https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
76
Artículo de revisión
Inteligencia Artificial aplicada al proceso de enseñanza-
aprendizaje en educación matemática: un análisis bibliométrico
Artificial Intelligence applied to teaching-learning process in mathematics
education: a bibliometric analysis
Ana Elizabeth Cózar Cisneros*
Escuela de Educación Básica “29 de Mayo”
Macas - Ecuador
anitacozar@hotmail.com
https://orcid.org/0000-0002-6708-1971
*Correspondencia:
anitacozar@hotmail.com
Cómo citar este artículo:
Cózar, A. (2025). Inteligencia Artificial
aplicada al proceso de enseñanza-
aprendizaje en educación matemática: un
análisis bibliométrico.
Revista de
Investigación Educativa Niveles, 2(2), 76-88.
https://doi.org/10.61347/rien.v2i2.80
Recibido: 3 de octubre de 2025
Proceso de evaluación:
6 de octubre al 9 de noviembre de 2025
Aceptado: 11 de noviembre de 2025
Publicado: 19 de noviembre de 2025
Resumen: La integración de la inteligencia artificial en la educación matemática ha
adquirido un protagonismo creciente en los últimos años, impulsando investigaciones
orientadas a mejorar los procesos de enseñanza y aprendizaje mediante algoritmos
avanzados y entornos digitales adaptativos. En este contexto, el presente estudio tiene
como objetivo analizar la evolución, tendencias y redes de colaboración en torno a la
producción científica sobre IA en educación matemática a través de un enfoque
bibliométrico. La metodología se basó en la extracción de datos desde la base de datos
Scopus, considerando publicaciones entre 2020 y 2025 e incluyendo artículos, revisiones,
conferencias y capítulos de libro. Los datos se procesaron mediante la herramienta
Bibliometrix a través de la interfaz Biblioshiny. Los resultados muestran un crecimiento
exponencial en la producción científica, con un incremento destacado a partir de 2022 y
un pico en 2024. En términos de liderazgo, China, Estados Unidos e India concentran la
mayor producción, acompañados por instituciones como la University of Florida y King
Abdulaziz University, mientras que autores como Wang Y. y Li C. se ubican entre los más
productivos. El análisis de términos frecuentes evidencia la centralidad de machine
learning, deep learning y la tendencia reciente de generative AI. Finalmente, las redes de
colaboración reflejan bloques regionales liderados por potencias científicas, con menor
participación de países en desarrollo. Este estudio aporta una visión actualizada y
sistemática sobre la relación entre IA y educación matemática, contribuyendo a la
comprensión de sus dinámicas globales.
Palabras clave:
Aprendizaje automático, bibliometría, bibliometrix, educación,
inteligencia artificial, matemática.
Abstract: The integration of artificial intelligence in mathematics education has gained
increasing prominence in recent years, promoting research aimed at improving teaching and
learning processes through advanced algorithms and adaptive digital environments. In this
context, the present study aims to analyze the evolution, trends and collaboration networks
around the scientific production on AI in mathematics education through a bibliometric approach.
The methodology was based on data extraction from the Scopus database, considering publications
between 2020 and 2025 and including articles, reviews, conferences and book chapters. The data
were processed using the Bibliometrix tool through the Biblioshiny interface. The results show an
exponential growth in scientific production, with a notable increase from 2022 and a peak in 2024.
In terms of leadership, China, the United States and India concentrate the largest production,
accompanied by institutions such as the University of Florida and King Abdulaziz University,
while authors such as Wang Y. and Li C. are among the most productive. The analysis of frequent
terms shows the centrality of machine learning, deep learning and the recent trend of generative
AI. Finally, the collaboration networks reflect regional blocs led by scientific powers, with less
participation from developing countries. This study provides an updated and systematic view of
the relationship between AI and mathematics education, contributing to the understanding of its
global dynamics.
Keywords: Artificial intelligence, bibliometrics, bibliometrix, education, machine learning,
mathematics.
Copyright: Derechos de autor 2025 Ana
Elizabeth Cózar Cisneros.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 77
1. Introducción
En la última década, la inteligencia artificial (IA) se ha considerado como una de las tecnologías
disruptivas más influyentes en el ámbito educativo, transformando enfoques tradicionales de
enseñanza, aprendizaje y evaluación en todas las disciplinas. Su aplicación ha favorecido experiencias
educativas más inclusivas, eficientes y personalizadas al adaptar los procesos de aprendizaje a las
necesidades específicas de cada estudiante (Kamalov et al., 2023).
En el caso particular de la educación matemática, la integración de la IA puede considerarse un
enfoque metodológico que aprovecha las capacidades computacionales para mejorar la enseñanza y el
aprendizaje, abordando desafíos educativos de manera efectiva mediante el uso de tecnologías que
facilitan la instrucción (Jia et al., 2024). Estas soluciones tecnológicas no se limitan únicamente a la
creación de algoritmos o el uso de software avanzado, sino también a la potenciación de habilidades
cognitivas de los estudiantes mediante herramientas que fomentan la creatividad y resolución de
problemas complejos (Relmasira et al., 2023).
La literatura ha documentado el crecimiento sostenido de la investigación sobre IA en la educación
matemática. Hwang & Tu (2021) realizaron un mapeo bibliométrico y una revisión sistemática de la
base de datos Web of Science para identificar los roles y tendencias de la IA en la educación matemática.
De igual manera, Subroto et al. (2024) realizaron un análisis bibliométrico de Scopus sobre estudios
publicados hasta 2023, destacando la expansión de la producción académica. Más recientemente,
Hossein-Mohand et al. (2025) analizó la producción científica entre 2020 y 2024, identificando
tendencias emergentes, redes de colaboración, destacando que China y Estados Unidos lideran en
productividad e impacto.
Pese a estos avances, la rápida evolución de la literatura en IA y educación matemática evidencia la
necesidad de contar con estudios que ofrezcan una visión integral y actualizada de este campo de
investigación. En este contexto, la presente investigación bibliométrica tiene como objetivo analizar la
evolución, tendencias y redes de colaboración en torno a la producción científica sobre IA en educación
matemática.
Para ello, se plantean las siguientes preguntas de investigación: (1) ¿Cómo ha evolucionado la
producción científica sobre IA en educación matemática?, (2) ¿Qué autores, instituciones y países
lideran la investigación?, (3) ¿Cuáles son los términos más frecuentes y las tendencias temáticas?, y (4)
¿Qué redes de colaboración existen entre instituciones y países en esta línea de investigación?
De esta manera, se busca ofrecer un panorama actualizado y aportar información estratégica que
permita a docentes e investigadores comprender el avance de estas tecnologías y tomar decisiones
orientadas a la mejora de la calidad educativa.
2. Metodología
Se utilizó la base de datos Scopus como fuente principal de información, reconocida
internacionalmente por su amplia cobertura multidisciplinaria y sus rigurosos estándares de
indexación (Phan et al., 2022). Scopus es la base de datos de resúmenes y citas más completa para la
literatura revisada por pares en una amplia variedad de campos (Al-Khoury et al., 2022) que ofrece
herramientas de exportación compatibles con los principales paquetes bibliométricos (AlRyalat et al.,
2019).
Se incluyeron artículos de investigación, revisiones, capítulos de libro y ponencias en conferencias
que abordaran explícitamente la relación entre inteligencia artificial y educación matemática,
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 78
publicados entre 2020 y 2025 ya que son los años que más impacto ha tenido el desarrollo de la IA. Se
excluyeron publicaciones no revisadas por pares, notas editoriales, resúmenes de congresos sin texto
completo y literatura gris, ya que no cumplen con criterios académicos de rigor y replicabilidad.
La estrategia de búsqueda se diseña considerando tres grupos conceptuales principales:
“inteligencia artificial”, “educación” y “matemáticas. La búsqueda se realizó en el campo de título
(“TITLE”), enfocando así la búsqueda a investigaciones con una relación directa y explícita con el tema.
En la tabla 1 se presenta la cadena de búsqueda utilizada y el número de estudios recuperados tras
aplicar los criterios de inclusión y exclusión.
Tabla 1
Estrategia de búsqueda y estudios recuperados
Cadena de búsqueda Estudios
(TITLE (“artificial intelligence" OR "AI" OR "machine learning" OR "deep learning"
OR "neural network*" OR "llm”) AND TITLE (“education" OR "instruction" OR
"pedagogy" OR "teach*" OR "learn*”) AND TITLE (“mathematic" OR "math*" OR
"arithmetic" OR "algebra" OR "geometry" OR "calculus”)) AND PUBYEAR > 2019
AND PUBYEAR < 2026 AND (LIMIT-TO (DOCTYPE, "ar”) OR LIMIT-TO
(DOCTYPE, "cp”) OR LIMIT-TO (DOCTYPE, "re”) OR LIMIT-TO (DOCTYPE, "ch”))
1191
El procesamiento y análisis de los datos bibliográficos se realizó mediante el paquete Bibliometrix
(Aria & Cuccurullo, 2017; Büyükkıdık, 2022) en el entorno de R (versión 4.5.1), utilizando la interfaz
gráfica Biblioshiny (versión 5.0), que facilita la exploración y visualización de resultados. Se llevaron a
cabo análisis de desempeño científico como producción por año, autores, instituciones, países y
fuentes, así como análisis de redes de colaboración y coocurrencia de palabras clave. Los datos se
exportaron desde Scopus en formato CSV y posteriormente se depuraron para asegurar la consistencia
de la información antes de ejecutar los análisis.
Bibliometrix y Biblioshiny son herramientas ampliamente aceptadas en la comunidad científica
para estudios bibliométricos en diversas áreas: Bhatnagar & Sharma (2022); Zhao & Li (2023), Zhong
et al. (2024); Dragović et al. (2024); Hafiar et al. (2024); Ghorbani (2024); Sharma et al. (2024); Amiruddin
et al. (2025); Chen & Ding (2025).
3. Resultados
El análisis preliminar de los documentos incluidos evidencia un corpus literario en rápida expansión,
conformado por 1.189 estudios únicos tras la eliminación de duplicados. La mayoría corresponde a
artículos científicos (61,2%), mientras que las revisiones (4,2%) y los capítulos de libro (2,8%)
representan aportes más limitados. Asimismo, destaca la presencia de documentos de conferencias
(31,8%), lo que refleja un área en constante innovación. La cobertura geográfica es amplia, con 99
países, 2.508 instituciones y 4.215 autores implicados. En la tabla 2 se presenta información principal
de los estudios considerados en el presente análisis bibliométrico.
La evolución anual de la producción científica, como se muestra en la figura 1, evidencia una
tendencia ascendente sostenida, con un crecimiento especialmente pronunciado a partir de 2022 y un
punto máximo en 2024, año en el que se registra la mayor cantidad de publicaciones. Este patrón refleja
la consolidación del tema como una línea prioritaria de investigación, impulsada por el avance de
nuevas tecnologías de IA y su progresiva implementación en contextos educativos. Aunque en 2025 el
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 79
número de publicaciones aún no alcanza el total del año anterior, la cifra acumulada sugiere que, de
mantenerse el ritmo, el presente año podría superarlo, confirmando así la expansión y madurez del
campo.
Tabla 2
Características de los estudios incluidos en el análisis
Información de los estudios Resultados
Duplicados 2
Artículos 728
Revisiones 50
Documentos de conferencias 378
Capítulos de libro 33
Total de estudios 1191
Número de países 99
Número de instituciones 2508
Número de fuentes 624
Documentos en inglés 1174
Documentos en chino 7
Documentos en español 4
Documentos en turco 2
Documentos en ruso 1
Documentos en coreano 1
Total de autores 4215
Total de documentos únicos 1189
Promedio de documentos por año 198.17
Figura 1
Producción científica anual
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 80
En contraste, el análisis de las citaciones ilustrado en la figura 2, revela una curva descendente en el
impacto acumulado, con los valores más altos concentrados en las publicaciones tempranas de 2021 y
2022, seguidas de una reducción progresiva en los años posteriores. Los datos de 2025 aún resultan
incipientes y reflejan un desfase natural en la acumulación de citaciones, pero la tendencia general
indica que el campo, aunque creciente en producción, está en proceso de consolidar el impacto de sus
aportes más recientes.
Figura 2
Total de citas por año de las publicaciones
La tabla 3 de autores más destacados, Wang Y. aparece como el más prolífico, con 20 publicaciones.
Por su parte, Guarda Afr, pese a contar con un menor número de trabajos, sobresale por su alto nivel
de citaciones, lo que refleja un impacto cualitativo superior. El análisis del índice h confirma que los
investigadores con mayor volumen de producción no siempre coinciden con los de mayor influencia,
lo que evidencia la coexistencia entre una producción abundante y aportes más selectivos, pero
altamente citados.
Tabla 3
Autores más destacados
Autor N°. de publicaciones N°. de Citas h index
Wang Y 20 159 7
Li C 18 71 5
Zhang Y 15 137 6
Xing W 13 69 5
Zhang J 13 50 3
Liu Y 11 83 5
Wang J 11 113 4
Liu J 10 68 3
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 81
Zhang H 10 121 5
Guarda Afr 9 179 6
En el caso de las revistas, tal como se presenta en la tabla 4, se observa un predominio de
publicaciones en medios de carácter técnico y de congreso, como Lecture Notes y Communications in
Computer and Information Science, que concentran gran parte de la producción, aunque con menor
impacto en términos de citaciones y cuartil. En contraste, revistas de mayor prestigio como
Mathematics, IEEE Access y Scientific Reports, presentan un nivel superior de citaciones e impacto, lo que
pone en evidencia la importancia de la calidad y visibilidad del medio de publicación por encima del
volumen.
Tabla 4
Revistas más influyentes
Revistas N°. de Publicaciones Cuartil Citaciones h-index
Lecture Notes in Networks and Systems 20 Q4 18 3
Communications in Computer and Information Science 18 Q4 51 4
Lecture Notes in Computer Science 17 Q2 41 4
Communications on Applied Nonlinear Analysis 15 Q4 15 2
Mathematics 15 Q1 315 6
IEEE Access 14 Q1 258 8
Scientific Reports 14 Q1 72 5
Aip Conference Proceedings 9 - 4 1
Applied Mathematics and Nonlinear Sciences 8 - 6 1
Advances in Neural Information Processing Systems 7 - 178 3
Respecto a las instituciones relevantes, como se muestra en la tabla 5, se identifica una notable
diversidad. La University of Florida y la University of California encabezan la producción, mientras que
la presencia de universidades de alto prestigio, como Stanford, confirma la relevancia del tema en
contextos académicos consolidados. Paralelamente, resulta significativo el aporte creciente de
instituciones de Medio Oriente, lo que evidencia un proceso de internacionalización del campo más
allá de los centros tradicionales de investigación en Norteamérica y Europa.
El análisis por países, como se observa en la figura 3, muestra una amplia hegemonía de China,
Estados Unidos, e India, que concentran más de dos tercios de la producción mundial, lo que confirma
su papel como principales centros de investigación en inteligencia artificial aplicada a la educación.
Mientras que naciones europeas como el Reino Unido y Alemania registran una participación más
reducida, Arabia Saudita se consolida como un actor emergente en la región de Medio Oriente. En
general, la distribución refleja un patrón de concentración geográfica, donde un número limitado de
países domina la agenda científica, aunque se advierte una participación creciente de naciones en
desarrollo que contribuyen a diversificar el panorama global.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 82
Tabla 5
Instituciones más relevantes
Institución Nro. de Publicaciones Red de colaboración
University of Florida 19
King Abdulaziz
University
16
University of California 16
College of Engineering 13
King Khalid University 12
Stanford University 12
The University of Utah 12
Khon Kaen University 11
Department of Computer
Science
10
Prince Sattam Bin
Abdulaziz University
10
Figura 3
Producción científica por país
El análisis de la red de colaboración entre países, como se aprecia en la figura 4, revela una
estructura altamente concentrada en tres nodos principales: China, Estados Unidos e India. Estos
países destacan no solo por su elevada producción, sino también por su mayor número de conexiones
internacionales, lo que los sitúa como ejes centrales de la cooperación global. Se identifican además dos
grandes comunidades: la primera, en color rojo, articulada en torno a China, Estados Unidos, India y
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 83
diversas naciones de Medio Oriente y Asia, que conforman un entramado regional particularmente
denso; y la segunda, en color azul, liderada por países europeos como el Reino Unido, Alemania y
Australia, con vínculos más estrechos hacia países de Latinoamérica.
Figura 4
Red de colaboración entre países
El análisis de los términos frecuentes, ilustrado en la figura 5, revela una clara centralidad de
conceptos asociados al aprendizaje automático y profundo, como machine learning, deep learning y neural
networks, que dominan ampliamente la producción científica reciente. En un nivel más específico,
emergen términos como geometry, mathematics education y students, que evidencian la orientación
pedagógica del campo. Asimismo, la presencia de términos como personalized learning y education
computing sugiere un creciente interés en la adaptación de estas herramientas al contexto educativo y
en la exploración de enfoques de aprendizaje individualizado.
Figura 5
Wordcloud de palabras clave de los autores
En cuanto a los temas en tendencia, como se aprecia en la figura 6, se observa una evolución
progresiva desde enfoques matemáticos tradicionales hacia aplicaciones más sofisticadas de
inteligencia artificial. Inicialmente, los estudios se centraban en aspectos como differential geometry y
mathematical methods, evidenciando un enfoque más teórico. Posteriormente, se consolidaron tópicos
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 84
con machine learning, deep learning y artificial intelligence como ejes centrales, en paralelo con la
incorporación de términos más pedagógicos como students y teaching. Finalmente, en 2025 emerge con
fuerza la generative artificial intelligence, lo que marca una transición hacia tecnologías de nueva
generación aplicadas a la enseñanza de las matemáticas.
Figura 6
Temas en tendencia a través de los años
La figura 7 muestra una red de ocurrencia con tres grupos principales. El primero, en color verde,
está dominada por el término machine learning y se conecta con técnicas específicas como decision tres y
support vector machines, reflejando un enfoque metodológico en algoritmos. La segunda, en azul, se
articula alrededor de deep learning y geometry, con vínculos hacia neural networks y aplicaciones en
mathematical modeling, mostrando la intersección entre IA y las matemáticas aplicadas. Finalmente, la
comunidad en rojo agrupa términos vinculados a la educación como students, teaching, personalized
learning, evidenciando el enfoque pedagógico y su integración con tecnologías de IA.
Figura 7
Red de coocurrencia de términos
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 85
4. Conclusiones
La producción científica sobre inteligencia artificial en educación matemática ha mostrado un
crecimiento sostenido y acelerado entre 2020 y 2025, con un incremento notable a partir de 2022 y un
punto máximo en 2024. El liderazgo en la investigación se concentra en los autores Wang Y., Li C. y
Zhang Y. como los más productivos. A nivel institucional, sobresalen la University of Florida, King
Abdulaziz University y University of California, mientras que, en términos geográficos, China, Estados
Unidos e India lideran claramente la producción de literatura.
En cuanto a la evolución temática, los términos más frecuentes y las principales líneas de
investigación se articulan en torno a machine learning y deep learning, que actúan como núcleos de la
investigación, vinculándose con áreas matemáticas como geometry y mathematical modeling, así como
con enfoques pedagógicos centrados en teaching, students y personalized learning. En los últimos años,
emergen tópicos relacionados con generative AI, lo que indica una diversificación hacia nuevas
aplicaciones educativas de la inteligencia artificial.
Las redes de colaboración entre países revelaron dos grandes bloques: uno centrado en China, India
y países asiáticos y de Medio Oriente, y otro liderado por Estados Unidos y Europa, lo que refleja
dinámicas regionales con nexos estratégicos entre potencias científicas. América Latina aparece aún en
posiciones periféricas, con aportes puntuales de Brasil, Perú, Chile y Colombia. En conjunto, estos
resultados sugieren que la cooperación internacional, aunque en expansión, continúa mediada por la
hegemonía de países con altos niveles de inversión en investigación y desarrollo tecnológico.
Limitaciones y trabajo a futuro
El presente estudio presenta algunas limitaciones consideradas al interpretar los resultados. En primer
lugar, la búsqueda se restringió exclusivamente a la base de datos Scopus, lo que, si bien asegura un
alto nivel de calidad y cobertura, puede descartar publicaciones indexadas en otras bases relevantes
como Web of Science o IEEE Xplore. Asimismo, el período analizado permitió capturar la producción
más reciente, pero excluyó trabajos previos que podrían ofrecer una visión histórica más amplia del
campo. Finalmente, si bien las métricas bibliométricas ofrecen un panorama general, no profundizan
en la calidad metodológica ni en el impacto pedagógico real de los estudios.
Futuras investigaciones podrían integrar múltiples bases de datos para ampliar la cobertura y
realizar comparaciones interplataforma que refuercen la validez de los hallazgos. También resulta
pertinente extender el horizonte temporal para identificar la evolución histórica de la inteligencia
artificial en educación matemática y así comprender con mayor precisión los cambios en las líneas de
investigación. Asimismo, un análisis complementario de tipo cienciométrico o altmétrico podría
ofrecer una visión más profunda sobre la influencia social y académica de estas publicaciones.
Finalmente, se recomienda desarrollar estudios cualitativos que analicen casos concretos de
implementación de IA en la enseñanza de las matemáticas, permitiendo contrastar los patrones
bibliométricos con experiencias educativas reales y así enriquecer la comprensión integral del
fenómeno.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 86
Referencias
Al-Khoury, A., Hussein, S., Abdulwhab, M., Aljuboori, Z., Haddad, H., Ali, M., Abed, I., & Flayyih, H.
(2022). Intellectual Capital History and Trends: A Bibliometric Analysis Using Scopus Database.
Sustainability, 14(18), 11615. https://doi.org/10.3390/su141811615
AlRyalat, S., Malkawi, L., & Momani, S. (2019). Comparing Bibliometric Analysis Using PubMed, Scopus,
and Web of Science Databases. Journal of Visualized Experiments (JoVE), 152, e58494.
https://doi.org/10.3791/58494
Amiruddin, M., Samsudin, A., Suhandi, A., Coştu, B., & Prahani, B. (2025). Scientific mapping and trend
of conceptual change: A bibliometric analysis. Social Sciences & Humanities Open, 11, 101208.
https://doi.org/10.1016/j.ssaho.2024.101208
Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis.
Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Bhatnagar, S., & Sharma, D. (2022). Evolution of green finance and its enablers: A bibliometric analysis.
Renewable and Sustainable Energy Reviews, 162, 112405. https://doi.org/10.1016/j.rser.2022.112405
Büyükkıdık, S. (2022). A Bibliometric Analysis: A Tutorial for the Bibliometrix Package in R Using IRT
Literature. Journal of Measurement and Evaluation in Education and Psychology, 13(3), 164-193.
https://doi.org/10.21031/epod.1069307
Chen, S., & Ding, Y. (2025). A Bibliometric Analysis on the Risk Factors of Cancer. Genes, Chromosomes &
Cancer, 64(1). https://doi.org/10.1002/gcc.70019
Dragović, B., Zrnić, N., Dragović, A., Tzannatos, E., & Dulebenets, M. (2024). A comprehensive
bibliometric analysis and assessment of high-impact research on the berth allocation problem.
Ocean Engineering, 300, 117163. https://doi.org/10.1016/j.oceaneng.2024.117163
Ghorbani, B. (2024). Bibliometrix: Science Mapping Analysis with R Biblioshiny Based on Web of Science
in Applied Linguistics. En H. Meihami & R. Esfandiari (Eds.), A Scientometrics Research Perspective
in Applied Linguistics (pp. 197-234). Springer Nature Switzerland. https://doi.org/10.1007/978-3-
031-51726-6_8
Hafiar, H., Budiana, H., Mirawati, I., Abdullah, K., & Purnomo, E. (2024). Conceptual structure analysis
with Bibliometrix package in R: A scientific communication of sport education. Retos, 51, 1245-
1254. https://doi.org/10.47197/retos.v51.101298
Hossein-Mohand, H., Hossein-Mohand, H., Albanese, V., & Gómez, M. (2025). AI in mathematics
education: A bibliometric analysis of global trends and collaborations (2020-2024). Eurasia Journal
of Mathematics, Science and Technology Education, 21(2), em2576.
https://doi.org/10.29333/ejmste/15915
Hwang, G.-J., & Tu, Y.-F. (2021). Roles and Research Trends of Artificial Intelligence in Mathematics
Education: A Bibliometric Mapping Analysis and Systematic Review. Mathematics, 9(6), 584.
https://doi.org/10.3390/math9060584
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 87
Jia, J., Wang, T., Zhang, Y., & Wang, G. (2024). The comparison of general tips for mathematical
problem solving generated by generative AI with those generated by human teachers. Asia
Pacific Journal of Education, 44(1), 8-28. https://doi.org/10.1080/02188791.2023.2286920
Kamalov, F., Santandreu, D., & Gurrib, I. (2023). New Era of Artificial Intelligence in Education:
Towards a Sustainable Multifaceted Revolution. Sustainability, 15(16), 12451.
https://doi.org/10.3390/su151612451
Phan, T., Do, T., Trinh, T., Tran, T., Duong, H., Trinh, T., Do, B., & Nguyen, T.-T. (2022). A Bibliometric
Review on Realistic Mathematics Education in Scopus Database between 1972-2019. European
Journal of Educational Research, 11(2). https://eric.ed.gov/?id=EJ1341741
Relmasira, S., Lai, Y., & Donaldson, J. (2023). Fostering AI Literacy in Elementary Science, Technology,
Engineering, Art, and Mathematics (STEAM) Education in the Age of Generative AI.
Sustainability, 15(18), 13595. https://doi.org/10.3390/su151813595
Sharma, G., Chintalapati, N., & Verma, P. (2024). A bibliometric analysis of social media use for
personal learning outcomes using biblioshiny & VOSviewer. International Journal of System
Assurance Engineering and Management. https://doi.org/10.1007/s13198-024-02599-y
Subroto, P., Malik, M., Raditya, A., & Saputra, N. (2024). A bibliometric analysis on artificial
intelligence in mathematics education. JRAMathEdu (Journal of Research and Advances in
Mathematics Education), 1-15. https://doi.org/10.23917/jramathedu.v9i1.2429
Zhao, J., & Li, M. (2023). Worldwide trends in prediabetes from 1985 to 2022: A bibliometric analysis
using bibliometrix R-tool. Frontiers in Public Health, 11.
https://doi.org/10.3389/fpubh.2023.1072521
Zhong, Z., Guo, H., & Qian, K. (2024). Deciphering the impact of machine learning on education:
Insights from a bibliometric analysis using bibliometrix R-package. Education and Information
Technologies, 29(16), 21995-22022. https://doi.org/10.1007/s10639-024-12734-8
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (76-88)
Revista de Investigación
Educativa Niveles
Ana Elizabeth Cózar Cisneros 88
Transparencia
Conflicto de interés
La autora declara que no existen conflictos de interés de naturaleza alguna como parte de la presente
investigación.
Fuente de financiamiento
La autora financia completamente la investigación.
Contribución de autoría
Ana Elizabeth Cózar Cisneros: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
La autora contribuye activamente en el análisis de los resultados, revisión y aprobación del manuscrito
final.
