Sistema tutor inteligente para apoyar el aprendizaje de matemáticas del grado tercero de secundaria en la institución educativa peruano canadiense.

Abstract

El propósito de este estudio fue implementar un Sistema Tutor Inteligente (STI) para fortalecer el aprendizaje de matemáticas en estudiantes de tercer grado de secundaria, mediante una herramienta tecnológica capaz de personalizar la enseñanza y focalizar

contenidos según las áreas con mayor dificultad. Para ello, se aplicó un diseño cuasi- experimental con enfoque cuantitativo, trabajando con una muestra de 82 estudiantes que

tenían el área de matemáticas desaprobada, seleccionados mediante muestreo no probabilístico por conveniencia. La implementación técnica del STI utilizó Python 3.10, bibliotecas especializadas como Pandas, NumPy y Scikit-learn, así como el algoritmo Random Forest Regressor para predecir la efectividad de los ejercicios según el historial de desempeño de cada estudiante, generando retroalimentación inmediata, ejercicios adaptativos y un ranking temático personalizado. Los resultados indicaron que el porcentaje de estudiantes en nivel bajo disminuyó de 63.41% a 17.07%, mientras que los estudiantes en nivel alto aumentaron de 4.88% a 35.37%, y los errores por tema se redujeron considerablemente en Exponentes (19,5%), Matrices (25,3%) y Factorización (35,7%). La evaluación evidenció que la integración de los algoritmos adaptativo y de análisis de desempeño permitió reforzar eficazmente las áreas con mayor dificultad y favorecer la progresión académica de los estudiantes. En conclusión, el STI demostró ser una solución eficaz, escalable y adaptable para el aprendizaje de matemáticas en la Institución Educativa Peruano Canadiense, mejorando la personalización de la enseñanza, la progresión académica y la adquisición de competencias algebraicas de manera progresiva y adaptativa.

The purpose of this study was to implement an Intelligent Tutoring System (ITS) to strengthen mathematics learning for third-grade secondary students, using a technological tool capable of personalizing instruction and focusing content on areas of greatest difficulty. A quasi-experimental design with a quantitative approach was applied,

working with a sample of 82 students who had failed mathematics, selected through non- probabilistic convenience sampling. The technical implementation of the ITS utilized

Python 3.10, specialized libraries such as Pandas, NumPy, and Scikit-learn, as well as the Random Forest Regressor algorithm to predict the effectiveness of exercises based on each student’s performance history, generating immediate feedback, adaptive exercises, and a personalized thematic ranking. The results indicated that the percentage of students at a low level decreased from 63.41% to 17.07%, while high-level students increased from 4.88% to 35.37%, and errors by topic were considerably reduced in Exponents (19.5%), Matrices (25.3%), and Factorization (35.7%). The evaluation showed that the integration of the adaptive and performance analysis algorithms effectively reinforced the most challenging areas and promoted students’ academic progression. In conclusion, the ITS proved to be an effective, scalable, and adaptable solution for mathematics learning at the Peruano Canadiense Educational Institution, improving personalized instruction, academic progression, and the acquisition of algebraic competencies progressively and adaptively.