Inteligencia artificial y modelos matemáticos en la resolución de problemas complejos
DOI:
https://doi.org/10.63688/zzaywf45Palabras clave:
inteligencia artificial, modelos matemáticos, resolución de problemas complejos, razonamiento matemático, optimizaciónResumen
La inteligencia artificial y los modelos matemáticos se han convertido en herramientas relevantes para la resolución de problemas complejos debido a su capacidad para procesar grandes volúmenes de datos, identificar patrones, realizar predicciones y optimizar procesos. El objetivo de este estudio fue analizar la contribución de la inteligencia artificial y los modelos matemáticos en la resolución de problemas complejos. Se realizó una revisión integrativa de la literatura mediante un proceso de búsqueda sistemática basado en las etapas de identificación, cribado, elegibilidad e inclusión establecidas por PRISMA 2020. Se incluyeron 15 publicaciones difundidas entre 2020 y 2026, entre estudios experimentales, revisiones sistemáticas, revisiones integrativas, informes técnicos y artículos conceptuales. Los hallazgos se organizaron en categorías relacionadas con razonamiento matemático, modelos de lenguaje, modelación, predicción, optimización, sistemas neuro-simbólicos, educación matemática, verificación, confiabilidad y supervisión humana. Los resultados mostraron que la inteligencia artificial puede apoyar la generación de procedimientos, la identificación de patrones, la simulación de escenarios, la personalización del aprendizaje y la toma de decisiones. Sin embargo, su efectividad varió según la calidad de los datos, el tipo de modelo, la complejidad del problema y los mecanismos de validación empleados. También se identificaron limitaciones relacionadas con errores de razonamiento, respuestas inexactas, falta de contextualización, sesgo algorítmico, baja interpretabilidad y dependencia excesiva de sistemas automatizados. Se concluye que la inteligencia artificial y los modelos matemáticos pueden fortalecer la resolución de problemas complejos cuando se integran de manera crítica, ética y sistemática, como complemento del razonamiento humano y la supervisión especializada.
Referencias
Barkeshli, M., Douglas, M. R., & Freedman, M. H. (2026). Artificial intelligence and the structure of mathematics [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.06107
Braun, V., & Clarke, V. (2021). One size fits all? What counts as quality practice in reflexive thematic analysis? Qualitative Research in Psychology, 18(3), 328–352. https://doi.org/10.1080/14780887.2020.1769238
Cao, B., Zhang, D., Li, Y., Liu, J., Huang, S., Shi, C., Lu, H., Wu, Y., Chen, G., Lam, W., & Wei, F. (2026). From abstract to contextual: What LLMs still cannot do in mathematics [Conference paper]. International Conference on Learning Representations. https://openreview.net/forum?id=KBknLdXxTa
Daher, W., & Gierdien, F. (2024). Use of language by generative AI tools in mathematical problem solving: The case of ChatGPT. African Journal of Research in Mathematics, Science and Technology Education, 28(2), 222–235. https://doi.org/10.1080/18117295.2024.2384676
Davis, E. (2023). Mathematics, word problems, common sense, and artificial intelligence [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2301.09723
Eti, N., Mosia, M. M., & Egara, F. O. (2026). The role of AI-driven personalised learning in enhancing mathematics problem-solving skills: A systematic review. Frontiers in Computer Science, 8, Article 1813431. https://doi.org/10.3389/fcomp.2026.1813431
Feng, T., Trinh, T. H., Bingham, G., Hwang, D., Chervonyi, Y., Jung, J., Lee, J., Pagano, C., Kim, S., Pasqualotto, F., Gukov, S., Lee, J. N., Kim, J., Hou, K., Ghiasi, G., Tay, Y., Li, Y., Kuang, C., Liu, Y., … Luong, T. (2026). Towards autonomous mathematics research [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2602.10177
Frieder, S., Pinchetti, L., Chevalier, A., Griffiths, R. R., Salvatori, T., Lukasiewicz, T., Petersen, P. C., & Berner, J. (2023). Mathematical capabilities of ChatGPT [Preprint]. arXiv. https://arxiv.org/abs/2301.13867
Hu, B. G., & Qu, H. B. (2020). Generalized constraints as a new mathematical problem in artificial intelligence: A review and perspective [Preprint]. arXiv. https://arxiv.org/abs/2011.06156
Ju, H., & Dong, B. (2026). AI for mathematics: Progress, challenges, and prospects [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.13209
Lubbe, W., Ham-Baloyi, W., & Smit, K. (2020). The integrative literature review as a research method: A demonstration review of research on neurodevelopmental supportive care in preterm infants. Journal of Neonatal Nursing, 26(6), 308–315. https://doi.org/10.1016/j.jnn.2020.04.006
OpenAI. (2023). GPT-4 technical report [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2303.08774
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., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, Article n71. https://doi.org/10.1136/bmj.n71
Panqueban, D., & Huincahue, J. (2024). Artificial intelligence in mathematics education: A systematic review. Uniciencia, 38(1). https://doi.org/10.15359/ru.38-1.20
Raiyan, S. R., Kabir, M., Mahmud, H., & Hasan, M. K. (2026). Artificial intelligence for mathematical reasoning: An integrated survey of language models, neuro-symbolic systems, and verified discovery [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2606.08728
Sarıkaya, K., & Kuzu, Ç. İ. (2026). The evolution of artificial intelligence in mathematical problem-solving processes: A mathematics education perspective. SAGE Open, 16(1). https://doi.org/10.1177/21582440261426456
Solutions, challenges and rising tensions in AI and mathematics. (2026). Nature Machine Intelligence, 8, 857. https://doi.org/10.1038/s42256-026-01269-x
Su, C. S., Hsu, C. C., & González Campos, J. A. (2026). ChatGPT as a resource to strengthen mathematics teaching and learning: A systematic review. Journal of Computer Assisted Learning, 42(3), Article e70241. https://doi.org/10.1002/jcal.70241
Trinh, T. H., Wu, Y., Le, Q. V., He, H., & Luong, T. (2024). Solving olympiad geometry without human demonstrations. Nature, 625(7995), 476–482. https://doi.org/10.1038/s41586-023-06747-5
Zheng, Y., Qin, H., Ma, X., & Wang, Y. (2024). Large language models in education: A comprehensive review. Computers & Education, 210, Article 104885. https://doi.org/10.1016/j.compedu.2024.104885
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Wilmer Javier Labre Tarco, Stalin Gabriel Salguero Gualpa, Freddy Alexander Chiliquinga Quispe, María Eugenia Heredia Espinosa, Shirley Johanna Cañar Ruiz (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
