Categoría: universidad

Entornos de aprendizaje emergentes en la educación en ingeniería

La formación en ingeniería está experimentando una transformación profunda, impulsada por desafíos globales como el cambio climático, la revolución digital y la creciente brecha entre la enseñanza académica y las exigencias del mercado laboral. A continuación, analizamos el trabajo de Hadgraft y Kolmos (2020), donde se explora cómo la educación en ingeniería está evolucionando para hacer frente a estos retos mediante cuatro tendencias clave: el aprendizaje centrado en el estudiante, el aprendizaje contextual, la digitalización de la enseñanza y el desarrollo de competencias profesionales. A partir de estas líneas de cambio, se propone que la educación futura debe pasar de un enfoque en disciplinas individuales a currículos integrados que aborden problemas complejos y promuevan trayectorias de aprendizaje personalizadas. En última instancia, se hace hincapié en la necesidad de un cambio sistémico en el diseño curricular para preparar a los ingenieros para un futuro laboral en constante cambio.

La educación en ingeniería se enfrenta a tres desafíos fundamentales: la sostenibilidad y el cambio climático, la Cuarta Revolución Industrial (Industria 4.0) y la empleabilidad de los graduados. Estos desafíos exigen que los ingenieros del futuro posean habilidades transdisciplinares, pensamiento sistémico y contextual, y la capacidad de actuar en situaciones complejas y caóticas. Para responder a estas necesidades, la educación en ingeniería ha evolucionado hacia un enfoque centrado en el estudiante, la integración de la teoría y la práctica, el aprendizaje digital y en línea, y el desarrollo de competencias profesionales. A largo plazo, se tenderá a modelos curriculares más personalizados y centrados en proyectos que permitan a los estudiantes construir sus propias trayectorias de aprendizaje y documentar sus competencias para el aprendizaje a lo largo de la vida.

1. Desafíos clave para la educación en ingeniería

Se identifican tres desafíos principales que están impulsando la necesidad de transformar la educación en ingeniería:

  • Sostenibilidad y cambio climático: la ingeniería es fundamental para abordar los 17 Objetivos de Desarrollo Sostenible (ODS) de la ONU, especialmente en lo que respecta a la pobreza, el hambre, la salud, el agua, la energía, el crecimiento económico y la acción climática. La educación en ingeniería debe preparar a los graduados para responder a estos desafíos humanitarios, sociales y económicos.
  • Cuarta Revolución Industrial (Industria 4.0): Esta revolución implica la integración generalizada de tecnologías como la automatización, el internet de las cosas (IoT), la inteligencia artificial (IA), la robótica y la fabricación aditiva. Tradicionalmente, la ingeniería no se ha enseñado de manera integradora, pero el éxito de la Industria 4.0 depende de la interacción y la integración de estas tecnologías. Esto requiere una mayor colaboración interdisciplinaria entre diferentes programas y disciplinas universitarias, como informática, análisis de datos, robótica, automatización, producción, gestión, electrónica y materiales. La segunda revolución industrial, que está en la agenda política e industrial, implica la integración generalizada de tecnologías como la automatización, el IoT, la IA, la robótica, los materiales avanzados, la fabricación aditiva, la impresión multidimensional, las bio-, nano- y neurotecnologías, y las realidades virtuales y aumentadas.
  • Empleabilidad y competencias de innovación: a pesar de la creciente importancia de habilidades como el emprendimiento y el pensamiento de diseño, aún existe una brecha entre la formación en ingeniería y la preparación para el mundo laboral. La integración de la teoría y la práctica mediante pasantías, proyectos en colaboración con el sector y laboratorios de aprendizaje son soluciones parciales. El aprendizaje basado en problemas o proyectos (PBL) se presenta como un mecanismo para abordar este desafío. La brecha entre la educación en ingeniería y la preparación para el trabajo sigue existiendo, por lo que se deben integrar la teoría y la práctica mediante un enfoque centrado en la empleabilidad y la colaboración con la industria mediante pasantías, proyectos de asociación y laboratorios de aprendizaje.
Desafíos principales que están impulsando la necesidad de transformar la educación en ingeniería

Estos tres desafíos exigen, en conjunto, un mayor énfasis en la responsabilidad social, la integración del contexto social y la interdisciplinariedad, combinados con habilidades digitales y genéricas.

2. Respuestas actuales y tendencias emergentes

La educación en ingeniería ha respondido a estos desafíos con cuatro tendencias principales que se materializarán a corto plazo:

  1. Aprendizaje centrado en el estudiante: Un cambio significativo de la enseñanza tradicional (el profesor da la clase, los estudiantes escuchan) a un currículo más interactivo donde los estudiantes influyen en la dirección de su propio aprendizaje. Esto incluye metodologías como el aprendizaje activo, el aprendizaje colaborativo, el aprendizaje basado en equipos, el aprendizaje basado en el diseño, el aprendizaje basado en la investigación y, en particular, el aprendizaje basado en problemas y proyectos (PBL). El PBL ha demostrado su eficacia para aumentar la motivación, reducir las tasas de abandono y desarrollar competencias, y constituye una respuesta clave a la necesidad de un aprendizaje más complejo. El aprendizaje centrado en el estudiante es un área bien investigada. Los estudios sobre aprendizaje activo, aprendizaje basado en la investigación, aprendizaje basado en el diseño y aprendizaje basado en desafíos muestran efectos positivos en los resultados del aprendizaje. La motivación aumenta cuando los estudiantes inician proyectos, en los que identifican problemas y tienen un alto grado de influencia en la dirección del proyecto.
  2. Aprendizaje contextual y basado en la práctica: Incorporación de elementos curriculares relacionados con situaciones laborales futuras, como pasantías, proyectos de la industria, emprendimiento y centros de innovación. Los proyectos iniciados externamente (por empresas o la comunidad) son particularmente valiosos porque son auténticos y exponen a los estudiantes a la complejidad del mundo real. Junto con la tendencia del aprendizaje centrado en el estudiante, existe una tendencia de aprendizaje contextual y relacionado con la práctica, en la que los estudiantes cuentan con elementos del currículo relacionados con situaciones laborales posteriores, como pasantías, proyectos de la industria, emprendimiento y centros de innovación.
  3. Aprendizaje digital y en línea: Evolución del aprendizaje a distancia a estrategias de aprendizaje combinado (blended learning) que utilizan nuevas tecnologías como la realidad aumentada y la visualización 3D. El modelo del «aula invertida» (flipped classroom) es un ejemplo destacado, en el que los estudiantes se preparan con contenido en línea antes de clase y utilizan el tiempo en el aula para actividades interactivas y resolución de problemas. Este enfoque es una respuesta a la ineficacia de las clases magistrales tradicionales para los niveles superiores de la taxonomía de Bloom y los aspectos complejos del marco Cynefin. En la actualidad, el aprendizaje digital se centra en las estrategias de aprendizaje combinado. La digitalización es más que ofrecer plataformas y entornos de aprendizaje en línea como Blackboard o Moodle; consiste en usar nuevas tecnologías para el aprendizaje, como la realidad aumentada, la visualización 3D, etc. El modelo de «aula invertida», como enfoque centrado en el estudiante, es una respuesta a la metodología de enseñanza y aprendizaje más extendida en la educación en ingeniería, que consiste en un aprendizaje instructivo basado en libros de texto organizado como conferencias, tutoriales y laboratorios, combinado con la resolución de pequeños ejercicios.
  4. Competencias profesionales: Reconocimiento de la creciente importancia de desarrollar competencias profesionales integradas para la empleabilidad en el siglo XXI. Esto incluye el «aprendizaje meta» para que los estudiantes identifiquen y desarrollen sus propias competencias de manera personalizada, a menudo a través de portafolios que les permitan articular su aprendizaje y trayectoria profesional. Se enfatiza la responsabilidad individual en la construcción de la trayectoria de aprendizaje, combinada con la participación en actividades colaborativas. Otro aspecto emergente en la educación en ingeniería es la creciente importancia del aprendizaje integrado de competencias profesionales. Los portafolios desempeñarán un papel fundamental en este proceso, ya que ayudarán a los estudiantes a presentar su aprendizaje a sí mismos, a sus mentores académicos y a futuros empleadores en una entrevista de trabajo.
Respuestas actuales y tendencias en la educación en ingeniería

3. La complejidad y los sistemas en la educación en ingeniería

Los desafíos del futuro requieren que los ingenieros operen en situaciones de complejidad creciente. El marco Cynefin se utiliza para clasificar las situaciones en simples, complicadas, complejas y caóticas, y prescribe diferentes enfoques para cada una:

  • Simple: Comportamiento bien entendido, “mejores prácticas” definidas. Se aplica el método “sentir, categorizar y responder” (ej. fundamentos de ingeniería, problemas de examen tipo fórmula).
  • Complicado: Requiere comportamiento experto, múltiples respuestas correctas. Se aplica “sentir, analizar y responder” (ej. diseño de puentes o teléfonos móviles; proyectos de diseño de estudiantes). La ingeniería de sistemas proporciona un marco estructurado.
  • Complejo: No hay una solución clara o única; surgen soluciones. Se aplica “probar, sentir y responder”. Estos son los “problemas complejos” (wicked problems), caracterizados por no tener una formulación definitiva, no tener una mejor solución única, no tener un punto final claro, y donde cada intento de solución impacta el sistema. El diseño de sistemas de transporte para grandes ciudades es un ejemplo.
  • Caótico: Resultado de desastres, requiere acción inmediata para estabilizar antes de aplicar otros enfoques. No suelen ser el foco directo de un grado de ingeniería, excepto en la ética de la ingeniería, aprendiendo de desastres pasados.

Los currículos de ingeniería deben incluir formación para afrontar situaciones simples, complicadas y, crucialmente, complejas. Se necesitan currículos de ingeniería que incluyan la complejidad y lo complicado. Además, para educar a los estudiantes del futuro, deben tener la posibilidad de aprender tanto disciplinas específicas como la transdisciplinariedad, así como conocimientos y habilidades técnicos simples y complicados, y la complejidad que implica la comprensión del contexto, los sistemas, la sostenibilidad y los valores.

4. Modelos curriculares futuros e integrados

La evolución de las respuestas educativas muestra una transición de lo «dirigido por el profesor» a lo «dirigido por el estudiante» y de «módulos únicos» a «modelos de currículo completo».

  • Cambio a nivel de sistema: Existe una tendencia emergente a diseñar currículos a nivel de sistema, coordinando todos los elementos curriculares en lugar de simplemente agregar o modificar cursos individuales. Este enfoque sistémico es crucial para el aprendizaje de la complejidad. Pero, en términos generales, definitivamente ha habido un cambio de un entorno de aprendizaje dirigido por el profesor a otro mucho más dirigido por el estudiante. Además, está surgiendo la tendencia a desarrollar currículos a nivel de sistema, lo que implica coordinar todos los elementos del currículo.
  • Proyectos como núcleo: Los proyectos constituyen un elemento central en los modelos curriculares emergentes, especialmente aquellos iniciados por entidades externas (industria, comunidad). Estos proyectos permiten el desarrollo de habilidades técnicas, sociales y ambientales (comunicación, trabajo en equipo, ética, sostenibilidad) y de diseño y resolución de problemas (pensamiento de diseño, ingeniería de sistemas). También facilitan la consideración de perspectivas multidisciplinares y la comprensión de problemas en contexto, con múltiples puntos de vista y sistemas de valores.
  • Ejemplos de modelos emergentes:
    • University College London (UCL) – Integrated Engineering Program (IEP): Dedica una semana de cada cinco a un proyecto integrado. Esto permite a los estudiantes ver las conexiones entre diferentes módulos y disciplinas.
    • Charles Sturt University (CSU): Programa radicalmente diferente con tres semestres orientados a proyectos, donde los estudiantes aprenden “justo a tiempo” a través de módulos en línea y pasan la mitad de su tiempo en proyectos. Luego realizan cuatro pasantías de un año.
    • Swinburne University: Enfoque similar al de CSU, con proyectos de seis semanas patrocinados por la industria realizados en la universidad, operando como una empresa de ingeniería.
    • Iron Range Engineering: Los estudiantes trabajan en proyectos de empresa y reflexionan continuamente sobre su aprendizaje.

Estos ejemplos muestran cómo las instituciones combinan el aprendizaje basado en proyectos, el aprendizaje digital/en línea y el uso de portafolios para apoyar las trayectorias de aprendizaje personalizadas.

5. Perspectivas y conclusiones

La educación en ingeniería se dirige hacia un futuro en el que la combinación de trayectorias de aprendizaje personales, competencias profesionales y capacidad de abordar la complejidad será la tendencia dominante. Esto implica lo siguiente:

  • Currículos sistémicos: Es necesario un enfoque más sistémico y holístico en el diseño curricular, en lugar de modificaciones aisladas a nivel de curso. Los modelos tradicionales centrados en cursos individuales a menudo dejan la tarea de integrar el conocimiento al estudiante.
  • Aprendizaje para la complejidad: La educación debe preparar a los estudiantes para manejar problemas complejos, que requieren integrar conocimientos disciplinarios e interdisciplinarios, teoría y práctica, comprensión contextual y abstracta, y construcción de conocimiento individual y colaborativa.
  • Habilidades del Siglo XXI: La automatización de cálculos técnicos significa que los ingenieros futuros necesitarán comprender los requisitos sociales, ambientales y económicos de la tecnología y su aplicación.
  • Aprendizaje a lo largo de la vida: Los ingenieros serán cada vez más responsables de sus propias rutas de aprendizaje personales y necesitarán saber cómo construir su crecimiento individual dentro de comunidades de aprendizaje colaborativas. El acceso al conocimiento en línea (MOOCs) aumentará, pero la clave será cómo los estudiantes desarrollan competencias para el aprendizaje a lo largo de la vida, incluida la reflexión crítica y el pensamiento sistémico, normativo y anticipatorio.

En resumen, la educación en ingeniería debe evolucionar de un enfoque basado en la transmisión de conocimientos técnicos simples a otro que fomente la capacidad de los estudiantes para navegar y resolver problemas complejos, multidisciplinares y contextualizados, preparándolos para ser aprendices activos de por vida en un mundo en constante cambio.

Referencia:

Hadgraft, R.G.; Kolmos, A. (2020). “Emerging learning environments in engineering education“, Australasian Journal of Engineering Education, 25:1, 3-16, DOI: 10.1080/22054952.2020.1713522

Glosario de términos clave

  • Aprendizaje centrado en el estudiante: Un enfoque pedagógico en el que el estudiante se convierte en el centro del proceso de aprendizaje, con métodos como el aprendizaje activo, colaborativo, basado en problemas y proyectos, donde los estudiantes tienen una influencia significativa en la dirección de su aprendizaje.
  • Aprendizaje contextual y basado en la práctica: Un enfoque de aprendizaje que integra situaciones del mundo real y experiencias prácticas en el currículo, incluyendo pasantías, proyectos industriales y hubs de innovación, para conectar la teoría con la futura situación laboral.
  • Aula invertida (Flipped Classroom): Una metodología de aprendizaje semipresencial donde la instrucción directa se mueve de la clase a un espacio individual (generalmente en línea), y el tiempo en clase se transforma en un entorno de aprendizaje dinámico e interactivo donde el educador guía a los estudiantes a aplicar conceptos.
  • CDIO (Concebir, Diseñar, Implementar, Operar): Un marco curricular para la educación en ingeniería que enfatiza el desarrollo de habilidades profesionales y un enfoque holístico e integrado del currículo, desde la concepción de una idea hasta su operación.
  • Competencias profesionales: Conjunto de conocimientos, habilidades y aptitudes (tanto técnicas como genéricas, como la comunicación, el trabajo en equipo y la ética) que se espera que los ingenieros adquieran para desempeñarse eficazmente en el lugar de trabajo.
  • Complejidad (en el marco Cynefin): Un dominio de situaciones donde la relación causa-efecto solo puede discernirse en retrospectiva, y las soluciones emergen del sondeo y la experimentación. Se caracteriza por problemas “perversos” sin soluciones únicas o definitivas.
  • Complicado (en el marco Cynefin): Un dominio de situaciones que requieren experiencia y análisis para encontrar múltiples respuestas correctas, pero donde la relación causa-efecto es clara, aunque puede no ser obvia para todos. La resolución de problemas implica “sentir, analizar y responder”.
  • Cuarta Revolución Industrial (Industria 4.0): Un término que describe la tendencia actual de automatización e intercambio de datos en las tecnologías de fabricación, incluyendo sistemas ciberfísicos, el Internet de las Cosas (IoT), la computación en la nube y la inteligencia artificial (IA).
  • Currículo sistémico/integral: Un enfoque de diseño curricular que coordina todos los elementos de un programa educativo a nivel de sistema, en lugar de centrarse solo en módulos o asignaturas individuales, buscando una progresión y coherencia holísticas en los resultados del aprendizaje.
  • Cynefin Framework: Un modelo conceptual creado por Dave Snowden que ayuda a la toma de decisiones al categorizar los problemas en diferentes dominios (simple, complicado, complejo, caótico y desorden) basados en la naturaleza de su relación causa-efecto.
  • Diseño centrado en el usuario (User Experience – UX): Se refiere a la experiencia general que tiene un usuario al interactuar con un producto o sistema. En ingeniería, implica diseñar soluciones que realmente satisfagan los requisitos del cliente, el usuario y la comunidad.
  • Diseño de sistemas (Systems Design): Un enfoque estructurado para el diseño de sistemas complejos que considera las interacciones entre los componentes y el entorno, y busca satisfacer un conjunto de requisitos funcionales y no funcionales.
  • Pensamiento de diseño (Design Thinking): Una metodología de resolución de problemas centrada en el ser humano que implica fases como empatizar, definir, idear, prototipar y probar, común en muchas disciplinas de diseño, incluida la ingeniería.
  • Emergencia: En el contexto de los entornos de aprendizaje, se refiere a cómo las estructuras, patrones y comportamientos de aprendizaje se vuelven visibles a través de las interacciones entre elementos más pequeños, como estudiantes y recursos, indicando posibles direcciones futuras en la educación.
  • Habilidades blandas/genéricas: Habilidades no técnicas pero igualmente importantes, como la comunicación, el trabajo en equipo, la ética, el pensamiento crítico y la resolución de problemas, que son aplicables en una amplia gama de contextos profesionales.
  • Internet de las Cosas (IoT): Una red de objetos físicos equipados con sensores, software y otras tecnologías que les permiten conectarse e intercambiar datos con otros dispositivos y sistemas a través de Internet.
  • PBL (Aprendizaje Basado en Problemas y Proyectos): Un enfoque pedagógico centrado en el estudiante donde los alumnos aprenden sobre un tema trabajando en un problema abierto o un proyecto complejo, desarrollando habilidades de resolución de problemas, trabajo en equipo e investigación.
  • Portafolio: Una colección de trabajos de los estudiantes que demuestra su aprendizaje, habilidades y crecimiento a lo largo del tiempo. En ingeniería, se utiliza para articular las trayectorias de aprendizaje individuales y las competencias profesionales a mentores y futuros empleadores.
  • Simple (en el marco Cynefin): Un dominio de situaciones donde la relación causa-efecto es obvia para todos, y las “mejores prácticas” pueden aplicarse. La resolución de problemas implica “sentir, categorizar y responder”, como la aplicación de fórmulas fundamentales de ingeniería.
  • Sostenibilidad (ODS): La capacidad de satisfacer las necesidades del presente sin comprometer la capacidad de las futuras generaciones para satisfacer sus propias necesidades. Los ODS (Objetivos de Desarrollo Sostenible) son una colección de 17 objetivos globales interconectados establecidos por las Naciones Unidas.
  • Sistemas (Pensamiento sistémico): La capacidad de comprender cómo los componentes de un sistema interactúan entre sí y con el entorno para producir un comportamiento determinado, en lugar de analizar los componentes de forma aislada.
  • Trayectorias de aprendizaje personalizadas: Rutas de aprendizaje adaptadas a las necesidades, intereses y aspiraciones profesionales individuales de los estudiantes, permitiéndoles configurar y documentar su propio desarrollo de competencias como parte de una estrategia de aprendizaje a lo largo de toda la vida.

Comunicaciones presentadas al XI Congreso de Innovación Educativa y Docencia en Red INRED 2025

Me complace informar a mis lectores que el XI Congreso de Innovación Educativa y Docencia en Red (INRED) 2025 se celebrará los días 17 y 18 de julio en Valencia. En un contexto en el que las instituciones educativas están experimentando una transformación vertiginosa, la innovación educativa se presenta como una herramienta esencial para renovar los procesos de enseñanza y aprendizaje y adaptarse a los nuevos retos. La Ley Orgánica de Sistema Universitario (LOSU) plantea que la innovación docente es un medio para mejorar la calidad de la educación superior y para fortalecer la capacidad de adaptación a nuevos escenarios formativos. Además, la considera una estrategia esencial para el desarrollo profesional del profesorado.

Desde hace tiempo, las universidades fomentan la participación del profesorado en proyectos de innovación y se ha avanzado notablemente en la forma de diseñar y desarrollar estos proyectos. No obstante, hoy más que nunca es crucial impulsar propuestas de innovación más rigurosas y orientadas a dar respuesta a los grandes retos educativos a los que nos enfrentamos.

Este enfoque nos remite al concepto de scholarship o enfoque académico de la docencia, una perspectiva que se ha consolidado en la educación superior y que propone valorar la enseñanza al mismo nivel que la investigación disciplinar.

Detrás de esta idea se encuentra una forma de innovar basada en tres pilares fundamentales:

  • El análisis sistemático de la enseñanza y sus efectos en el aprendizaje del estudiantado.
  • La comunicación de los conocimientos sobre enseñanza y aprendizaje generados en entornos académicos, como congresos y revistas científicas.
  • La revisión crítica por parte de iguales en comunidades académicas, con el fin de validar o refutar el conocimiento producido.

En esta nueva edición del Congreso INRED 2025, reflexionaremos sobre cómo avanzar desde una innovación basada en la experiencia y con un nivel incipiente de fundamentación empírica hacia una innovación con un enfoque académico. Un enfoque que no solo se apoye en la experimentación y el análisis sistemático de la docencia, sino que también genere evidencia comunicable y susceptible de ser sometida a revisión crítica por parte de la comunidad académica. Además, exploraremos los nuevos desafíos que plantea este modelo desde las perspectivas técnica y ética.

En este congreso, tengo el placer de anunciar que tenemos aceptadas dos comunicaciones:

YEPES, V. (2025). Pensamiento lateral para mejorar la resolución de problemas complejos en estudios de máster. En libro de actas: XI Congreso de Innovación Educativa y Docencia en Red. Valencia, 17 – 18 de julio de 2025.

Esta comunicación presenta una metodología innovadora que integra el pensamiento lateral mediante la técnica de los «Seis sombreros para pensar» de Edward de Bono en la enseñanza de la resolución de problemas complejos en ingeniería. El objetivo principal es evaluar la efectividad de esta técnica para desarrollar habilidades críticas y creativas en los estudiantes. La metodología se implementó en un curso de ingeniería, donde los estudiantes trabajaron en grupos para abordar un problema específico utilizando los enfoques que cada sombrero representa. Se realizaron encuestas antes y después de la actividad para medir la mejora en la capacidad de resolución de problemas y colaboración entre los estudiantes. Los resultados indican que la aplicación del pensamiento lateral mejora significativamente la capacidad de los estudiantes para resolver problemas complejos y fomenta un ambiente de aprendizaje colaborativo. Los estudiantes afirmaron haber aumentado su creatividad y disposición para compartir ideas. Esta metodología es exportable a otras titulaciones y niveles educativos, convirtiéndose en una herramienta valiosa para la innovación docente en diversas disciplinas.

YEPES, V.; YEPES-BELLVER, L.; MARTÍNEZ-PAGÁN, P. (2025). Impacto de la diversidad cultural en la resolución colaborativa de problemas en la docencia universitaria de ingeniería. En libro de actas: XI Congreso de Innovación Educativa y Docencia en Red. Valencia, 17 – 18 de julio de 2025.

La globalización y la movilidad académica han transformado las aulas universitarias en entornos multiculturales, donde la diversidad cultural es fundamental para el desarrollo de competencias profesionales. Este trabajo investiga la influencia de la diversidad cultural en la resolución colaborativa de problemas (RCP) en programas en ingeniería. Para ello, se desarrollaron actividades en grupos heterogéneos que promovieron la participación y el desarrollo de habilidades interpersonales mediante una metodología activa y colaborativa. Se aplicó una encuesta a 79 estudiantes para evaluar su percepción sobre la influencia de la diversidad cultural en su aprendizaje y en la dinámica de trabajo en equipo. Los resultados indican que la diversidad cultural no solo enriquece las interacciones y fomenta la creatividad, sino que también mejora la toma de decisiones y la resolución de problemas. Este estudio aporta pruebas empíricas que respaldan la necesidad de gestionar pedagógicamente la diversidad como un recurso estratégico en la educación. Se concluye que una enseñanza inclusiva y consciente de la diversidad potencia la sinergia entre conocimientos técnicos y competencias interculturales, mejorando la calidad educativa en ingeniería.

 

 

 

Implicaciones éticas de chatbots generativos en la educación superior

En la actualidad, la inteligencia artificial (IA) está cada vez más presente en nuestra vida diaria, transformando industrias y planteando nuevas preguntas sobre la sociedad, la economía y, por supuesto, la educación. Entre las herramientas de IA emergentes, los «chatbots» generativos como ChatGPT han llamado especialmente la atención, ya que prometen revolucionar la enseñanza y el aprendizaje. Estas potentes plataformas pueden simular conversaciones humanas, ofrecer explicaciones e incluso generar textos complejos como poemas o ensayos. Sin embargo, a medida que educadores y legisladores consideran la implementación de estas tecnologías innovadoras en el ámbito educativo, es crucial reflexionar sobre las implicaciones éticas que conllevan. Aunque los beneficios potenciales son innegables, desde una mayor accesibilidad hasta experiencias de aprendizaje personalizadas, también existen desafíos significativos.

En este artículo, exploramos las consideraciones éticas clave relacionadas con el uso de chatbots generativos en la educación superior. La información que se presenta a continuación se basa en el artículo «The ethical implications of using generative chatbots in higher education» de Ryan Thomas Williams, publicado en Frontiers in Education.

A continuación, se examinan las implicaciones éticas de integrar chatbots generativos, como ChatGPT, en la educación superior. Se abordan preocupaciones clave como la privacidad de los datos de los estudiantes y los desafíos para cumplir con las regulaciones de protección de datos cuando la información es procesada y almacenada por la IA. El artículo también explora el sesgo algorítmico y señala cómo los prejuicios inherentes a los datos de entrenamiento pueden perpetuar estereotipos, además de abordar el impacto en la autoeficacia de los estudiantes al depender excesivamente de la IA, lo que podría disminuir el pensamiento crítico. Por último, se aborda el creciente problema del plagio y las «alucinaciones» de la IA, donde los chatbots generan información incorrecta, y se sugiere la necesidad de políticas claras, detección avanzada y métodos de evaluación innovadores.

1. ¿Cuáles son las principales implicaciones éticas de integrar los chatbots generativos en la educación superior?

La integración de chatbots generativos en la educación superior, como ChatGPT, aborda varias cuestiones éticas fundamentales. En primer lugar, la gestión de los datos sensibles de los estudiantes plantea importantes desafíos de privacidad, por lo que es necesario cumplir estrictamente con las normativas de protección de datos, como el RGPD, lo cual puede ser complejo debido a la naturaleza de los algoritmos de aprendizaje automático que aprenden de los datos y complican su «verdadera» eliminación. En segundo lugar, existe un riesgo significativo de sesgo algorítmico, ya que los chatbots aprenden de vastas fuentes de datos de internet que pueden perpetuar sesgos sociales (por ejemplo, de género o raciales), lo que podría afectar negativamente a la experiencia de aprendizaje del estudiante y a su visión del mundo. En tercer lugar, si bien los chatbots pueden fomentar la autonomía en el aprendizaje al ofrecer acceso bajo demanda a recursos y explicaciones personalizadas, existe la preocupación de que una dependencia excesiva pueda reducir la autoeficacia académica de los estudiantes, desincentivando el pensamiento crítico y la participación en actividades de aprendizaje más profundas. Finalmente, el plagio emerge como una preocupación primordial, ya que la capacidad de los chatbots para generar contenido sofisticado podría alentar a los estudiantes a presentar el trabajo generado por la IA como propio, lo que comprometería la integridad académica.

2. ¿Cómo afectan los chatbots generativos a la privacidad de los datos de los estudiantes en entornos educativos?

La implementación de chatbots en entornos educativos implica la recopilación, el análisis y el almacenamiento de grandes volúmenes de datos de los estudiantes, que pueden incluir desde su rendimiento académico hasta información personal sensible. Esta «gran cantidad de datos» permite experiencias de aprendizaje personalizadas y la identificación temprana de estudiantes en situación de riesgo. Sin embargo, esto genera importantes preocupaciones relacionadas con la privacidad. Existe el riesgo de uso indebido o acceso no autorizado a estos datos. Además, las regulaciones actuales de privacidad de datos, como el RGPD, permiten a los individuos solicitar la eliminación de sus datos, pero la naturaleza del aprendizaje automático significa que los algoritmos subyacentes ya han aprendido de los datos de entrada, por lo que es difícil aplicar un verdadero «derecho al olvido» o «eliminación». También hay una falta de transparencia algorítmica por parte de las empresas sobre la implementación de los algoritmos de los chatbots y sus bases de conocimiento, lo que dificulta el cumplimiento total de la ley de protección de datos, que exige que las personas estén informadas sobre el procesamiento de sus datos. Para mitigar estas preocupaciones, las instituciones educativas deben establecer directrices claras para la recopilación, almacenamiento y uso de datos, alineándose estrictamente con la normativa de protección de datos y garantizando la transparencia con todas las partes interesadas.

3. ¿Qué es el sesgo algorítmico en los chatbots educativos y cómo se puede abordar?

El sesgo algorítmico ocurre cuando los sistemas de IA, incluidos los chatbots, asimilan y reproducen los sesgos sociales presentes en los grandes conjuntos de datos con los que son entrenados. Esto puede manifestarse en forma de sesgos de género, raciales o de otro tipo que, si se reflejan en el contenido generado por la IA (como casos de estudio o escenarios), pueden perpetuar estereotipos y afectar a la experiencia de aprendizaje de los estudiantes. Para abordar esta situación, es fundamental que los conjuntos de datos utilizados para entrenar los sistemas de IA sean diversos y representativos, evitando fuentes de datos únicas o limitadas que no representen adecuadamente a grupos minoritarios. Se proponen asociaciones entre institutos educativos para compartir datos y garantizar su representatividad. Además, se deben realizar auditorías regulares de las respuestas del sistema de IA para identificar y corregir los sesgos. Es fundamental que se sea transparente sobre la existencia de estos sesgos y que se eduque a los estudiantes para que evalúen críticamente el contenido generado por la IA en lugar de aceptarlo como una verdad objetiva. El objetivo no es que la IA sea inherentemente sesgada, sino que los datos generados por humanos que la entrenan pueden contener sesgos, por lo que se requiere un enfoque deliberado y crítico para el desarrollo e implementación de la IA en la educación.

4. ¿Cómo impacta la dependencia de los estudiantes de los chatbots en su autoeficacia académica y su pensamiento crítico?

Si bien los chatbots pueden ofrecer una autonomía significativa en el aprendizaje al proporcionar acceso inmediato a recursos y respuestas personalizadas, existe la preocupación de que una dependencia excesiva pueda reducir la autoeficacia académica de los estudiantes. Esta dependencia puede llevar a los estudiantes a no comprometerse con el aprendizaje auténtico, lo que les disuade de participar en seminarios, lecturas recomendadas o discusiones colaborativas. A diferencia de las tecnologías informáticas tradicionales, la IA intenta reproducir habilidades cognitivas, lo que plantea nuevas implicaciones para la autoeficacia de los estudiantes con la IA. Además, la naturaleza en tiempo real de las interacciones con el chatbot puede fomentar respuestas rápidas y reactivas en lugar de una consideración reflexiva y profunda, lo que limita el desarrollo del pensamiento crítico. Las tecnologías de chatbot suelen promover formas de comunicación breves y condensadas, lo que puede restringir la profundidad de la discusión y las habilidades de pensamiento crítico que se cultivan mejor a través de una instrucción más guiada e interactiva, como las discusiones entre compañeros y los proyectos colaborativos. Por lo tanto, es crucial equilibrar la autonomía que ofrecen los chatbots con la orientación y supervisión de educadores humanos para fomentar un aprendizaje holístico.

5. ¿Cuál es la preocupación principal con respecto al plagio en la era de los chatbots generativos y qué soluciones se proponen?

El plagio se ha convertido en una preocupación ética crítica debido a la integración de herramientas de IA como ChatGPT en la educación. La capacidad de los chatbots para generar respuestas textuales sofisticadas, resolver problemas complejos y redactar ensayos completos crea un entorno propicio para la deshonestidad académica, ya que los estudiantes pueden presentar la producción de la IA como propia. Esto es especialmente problemático en sistemas educativos que priorizan los resultados (calificaciones, cualificaciones) sobre el proceso de aprendizaje. Los estudiantes pueden incurrir incluso en plagio no intencional si utilizan chatbots para tareas administrativas o para mejorar su escritura en inglés sin comprender completamente las implicaciones. Para abordar esta situación, es necesario un enfoque integral que incluya educar a los estudiantes sobre la importancia de la honestidad académica y las consecuencias del plagio. También se propone desplegar software avanzado de detección de plagio capaz de identificar texto generado por IA, aunque se reconoce que estas metodologías deben evolucionar continuamente para mantenerse al día con los avances de la IA. Más allá de la detección, es esencial reevaluar las estrategias de evaluación y diseñar tareas que evalúen la comprensión de los estudiantes y fomenten el pensamiento original, la creatividad y las habilidades que actualmente están más allá del alcance de la IA, como las presentaciones orales y los proyectos en grupo. También es crucial fomentar la transparencia sobre el uso de la IA en el aprendizaje, algo similar a lo que se hace con los correctores ortográficos.

6. ¿Qué se entiende por «alucinaciones» de la IA en los chatbots educativos y por qué son problemáticas?

Las «alucinaciones» de la IA se refieren a las respuestas generadas por modelos de lenguaje de IA que contienen información falsa o engañosa presentada como si fuera real. Este fenómeno ganó atención generalizada con la llegada de los grandes modelos de lenguaje (LLM), como ChatGPT, donde los usuarios notaron que los chatbots insertaban frecuentemente falsedades aleatorias en sus respuestas. Si bien el término «alucinación» ha sido criticado por su naturaleza antropomórfica, el problema subyacente es la falta de precisión y fidelidad a fuentes de conocimiento externas. Las alucinaciones pueden surgir de discrepancias en grandes conjuntos de datos, errores de entrenamiento o secuencias sesgadas. Para los estudiantes, esto puede llevar al desarrollo de conceptos erróneos, lo que afecta a su comprensión de conceptos clave y a su confianza en la IA como herramienta educativa fiable. Para los educadores, el uso de contenido generado por IA como recurso en el aula plantea un desafío ético significativo, ya que son los responsables de garantizar la precisión de la información presentada. Los estudios han descubierto que un porcentaje considerable de referencias generadas por chatbots son falsas o inexactas. Si bien la IA puede reducir la carga de trabajo de los docentes, la supervisión humana sigue siendo esencial para evitar imprecisiones, lo que puede crear una carga administrativa adicional.

7. ¿Cómo pueden las instituciones educativas equilibrar los beneficios de los chatbots con sus riesgos éticos?

Para conseguirlo, las instituciones educativas deben adoptar un enfoque reflexivo y multifacético. Esto implica establecer límites éticos firmes para proteger los intereses de los estudiantes, los educadores y la comunidad educativa en general. Se recomienda implementar políticas claras y sólidas de recopilación, almacenamiento y uso de datos, alineándose estrictamente con regulaciones de protección de datos como el RGPD, a pesar de los desafíos relacionados con la eliminación de datos y la transparencia algorítmica. Para mitigar el sesgo algorítmico, las instituciones deben garantizar que los conjuntos de datos de entrenamiento sean diversos y representativos, y realizar auditorías regulares. Para evitar una dependencia excesiva y mantener la autoeficacia académica de los estudiantes, los educadores deben fomentar la autonomía en el aprendizaje sin comprometer el pensamiento crítico ni el compromiso auténtico. Con respecto al plagio, es fundamental educar a los estudiantes sobre la integridad académica, utilizar software avanzado de detección de plagio y reevaluar los métodos de evaluación para fomentar el pensamiento original y las habilidades que la IA no puede replicar. Por último, es crucial que se conciencie a la sociedad sobre las «alucinaciones» de la IA, para lo cual los educadores deben verificar la exactitud de la información generada por la IA y reconocer su naturaleza evolutiva, comparándola con los primeros días de Wikipedia. Es una responsabilidad colectiva de todas las partes interesadas garantizar que la IA se utilice de una manera que respete la privacidad, minimice el sesgo, apoye la autonomía equilibrada del aprendizaje y mantenga el papel vital de los maestros humanos.

8. ¿Qué papel juega la transparencia en el uso ético de los chatbots de IA en la educación?

La transparencia es un pilar fundamental para el uso ético de los chatbots de IA en la educación, ya que aborda varias de las preocupaciones éticas clave. En el ámbito de la privacidad de los datos, es esencial que los usuarios estén informados sobre las prácticas de gestión de datos para aliviar sus preocupaciones y generar confianza en los chatbots adoptados. Esto incluye informar a los usuarios sobre cómo se recopilan, almacenan y utilizan sus datos. Con respecto al sesgo algorítmico, la transparencia significa reconocer que los chatbots pueden mostrar sesgos ocasionalmente debido a los datos de entrenamiento subyacentes. Se debe alentar a los estudiantes a evaluar críticamente la producción de los chatbots, en lugar de aceptarla como una verdad objetiva, teniendo en cuenta que el sesgo no es inherente a la IA, sino a los datos generados por humanos con los que se entrena. En la prevención del plagio, la transparencia en la educación es vital para el uso responsable de las herramientas de IA; los estudiantes deben ser conscientes de que deben reconocer la ayuda recibida de la IA, de la misma manera en que se acepta la ayuda de herramientas como los correctores ortográficos. Además, para las «alucinaciones» de la IA, es importante que los educadores y los estudiantes sean conscientes de la posibilidad de que los chatbots generen información falsa o engañosa, lo que requiere un escrutinio humano continuo para su verificación. En general, la transparencia fomenta la alfabetización digital y la conciencia crítica, y empodera a los usuarios para navegar por el panorama de la IA de manera más efectiva.

Referencia:

WILLIAMS, R. T. (2024). The ethical implications of using generative chatbots in higher education. In Frontiers in Education (Vol. 8, p. 1331607). Frontiers Media SA.

Glosario de términos clave

  • Inteligencia artificial (IA): La capacidad de un sistema informático para imitar funciones cognitivas humanas como el aprendizaje y la resolución de problemas (Microsoft, 2023). En el contexto del estudio, se refiere a sistemas que pueden realizar tareas que normalmente requieren inteligencia humana.
  • Chatbots generativos: Programas de IA capaces de simular conversaciones humanas y generar respuestas creativas y nuevas, como poemas, historias o ensayos, utilizando Procesamiento del Lenguaje Natural (PLN) y vastos conjuntos de datos.
  • Procesamiento del lenguaje natural (PLN): Un subcampo de la IA que permite a las máquinas entender, responder y generar lenguaje humano. Es fundamental para la funcionalidad de los chatbots avanzados.
  • Aprendizaje automático (ML): Un subconjunto de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Los chatbots modernos utilizan ML para mejorar sus respuestas a lo largo del tiempo.
  • Privacidad de datos: La protección de la información personal de los individuos, asegurando que se recopile, almacene y utilice de forma ética y legal. En el contexto educativo, se refiere a la información sensible de los estudiantes.
  • Reglamento general de protección de datos (GDPR): Una ley de la Unión Europea sobre protección de datos y privacidad en el Área Económica Europea y el Reino Unido. Es relevante para la gestión de datos sensibles de estudiantes.
  • Ley de protección de la privacidad en línea de los niños (COPPA): Una ley de Estados Unidos que impone ciertos requisitos a los operadores de sitios web o servicios en línea dirigidos a niños menores de 13 años.
  • Derecho al olvido: El derecho de un individuo a que su información personal sea eliminada de los registros de una organización, un concepto que se complica con la naturaleza del aprendizaje de los algoritmos de IA.
  • Transparencia algorítmica: La capacidad de entender cómo funcionan los algoritmos de IA y cómo toman decisiones, incluyendo el acceso a los detalles de su implementación y bases de conocimiento.
  • Big Data: Conjuntos de datos tan grandes y complejos que los métodos tradicionales de procesamiento de datos no son adecuados. En los chatbots, se utilizan para personalizar experiencias.
  • Sesgo algorítmico: Ocurre cuando los sistemas de IA asimilan y reproducen sesgos sociales presentes en los datos con los que fueron entrenados, lo que puede llevar a resultados injustos o estereotipados.
  • Autoeficacia académica: La creencia de un estudiante en su capacidad para tener éxito en sus tareas académicas. El estudio explora cómo una dependencia excesiva de la IA podría impactarla negativamente.
  • Autoeficacia en IA: La confianza de un individuo en su capacidad para usar y adaptarse a las tecnologías de inteligencia artificial. Distinto de la autoeficacia informática tradicional debido a las capacidades cognitivas de la IA.
  • Plagio: La práctica de tomar el trabajo o las ideas de otra persona y presentarlas como propias, sin la debida atribución. Se convierte en una preocupación crítica con la capacidad de los chatbots para generar texto.
  • Software de detección de plagio: Herramientas diseñadas para identificar instancias de plagio comparando un texto con una base de datos de otros textos. La evolución de la IA plantea desafíos para su eficacia.
  • Alucinación de IA: Una respuesta generada por un modelo de lenguaje de IA que contiene información falsa, inexacta o engañosa, presentada como si fuera un hecho.
  • Modelos de lenguaje grandes (LLMs): Modelos de IA muy grandes que han sido entrenados con inmensas cantidades de texto para comprender, generar y responder al lenguaje humano de manera sofisticada. ChatGPT es un ejemplo de LLM.
  • Integridad académica: El compromiso con la honestidad, la confianza, la justicia, el respeto y la responsabilidad en el aprendizaje, la enseñanza y la investigación. Es fundamental para el entorno educativo y está amenazada por el plagio asistido por IA.

Os dejo este artículo, pues está en acceso abierto:

Descargar (PDF, 358KB)

¿Cómo formar a los arquitectos del futuro? Un modelo innovador desde la educación técnica

La transformación digital y la industrialización de la construcción están generando una demanda creciente de profesionales altamente cualificados. Tanto la arquitectura, como la ingeniería civil, requieren un cambio profundo en la forma de formar a los futuros profesionales.

En este contexto, un grupo de investigadores de la Hunan University of Science and Engineering (China) y de la Universitat Politècnica de València (España) propone un nuevo modelo formativo que conecta mejor la educación superior con las necesidades reales del sector.

El artículo examina la necesidad de modernizar la educación en arquitectura y sugiere un modelo innovador para formar a los profesionales del futuro. Este modelo busca conectar la educación superior con las demandas reales de la industria de la construcción, caracterizada por la digitalización y la industrialización. La metodología empleada incluye análisis de datos, modelos matemáticos y la integración de la teoría con la práctica profesional. El objetivo principal es preparar arquitectos con competencias sólidas en construcción industrializada y tecnología digital, adaptados a las exigencias del mercado laboral contemporáneo.

Introducción: el desafío de modernizar la educación en arquitectura

El sector de la construcción está experimentando una transformación profunda impulsada por la digitalización, la automatización y la necesidad de soluciones sostenibles. Sin embargo, los sistemas educativos técnicos no siempre han sabido adaptarse a estas exigencias. En todo el mundo, los modelos educativos tradicionales en arquitectura muestran una desconexión creciente con la realidad del mercado laboral, especialmente en áreas como la prefabricación, el diseño colaborativo con BIM o el uso de tecnologías inteligentes.

El artículo revisado se enmarca en este contexto, tomando como referencia el caso chino, pero con ideas extrapolables a otras regiones. El objetivo principal es diseñar un sistema de formación profesional que responda de forma más efectiva a los retos de la construcción industrializada, incorporando criterios técnicos, sociales y pedagógicos.

Metodología: combinar datos, teoría y práctica

El estudio emplea una metodología cuantitativa que incluye:

  • Análisis de datos nacionales e internacionales sobre educación y empleo en el sector de la construcción.
  • Modelos matemáticos de predicción, como regresiones polinómicas y simulaciones con MATLAB.
  • Aplicación del modelo de evaluación educativa de Levin, ajustado mediante métodos de entropía para ponderar factores como calidad docente, entorno familiar, habilidades cognitivas y recursos institucionales.

A partir de estos datos, se diseñó un modelo de formación por etapas —llamado «optimización innovadora de múltiples módulos»— que articula mejor el aprendizaje teórico con la práctica profesional en empresas.

Aportaciones relevantes: una formación más adaptada al mercado

El artículo presenta un nuevo marco para la formación de profesionales de la arquitectura más alineado con las necesidades del sector. Sus aportaciones clave son las siguientes:

  • Propuesta de un modelo formativo escalonado, adaptable al ritmo del alumnado y al contexto institucional.
  • Inclusión de criterios de evaluación integral: desde la calidad académica hasta factores personales y sociales.
  • Análisis detallado de las políticas públicas chinas como base para la propuesta, con énfasis en la colaboración universidad-empresa.
  • Validación de la propuesta mediante simulaciones y estudios de casos reales.

Este enfoque integrador permite preparar a profesionales técnicos con competencias sólidas en construcción industrializada, tecnología digital y gestión de obra.

Discusión de resultados: mejoras observables y retos pendientes

Los resultados del estudio muestran mejoras concretas en la motivación del alumnado, su adecuación a los puestos de trabajo y su capacidad de adaptación a entornos reales. Se observa un aumento del interés por la profesión y una mejora de la empleabilidad, especialmente en sectores vinculados con tecnologías emergentes.

No obstante, el artículo reconoce desafíos importantes, como la falta de infraestructura adecuada para la formación práctica, la escasez de docentes con experiencia en obra y las dificultades para establecer colaboraciones estables con empresas.

Futuras líneas de investigación: ampliar, adaptar, evaluar

A partir del modelo propuesto, el artículo sugiere explorar:

  • Aplicación del sistema en otros países con necesidades similares de actualización en formación técnica.
  • Seguimiento longitudinal de las trayectorias laborales del alumnado.
  • Incorporación de inteligencia artificial y plataformas digitales para personalizar la enseñanza.
  • Extensión del modelo a otras ramas de la ingeniería civil, como estructuras o transporte.

Conclusión

El artículo revisado propone una reforma de la educación técnica en arquitectura con una propuesta estructurada, ambiciosa y bien fundamentada. Su valor radica en integrar múltiples factores en un solo modelo formativo con una base matemática sólida y una clara vocación práctica. En un momento en que el sector de la construcción necesita perfiles técnicos con nuevas competencias, investigaciones como esta ofrecen herramientas útiles para transformar la manera en que formamos a los futuros talentos.

Referencia:

ZHOU, Z.; TIAN, Q.; ALCALÁ, J.; YEPES, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 9:100268. DOI:10.1016/j.caeo.2025.100268.

Este artículo está publicado en abierto, por lo que os lo dejo para su descarga.

Descargar (PDF, 9.19MB)

Glosario de términos clave

  • BIM (Building Information Modeling): Metodología de trabajo colaborativa para la creación y gestión de un proyecto de construcción. Su objetivo es centralizar toda la información del proyecto en un modelo digital.
  • Construcción industrializada: Proceso constructivo que implica la fabricación de componentes o módulos en un entorno de fábrica, bajo condiciones controladas, para luego ser ensamblados en el lugar de la obra.
  • Digitalización: Proceso de convertir información y procesos de formatos analógicos a digitales, aplicando tecnologías que permiten la automatización y mejora de la eficiencia.
  • Entropía (en evaluación educativa): Concepto utilizado en el estudio para ponderar y ajustar la importancia de diferentes factores de evaluación (calidad docente, entorno familiar, habilidades cognitivas, recursos institucionales) dentro del modelo de Levin.
  • Gestión de obra: Disciplina que abarca la planificación, organización, dirección y control de los recursos para llevar a cabo un proyecto de construcción de manera eficiente y dentro de los plazos y presupuestos establecidos.
  • MATLAB: Entorno de programación y plataforma numérica utilizada para realizar cálculos matemáticos, análisis de datos, desarrollo de algoritmos y modelado de sistemas, empleada en el estudio para simulaciones.
  • Modelo de evaluación educativa de Levin: Un marco teórico o práctico para valorar la calidad y eficacia de un sistema educativo, que en el estudio es ajustado con métodos de entropía para una ponderación más precisa de sus factores.
  • Modelos matemáticos de predicción: Herramientas que utilizan ecuaciones y algoritmos para prever comportamientos futuros o resultados basándose en datos históricos o actuales, como las regresiones polinómicas.
  • Optimización innovadora de múltiples módulos: Nombre del modelo formativo propuesto en el artículo, diseñado por etapas para integrar el aprendizaje teórico con la práctica profesional y adaptarse a diferentes contextos.
  • Prefabricación: Técnica constructiva que consiste en producir elementos o componentes de un edificio en un lugar distinto al de la obra, generalmente en una fábrica, para luego transportarlos e instalarlos en el sitio.
  • Regresiones polinómicas: Un tipo de análisis de regresión en el que la relación entre la variable independiente y la variable dependiente se modela como un polinomio de n-ésimo grado, utilizado para predicción en el estudio.
  • Sostenibilidad (en construcción): Enfoque que busca minimizar el impacto ambiental de las edificaciones a lo largo de su ciclo de vida, optimizando el uso de recursos, reduciendo residuos y promoviendo la eficiencia energética y el bienestar humano.
  • Transformación digital: El cambio integral que experimenta una organización o sector al integrar tecnologías digitales en todos los aspectos de sus operaciones, cultura y estrategias, lo que lleva a la creación de nuevos modelos de negocio y servicios.

 

El factor de impacto de las revistas JCR del año 2024

Acaba junio y es justo ahora cuando se pueden consultar los factores de impacto de las revistas científicas indexadas en el Journal of Citation Reports (JCR). Los índices de impacto son un instrumento que permite comparar y evaluar la importancia relativa de una revista determinada dentro de un mismo campo científico en función del promedio de citas recibidas por los artículos que publica durante un periodo de tiempo determinado. Estos indicadores son especialmente importantes en el ámbito científico, ya que, aunque tiene sus detractores, permite evaluar con un indicador objetivo cierto aspecto de la calidad científica de la revista donde un investigador publica sus artículos. En mi caso, según la Web of Science, mi índice H es 45.

Tal y como se muestra en la figura, Forrest Gump definía con claridad la sorpresa que más de un investigador, editor o lector se lleva todos los años cuando ve que su querida revista del alma sube o baja del primer cuartil al segundo cuartil, o viceversa. Es muy desagradable publicar en una revista con un alto impacto y que al año siguiente baje de cuartil. Pero, en fin, estas son las reglas del juego.

Por mi parte, os voy a poner algunas de las revistas en las que he publicado y que están en los dos primeros cuartiles. De hecho, alguna está en el primer decil. No están todas las que son, pero son todas las que están. Si os fijáis, el cuartil a veces no corresponde con el impacto, ya que depende del área de conocimiento. A continuación, os paso la lista de mis revistas favoritas con mayor impacto.

REVISTAS. DATOS 2024 Impacto
SUSTAINABLE CITIES AND SOCIETY 12.0 D1
AUTOMATION IN CONSTRUCTION 11.5 D1
ENVIRONMENTAL IMPACT ASSESSMENT REVIEW 11.2 D1
RESOURCES CONSERVATION AND RECYCLING 10.9 D1
JOURNAL OF CLEANER PRODUCTION 10.0 D1
COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING 9.1 D1
BUILDING AND ENVIRONMENT 7.6 D1
JOURNAL OF BUILDING ENGINEERING 7.4 D1
ENERGY AND BUILDINGS 7.1 D1
COMPUTERS & INDUSTRIAL ENGINEERING 6.5 Q1
ENGINEERING STRUCTURES 6.4 D1
ADVANCES IN ENGINEERING SOFTWARE 5.7 D1
COMPUTERS AND EDUCATION OPEN 5.7 D1
OCEAN & COASTAL MANAGEMENT 5.4 D1
INTERNATIONAL JOURNAL OF LIFE CYCLE ASSESSMENT 5.4 Q1
JOURNAL OF COMPUTING IN CIVIL ENGINEERING 5.2 Q1
JOURNAL OF CONSTRUCTION ENGINEERING AND MANAGEMENT 5.1 Q1
COMPUTERS & STRUCTURES 4.8 Q1
ARCHIVES OF CIVIL AND MECHANICAL ENGINEERING 4.4 Q1
JOURNAL OF CONSTRUCTIONAL STEEL RESEARCH 4.3 Q1
STRUCTURES 4.3 Q1
STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION 4.0 Q1
SCIENTIFIC REPORTS 3.9 Q1
JOURNAL OF STRUCTURAL ENGINEERING 3.9 Q1
JOURNAL OF CIVIL ENGINEERING AND MANAGEMENT 3.7 Q2
GEOMECHANICS FOR ENERGY AND THE ENVIRONMENT 3.7 Q1
HELIYON 3.6 Q1
IEEE ACCESS 3.6 Q2
COMPUTERS AND CONCRETE 3.3 Q1
SUSTAINABILITY 3.3 Q2
LAND 3.2 Q2
MATERIALS 3.2 Q2
BUILDINGS 3.1 Q2
JOURNAL OF MATERIALS IN CIVIL ENGINEERING 3.0 Q2
STRUCTURAL ENGINEERING AND MECHANICS 3.0 Q2
INFRASTRUCTURES 2.9 Q2
JOURNAL OF MARINE SCIENCE AND ENGINEERING 2.8 Q2
STRUCTURE AND INFRASTRUCTURE ENGINEERING 2.6 Q2
PLOS ONE 2.6 Q2
APPLIED SCIENCES-BASEL 2.5 Q2
MATHEMATICS 2.2 D1


Además, los factores de impacto de las revistas donde soy editor asociado o pertenezco al comité editorial también han mejorado:

Mathematics (D1-SCI Journal)

Structure & Infrastructure Engineering (Q2-SCI Journal)

Sustainability (Q2-SCI Journal)

Advances in Concrete Construction (Q3-SCI Journal)

Structural Engineering and Mechanics (Q2-SCI Journal)

Advances in Civil Engineering (Q3-SCI Journal)

Revista de la Construcción (Q3-SCI Journal)

 

Discurso de apertura en el evento Innotransfer “Infraestructuras resilientes frente a eventos climáticos extremos”

Os anuncio que el próximo miércoles, 28 de mayo de 2025, tendré la oportunidad de dar el discurso de apertura en el evento, presencial y en línea, Innotransfer “Infraestructuras resilientes frente a eventos climáticos extremos” centrada en los ámbitos de carreteras, ferrocarriles e infraestructuras hidráulicas, dentro del programa INNOTRANSFER, dedicado a facilitar conexión entre demandantes y oferentes de soluciones innovadoras en la Comunitat Valenciana. Este año, en particular, estamos enfocando estos eventos a necesidades puestas de manifiesto con la DANA.

En los últimos años, la frecuencia e intensidad de los fenómenos meteorológicos extremos han aumentado de manera sostenida. Episodios como lluvias torrenciales, vientos huracanados, tornados, olas de calor y frío o temporales marítimos han provocado un incremento de las catástrofes naturales asociadas, incluyendo inundaciones, destrucción y regresión litoral, incendios forestales y sequías prolongadas.

Esta tendencia, impulsada por el cambio climático, plantea un desafío creciente que exige soluciones innovadoras en el diseño de infraestructuras resilientes. Estas infraestructuras deben abarcar la planificación y construcción de carreteras, infraestructuras hidráulicas y redes de transporte ferroviario, garantizando no solo la resistencia ante situaciones críticas, sino también la capacidad de minimizar daños y asegurar una rápida recuperación.

En la Comunitat Valenciana, esta necesidad es especialmente relevante debido al incremento de fenómenos climáticos extremos como las DANAs (Depresiones Aisladas en Niveles Altos). La jornada tiene como objetivo abordar el desarrollo de infraestructuras urbanas y rurales capaces de adaptarse al clima cambiante, reduciendo el impacto negativo en la población y en los recursos económicos locales.

Esta jornada Innotransfer reunirá a expertos, empresas e instituciones para explorar soluciones innovadoras en infraestructuras resilientes, aprovechando el potencial de la Compra Pública de Innovación como herramienta clave para facilitar su adopción por parte de las Administraciones Públicas. Dichas propuestas han sido identificadas por la Ciudad Politécnica de la Innovación (CPI), parque científico de la Universitat Politècnica de València (UPV).

El objetivo de la jornada es crear oportunidades de colaboración y un networking de alto impacto entre los diferentes actores del ecosistema valenciano de innovación, fomentando el desarrollo conjunto de proyectos de I+D+i de alto impacto.

La participación en el evento es gratuita, y se puede hacer accediendo al siguiente enlace: https://innotransfer.org/evento/infraestructuras-resilientes-frente-a-eventos-climaticos-extremos/

Os dejo el programa, por si os interesa.

La experiencia profesional en la ingeniería y la arquitectura. La necesidad de un cambio en la valoración del profesorado universitario

En España, las Escuelas de Ingeniería Superior y Arquitectura ofrecen títulos universitarios habilitantes para ejercer profesiones reguladas en sectores fundamentales como la arquitectura, la medicina y la ingeniería. Este modelo formativo no solo tiene como objetivo proporcionar una sólida base teórica, sino también formar profesionales competentes para afrontar los retos del mundo laboral. Las Escuelas de Ingenieros de Caminos, Canales y Puertos ejemplifican la estrecha vinculación entre la docencia y la práctica profesional, siendo históricamente referentes gracias a sus catedráticos, quienes han combinado la labor académica con la ejecución de importantes proyectos de infraestructura.

Historia y vínculo con la práctica profesional

Desde sus inicios —como la Escuela de Ingenieros de Caminos de Madrid, fundada en 1802— estas instituciones han contado con profesores de reconocido prestigio internacional que han liderado y gestionado obras de gran envergadura (puentes, presas y puertos, entre otras). La experiencia directa acumulada en el campo aporta un valor añadido incalculable, ya que permite a los egresados no solo dominar la teoría, sino también comprender y aplicar soluciones reales a los desafíos técnicos y constructivos. La integración de la práctica profesional en la enseñanza resalta la inseparabilidad entre ciencia y técnica, base imprescindible para la formación completa del ingeniero.

Limitaciones del modelo universitario actual

El sistema universitario vigente ha privilegiado el desarrollo de la carrera investigadora y académica, orientando a estudiantes brillantes hacia el doctorado, contratos predoctorales, estancias de investigación y la promoción en el escalafón universitario. Si bien este enfoque es fundamental para el avance científico, en el ámbito de la ingeniería ha llevado a descuidar la incorporación de conocimientos derivados de la experiencia práctica de alto nivel. En las últimas décadas, se ha reducido drásticamente la presencia de profesores con una sólida trayectoria profesional en la dirección de grandes obras, lo que genera una desconexión entre el conocimiento teórico y las habilidades prácticas necesarias en el ejercicio profesional.

La figura del profesor asociado

Se ha sugerido que la figura del profesor asociado podría compensar la carencia de profesionales con experiencia práctica en el claustro universitario. No obstante, este modelo presenta áreas de mejora, ya que dichos profesionales, aunque compaginan la actividad práctica con la docencia, tienen contratos que impiden desarrollar, a largo plazo, una carrera académica estable y sólida. Esta situación limita su participación en procesos de investigación y en la toma de decisiones estratégicas a largo plazo, mermando la transferencia directa de conocimientos prácticos a las nuevas generaciones.

La necesidad de integrar la experiencia profesional en la academia

La ausencia de expertos con amplia experiencia en grandes proyectos de ingeniería repercute directamente en la formación de los estudiantes, quienes terminan sus estudios con un conocimiento teórico destacado, pero con habilidades y experiencia práctica mejorables para su incorporación en el mercado laboral. Esta limitación dificulta la transición profesional, pues las empresas y organismos demandan ingenieros capaces de aplicar sus conocimientos en la ejecución y gestión de obras complejas. Ante esta situación, resulta imperativo revisar los criterios de evaluación del profesorado universitario, de manera que la Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA) reconozca y valore especialmente la experiencia profesional de calidad al evaluar a este tipo de docentes.

Propuesta para la integración de profesionales en el ámbito universitario

Para solventar la brecha entre la formación teórica y la práctica profesional, se plantea la necesidad de crear nuevas vías de incorporación de profesionales con amplia experiencia en el ejercicio de la ingeniería al ámbito académico. Estas nuevas estructuras permitirían a dichos profesionales desarrollar una carrera académica paralela, estable y digna, sin renunciar a su actividad práctica. Resulta fundamental que esta reforma venga acompañada de una modificación en los criterios de evaluación de las instituciones, integrando los méritos derivados de la experiencia profesional junto a la excelencia investigadora. Modelos internacionales —como los desarrollados en Alemania, Canadá y Suiza— demuestran que es factible conciliar la actividad profesional y académica de manera efectiva, facilitando una mayor transferencia de conocimientos prácticos a los estudiantes y mejorando la conexión entre la formación y las necesidades del mercado laboral.

Conclusión y propuesta de acción

España no puede seguir anclada en un modelo educativo que excluya a aquellos profesionales que cuentan con la experiencia práctica necesaria para enriquecer la formación de los ingenieros. Es urgente la realización de una reforma que integre la experiencia profesional en la valoración del profesorado universitario, garantizando así una educación completa que responda a las exigencias del siglo XXI. En este sentido, se debería revisar en profundidad los criterios de evaluación del profesorado en la docencia de las profesiones reguladas y alcanzar un acuerdo que permita la incorporación efectiva de profesionales con trayectoria en la docencia y la investigación.

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

José Echegaray: ingeniero de caminos, matemático y premio Nobel

De Desconocido – Mundo Gráfico Magazine. Madrid, Spain, 1931-05-13, Dominio público, https://commons.wikimedia.org/w/index.php?curid=17211545

José María Waldo Echegaray y Eizaguirre (1832-1916) fue una de las figuras más polifacéticas de la España del siglo XIX. Ingeniero, matemático, dramaturgo y político, destacó en todas las disciplinas en las que participó, dejando un legado notable tanto en el campo de la ciencia como en el de la literatura.

Echegaray nació en Madrid el 19 de abril de 1832. Su padre, José Echegaray Lacosta, era médico y profesor de instituto, natural de Zaragoza, mientras que su madre, Manuela Eizaguirre Charler, era natural de Azcoitia (Guipúzcoa). A los cinco años, su familia se trasladó a Murcia por motivos laborales. Allí pasó su infancia y estudió primaria. Fue en el Instituto de Segunda Enseñanza de Murcia donde despertó su afición por las matemáticas.

Tras obtener el título de bachiller, Echegaray se trasladó a Madrid y, tras finalizar sus estudios en el Instituto San Isidro, ingresó en 1848 en la primitiva Escuela de Ingenieros de Caminos, Canales y Puertos. La Escuela de Ingenieros se destacaba por su disciplina y rigor académico, reflejo de la importancia atribuida a la formación de sus estudiantes. Fomentaba en ellos una ética basada en el esfuerzo y les recordaba su pertenencia a una élite, tanto por su preparación científica como por la relevancia de sus contribuciones al desarrollo y progreso del país. Además, promovía ideales liberales y una profunda admiración por las naciones europeas más avanzadas. Echegaray adoptó plenamente las normas y valores de la institución, y, a pesar de la exigencia de su formación, se mantuvo como el mejor de su promoción, culminando sus estudios en 1853 a los veinte años. Después de una breve estancia en Almería y Granada, Echegaray regresó a Madrid en 1854, coincidiendo con la sublevación de O’Donnell y el inicio del Bienio Progresista.

Su formación como ingeniero le permitió desempeñar un papel clave en el desarrollo de infraestructuras en España. Además, ocupó cargos ministeriales en los departamentos de Hacienda y Fomento, donde impulsó proyectos que modernizaron el país en un periodo de grandes cambios, todo ello con la participación de diversos gobiernos, y fue elegido senador vitalicio. Desempeñó un papel fundamental en la creación del Banco de España en su estructura moderna.

En 1854, comenzó a impartir clases en la Escuela de Ingenieros de Caminos, de la que también se hizo cargo de la secretaría. Durante su etapa docente, enseñó matemáticas, estereotomía, hidráulica, geometría descriptiva, cálculo diferencial y física hasta 1868. Además, entre 1858 y 1860, fue profesor en la Escuela de Ayudantes de Obras Públicas.

A los treinta y dos años, fue elegido miembro de la Real Academia de las Ciencias Exactas. Su discurso de ingreso, titulado Historia de las matemáticas puras en nuestra España, generó una gran polémica al ofrecer una visión extremadamente crítica sobre la evolución de las matemáticas españolas y defender la primacía de la «ciencia básica» sobre la «ciencia práctica».

Junto a Gabriel Rodríguez, fundó la revista El Economista, donde publicó numerosos artículos, iniciando así una actividad periodística que mantendría a lo largo de su vida. En 1850, participó en la creación de la Asociación para la Reforma de los Aranceles y, en 1869, fue ponente en las conferencias dominicales sobre la educación de la mujer en la Universidad de Madrid. En una de ellas, titulada Influencia del estudio de las ciencias físicas en la educación de la mujer, defendió la importancia del conocimiento científico en la formación de la mujer.

Además, presidió el Ateneo de Madrid, el Consejo de Instrucción Pública, la Junta del Catastro, la Real Academia de Ciencias, la Sociedad Española de Física y Química, la Sociedad Matemática Española y la Asociación Española para el Progreso de las Ciencias. Como reconocimiento a su producción literaria, recibió el Premio Nobel de Literatura. También fue catedrático de Física Matemática en la Universidad Central y senador vitalicio. Ningún otro español de su época, ni antes ni después, ha acumulado tantos títulos y distinciones.

Echegaray realizó importantes contribuciones a las matemáticas y la física, introduciendo en España conceptos avanzados como la geometría de Chasles, la teoría de Galois y las funciones elípticas. Su influencia fue tan significativa que el matemático Julio Rey Pastor afirmó: «Para la matemática española, el siglo XIX comienza en 1865 y comienza con Echegaray». En 1911, fundó la Real Sociedad Matemática Española, consolidando su compromiso con el desarrollo de esta disciplina en España.

A pesar de su formación científica, Echegaray también destacó en el mundo de las letras. En 1904, recibió el Premio Nobel de Literatura, galardón que compartió con Frédéric Mistral, convirtiéndose así en el primer español en obtener este galardón. Su obra teatral, influenciada por el drama romántico y el realismo, fue muy reconocida en su época. Durante su juventud, alternó la lectura de autores como Goethe, Homero y Balzac con la de matemáticos como Gauss, Legendre y Lagrange.

Durante el último tercio del siglo XIX, Echegaray fue una figura destacada en el panorama teatral y gozó de la preferencia del público. Sin embargo, al comenzar el siglo XX, autores contemporáneos como Azorín y Valle-Inclán, criticaron su obra. La Generación del 98 no ocultó su animosidad; para Baroja, Unamuno, los hermanos Machado, Rubén Darío y Maeztu, Echegaray personificaba una España «corroída por los prejuicios y la superchería», según manifestaron en un manifiesto conjunto.

A pesar de ello, Echegaray es recordado principalmente como literato y no como científico o matemático. Sin embargo, algunos lo consideran el mejor matemático español de dicho siglo. No realizó descubrimientos originales, pero sí introdujo en España teorías matemáticas de vanguardia, como las de Évariste Galois, que ya estaban transformando el pensamiento matemático internacional. No obstante, cabe preguntarse si podría haber sido un matemático aún más influyente y qué limitaciones enfrentó.

En 1907, la Real Academia de Ciencias Exactas, Físicas y Naturales instauró la Medalla Echegaray a propuesta de Santiago Ramón y Cajal, y en su primera edición la otorgó al propio José Echegaray. Este destacado ingeniero, matemático y dramaturgo mantuvo una intensa actividad intelectual hasta su fallecimiento el 14 de septiembre de 1916 en Madrid. A su muerte, se entregó su biblioteca y la medalla del Nobel a la Academia de Ciencias Exactas, Físicas y Naturales. En sus últimos años, escribió entre 25 y 30 volúmenes de física matemática, lo que demuestra su incansable pasión por el conocimiento.

A lo largo de su carrera, Echegaray publicó numerosas obras sobre física, matemáticas e ingeniería. Entre sus publicaciones más relevantes se encuentran:

  • Cálculo de variaciones (1858), introduciendo en España un área matemática poco conocida hasta entonces.
  • Problemas de geometría plana (1865).
  • Problemas de geometría analítica en dos dimensiones (1865), considerada una obra maestra por Zoel García de Galdeano.
  • Historia de las Matemáticas puras en nuestra España (1866).
  • Teorías modernas de la física. Unidad de las fuerzas materiales (tres volúmenes publicados en 1867, 1883 y 1889).
  • Introducción a la geometría superior (1867), basada en la geometría de Michel Chasles.
  • Memoria sobre la teoría de los determinantes (1868), primera obra en España sobre este tema.
  • Aplicación de los determinantes (1869), donde introdujo la actual regla de Cramer.
  • Tratado elemental de termodinámica (1868), sobre una disciplina emergente en su época.
  • Teoría matemática de la luz (1871).
  • Resolución de ecuaciones y teoría de Galois (1897-1898, 1902), en dos volúmenes.
  • Observaciones y teorías sobre la afinidad química (1901).
  • Ciencia popular; Vulgarización científica (1905).
  • Conferencias sobre Física Matemática, recopiladas en 10 volúmenes.

En el ámbito de la ingeniería, destacó su Memoria sobre los trabajos de perforación del túnel de los Alpes (1860), un estudio técnico sobre una de las grandes obras de ingeniería de su tiempo.

La figura de José Echegaray representa la unión entre ciencia y humanidades, y es un ejemplo de erudición y polimatía en una época de profundos cambios. Su legado perdura tanto en las matemáticas como en la literatura y nos recuerda la importancia del conocimiento multidisciplinar para el progreso de la sociedad.

Le tocó vivir en la situación de la ciencia hispana en el siglo XIX, que sin duda fue precaria. Para ilustrarlo, veamos lo que él mismo escribió en sus memorias entre 1913 y 1915:

“Las Matemáticas fueron, y son, una de las grandes preocupaciones de mi vida; y si yo hubiera sido rico o lo fuera hoy, si no tuviera que ganar el pan de cada día con el trabajo diario, probablemente me hubiera marchado a una casa de campo muy alegre y muy confortable, y me hubiera dedicado exclusivamente al cultivo de las Ciencias Matemáticas. Ni más dramas, ni más argumentos terribles, ni más adulterios, ni más suicidios, ni más duelos, ni más pasiones desencadenadas, ni, sobre todo, más críticos; otras incógnitas y otras ecuaciones me hubieran preocupado.

Pero el cultivo de las Altas Matemáticas no da lo bastante para vivir. El drama más desdichado, el crimen teatral más modesto, proporciona mucho más dinero que el más alto problema de cálculo integral; y la obligación es antes que la devoción, y la realidad se impone, y hay que dejar las Matemáticas para ir rellenando con ellas los huecos de descanso que el trabajo productivo deja de tiempo en tiempo”.

Echegaray hablaba específicamente de las matemáticas, pero la realidad no difería mucho en el resto de las ciencias.

Resalto la cita de Santiago Ramón y Cajal que aparece al final del libro sobre Echegaray: “Era incuestionablemente el cerebro más fino y exquisitamente organizado de la España del siglo XIX. Él lo fue todo, porque podía serlo todo“.

Os dejo un pequeño vídeo sobre su figura.

Docencia e inteligencia artificial: nuevas estrategias para educadores

La educación está experimentando una transformación sin precedentes gracias a los avances en inteligencia artificial (IA). La integración de la IA en el ámbito educativo ha traído consigo oportunidades y desafíos que requieren una adaptación rápida por parte de los docentes y los sistemas de enseñanza.

Esta revolución tecnológica ha dado lugar a la automatización de tareas administrativas, la personalización del aprendizaje, la optimización de evaluaciones y el desarrollo de nuevas metodologías de enseñanza que mejoran la eficiencia del aula. Sin embargo, su implementación también genera preocupaciones relacionadas con la equidad, la privacidad de los datos y la ética en la educación.

Este informe explora en profundidad cómo los docentes pueden aprovechar la IA para mejorar sus prácticas pedagógicas y hacer frente a los desafíos emergentes. Se proporcionarán ejemplos detallados, herramientas específicas y estrategias que permitirán a los educadores integrar esta tecnología de manera efectiva y responsable en sus aulas.

1. Inteligencia artificial generativa y su aplicación en la docencia

1.1. Definición y características

La inteligencia artificial generativa es una rama avanzada de la IA que emplea redes neuronales profundas para crear contenido original en formato de texto, imágenes, audio y vídeo. Este tipo de IA puede proporcionar respuestas personalizadas y adaptadas a distintos contextos de aprendizaje, lo que la convierte en una herramienta muy útil en el ámbito educativo.

Algunos ejemplos notables de IA generativa son ChatGPT, que puede generar respuestas detalladas en múltiples idiomas; DALL-E, que crea imágenes a partir de descripciones textuales, y Bard AI, que ofrece información en tiempo real a partir de consultas específicas.

El uso de estas herramientas en la docencia permite mejorar la interacción con los estudiantes, proporcionar materiales personalizados y fomentar un aprendizaje más dinámico. Además, la IA generativa puede ayudar en la corrección de textos, la generación de pruebas automatizadas y la creación de contenidos visuales para reforzar los conceptos enseñados en el aula.

1.2. Aplicaciones en el aula

Las aplicaciones de la inteligencia artificial (IA) generativa en la enseñanza son diversas y pueden utilizarse en diferentes áreas del conocimiento. Entre las más destacadas se encuentran:

  • Creación de material didáctico: la IA permite generar rápidamente presentaciones, resúmenes y documentos de apoyo para los estudiantes. Herramientas como Canva AI o Tome AI facilitan la producción de diapositivas atractivas con contenido relevante.
  • Automatización de respuestas: los docentes pueden utilizar chatbots educativos como PersonalChat para responder de manera inmediata a las dudas recurrentes de los estudiantes.
  • Evaluaciones y retroalimentación: plataformas como Gradescope permiten corregir exámenes de manera automatizada, lo que reduce la carga de trabajo de los docentes y asegura una evaluación más objetiva.
  • Generación de contenido multimedia: con herramientas como Runway AI y Pictory, los docentes pueden crear vídeos educativos personalizados y mejorar la experiencia de aprendizaje.

Un ejemplo concreto de su aplicación es el uso de ChatGPT en universidades para ayudar a los estudiantes en la redacción de ensayos, proporcionando estructuras sugeridas y correcciones gramaticales detalladas. Esto no solo mejora la calidad de los trabajos académicos, sino que también fomenta la autonomía y la autoevaluación de los estudiantes.

2. Personalización del aprendizaje y evaluación con IA

2.1. Aprendizaje adaptativo

Uno de los mayores beneficios de la inteligencia artificial (IA) en la educación es su capacidad para personalizar el aprendizaje en función del nivel y el ritmo de cada estudiante. Gracias al análisis de datos, los algoritmos de IA pueden identificar fortalezas y debilidades de los alumnos y ajustar los contenidos educativos en tiempo real para optimizar su rendimiento académico.

Algunas plataformas que utilizan este enfoque son:

  • Khan Academy con IA ofrece ejercicios personalizados según el nivel de conocimiento del estudiante.
  • Duolingo AI: adapta la dificultad de los ejercicios de idiomas en función del progreso del usuario.
  • Carnegie Learning ofrece tutorías de matemáticas con IA, que adaptan las preguntas al rendimiento del estudiante.

Este enfoque permite que los estudiantes reciban una educación más centrada en sus necesidades individuales, lo que reduce las brechas de aprendizaje y mejora la retención del conocimiento.

2.2. Evaluación automatizada

Otro aspecto crucial de la IA en la educación es la optimización del proceso de evaluación. Tradicionalmente, corregir exámenes y tareas supone un gran esfuerzo para los docentes. Gracias a herramientas como Gradescope y ZipGrade, ahora es posible evaluar pruebas de manera instantánea, proporcionar retroalimentación detallada y reducir el margen de error.

Además de la corrección automatizada, la IA puede utilizarse para analizar el rendimiento de los estudiantes a lo largo del tiempo y predecir posibles dificultades académicas. Por ejemplo, la plataforma Edsight AI recopila datos sobre las respuestas de los alumnos y genera informes personalizados con recomendaciones para mejorar su rendimiento.

A pesar de sus ventajas, la evaluación automatizada debe complementarse con métodos tradicionales para garantizar una comprensión profunda de los conceptos por parte de los estudiantes y evitar depender exclusivamente de algoritmos para medir los conocimientos.

3. Desafíos y consideraciones éticas

3.1. Sesgo en los algoritmos

Uno de los principales desafíos de la IA en la educación es la presencia de sesgos en los modelos de aprendizaje. Dado que las IA se entrenan con grandes volúmenes de datos históricos, pueden reflejar prejuicios existentes en la sociedad, lo que podría afectar negativamente a la equidad de la enseñanza.

Para minimizar estos riesgos, es fundamental que los docentes supervisen el contenido generado por IA y utilicen diversas fuentes para contrastar la información. Además, se recomienda fomentar el pensamiento crítico entre los estudiantes para que evalúen la veracidad y la imparcialidad de los datos proporcionados por estos sistemas.

3.2. Privacidad y seguridad de datos

El uso de la IA en la educación implica la recopilación y el análisis de grandes volúmenes de datos sobre los estudiantes. Para proteger su privacidad, es crucial que las instituciones educativas implementen regulaciones estrictas sobre el almacenamiento y uso de la información personal.

Algunas estrategias recomendadas son:

  • Utilización de plataformas con altos estándares de seguridad, como Microsoft Copilot y Google AI Education.
  • Concienciar sobre la importancia de la privacidad y enseñar a los estudiantes a gestionar sus datos de forma segura en entornos digitales.
  • Cumplimiento de normativas de protección de datos, como el Reglamento General de Protección de Datos (RGPD) en Europa.

Conclusiones

La inteligencia artificial está revolucionando la educación, ya que ofrece nuevas posibilidades para mejorar la enseñanza y el aprendizaje. Sin embargo, su implementación debe realizarse de manera responsable, garantizando el papel central del docente y promoviendo el uso ético de la tecnología.

Para maximizar sus beneficios, es esencial que los educadores se mantengan actualizados sobre las últimas tendencias en IA y adopten herramientas que complementen sus metodologías de enseñanza. La combinación de innovación tecnológica con estrategias pedagógicas efectivas transformará la educación y preparará a los estudiantes para los desafíos del futuro.

Os dejo un documento de la Universidad de Burgos que profundiza en el tema. Espero que os resulte de interés.

Descargar (PDF, 10.69MB)

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.

Descargar (PDF, 1.53MB)


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