía; pero también se encontraron desafíos relacionados con los procesos de capacitación docente, las políticas de privacidad de los datos, la dependencia a los sistemas inteligentes y la brecha tecnológica. Se pudo concluir que la IA es el principal recurso pedagógico más eficiente para elevar el potencial de aprendizaje matemático siempre y cuando se incluyan criterios éticos, metodológicos y didácticos que resguarden la intervención docente y los procesos formativos del estudiante.
La creciente digitalización del sector agropecuario ha incrementado la dependencia de infraestructuras inteligentes basadas en IoT, edge computing e inteligencia artificial, transformando los sistemas productivos tradicionales en ecosistemas agro-digitales interconectados. Sin embargo, esta evolución tecnológica amplía significativamente la superficie de exposición a amenazas cibernéticas, particularmente en entornos rurales donde la infraestructura y la gobernanza digital presentan limitaciones estructurales. El presente estudio propone y valida una arquitectura híbrida basada en modelos de aprendizaje profundo, edge computing y mecanismos de integridad descentralizada para fortalecer la ciberseguridad en infraestructuras agropecuarias regionales. Se desarrolló un entorno simulado (testbed) que integra sensores IoT agrícolas y redes críticas, evaluándose modelos CNN–LSTM y autoencoders entrenados con datasets CIC-DDoS2019 y TON-IoT. Los resultados evidencian niveles de detección superiores al 98 %, con latencias adecuadas para operación en entornos con conectividad limitada. Los hallazgos confirman que la integración de inteligencia artificial en el borde mejora la resiliencia operativa y reduce la dependencia de infraestructura centralizada, lo que resulta estratégico para regiones rurales en proceso de transformación digital. Se concluye que la ciberseguridad debe incorporarse como componente estructural de la agricultura inteligente, articulando innovación tecnológica, gobernanza de datos y desarrollo sostenible.