Determinar los conocimientos y las competencias necesarias para el uso efectivo de las tecnologías educativas en el aula es una prioridad para investigadores y educadores. Este estudio bibliométrico responde a ¿Qué resultados se infieren sobre el desarrollo y evaluación de conocimientos y competencias del profesorado de las investigaciones sobre la incorporación de la tecnología en los procesos de instrucción matemática, que han utilizado como referentes el TPAK y/o el CCDM del EOS? Se analizaron 312 artículos de Scopus y WoS, y con Atlas.ti se realizó la codificación temática y el mapeo de conexiones. Un primer resultado es que los autores más relevantes que han usado esos referentes teóricos son Font, Breda y Godino, y que España es el núcleo de una red de colaboración con países de América latina. Un segundo resultado es que una de las líneas de avance es buscar la integración de ambos modelos para determinar conocimientos y competencias que necesita el profesorado para incorporar la tecnología en el aula, sea en general o bien para contenidos específicos. El análisis señala áreas emergentes a investigar, como los conocimientos y competencias necesarias para la integración de la tecnología en el proceso de enseñanza y aprendizaje de nociones específicas.
This doctoral research explores the conditions, barriers, and pedagogical implications of adopting Artificial Intelligence (AI) in mathematics education across Latin America. Grounded in an integrative framework that combines the Ontosemiotic Approach (OSA), the Didactic-Mathematical Knowledge and Competences (DMKC) model, the extended TPACK-XK framework, and the Theory of Instrumental Genesis (TIG), the study employs a mixed-method design involving 480 mathematics educators from Panama, Mexico, Argentina, Chile, Colombia, and Brazil. The research investigates regional and gender disparities, teacher training challenges, and institutional readiness for AI-enhanced instruction. Results show significant gaps in digital infrastructure, particularly in rural areas, and a marked gender divide in perceptions of students’ digital skills and AI competence. The study also evaluates design-based training cycles aimed at fostering reflective and context-sensitive use of AI tools in teaching practice. Findings highlight the urgent need for equity-driven AI training policies, professional development programs, and inclusive strategies that strengthen teachers’ technological and didactic capacities. The proposed analytical framework enables a nuanced assessment of AI integration in mathematics education and supports a more adaptive, ethical, and context-aware digital transformation in the region.
The integration of Lesson Study (LS) and Didactic Suitability Criteria (DSC) presents an innovative framework for enhancing mathematics teacher training in higher education. This study examines how LS-DSC fosters instructional refinement, professional growth, and pedagogical transformation among in-service teachers. Using a quasi-experimental mixed-methods approach, the study analyzed data from 520 mathematics educators participating in a six-month training program incorporating collaborative lesson planning, structured pedagogical assessment, and reflective teaching practices. Findings indicate significant improvements in instructional design, mathematical discourse facilitation, and adaptive teaching strategies, with post-training evaluations demonstrating a strong positive correlation (r = 0.78) between initial competency levels and learning gains. Participants reported increased confidence in implementing student-centered methodologies and sustained engagement in peer collaboration beyond the training period. The results align with prior research emphasizing the effectiveness of lesson study models and structured evaluation frameworks in teacher professionalization. This study contributes to higher education policy and practice by advocating for the institutional adoption of LS-DSC methodologies to promote evidence-based professional development. Future research should explore the long-term scalability of LS-DSC in diverse educational contexts and its impact on student learning outcomes.
La irrupción de la inteligencia artificial (IA) en la educación está transformando de manera estructural la producción, circulación y validación del conocimiento matemático, especialmente en contextos latinoamericanos marcados por brechas de infraestructura, formación docente y apoyo institucional (Cobo, 2022; Salas-Pilco & Yang, 2022). Este artículo presenta avances de la tesis doctoral de Keila Chacón-Rivadeneira en didáctica de la matemática, enmarcada en el programa EMAS-IA: Enseñanza de la Matemática Aplicada y Sostenible con Inteligencia Artificial, articulado con los diplomados EDEM y EMAS desarrollados en Panamá. El estudio adopta un diseño mixto y multinivel, e incluye una encuesta en línea aplicada a 480 docentes de matemáticas de varios países latinoamericanos, complementada con análisis de casos en profundidad y experiencias de simulación y entornos inmersivos (Morales-Maure et al., 2025a). Los resultados preliminares muestran una adopción desigual de la IA entre regiones, brechas significativas de género en competencias digitales y una fuerte dependencia del apoyo institucional para la integración efectiva de herramientas basadas en IA (UNESCO, 2023; Banco Mundial, 2025a). Se discuten implicaciones para el desarrollo de “laboratorios de IA para la docencia de matemáticas” y para políticas de formación docente sostenible, apoyadas en marcos como el CCDM y el Enfoque Ontosemiótico (Font et al., 2010; Morales-Maure et al., 2025).