aprendizaje archivos - Página 3 de 5 - El blog de Víctor Yepes

Innovación educativa con realidad aumentada: perspectivas en la educación superior en ingeniería

El artículo presenta un análisis exhaustivo sobre la integración de la realidad aumentada en la enseñanza superior de las ingenierías y de las ciencias de la Tierra. Una de las contribuciones más significativas es la propuesta de una metodología estructurada, denominada SEBAS, que guía la incorporación de esta tecnología enriquecedora en el aula. Esta metodología no solo proporciona un marco claro para el desarrollo de actividades educativas, sino que también fomenta un enfoque activo y participativo en el aprendizaje. La investigación destaca cómo esta tecnología puede transformar la enseñanza tradicional, ya que facilita la visualización de conceptos complejos y abstractos, lo que resulta en una experiencia de aprendizaje más interactiva y efectiva.

Además, el estudio resalta la importancia de la formación docente en el uso de tecnologías emergentes, lo que puede mejorar la calidad de la enseñanza y la preparación del alumnado para afrontar los desafíos del mundo profesional. La inclusión de la realidad aumentada en el currículo de ingeniería civil no solo enriquece el proceso educativo, sino que también responde a las necesidades de una generación de nativos digitales que demanda métodos de enseñanza más dinámicos.

Los resultados de la investigación indican que los estudiantes recibieron positivamente la implantación de esta tecnología en su formación. Se observó un aumento en la comprensión de los contenidos teóricos y una mejora en la motivación y el compromiso con el aprendizaje. La encuesta realizada a los participantes mostró que la mayoría considera que la realidad aumentada es un complemento valioso para las actividades prácticas y teóricas, lo que sugiere que esta herramienta puede ser un recurso eficaz para abordar las limitaciones de la educación tradicional.

Estos hallazgos tienen implicaciones significativas para la práctica profesional en ingeniería civil. La capacidad de visualizar y manipular modelos tridimensionales permite a los futuros profesionales desarrollar habilidades críticas esenciales para su campo. Además, la investigación recomienda que esta tecnología puede utilizarse para simular situaciones reales en el entorno laboral, lo que prepara a los futuros ingenieros para enfrentar desafíos prácticos de manera más efectiva. Este enfoque no solo mejora la formación académica, sino que también aumenta la empleabilidad de los graduados.

A partir de los resultados del artículo, se pueden identificar varias áreas de estudio que merecen una exploración más a fondo. Una posible línea de investigación podría centrarse en evaluar a largo plazo el impacto de la realidad aumentada en el rendimiento y la retención del conocimiento del alumnado de ingeniería civil. Esto permitiría determinar la efectividad de esta tecnología en diferentes contextos educativos y su capacidad para adaptarse a diversas metodologías de enseñanza.

Otra área de interés podría ser el desarrollo de recursos digitales específicos que complementen la enseñanza de otras disciplinas dentro de la ingeniería, como la ingeniería estructural o la ingeniería ambiental. La creación de aplicaciones que aborden temas específicos podría enriquecer aún más el aprendizaje y proporcionar herramientas prácticas a los estudiantes.

Finalmente, se sugiere investigar la percepción y aceptación de la realidad aumentada entre el profesorado, así como su disposición para integrar estas tecnologías en su práctica docente. Comprender las barreras y facilitadores en la adopción de esta herramienta por parte de los docentes puede resultar clave para su implementación exitosa en el aula.

La investigación sobre la realidad aumentada en la enseñanza superior de ingeniería civil ofrece perspectivas valiosas para mejorar el proceso de enseñanza-aprendizaje. La metodología SEBAS y los resultados positivos en la percepción del alumnado ponen de manifiesto el potencial de esta tecnología como herramienta educativa. Las futuras investigaciones en este campo pueden contribuir significativamente al avance del conocimiento y la práctica en esta disciplina, promoviendo una educación más interactiva y adaptada a las necesidades del entorno profesional actual.

Referencia:

DONAIRE-MARDONES, S.; BARRAZA ALONSO, R.; MARTÍNEZ-PAGÁN, P.; YEPES-BELLVER, L.; YEPES, V.; MARTÍNEZ-SEGURA, M.A. (2024). Innovación educativa con realidad aumentada: perspectivas en la educación superior en ingeniería. En libro de actas: X Congreso de Innovación Educativa y Docencia en Red. Valencia, 11 – 12 de julio de 2024. Doi: https://doi.org/10.4995/INRED2024.2024.18365

A continuación, os dejo el artículo completo, pues se encuentra en acceso libre.

Pincha aquí para descargar

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Aprendizaje no supervisado en la ingeniería civil

El aprendizaje no supervisado es una rama del aprendizaje automático (Machine Learning) que se centra en analizar y estructurar datos sin etiquetas ni categorías predefinidas. A diferencia del aprendizaje supervisado, en el que los modelos se entrenan con datos etiquetados, en el aprendizaje no supervisado los algoritmos deben identificar de manera autónoma patrones, relaciones o estructuras ocultas dentro de los datos. Se trata de una herramienta poderosa para explorar y entender datos complejos sin la necesidad de etiquetas predefinidas, descubriendo patrones y estructuras ocultas que pueden ser de gran valor en diversas aplicaciones prácticas.

El aprendizaje no supervisado permite analizar datos sin un objetivo definido o sin conocimiento previo de su estructura. Este enfoque es ideal para explorar patrones latentes y reducir la dimensionalidad de grandes conjuntos de datos, lo que facilita una mejor comprensión de su estructura. Además, al no depender de etiquetas previamente asignadas, permite adaptarse de manera flexible a diversos tipos de datos, incluidos aquellos cuya estructura subyacente no es evidente. Esta característica lo hace especialmente valioso en ámbitos como la exploración científica y el análisis de datos de mercado, donde los datos pueden ser abundantes, pero carecer de categorías predefinidas.

A pesar de sus ventajas, el aprendizaje no supervisado plantea desafíos como la interpretación de los resultados, ya que sin etiquetas predefinidas puede ser difícil evaluar la precisión de los modelos. Además, la elección del número óptimo de grupos o la validación de las reglas de asociación descubiertas puede requerir la intervención de expertos y métodos adicionales de validación.

El aprendizaje no supervisado incluye diversas técnicas que permiten analizar y extraer patrones de grandes conjuntos de datos sin necesidad de etiquetas. Una de las principales técnicas es el agrupamiento (clustering), que busca dividir los datos en grupos basados en similitudes inherentes. Existen dos tipos de algoritmos de agrupamiento: el agrupamiento duro, que asigna un dato a un único grupo, y el agrupamiento suave, que permite que un dato pertenezca a varios grupos con diferentes grados de pertenencia. Técnicas como k-means y k-medoids se utilizan mucho en este contexto. Mientras que k-means busca minimizar la distancia entre los datos y los centros de los grupos, k-medoids es más robusto frente a valores atípicos y adecuado para datos categóricos. Por otro lado, el agrupamiento jerárquico genera un dendrograma que permite explorar relaciones jerárquicas en los datos. Los mapas autoorganizados, que emplean redes neuronales, se utilizan para reducir la dimensionalidad de los datos sin perder su estructura y facilitar su interpretación en campos como la bioinformática y la economía.

En situaciones donde los datos tienen relaciones difusas, el agrupamiento suave, como el fuzzy c-means, asigna grados de pertenencia a cada dato, lo que resulta útil en áreas como la biomedicina. Los modelos de mezcla gaussiana, que utilizan distribuciones normales multivariadas, también se aplican a problemas complejos como la segmentación de mercado o la detección de anomalías. Además, el aprendizaje no supervisado incluye técnicas de asociación que buscan descubrir relaciones entre variables en grandes bases de datos, como el análisis de la cesta de la compra, donde se identifican productos que suelen comprarse juntos. También se utilizan técnicas de reducción de la dimensionalidad, que simplifican los datos de alta dimensionalidad sin perder mucha variabilidad. El análisis de componentes principales (PCA) es una técnica común en este ámbito, ya que transforma los datos en combinaciones lineales que facilitan su visualización y análisis, especialmente en casos de datos ruidosos, como los procedentes de sensores industriales o dispositivos médicos. Otras técnicas, como el análisis factorial y la factorización matricial no negativa, también se utilizan para reducir la complejidad de los datos y hacerlos más manejables, y son útiles en áreas como la bioinformática, el procesamiento de imágenes y el análisis de textos.

El aprendizaje no supervisado tiene diversas aplicaciones, como el análisis de clientes, que permite identificar segmentos con características o comportamientos similares, lo que optimiza las estrategias de marketing y la personalización de los servicios. También se utiliza en la detección de anomalías, ya que ayuda a identificar datos atípicos que pueden indicar fraudes, fallos en los sistemas o comportamientos inusuales en áreas industriales y financieras; en este campo, el análisis factorial revela dinámicas compartidas entre sectores económicos, lo que mejora la predicción de tendencias de mercado. En el procesamiento de imágenes, facilita tareas como la segmentación, que consiste en agrupar píxeles con características similares para identificar objetos o regiones dentro de una imagen. Además, en el análisis de textos, técnicas como la factorización matricial no negativa permiten descubrir temas latentes en grandes colecciones de documentos, mejorando los sistemas de recomendación y el análisis de sentimientos. En la investigación genómica, el clustering suave ha permitido identificar genes implicados en el desarrollo de enfermedades, lo que ha contribuido a avanzar en la medicina personalizada. Esta capacidad para analizar patrones complejos en datos biológicos ha acelerado el descubrimiento de biomarcadores y posibles dianas terapéuticas. Este enfoque también permite identificar correlaciones entre variables macroeconómicas que de otra manera podrían pasar desapercibidas. Por otro lado, el PCA se ha aplicado con éxito en la monitorización de sistemas industriales, ya que permite predecir fallos y reducir costes operativos mediante el análisis de variaciones en múltiples sensores. En el ámbito de la minería de textos, la factorización no negativa permite descubrir temas latentes, lo que mejora los sistemas de recomendación y análisis de sentimiento. Esto resulta particularmente valioso en aplicaciones de marketing digital, donde la segmentación precisa del contenido puede aumentar la eficacia de las campañas.

El aprendizaje no supervisado ha encontrado diversas aplicaciones en el ámbito de la ingeniería civil, ya que permite optimizar procesos y mejorar la toma de decisiones. A continuación, se destacan algunas de ellas:

Clasificación de suelos y materiales de construcción: Mediante técnicas de agrupación (clustering), es posible agrupar muestras de suelo o materiales de construcción según sus propiedades físicas y mecánicas. Esto facilita la selección adecuada de materiales para proyectos específicos y optimiza el diseño de cimentaciones y estructuras.
Análisis de patrones de tráfico: El aprendizaje automático permite identificar patrones en los flujos de tráfico, detectando comportamientos anómalos o recurrentes. Esta información es esencial para diseñar infraestructuras viales más eficientes y aplicar medidas de control de tráfico.
Monitorización de estructuras: Mediante la reducción dimensional y el análisis de datos procedentes de sensores instalados en puentes, edificios y otras infraestructuras, se pueden detectar anomalías o cambios en el comportamiento estructural. Esto contribuye a la prevención de fallos y al mantenimiento predictivo.
Optimización de rutas para maquinaria pesada: En proyectos de construcción a gran escala, el aprendizaje no supervisado ayuda a determinar las rutas más eficientes para la maquinaria, considerando factores como el terreno, el consumo de combustible y la seguridad, lo que se traduce en una mayor productividad y reducción de costes.
Segmentación de imágenes por satélite y aéreas: Las técnicas de aprendizaje no supervisado permiten clasificar y segmentar imágenes obtenidas de satélites o drones, identificando áreas urbanas, vegetación, cuerpos de agua y otros elementos. Esto es útil para la planificación urbana y la gestión de recursos naturales.
Análisis de datos de sensores en tiempo real: En la construcción de túneles y excavaciones, el análisis en tiempo real de datos de sensores puede realizarse mediante algoritmos no supervisados para detectar condiciones peligrosas, como deslizamientos de tierra o acumulación de gases, lo que mejora la seguridad en las obras.

En conclusión, el aprendizaje no supervisado es una herramienta versátil y potente para abordar problemas complejos y descubrir patrones ocultos en datos sin etiquetar. Su aplicación trasciende sectores, ya que ofrece soluciones prácticas para la investigación, la industria y el análisis de datos. En un mundo impulsado por el crecimiento exponencial de la información, el dominio de estas técnicas se presenta como una ventaja competitiva fundamental. La capacidad para analizar grandes volúmenes de datos y extraer información útil sigue siendo un motor clave de innovación y progreso.

Os dejo un mapa mental acerca del aprendizaje no supervisado.

Para profundizar en este tema, puedes consultar la siguiente conferencia:

Pincha aquí para descargar

Referencia:

GARCÍA, J.; VILLAVICENCIO, G.; ALTIMIRAS, F.; CRAWFORD, B.; SOTO, R.; MINTATOGAWA, V.; FRANCO, M.; MARTÍNEZ-MUÑOZ, D.; YEPES, V. (2022). Machine learning techniques applied to construction: A hybrid bibliometric analysis of advances and future directions. Automation in Construction, 142:104532. DOI:10.1016/j.autcon.2022.104532

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

La ingeniería humanitaria potencia la visión integral y empática en estudiantes

Un estudio reciente, titulado «The Impacts of Humanitarian Engineering on Sociotechnical Thinking», liderado por Jeffrey P. Walters y su equipo, explora cómo el contexto de la ingeniería humanitaria (HE) incide en el desarrollo del pensamiento social y técnico en estudiantes de ingeniería.

La investigación se centra en comparar las diferencias en la forma en que los estudiantes afrontan un desafío de diseño, en concreto, el de un muro de contención, en dos contextos distintos: Misisipi (Estados Unidos), un entorno no humanitario, y Bangladés, que representa una situación de ingeniería humanitaria.

El contexto del estudio

El estudio parte de la premisa de que la ingeniería no puede entenderse únicamente desde una perspectiva técnica, ya que toda solución de ingeniería implica un impacto social. Este concepto, conocido como «pensamiento sociotécnico», se ha convertido en un aspecto importante de la formación en ingeniería, especialmente debido a las crecientes demandas de la industria de profesionales que no solo dominen la técnica, sino que también comprendan y gestionen las implicaciones sociales y éticas de sus proyectos.

La investigación se basa en un experimento realizado con estudiantes de primer y tercer año de diferentes disciplinas de ingeniería de una universidad de EE. UU. UU. Se les planteó un reto de diseño: construir un muro de contención para prevenir inundaciones en uno de los dos contextos asignados aleatoriamente. Los estudiantes del grupo de Misisipi (contexto no humanitario) recibieron información centrada en las pérdidas económicas que las inundaciones causaron en la industria y en la economía nacional. Por otro lado, los estudiantes asignados al contexto de Bangladés (contexto humanitario) se enfrentaron a un escenario en el que las inundaciones habían desplazado a más de 300 000 personas, la mayoría de las cuales vivía por debajo del umbral de pobreza mundial.

Resultados clave y análisis

El estudio reveló diferencias significativas entre ambos grupos en la forma en que percibían el problema y las soluciones propuestas. Los estudiantes que trabajaron en el contexto de Bangladés mencionaron un mayor número de factores sociotécnicos que sus compañeros asignados al contexto de Misisipi. Estos factores incluyen consideraciones sobre la capacidad de la comunidad local para construir y mantener la infraestructura, el impacto en la vida cotidiana de las personas afectadas y la importancia de adaptar el proyecto a los recursos limitados disponibles. Además, estos estudiantes mostraron un enfoque más empático, poniendo énfasis en la seguridad y el bienestar de las comunidades.

Por el contrario, los estudiantes que trabajaron en el contexto de Misisipi se centraron principalmente en los aspectos técnicos del diseño, como el coste, los materiales y la estructura física de la pared. Si bien también mencionaron algunos factores sociales y técnicos, su enfoque se centró principalmente en la funcionalidad técnica y la eficiencia del proyecto.

Implicaciones educativas

Este estudio ofrece una valiosa evidencia de cómo la integración de contextos humanitarios en la enseñanza de la ingeniería puede influir profundamente en la forma en que los estudiantes abordan los problemas de diseño. Los resultados sugieren que el enfoque de ingeniería humanitaria fomenta un pensamiento más holístico y complejo, en el que los futuros ingenieros no solo consideran los aspectos técnicos, sino también las consecuencias sociales de sus decisiones.

Además, el estudio destaca la necesidad de abordar la enseñanza del pensamiento social y técnico con cautela. Si bien los estudiantes que trabajaron en el contexto de Bangladés mostraron mayor empatía, algunos también presentaron sesgos implícitos al asumir que la comunidad local carecía de las habilidades necesarias para construir o mantener la infraestructura, lo que podría perpetuar estereotipos negativos y enfoques paternalistas en el desarrollo global. El equipo de investigación subraya la necesidad de abordar estos sesgos en la enseñanza para garantizar que los estudiantes no solo aprendan a integrar factores sociales y técnicos, sino que también lo hagan desde una perspectiva ética y culturalmente sensible.

Conclusiones y futuro

Este trabajo subraya la importancia de que los futuros ingenieros desarrollen habilidades sociotécnicas que les permitan pensar más allá de las soluciones técnicas y considerar las complejas interacciones entre la tecnología y la sociedad. En un mundo cada vez más interconectado, con problemas de sostenibilidad y justicia social en aumento, estas competencias serán fundamentales para garantizar que los ingenieros proyecten soluciones eficientes, equitativas y sostenibles.

Los investigadores concluyen que integrar de manera consistente este tipo de desafíos en los programas educativos de ingeniería podría ser una estrategia eficaz para fomentar una mayor conciencia y capacidad de respuesta ante los problemas sociales y éticos entre los futuros profesionales. Asimismo, se sugiere que futuras investigaciones profundicen en cómo la exposición a estos contextos, en actividades más prolongadas o en escenarios reales, afecta al desarrollo del pensamiento sociotécnico y de la empatía en los estudiantes a lo largo de su formación académica.

Referencia:

Walters, J. P., Frisch, K., Yasuhara, K., & Kaminsky, J. (2025). The Impacts of Humanitarian Engineering Context on Students’ Sociotechnical Thinking. Journal of Civil Engineering Education, 151(1), 04024006.

Se pueden consultar los siguientes artículos del blog relacionados con la ingeniería humanitaria:

La ingeniería humanitaria y la teoría del cisne negro: Totalán, DANA, Zaldibar y el coronavirus nos dan las claves

Ingeniería civil humanitaria. Cómo afrontar una emergencia: Lecciones aprendidas de Totalán

Los motivos por los que se equivocan estudiantes y profesionales de ingeniería al abordar la resolución de problemas

Resolver problemas en el ámbito universitario o profesional, en áreas tecnológicas, de ingeniería y ciencias, puede plantear una serie de desafíos que pueden conducir a errores. Estos fallos pueden surgir por diversas razones que van desde no comprender el concepto subyacente hasta confiar demasiado en la tecnología.

En un artículo anterior mencioné algunos ejemplos de problemas teóricamente sencillos, pero que marean a nuestros estudiantes. Ahora vamos a analizar detalladamente algunas de estas razones y cómo se relacionan entre sí. También he incluido enlaces a otros artículos del blog donde reflexiono sobre este tipo de cuestiones.

La falta de comprensión del concepto subyacente a un problema es una preocupación fundamental. Esto puede manifestarse de diversas formas, ya sea a través de errores conceptuales, una aplicación incorrecta del concepto o una interpretación errónea del mismo. Esta falta de entendimiento puede empeorar si se carece de experiencia o conocimientos específicos en el campo correspondiente. Cuando un estudiante o profesional se enfrenta a un problema para el que no tiene experiencia previa, puede tener dificultades para aplicar correctamente los principios necesarios para resolverlo.

Los datos son fundamentales para encontrar soluciones, sin embargo, su calidad y disponibilidad pueden ser problemáticos. La falta de datos adecuados, la presencia de información contradictoria o sesgada pueden conducir a conclusiones incorrectas. Asimismo, centrarse excesivamente en utilizar todos los datos disponibles puede distraer de la información realmente importante, al tiempo que validar datos sesgados o inventados puede conducir a conclusiones incorrectas.

El manejo inadecuado de las bases matemáticas también puede ser una fuente de errores (geometría, trigonometría, cálculo o álgebra). Esto puede incluir errores en el cálculo, así como el uso inapropiado de fórmulas o modelos matemáticos. Los problemas reales rara vez tienen una sola solución, lo que requiere habilidades para evaluar y decidir entre múltiples enfoques posibles. Además, el uso excesivo de la memoria en lugar de la comprensión de los principios subyacentes puede conducir a errores conceptuales y de selección de modelos de cálculo.

Los aspectos psicológicos también son importantes. El estrés, la falta de confianza en uno mismo, la presión por terminar a tiempo y la falta de concentración pueden afectar a la capacidad de resolver problemas de manera efectiva. La falta de atención a los detalles, la fatiga y el agotamiento también pueden provocar errores en la resolución de problemas.

Es crucial comprender que los problemas reales pueden ser complejos y no tener necesariamente una solución única. Esto implica la necesidad de tomar decisiones informadas y comprender las limitaciones de los modelos o fórmulas utilizados. Además, la propagación de errores en las operaciones y el uso incorrecto de datos, fórmulas o software pueden dar lugar a resultados erróneos.

La falta de retroalimentación o revisión de los errores cometidos puede perpetuar la repetición de los mismos una y otra vez. La falta de comunicación o colaboración entre profesionales en entornos de trabajo también puede provocar errores en la resolución de problemas. Confiar ciegamente en la tecnología o en herramientas automatizadas sin comprender en profundidad los principios subyacentes puede ser un problema.

En resumen, resolver problemas en el ámbito universitario o profesional de la ingeniería y las ciencias puede ser un proceso complejo y propenso a errores debido a una variedad de factores interrelacionados. Desde la comprensión del concepto hasta la calidad y disponibilidad de los datos, así como los aspectos psicológicos y técnicos relacionados con la resolución de problemas, es crucial abordar estos desafíos con atención y comprensión para lograr soluciones precisas y efectivas. Desde las universidades debe hacerse todo lo posible para superar este tipo de dificultades y conseguir que nuestros estudiantes adquieran las competencias necesarias para su posterior desarrollo profesional.

Sin querer ser exhaustivo, y sin que estén ordenadas por importancia, aquí os dejo una lista de 30 posibles causas por las cuales nuestros estudiantes en los exámenes o los técnicos en su ámbito profesional, suelen cometer errores al resolver los problemas. Estoy convencido de que hay más causas, pero esto puede ser un buen punto de partida para el debate y la reflexión. En el vídeo que he grabado, me extiendo y explico algo más lo que aquí recojo como una simple lista.

La falta de comprensión del concepto subyacente en un problema puede conducir a errores conceptuales al aplicarlo incorrectamente o interpretarlo de manera errónea.
La inexperiencia o la falta de conocimientos específicos pueden surgir cuando una persona afronta por primera vez un tipo de problema, ya sea durante un examen o en la práctica profesional.
Los problemas relacionados con la disponibilidad de datos pueden presentarse de varias formas, como datos insuficientes, necesarios, innecesarios o contradictorios. A menudo, existe una obsesión por utilizar todos los datos disponibles en el enunciado del problema.
La calidad de los datos también es un factor importante, con la posibilidad de incertidumbre o error en los datos disponibles. Además, dar por válidos datos sesgados, interesados o inventados puede llevar a conclusiones incorrectas. Es necesario un control de calidad de los datos.
Intentar resolver un problema utilizando el enfoque típico visto en clase puede marear a nuestros estudiantes. Los alumnos prefieren resolver un problema típico explicado en clase, a ser posible, con datos parecidos.
El manejo inadecuado de las bases matemáticas, que incluye errores en el cálculo, el uso incorrecto de fórmulas o modelos matemáticos, y la falta de comprensión de los principios subyacentes, puede ser una fuente común de errores. La falta de conocimientos básicos de geometría, trigonometría, álgebra o cálculo básicos son, en ocasiones, escollos. A veces hay dificultades en saber dibujar un esquema para resolver el problema.
Los problemas reales generalmente no tienen una sola solución, lo que requiere habilidades para evaluar y decidir entre múltiples enfoques posibles. Esta distinción, que se da claramente entre los estudios de grado y los de máster, es importante tenerla en cuenta.
Los aspectos psicológicos, como el estrés, la falta de confianza en uno mismo, la presión por terminar a tiempo y la falta de concentración, pueden afectar negativamente la capacidad para resolver problemas de manera efectiva.
La falta de atención o interés, así como la fatiga o el agotamiento, pueden contribuir a errores en la resolución de problemas, al igual que la prisa por resolver el problema.
La complejidad de los problemas puede aumentar cuando se trata de situaciones poco comunes o rebuscadas, lo que requiere un enfoque cuidadoso y creativo para su resolución.
Es crucial comprender la diferencia entre una ley general y una fórmula particular al aplicar normas técnicas que pueden estar basadas en hipótesis o casos específicos.
Utilizar modelos de cálculo inadecuados, ya sean demasiado refinados o demasiado simples para los datos disponibles, puede conducir a soluciones incorrectas.
Carecer de números estimativos para prever el resultado final puede resultar en una falta de comprensión del orden de magnitud del resultado. En este sentido, el uso de nomogramas en la docencia facilita la adquisición de este tipo de habilidad en los estudiantes. Los estudiantes y los profesionales deberían tener un conocimiento del «número gordo» y saber predimensionar.
Es importante ser consciente de la propagación de errores en las operaciones, ya que incluso pequeños errores pueden magnificarse y llevar a resultados incorrectos.
Utilizar fórmulas, datos o tablas en un contexto diferente al que dieron origen puede llevar a interpretaciones incorrectas o a soluciones erróneas.
La extrapolación de resultados a límites no contemplados puede conducir a conclusiones incorrectas o poco realistas.
Utilizar fórmulas empíricas con datos expresados en unidades diferentes a las que funcionan puede generar resultados inconsistentes o incorrectos.
La dependencia excesiva de la memoria en lugar de comprender los principios subyacentes puede conducir a errores en la selección de modelos o fórmulas de cálculo.
Errores conceptuales pueden llevar a la selección incorrecta de modelos o fórmulas de cálculo, lo que resulta en soluciones erróneas.
El uso de software defectuoso o poco contrastado, así como la falta de habilidades para calcular manualmente un problema, pueden resultar en resultados incorrectos. A esto se une un uso inapropiado de la inteligencia artificial.
El mal uso de ecuaciones o fórmulas, como cambiar el nombre de una variable sin entender el concepto subyacente, puede conducir a errores en la resolución de problemas.
La falta de competencia o experiencia en una materia determinada puede resultar en una resolución incorrecta del problema.
Repetir la resolución de problemas de un contexto a otro sin pensar en su validez puede conducir a soluciones inapropiadas.
La falta de comprensión del problema, la pregunta o el tipo de resultado esperado puede resultar en soluciones incorrectas debido a la falta de comprensión lectora, capacidad analítica o de síntesis.
La utilización de unidades defectuosas, notaciones o convenciones específicas puede llevar a interpretaciones erróneas o a soluciones incorrectas.
La falta de retroalimentación o revisión de los errores cometidos puede perpetuar la repetición de los mismos errores una y otra vez.
La falta de comunicación o colaboración en entornos de trabajo entre profesionales puede contribuir a errores en la resolución de problemas.
La confianza excesiva en la tecnología o herramientas automatizadas puede llevar a la falta de comprensión de los principios subyacentes y a la comisión de errores.
La falta de revisión o verificación de los cálculos realizados por parte de un tercero independiente puede resultar en soluciones incorrectas.
La falta de conocimiento del contexto del problema, incluyendo las restricciones, puede conducir a soluciones subóptimas o incorrectas.

Os paso un vídeo donde he desarrollado las ideas anteriores, con ejemplos, y he dejado algunas de mis reflexiones al respecto. Espero que os guste.

Os dejo un podcast sobre este tema (en inglés), generado por una IA sobre el vídeo.

Aquí tenéis un mapa conceptual que también os puede ayudar.

Códigos abiertos basados en Python para la construcción de nomogramas y su aplicación en la ingeniería de proyectos

Durante los días 10-13 de julio de 2023 tuvo lugar en Donostia-San Sebastián (Spain) el 27th International Congress on Project Management and Engineering AEIPRO 2023. Fue una buena oportunidad para debatir y conocer propuestas sobre dirección e ingeniería de proyectos. Nuestro grupo de investigación, dentro del proyecto de investigación HYDELIFE, presentó varias comunicaciones. A continuación os paso una de ellas.

La Nomografía es una disciplina científica que se encarga de representar gráficamente fórmulas complejas mediante nomogramas, permitiendo el cálculo de tres o más variables matemáticas. Durante el siglo XX, esta técnica fue ampliamente utilizada en áreas como la ingeniería, medicina, electrónica, ciencias físicas, biológicas, etc. Sin embargo, con la llegada de las calculadoras y computadoras, la construcción de nuevos nomogramas y su enseñanza en la universidad disminuyeron. En los últimos años, la nomografía ha resurgido gracias a la ayuda de códigos de programación como PyNomo y Nomogen, basados en Python, que pueden generar un nomograma en cuestión de segundos, frente a las horas que antes requerían. En este trabajo se presentan estos códigos abiertos y algunos nomogramas generados con ellos, analizando su usabilidad, precisión y contribución a la relación entre las variables de las expresiones matemáticas. Finalmente, se destacan las posibilidades del uso de los nomogramas en la enseñanza e ingeniería de proyectos.

El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

Palabras clave:

Nomografía; PyNomo; Nomogen; ingeniería de proyectos; docencia

Agradecimientos:

This research was funded by MCIN/AEI/10.13039/501100011033, grant number PID2020-117056RB-I00 and The APC was funded by ERDF A way of making Europe.

Referencia:

YEPES, V.; MARTÍNEZ-PAGÁN, P.; ROSCHIER, L.; BOULET, D.J.; BLIGHT, T. (2023). Códigos abiertos basados en Python para la construcción de nomogramas y su aplicación en la ingeniería de proyectos. 27th International Congress on Project Management and Engineering, AEIPRO, 10-13 de julio, Donostia/San Sebastián (Spain), pp. 2106-2118. DOI:10.61547/3509

A continuación os dejo un vídeo donde presentamos el trabajo. Espero que os sea de interés.

Os dejo la comunicación completa, pues está publicada en acceso abierto. Espero que os sea de interés.

Pincha aquí para descargar

Ideas sobre la docencia de la asignatura de Procedimientos de Construcción

En el prólogo de obras anteriores, mencioné que la enseñanza de “Procedimientos de Construcción” es complicada, ya que implica instruir a futuros ingenieros civiles sobre la realización de obras. Este proceso abarca no solo las fases constructivas, sino también aspectos de gran relevancia, como el manejo de maquinaria y medios auxiliares, la seguridad y salud, el impacto ambiental de las obras, y sobre todo, conocimientos fundamentales en geotecnia, resistencia de materiales, mecánica, cálculo de estructuras, gestión de empresas, planificación de obras y economía. Todo este conjunto de conocimientos es esencial para tomar decisiones acertadas al seleccionar el mejor proceso constructivo para un proyecto específico. Además, debemos abordar toda esta información, considerando que la mayoría de los alumnos tienen poca o nula experiencia práctica en relación con el entorno físico de las obras.

Una dificultad adicional radica en la creación de un conjunto ordenado y coherente de problemas resueltos que no sean meramente teóricos, sino que se acerquen al mundo real de la profesión. Esta tarea resulta compleja en ocasiones, pues los procedimientos constructivos requieren conocimientos que abarcan casi todas las áreas de la ingeniería. En consecuencia, explicar esta asignatura en los primeros cursos de un grado universitario puede parecer arriesgado, debido a la amplia gama de conocimientos necesarios. Sin embargo, los planes de estudio a veces presentan estas incongruencias y desafíos en la enseñanza de esta materia.

Al final ha salido un volumen extenso, con una amplia variedad de problemas resueltos, que intenta abarcar todo el campo de conocimiento de los procedimientos de construcción, incluyendo la maquinaria y los medios auxiliares utilizados tanto en la ingeniería civil como en la edificación, e incluso en algunos casos, en la minería.

Esta colección forma parte del conjunto de materiales, libros y documentación que he elaborado como autor, complementando así el contenido teórico de la asignatura. Por esta razón, recomiendo al lector que acuda a manuales, libros o apuntes para reforzar la parte teórica de los problemas. No obstante, he incluido una extensa bibliografía que espero sea útil para este propósito. Además, me complace recomendar mi blog, que cuenta con
una trayectoria de casi 12 años y ha recopilado cerca de 2.000 artículos relacionados con aspectos de la ingeniería de la construcción. Puedes encontrarlo en el siguiente enlace: https://victoryepes.blogs.upv.es/.

El libro ofrece una completa colección de 300 problemas resueltos, abarcando aspectos relacionados con la maquinaria, medios auxiliares y procedimientos de construcción. Su contenido se enfoca en la mecanización de las obras, costos, disponibilidad, fiabilidad y mantenimiento de equipos, estudio del trabajo, producción de maquinaria, sondeos y perforaciones, técnicas de mejora del terreno, control y abatimiento del nivel freático, movimiento de tierras, equipos de dragado, explosivos y voladuras, excavación de túneles, instalaciones de tratamiento de áridos, compactación de suelos, ejecución de firmes, maquinaria auxiliar como bombas, compresores o ventiladores, cables y equipos de elevación, cimentaciones y vaciados, encofrados y cimbras, fabricación y puesta en obra del hormigón, organización y planificación de obras.

Es un libro, por tanto, muy enfocado a los ámbitos de la ingeniería de la construcción, tanto en el ámbito de la edificación, de la minería o de la ingeniería civil. Además, se incluyen 27 nomogramas originales y 19 apéndices para apoyar tanto a estudiantes de ingeniería o arquitectura, como a profesionales que enfrentan desafíos similares en su práctica diaria en obra o proyecto. La colección se complementa con un listado de referencias bibliográficas que respaldan los aspectos teóricos y prácticos abordados en los problemas. Estos problemas son similares a los tratados durante las clases de resolución de casos prácticos en la asignatura de Procedimientos de Construcción del Grado en Ingeniería Civil de la Universitat Politècnica de València (España). Por tanto, el libro resulta adecuado tanto para estudiantes de grado como para cursos de máster relacionados con la ingeniería civil, la edificación y las obras públicas.

Por último, y a pesar de que he puesto todo el empeño en resolver y revisar cada uno de los problemas, es posible que existan erratas o errores. Por ello, agradezco de antemano cualquier sugerencia o mejora que pueda ser útil para futuras ediciones. Espero sinceramente que este libro que tiene en sus manos contribuya a mejorar la calidad de la enseñanza de este tipo de asignaturas y que se convierta en una herramienta valiosa tanto para estudiantes como para profesionales. Su éxito en el aprendizaje y aplicación de los procedimientos de construcción es mi mayor deseo.

Valencia, a 25 de julio de 2023

Referencia:

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Conferencia inaugural de las VI Jornadas Internacionales sobre Innovación Docente en las Titulaciones Técnicas

Es un placer anunciar la invitación cursada desde por las VI Jornadas Internacionales sobre Innovación Docente en las Titulaciones Técnicas para impartir la conferencia inaugural el jueves 26 de octubre de 2023 en Granada.

Se trata de un foro donde el personal docente e investigador de universidad pueda compartir experiencias y continuar avanzando en la mejora de la docencia de la mano de la innovación y la tecnología.

Una de las cosas positivas que ha traído la crisis de la pandemia es la aparición de nuevos enfoques metodológicos cuyo éxito nos anima a incorporarlos de forma definitiva en las aulas. Estos enfoques, junto con otros estudios y prácticas innovadoras de interés para la mejora de la calidad de la docencia, son el objetivo de esta nueva edición de las jornadas que estarán organizadas sobre los siguientes ejes:

Metodologías docentes y de evaluación, tutorización y seguimiento.
Trabajos fin de título en ingeniería.
Formación en competencias transversales.
Otros temas de interés relacionados con la innovación y buenas prácticas docentes en las enseñanzas técnicas.

Las Jornadas tendrán lugar en la Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos de la Universidad de Granada, un centro líder en la formación en Ingeniería Civil y en Ingeniería de Caminos, Canales y Puertos.

La conferencia inaugural de INDOTEC 2023, presentada por Víctor Yepes, aborda la crucial necesidad de innovación en las titulaciones técnicas en el contexto de un mundo en constante cambio. La presentación justifica esta necesidad, propone criterios para seleccionar innovaciones docentes y analiza la gestión del conocimiento en el ámbito universitario. Se explora el concepto de «cliente» de la universidad, el objetivo de las titulaciones técnicas, y el cambio de paradigma en el proceso de aprendizaje, pasando de un modelo tradicional centrado en el profesor a uno centrado en el estudiante y el aprendizaje activo. Se identifican los cambios necesarios en profesores, estudiantes y universidades para adaptarse a este nuevo paradigma. Se discuten las características de las técnicas de innovación docente, incluyendo el miedo al cambio y la confusión entre tecnología e innovación. Finalmente, se aborda la «Economía del Conocimiento» en la docencia y se presentan ejemplos prácticos de técnicas utilizadas por el ponente.

Os dejo la presentación que voy a realizar en este conferencia inaugural.

Glosario de términos clave

Innovación docente: Introducción de novedades o mejoras en las prácticas de enseñanza y aprendizaje para aumentar la efectividad y relevancia educativa.
Titulaciones técnicas: Programas académicos universitarios orientados a preparar a los estudiantes con conocimientos, habilidades y competencias específicas para campos profesionales que requieren formación técnica, científica o tecnológica (ingenierías, arquitectura, etc.).
Cambio de paradigma en el proceso de aprendizaje: Transformación fundamental de un modelo de enseñanza centrado en el profesor y la transmisión unidireccional de información a un enfoque centrado en el estudiante, el aprendizaje activo y la comprensión profunda.
Economía del conocimiento: En el contexto universitario, implica gestionar y aprovechar la información y el saber de manera eficiente y efectiva en la docencia, priorizando conocimientos y habilidades clave y utilizando la tecnología.
Agentes (en el proceso educativo): Las diferentes partes interesadas que participan e influyen en el proceso educativo, incluyendo profesorado, estudiantes y la institución universitaria.
Competencias: Conjunto de conocimientos, habilidades y actitudes que un estudiante debe adquirir para desempeñarse exitosamente en un campo profesional específico.
Evaluación formativa: Proceso de evaluación continua que busca medir el progreso del estudiante a lo largo del curso y proporcionar retroalimentación para mejorar.
Aprendizaje a lo largo de la vida: Mentalidad que promueve la actualización constante de conocimientos y habilidades y la disposición a seguir aprendiendo después de completar la formación inicial.
Tecnologías de la Información y la Comunicación (TIC): Herramientas y recursos digitales utilizados para mejorar el acceso al conocimiento, la colaboración y el aprendizaje.
Gamificación: Integración de elementos de juego en entornos de no juego (como la educación) para aumentar la motivación, el compromiso y el aprendizaje de los estudiantes.
Teoría del Cisne Negro: Concepto que describe eventos inesperados y de gran impacto que alteran significativamente la situación y requieren tomar decisiones fuera de la norma.
Proceso de Bolonia: Iniciativa europea que busca crear un Espacio Europeo de Educación Superior armonizando las estructuras de los sistemas educativos universitarios.
Comunicación bidireccional (en docencia): Interacción en la que tanto el profesor como el estudiante son emisores y receptores, permitiendo el diálogo, la retroalimentación y la discusión.
Estadísticas (en medición de la innovación docente): Técnicas cuantitativas utilizadas para analizar objetivamente el impacto y la efectividad de las técnicas de innovación educativa.
MAPA mental / MAPA conceptual: Herramientas visuales para organizar información y conceptos, donde el mapa mental se centra en un tema central y ramificaciones, mientras que el mapa conceptual organiza ideas y relaciones de forma jerárquica.
Brain writing (6-3-5): Técnica de generación de ideas en grupo donde cada participante escribe 3 ideas en una hoja, la pasa a la siguiente persona y repite 5 veces.
SCAMPER: Técnica de pensamiento creativo para generar nuevas ideas a partir de una idea existente mediante la aplicación de verbos de acción (Sustituir, Combinar, Adaptar, Modificar, Poner en otro uso, Eliminar, Reorganizar).
Seis sombreros para pensar: Técnica de pensamiento lateral que permite analizar un problema o situación desde seis perspectivas diferentes representadas por sombreros de distintos colores.
MOOC (Massive Open Online Course): Cursos en línea masivos y abiertos, a menudo gratuitos, ofrecidos por universidades y otras instituciones.
Booklab / Mentimeter: Herramientas digitales de participación interactiva que permiten a los ponentes hacer preguntas a la audiencia en tiempo real y mostrar los resultados.

Aprendizaje profundo para la optimización del ciclo de vida de puentes mixtos de hormigón y acero

Acaban de publicarnos un artículo en Structures, revista indexada en el JCR. Se trata de la evaluación del coste del ciclo de vida mediante la función de densidad espectral de potencia en un puente de hormigón en ambiente costero. El artículo presenta una metodología que utiliza el aprendizaje profundo para acelerar los cálculos de las restricciones estructurales en un contexto de optimización, específicamente para un puente mixto de hormigón y acero. El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

El modelo de aprendizaje profundo óptimo está integrado por tres metaheurísticas: el método Obamo (Old Bachelor Acceptance with a Mutation Operator), el Cuckoo Search (CS) y los algoritmos de coseno sinusoidal (SCA). Esta integración da como resultado un posible aumento de 50 veces en la velocidad computacional en ciertos escenarios. El estudio destaca la viabilidad económica, las ramificaciones ambientales y las evaluaciones del ciclo de vida social de las soluciones de diseño optimizadas. Demuestra las ventajas de combinar el aprendizaje profundo con la optimización del diseño de la ingeniería civil, especialmente en lo que respecta al aumento del límite elástico del acero para cumplir objetivos medioambientales y sociales. La metodología propuesta en el documento se puede adaptar a una variedad de otras configuraciones estructurales, por lo que es aplicable más allá del caso específico del puente compuesto

La editorial permite la descarga gratuita del artículo hasta el 29 de noviembre de 2023 en la siguiente dirección: https://authors.elsevier.com/c/1humr8MoIG~oVG

Abstract:

The ability to conduct life cycle analyses of complex structures is vitally important for environmental and social considerations. Incorporating the life cycle into structural design optimization results in extended computational durations, underscoring the need for an innovative solution. This paper introduces a methodology leveraging deep learning to hasten structural constraint computations in an optimization context, considering the structure’s life cycle. Using a composite bridge composed of concrete and steel as a case study, the research delves into hyperparameter fine-tuning to craft a robust model that accelerates calculations. The optimal deep learning model is then integrated with three metaheuristics: the Old Bachelor Acceptance with a Mutation Operator (OBAMO), the Cuckoo Search (CS), and the Sine Cosine Algorithms (SCA). Results indicate a potential 50-fold increase in computational speed using the deep learning model in certain scenarios. A comprehensive comparison reveals economic feasibility, environmental ramifications, and social life cycle assessments, with an augmented steel yield strength observed in optimal design solutions for both environmental and social objective functions, highlighting the benefits of meshing deep learning with civil engineering design optimization.

Keywords:

Deep learning; Sustainability; Optimization; Bridges; Machine learning; Composite structures

Reference:

MARTÍNEZ-MUÑOZ, D.; GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2023). Deep learning classifier for life cycle optimization of steel-concrete composite bridges. Structures, 57:105347. DOI:10.1016/j.istruc.2023.105347

Maquinaria y procedimientos de construcción: Problemas resueltos

Os presento el libro que he publicado sobre maquinaria y procedimientos de construcción. Se trata de una completa colección de 300 problemas resueltos, abarcando aspectos relacionados con la maquinaria, medios auxiliares y procedimientos de construcción. Su contenido se enfoca en la mecanización de las obras, costos, disponibilidad, fiabilidad y mantenimiento de equipos, estudio del trabajo, producción de maquinaria, sondeos y perforaciones, técnicas de mejora del terreno, control y abatimiento del nivel freático, movimiento de tierras, equipos de dragado, explosivos y voladuras, excavación de túneles, instalaciones de tratamiento de áridos, compactación de suelos, ejecución de firmes, maquinaria auxiliar como bombas, compresores o ventiladores, cables y equipos de elevación, cimentaciones y vaciados, encofrados y cimbras, fabricación y puesta en obra del hormigón, organización y planificación de obras.

El libro tiene 562 páginas. Este libro lo podéis conseguir en la propia Universitat Politècnica de València o bien directamente por internet en esta dirección: https://www.lalibreria.upv.es/portalEd/UpvGEStore/products/p_376-7-1

Sobre el autor: Víctor Yepes Piqueras. Doctor Ingeniero de Caminos, Canales y Puertos. Catedrático de Universidad del Departamento de Ingeniería de la Construcción y Proyectos de Ingeniería Civil de la Universitat Politècnica de València. Número 1 de su promoción, ha desarrollado su vida profesional en empresas constructoras, en el sector público y en el ámbito universitario. Ha sido director académico del Máster Universitario en Ingeniería del Hormigón (acreditado con el sello EUR-ACE®), investigador del Instituto de Ciencia y Tecnología del Hormigón (ICITECH) y profesor visitante en la Pontificia Universidad Católica de Chile. Imparte docencia en asignaturas de grado y posgrado relacionadas con procedimientos de construcción y gestión de obras, calidad e innovación, modelos predictivos y optimización en la ingeniería. Sus líneas de investigación actuales se centran en la optimización multiobjetivo, la sostenibilidad y el análisis de ciclo de vida de puentes y estructuras de hormigón.

Referencia:

A continuación os paso las primeras páginas del libro, con el índice, para hacerse una idea del contenido desarrollado.

Pincha aquí para descargar

Evaluación de la capacidad de pensamiento crítico de los estudiantes universitarios en materia de sostenibilidad

Recientemente, hemos tenido el honor de que se publique nuestro artículo en el International Journal of Engineering Education, una revista indexada en el JCR. Nuestro estudio se enfoca en la evaluación de la capacidad de pensamiento crítico de los estudiantes universitarios en relación con la sostenibilidad. El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal.

El artículo propone una metodología para evaluar objetivamente las habilidades de pensamiento crítico de los estudiantes universitarios en materia de sostenibilidad a través de estudios de casos que utilizan la técnica del Proceso de Jerarquía Analítica (AHP). La herramienta propuesta permite a los profesores identificar las áreas en las que los estudiantes carecen de una visión clara del problema y adaptar sus planes de estudio en consecuencia. El documento tiene como objetivo cerrar las brechas de conocimiento existentes en la evaluación de las competencias transversales que conducen a perfiles impulsores de los Objetivos de Desarrollo Sostenible (ODS).

Las implicaciones prácticas de este trabajo son las siguientes:

Los profesores pueden emplear la metodología propuesta para evaluar las habilidades de pensamiento crítico de sus alumnos en cursos relacionados con la sostenibilidad.
La herramienta puede ayudar a los profesores a identificar las áreas en las que los estudiantes carecen de una visión clara del problema y a adaptar sus planes de estudio en consecuencia.
La metodología propuesta se puede personalizar para cada disciplina universitaria para motivar a los estudiantes a través de estudios de casos reales y fomentar el pensamiento crítico y las habilidades analíticas desde el punto de vista de la sostenibilidad.
La metodología propuesta puede ayudar a cerrar las brechas de conocimiento existentes en la evaluación de las competencias transversales que conducen a perfiles impulsores de los Objetivos de Desarrollo Sostenible (ODS).

El artículo presenta los resultados de una encuesta realizada utilizando la metodología propuesta para evaluar las habilidades de pensamiento crítico de los estudiantes universitarios en materia de sostenibilidad a través de estudios de casos que utilizan la técnica del Proceso de Jerarquía Analítica (AHP). Se muestra la caracterización estadística de las respuestas dadas por los estudiantes, proporcionando el valor medio, la desviación estándar y los percentiles 5 y 95 de los juicios, medidos en términos de la escala fundamental extendida de Saaty. También se muestra la relevancia promedio asignada a cada criterio debido a esta encuesta. Estos valores de relevancia se obtienen de la metodología de toma de decisiones descrita anteriormente.

El artículo propone una metodología novedosa para evaluar la adquisición de habilidades de pensamiento crítico en materia de sostenibilidad por parte de los estudiantes universitarios. La metodología propuesta se basa en estudios de casos prácticos personalizados para cada disciplina universitaria, con el objetivo de motivar a los estudiantes a través de estudios de casos reales, así como fomentar el pensamiento crítico y las habilidades analíticas, todo ello desde el punto de vista de la sostenibilidad. La herramienta propuesta permite saber, a través de la coherencia de las respuestas de los estudiantes, en qué medida el estudiante ha desarrollado su capacidad de pensamiento crítico para enfrentar problemas de diseño sostenible. El artículo concluye que la metodología propuesta es útil para que los profesores adapten eficazmente sus planes de estudio de acuerdo con los conocimientos de sus alumnos.

ABSTRACT:

Construction-related enterprises are acknowledged as one of the key actors responsible for shifting society toward the sustainable future claimed by the recently established Sustainable Development Goals. However, university curricula need to emphasize guaranteeing the acquisition of transversal competencies that are essential for the future management professionals required by this new challenge. Consistent and critical thinking is considered a fundamental skill for education in sustainability. To date, no studies have presented an objective measure of the level of acquisition of such transverse skills in university curricula. This study provides an analytical tool to that end, based on the multi-criteria decision-making technique Analytic Hierarchy Process (AHP). Through sustainability-oriented case studies, students are faced with real managerial decision-making problems. The proposed method allows for the analytic quantification of the consistency of their responses. Such consistency is representative of their critical thinking skills. The proposed tool allows teachers not only to find the consistency of their students’ responses but also to understand in which areas of sustainability students lack a clear vision of the problem. This tool is therefore useful for teachers to effectively adapt their syllabi according to their students’ knowledge.

KEYWORDS:

Sustainable education; transversal competence; critical thinking; management; consistency

REFERENCE:

NAVARRO, I.J.; MARTÍ, J.V.; YEPES, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3):592-603.

Os paso el artículo, que está publicado en abierto. Espero que os sea de interés.

Pincha aquí para descargar