¿Qué es el curado del hormigón y por qué es imprescindible?
El curado del hormigón consiste en adoptar medidas para facilitar la hidratación del cemento, lo que implica evitar la pérdida de humedad por evaporación y, si es necesario, aportar humedad adicional. También se busca mantener una temperatura favorable durante el fraguado y los primeros días de endurecimiento. Es relevante porque si el hormigón se seca al aire, su resistencia puede disminuir hasta en un 40 %, aumenta su porosidad y se incrementa la probabilidad de que se produzcan fisuras por retracción. Un curado adecuado garantiza el desarrollo óptimo de la resistencia y la durabilidad, ya que la impermeabilidad de las capas exteriores del hormigón depende en gran medida de un proceso de curado eficaz, lo que, a su vez, prolonga la vida útil de la estructura al proteger el recubrimiento de las armaduras.
¿Cuál es la importancia del agua en el proceso de hidratación del cemento y en el curado?
El agua es imprescindible para la hidratación del cemento, que solo se produce en un entorno casi saturado. Para la hidratación completa del cemento Portland, se requiere una cantidad de agua equivalente a 0,45 veces la masa del cemento hidratado, la cual se divide en agua químicamente combinada (0,25 veces la masa del cemento) y agua adsorbida en la estructura del gel (0,20 veces la masa del cemento). Durante el proceso de curado, es necesario añadir agua adicional para mantener los poros capilares saturados y permitir que el cemento continúe hidratándose. La proporción adecuada de agua y un curado húmedo son fundamentales para que los productos de la hidratación rellenen los poros entre las partículas de cemento, lo que aumenta la resistencia y la durabilidad del hormigón. Si la relación agua/cemento es baja (igual o inferior a 0,45), puede producirse autodesecación, por lo que se requiere un curado húmedo continuo, aunque la baja permeabilidad puede limitar la penetración de agua externa en la superficie.
¿Cuáles son las fases del curado del hormigón según la norma ACI 308 R?
El curado del hormigón se divide en tres fases principales que abarcan desde su colocación hasta que la estructura adquiere sus propiedades de diseño:
Curado inicial: cuando la superficie del hormigón empieza a secarse, incluso antes de que se complete el acabado. Su objetivo es evitar la pérdida de humedad superficial y prevenir la fisuración por retracción plástica. Es especialmente importante en hormigones con baja exudación o en entornos con alta evaporación, y puede lograrse mediante nebulización, aditivos reductores de la evaporación o modificando el entorno.
Curado intermedio: Es necesario cuando el acabado de la superficie se completa antes de que el hormigón haya fraguado por completo. Se pueden continuar con las medidas del curado inicial o emplear métodos que no dañen la superficie aún blanda, como la aplicación suave de agua o de compuestos de curado.
Curado final: Se aplican los procedimientos tras el acabado, una vez que el hormigón ha fraguado y ha comenzado a desarrollar resistencia. Es fundamental iniciarlo sin demora para evitar una pérdida significativa de agua por evaporación, especialmente en acabados con una gran superficie expuesta. Puede incluir aspersión, el uso de arpilleras húmedas o el riego con manguera, entre otros métodos.
¿Cómo influyen las condiciones ambientales y el tipo de hormigón en la duración y la intensidad del curado?
La duración y la intensidad del curado dependen de varios factores:
Temperatura y humedad ambientales: A medida que las condiciones sean más adversas (por ejemplo, calor intenso o baja humedad), se requerirá un período de curado más prolongado.
Acción del viento y exposición directa al sol: Estos factores aumentan la velocidad de evaporación, lo que exige medidas de curado más rigurosas.
Tipo y cantidad de cemento: Los cementos difieren en su velocidad de hidratación, lo que influye en los requisitos de curado.
Relación agua/cemento (a/c): Una baja relación a/c puede conducir a la autodesecación y a requerir un curado húmedo más intensivo.
Condiciones de exposición de la estructura en servicio: Las estructuras expuestas a ambientes más agresivos requieren un curado más prolongado y eficaz para garantizar su durabilidad.
¿Qué problemas específicos presenta el curado de losas de hormigón sobre tierra y cómo se abordan?
Las losas de hormigón sobre tierra, ya sean pavimentos o cimentaciones, presentan una alta relación entre el área superficial y el volumen, por lo que son susceptibles a una evaporación rápida y significativa. Los principales problemas son:
Formación de gradientes de humedad: La pérdida de humedad en la cara superior provoca la curvatura de la losa, mientras que una base de tierra seca puede absorber agua del hormigón y generar una curvatura opuesta. Para evitarlo, hay que humedecer previamente la base y garantizar condiciones de humedad uniformes en ambas caras mediante un curado inicial, intermedio y final. Si se utiliza una lámina impermeable, la cara superior debe mantenerse húmeda para evitar la curvatura.
Riesgo de fisuración por retracción plástica: La rápida pérdida de humedad superficial aumenta este riesgo. Es crucial aplicar el curado inmediatamente después del acabado.
Entre los métodos recomendados se incluyen los reductores de evaporación, la nebulización, los compuestos de curado (preferiblemente pigmentados en blanco si la temperatura ambiente supera los 25 °C) y la protección con techado y cortavientos. El uso de agua por aspersión o inmersión es el más eficaz, ya que también ayuda a enfriar el hormigón y a reducir la fisuración térmica.
¿Qué es el curado al vapor y cuáles son sus principales aplicaciones?
El curado al vapor es un método muy eficaz para curar el hormigón, que se emplea casi exclusivamente en la prefabricación y acelera considerablemente su endurecimiento. Este proceso implica la aplicación de calor húmedo y se basa en el concepto de «maduración» del hormigón, en el que diferentes combinaciones de temperaturas y tiempos pueden producir resultados similares en cuanto a endurecimiento.
Se puede realizar de dos formas:
Curado a presión atmosférica: Se utiliza en estructuras encerradas construidas in situ o en grandes unidades prefabricadas.
Curado con vapor a alta presión: se realiza en autoclaves y se aplica a pequeñas unidades prefabricadas.
El proceso consiste en elevar gradualmente la temperatura tras el prefraguado, mantenerla dentro de un rango establecido (entre 55 °C y 75 °C, sin superar los 80 °C) y, a continuación, reducirla de forma continua hasta alcanzar la temperatura ambiente, evitando cambios térmicos bruscos.
¿Cuáles son las ventajas del curado al vapor en comparación con los métodos convencionales?
El curado al vapor ofrece varias ventajas significativas:
Endurecimiento rápido: Facilita el proceso constructivo en climas fríos y permite una alta resistencia inicial, especialmente útil en la fabricación de unidades prefabricadas y pretensadas.
Aceleración de la construcción: Incrementa la velocidad de obra, lo que se traduce en mayor eficiencia y productividad.
Rapidez: Acorta los tiempos de construcción y permite una mayor rotación de proyectos en comparación con otros métodos de curado convencionales.
Control de la hidratación: Permite un control meticuloso para asegurar que el recinto de curado permanezca saturado de humedad, aunque requiere precaución para evitar cambios de volumen excesivos.
¿Cuáles son las desventajas del curado al vapor?
A pesar de sus beneficios, el curado al vapor presenta ciertas limitaciones:
Limitaciones en superficies extensas: No es adecuado para curar grandes áreas in situ, lo que puede requerir métodos alternativos.
Necesidad de personal capacitado: Requiere personal experimentado para garantizar resultados óptimos y prevenir problemas como cambios volumétricos excesivos, que pueden afectar la resistencia inicial del hormigón.
Coste inicial elevado: El equipo y los materiales necesarios para el curado al vapor suelen implicar un costo inicial más alto que los métodos de curado convencionales.
En esta conversación y en este vídeo que os dejo, aparecen conceptos interesantes de este tema.
Referencias:
CALAVERA, J. et al. (2004). Ejecución y control de estructuras de hormigón. Intemac, Madrid, 937 pp.
MARTÍ, J.V.; YEPES, V.; GONZÁLEZ, F. (2014). Fabricación, transporte y colocación del hormigón. Apuntes de la Universitat Politècnica de València, 189 pp.
MENZEL, C.A. (1954). Causes and Prevention of Crack Development in Plastic Concrete. Proceedings of the Portland Cement Association, Vol. 130:136.
LERCH, W. (1957). Plastic shrinkage. ACI Journal, 53(8):797-802.
Adhémar Jean Claude Barré de Saint-Venant (1797 – 1886). https://en.wikipedia.org/wiki/
Adhémar Jean Claude Barré de Saint-Venant (Villiers-en-Bière, Seine-et-Marne, Francia, 23 de agosto de 1797 – Saint-Ouen, Loir-et-Cher, Francia, enero de 1886) fue un ingeniero, matemático y científico de la mecánica de medios continuos francés que contribuyó de manera decisiva al nacimiento de esta disciplina, tanto en la mecánica de sólidos deformables como en la mecánica de fluidos. Aunque su apellido completo era Barré de Saint-Venant, en la bibliografía no francesa suele aparecer simplemente como Saint-Venant.
Fue un pionero en el estudio de los esfuerzos en estructuras. Su nombre está vinculado al principio de Saint-Venant para sistemas de cargas equivalentes, al teorema de Saint-Venant, que establece que el círculo es la sección maciza más efectiva contra la torsión, y a la condición de compatibilidad de Saint-Venant, que garantiza la integrabilidad de los tensores de deformación. En mecánica de fluidos, desarrolló las ecuaciones que describen el flujo unidimensional no estacionario de un fluido en lámina libre para aguas poco profundas, conocidas como ecuaciones de Saint-Venant. También fue el primero en «identificar adecuadamente el coeficiente de viscosidad y su papel como factor multiplicador de los gradientes de velocidad en un flujo».
Además, desarrolló un cálculo vectorial similar al de Grassmann (hoy considerado una forma de cálculo exterior), que publicó en 1845. Esto dio lugar a una disputa sobre la prioridad con Grassmann, quien había publicado sus resultados un año antes, en 1844, aunque Saint-Venant afirmó haber ideado el cálculo en 1832.
Vida
Nació el 23 de agosto de 1797 en el Château de Fortoiseau, en Villiers-en-Bière (Seine-et-Marne). Su padre, Jean Barré de Saint-Venant (1737-1810), fue oficial colonial en la isla de Santo Domingo y su madre, Marie-Thérèse Josèphe Laborie, nació en Haití en 1769.
En 1813, con tan solo dieciséis años, ingresó en la École Polytechnique, donde estudió bajo la dirección de Gay-Lussac. Ese mismo año, París se preparaba para resistir la invasión tras la derrota de Napoleón en Leipzig. Todos los estudiantes fueron movilizados, pero Saint-Venant se negó a combatir diciendo: «Mi conciencia me prohíbe luchar por un usurpador». Por esta negativa, tuvo que abandonar la escuela. No obstante, en 1816 logró graduarse como ingeniero tras completar los estudios interrumpidos.
A partir de ese momento, trabajó como ingeniero durante 27 años. Inicialmente, su afición por la química le llevó a ser élève-commissaire del Service des Poudres et Salpêtres (Servicio de Pólvoras y Nitratos), donde trabajó durante los primeros siete años. Posteriormente, durante los veinte años siguientes, ejerció como ingeniero civil en el Corps des Ponts et Chaussées (Cuerpo de Puentes y Caminos). Al mismo tiempo, asistió a cursos en el Collège de France y todavía se conservan sus detalladas notas de las clases de Liouville de 1839-1840.
En 1823 obtuvo permiso para reincorporarse formalmente a la École des Ponts et Chaussées, donde se graduó en 1825 y llegó a ser ingeniero jefe de segunda clase. En 1837 se casó con Rohaut Fleury, de París. Tras un desacuerdo con la administración municipal, se retiró del servicio público el 1 de abril de 1848.
En 1850 ganó por concurso la cátedra de ingeniería agronómica en el Instituto Agronómico de Versalles, que ocupó durante dos años. En ese contexto, en 1851 publicó Principes de Mécanique fondés sur la Cinématique, donde defendía una concepción atomista de la materia y presentaba las fuerzas como entidades cinemáticas, desligadas de las nociones metafísicas o fisiológicas que, en su opinión, oscurecían el concepto físico de fuerza. Su uso del cálculo vectorial, introducido en estas lecciones, fue adoptado por el sistema escolar francés. Posteriormente, sucedió a Coriolis como profesor de matemáticas en la École des Ponts et Chaussées.
En 1868, con 71 años, fue elegido para ocupar la plaza de la sección de Mecánica de la Academia de Ciencias de Francia, en sustitución de Poncelet. En 1869, el papa Pío IX le concedió el título de conde. En 1883, a los 86 años, tradujo (junto con A. Flamant) al francés la Théorie de l’élasticité des corps solides de Clebsch, añadiendo él mismo notas originales al texto. Flamant también redactó su necrológica oficial con otros colegas.
Saint-Venant murió en enero de 1886 en Saint-Ouen (Loir-et-Cher). Las fuentes discrepan sobre la fecha exacta: algunas señalan el 6 de enero y otras el 22.
Obra científica
Saint-Venant trabajó principalmente en mecánica, elasticidad, hidrostática e hidrodinámica. Fue uno de los primeros en aplicar rigurosamente el concepto de esfuerzos internos en sólidos y en describir las condiciones para la integrabilidad de los campos de deformación. En la década de 1850, desarrolló soluciones para la torsión de cilindros no circulares y amplió el trabajo de Navier sobre la flexión de vigas, publicando en 1864 un tratado exhaustivo sobre el tema.
Su contribución más destacada fue probablemente su trabajo de 1843, en el que redescubrió correctamente las ecuaciones de Navier-Stokes para flujos viscosos. En palabras de Anderson:
Siete años después de la muerte de Navier, Saint-Venant rederivó sus ecuaciones para un flujo viscoso, considerando las tensiones internas viscosas y descartando por completo el enfoque molecular de Navier. Su artículo de 1843 fue el primero en identificar adecuadamente el coeficiente de viscosidad y su papel como factor que multiplica los gradientes de velocidad en el flujo, interpretando estos productos como tensiones viscosas debidas a la fricción interna. Saint-Venant lo hizo bien y lo documentó. Que su nombre no quedara asociado a estas ecuaciones es un misterio, sin duda una injusticia técnica.
Stokes también las derivó correctamente, pero su publicación se produjo dos años más tarde, en 1845.
En el ámbito de la hidrodinámica, desarrolló las ecuaciones para el flujo no estacionario en lámina libre, que hoy llevan su nombre (ecuaciones de Saint-Venant). En 1871, derivó las ecuaciones para el flujo no estacionario en canales abiertos.
En 1845, publicó una versión del cálculo vectorial similar a la de Grassmann, quien había publicado en 1844. Saint-Venant defendió que ya había desarrollado estas ideas en 1832 y utilizó este cálculo vectorial en sus clases en el Instituto Agronómico y en su obra de 1851. Aunque sus concepciones atomistas no prosperaron, su enfoque vectorial se adoptó en la enseñanza francesa.
Saint-Venant es recordado como un ingeniero, matemático y científico mecánico excepcional, pionero de la mecánica de medios continuos, del estudio del esfuerzo y la deformación en estructuras, de la hidrodinámica y del cálculo vectorial. Sus contribuciones fundamentales a la elasticidad, los flujos viscosos, la torsión de estructuras y el cálculo cinemático lo sitúan como uno de los grandes fundadores de la ingeniería y la mecánica moderna.
Figura 1. Ejemplo de carga de impacto entre dos vehículos.
En ingeniería, las cargas que actúan sobre una estructura se clasifican en dos tipos principales: estáticas y dinámicas, según si permanecen constantes o varían con el tiempo.
Una carga estática se aplica lentamente y no produce efectos vibratorios ni dinámicos en la estructura. Es decir, la carga aumenta gradualmente desde cero hasta alcanzar su valor máximo y, a partir de ahí, permanece constante. Un ejemplo de carga estática típica es el peso de un objeto colocado cuidadosamente sobre una superficie.
Por su parte, las cargas dinámicas pueden adoptar muchas formas y comportarse de manera más compleja. Algunas se aplican y se retiran de forma repentina, como las cargas de impacto, mientras que otras persisten durante periodos largos y varían continuamente de intensidad, y se conocen como cargas fluctuantes. Las cargas de impacto se producen, por ejemplo, cuando dos objetos colisionan o cuando un objeto en caída golpea una estructura (Figura 1). En cambio, las cargas fluctuantes suelen estar asociadas a maquinaria rotatoria, tránsito de vehículos, ráfagas de viento, olas del mar, movimientos sísmicos o procesos industriales de fabricación. La carga dinámica sobre un cuerpo se puede considerar como una carga aplicada en forma estática multiplicada por un factor de mayoración.
Muchos elementos de las máquinas están sometidos a cargas variables que cambian de intensidad con el tiempo. El comportamiento de los materiales sometidos a este tipo de carga es muy diferente del que presentan frente a cargas estáticas. Por ejemplo, una pieza que puede soportar sin problemas una gran carga estática podría fallar si se le aplica una carga mucho menor, pero repetida un gran número de veces.
Las cargas variables generan esfuerzos alternantes en el material que tienden a producir pequeñas grietas en su superficie. Con cada repetición de la carga, estas grietas se van propagando poco a poco hasta que finalmente se produce la rotura total de la pieza. A este fenómeno, en el que la acumulación de daños por cargas repetidas provoca la fractura, se le conoce como fatiga.
Para ilustrar cómo responde una estructura ante una carga dinámica, analicemos un caso sencillo, pero revelador: el impacto de un objeto que cae sobre el extremo inferior de una barra prismática (Figura 2). Supongamos que un collarín con masa M, inicialmente en reposo, se deja caer desde una altura h hasta chocar contra una brida fija al extremo inferior de la barra.
Figura 2. Carga de impacto sobre una barra prismática.
Cuando el collarín golpea la brida, la barra comienza a alargarse debido a que el impacto genera esfuerzos axiales internos. En un intervalo muy breve, del orden de algunos milisegundos, la brida desciende y alcanza su posición de desplazamiento máximo. A partir de ese momento, la barra comienza a vibrar longitudinalmente: primero se acorta, después se alarga, luego se vuelve a acortar y así sucesivamente, con el extremo inferior oscilando hacia arriba y hacia abajo.
Estas vibraciones son similares a las que se observan cuando se estira y suelta un resorte o cuando una persona salta con una cuerda elástica atada al tobillo. No obstante, estas vibraciones no persisten indefinidamente, ya que el material presenta efectos de amortiguamiento que hacen que se atenúen rápidamente y la barra finalmente quede en reposo con la masa M apoyada sobre la brida.
Es evidente que la respuesta de la barra al impacto del collarín es bastante compleja. Un análisis completo y preciso requiere recurrir a técnicas matemáticas avanzadas para describir el fenómeno en detalle. Sin embargo, es posible obtener una aproximación útil utilizando el concepto de energía de deformación y formulando algunas suposiciones simplificadoras.
Antes de liberar el collarín, este se encuentra a una altura h sobre la brida y posee una energía potencial gravitatoria:
donde g es la aceleración de la gravedad.
A medida que cae, la energía potencial se convierte en energía cinética. Justo al impactar, toda la energía es cinética:
siendo n=√(2 · g · h) la velocidad del collarín en el momento del choque.
Figura 3. Alargamiento producido por el impacto
Durante el impacto, la energía cinética del collarín se transforma en otras formas de energía. Una parte se convierte en energía de deformación cuando la barra se estira. Otra parte se disipa en forma de calor y mediante deformaciones plásticas locales tanto en el collarín como en la brida. Además, una pequeña fracción de la energía permanece como energía cinética residual en el collarín, que puede seguir moviéndose hacia abajo mientras está en contacto con la brida e, incluso, rebotar hacia arriba.
Para simplificar el análisis de esta situación tan compleja, haremos algunas idealizaciones y asumiremos las siguientes condiciones:
Supondremos que el collarín y la brida están diseñados de manera que, tras el impacto, el collarín «se pega» a la brida y se desplaza hacia abajo con ella. Es decir, asumimos que no hay rebote. Este comportamiento es más probable cuando la masa del collarín es mayor que la de la barra.
Ignoraremos todas las pérdidas de energía y supondremos que toda la energía cinética del collarín al caer se transforma por completo en energía de deformación de la barra. Esta simplificación da como resultado esfuerzos mayores de los que realmente se producirían si se tuvieran en cuenta las pérdidas de energía.
No tendremos en cuenta los cambios en la energía potencial de la barra debidos a su movimiento vertical ni la energía de deformación asociada a su propio peso. Ambos efectos son extremadamente pequeños y pueden ignorarse.
Supondremos que los esfuerzos en la barra se mantienen dentro del rango linealmente elástico, es decir, que no se produce deformación plástica en la barra.
Consideraremos que la distribución de esfuerzos en toda la barra es la misma que si estuviera sometida a una carga estática en su extremo inferior, es decir, que los esfuerzos son uniformes en todo el volumen de la barra. En realidad, las ondas de esfuerzo longitudinal que se propagan por la barra causan variaciones en la distribución del esfuerzo, pero aquí las despreciaremos para simplificar el análisis.
Con estas suposiciones, podemos calcular el alargamiento máximo de la barra y los esfuerzos de tensión máximos producidos por la carga de impacto. Hay que recordar que en este análisis no se tiene en cuenta el peso de la barra y que únicamente se evalúan los esfuerzos generados por la caída del collarín.
Este análisis energético, aunque simplificado, permite comprender los principios fundamentales que rigen la respuesta de las estructuras ante una carga de impacto, así como las vibraciones que se generan y la forma en que se amortiguan hasta que la estructura alcanza un nuevo estado de equilibrio.
En este tipo de análisis, asumimos que no hay pérdidas de energía durante el impacto. Sin embargo, en la realidad estas pérdidas siempre están presentes y, por lo general, se disipan en forma de calor y mediante deformaciones localizadas en los materiales. Por tanto, la energía cinética del sistema es menor inmediatamente después del impacto que antes de este. Esto significa que la barra se deforma menos de lo que predice nuestro análisis simplificado. Por lo tanto, el desplazamiento real del extremo de la barra (como se muestra en la Figura 3) es menor que el calculado en el modelo idealizado.
También supusimos que los esfuerzos en la barra permanecían siempre dentro del límite de proporcionalidad, es decir, en el rango elástico. Si el esfuerzo máximo sobrepasa este límite, la relación entre el alargamiento de la barra y la fuerza axial deja de ser lineal y el análisis se vuelve mucho más complejo.
Además, hay otros factores que influyen en la respuesta real de la estructura y que no hemos tenido en cuenta en el modelo, como las ondas de esfuerzo que se propagan a lo largo de la barra, el amortiguamiento y las posibles imperfecciones en las superficies de contacto. Por estas razones, debemos tener presente que todas las fórmulas y resultados obtenidos bajo estas suposiciones son válidos solo en condiciones muy idealizadas y tienden a sobreestimar el alargamiento real de la barra.
Por otro lado, los materiales dúctiles, es decir, aquellos que pueden deformarse considerablemente más allá del límite de proporcionalidad, ofrecen una mayor resistencia frente a las cargas de impacto que los materiales frágiles. También es importante recordar que las barras con ranuras, agujeros u otras concentraciones de esfuerzo son muy vulnerables al impacto: incluso un golpe ligero puede causar una fractura, aunque el material sea relativamente dúctil bajo cargas estáticas.
Por tanto, para resistir con más eficacia una carga de impacto, un elemento estructural debe tener un gran volumen, estar fabricado con un material que tenga un módulo de elasticidad bajo y una alta resistencia a la fluencia, y tener una forma que permita distribuir los esfuerzos de manera uniforme por todo el elemento.
Para un análisis más profundo, recomendamos al lector consultar alguna referencia como las que dejamos a continuación.
Referencias:
Beer, F.P.; Johnston, J. E.; DeWolf, J.T.; Mazurek, D.F. (2017). Mecánica de Materiales. Séptima edición, McGraw Hill, México.
Gere, J. M., & Goodno, B. J. (2009). Mecánica de materiales. Séptima edición, Cengage Learning Editores, S.A. de C.V., México.
Este artículo se centra en la aplicación práctica de la evaluación del ciclo de vida (LCA) para optimizar el impacto ambiental y los costes de los puentes peatonales compuestos de acero y hormigón. Los autores utilizan el algoritmo de búsqueda de armonía multiobjetivo (MOHS) para identificar soluciones de diseño que minimicen simultáneamente las emisiones de CO₂, la energía incorporada y los costes de construcción. Los resultados muestran una relación directa y lineal entre el coste, las emisiones de CO₂ y la energía incorporada, lo que sugiere que las soluciones económicamente eficientes también son beneficiosas para el medio ambiente. Se analizan escenarios alternativos, como variaciones en la resistencia del hormigón y fluctuaciones en el precio de los materiales, para evaluar su impacto en los resultados de la optimización. En última instancia, el estudio demuestra la eficacia de combinar la optimización estructural con la evaluación del ciclo de vida para fomentar un diseño de infraestructura más sostenible.
El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València. Se trata de una colaboración internacional de nuestro grupo con investigadores brasileños. A continuación se recoge un resumen sintético del trabajo.
El sector de la construcción es uno de los que más recursos consume y más emisiones de gases de efecto invernadero genera. Según el Programa de las Naciones Unidas para el Medio Ambiente, este sector consume alrededor del 34 % de la energía mundial y es responsable de aproximadamente el 37 % de las emisiones de CO₂. Ante esta realidad, mejorar la sostenibilidad de las infraestructuras es fundamental para alcanzar los Objetivos de Desarrollo Sostenible (ODS) de la ONU. En este contexto, el artículo «Aplicación práctica de la evaluación del ciclo de vida para optimizar el impacto ambiental de los puentes peatonales de acero y hormigón», de Fernando Luiz Tres Junior y colaboradores, muestra cómo la combinación de la optimización estructural multiobjetivo y la evaluación del ciclo de vida permite diseñar un puente peatonal que reduce simultáneamente su coste económico, las emisiones de CO₂ y la energía incorporada, sin sacrificar la seguridad ni la funcionalidad.
El trabajo aporta varias conclusiones relevantes. Una de las más importantes es que los objetivos de minimizar el coste y el impacto ambiental no son opuestos, sino que las soluciones más baratas también son más sostenibles. Además, el estudio cuantifica con precisión la relación entre estos factores, por lo que es posible estimar cómo varía el impacto ambiental en función del presupuesto. Otra aportación destacable es la validación práctica de la metodología: la combinación de técnicas de optimización y bases de datos de evaluación del ciclo de vida (LCA, por sus siglas en inglés) conduce a soluciones óptimas y robustas, incluso ante cambios en parámetros como la resistencia del hormigón o las fluctuaciones de precios.
El caso de estudio consiste en un puente peatonal de 17,5 m de luz y 3 m de ancho ubicado en el sur de Brasil. La estructura combina vigas de acero soldadas y una losa de hormigón armado, unidas mediante conectores de corte. Las variables de diseño incluyen el espesor y la resistencia del hormigón, las dimensiones de las vigas de acero y el grado de interacción entre ambos materiales. Estas variables pueden adoptar distintos valores discretos, lo que da lugar a más de 700 000 millones de combinaciones posibles. El objetivo de la optimización es hallar las mejores soluciones en términos de coste económico, emisiones de CO₂ y energía incorporada, cumpliendo siempre con la normativa brasileña sobre seguridad estructural y confort frente a vibraciones.
Para evaluar el impacto ambiental de los materiales, los autores utilizaron dos bases de datos. En el caso del acero de las vigas, utilizaron una base de datos internacional, que contiene datos globales sobre emisiones y consumo de energía. En el caso del hormigón y las armaduras, recurrieron a datos locales de producción del sur de Brasil. Además, analizaron dos escenarios alternativos para comprobar la solidez de las soluciones: uno con hormigón de menor resistencia (20 MPa en lugar de 40 MPa) y otro con precios más altos para los materiales (como ocurrió durante la pandemia en 2022).
Todas las soluciones se verificaron para garantizar que cumplían los requisitos normativos de seguridad y servicio, incluidos los estados límite últimos, las deformaciones y las vibraciones. Las soluciones que no superaban estas comprobaciones eran penalizadas y el algoritmo de optimización las descartaba. Para la optimización, utilizaron el algoritmo Multiobjective Harmony Search (MOHS), inspirado en la improvisación musical, que busca soluciones que «armonizan» los distintos objetivos. Este algoritmo genera y mejora iterativamente las soluciones hasta construir la denominada «frontera de Pareto», que recoge las mejores alternativas posibles sin que ninguna sea mejor en todos los objetivos a la vez.
Los resultados muestran que estos tres objetivos —coste, emisiones de CO₂ y energía incorporada— están estrechamente relacionados y no entran en conflicto entre sí. Se evita la emisión de 1 kg de CO₂ por cada 6,56 reales brasileños ahorrados por metro de puente, y se reducen 1 MJ de energía por cada 0,70 reales. Además, por cada 9,3 MJ ahorrados se evita la emisión de 1 kg de CO₂. Estas relaciones lineales reflejan que, al reducir el consumo de materiales, se consigue simultáneamente un ahorro económico y un menor impacto medioambiental.
Las soluciones óptimas obtenidas tienen características muy similares entre sí. La losa de hormigón tiene un espesor de 12 cm y la viga de acero mide aproximadamente 860 mm de altura, con un espesor del alma de 6,35 mm, y mantiene la clásica proporción luz/altura cercana a 20. La anchura de las alas superior e inferior de la viga varía, siendo la inferior más ancha y gruesa. En todos los casos, la interacción entre el acero y el hormigón es completa (grado de interacción igual a 1).
Al considerar el escenario con hormigón de menor resistencia, se observó un aumento del coste total del 3 %, debido a que fue necesario añadir más acero para compensar la menor resistencia del hormigón. En cuanto al impacto ambiental, las emisiones de CO₂ apenas se redujeron (menos de un 1 %), mientras que la energía incorporada aumentó alrededor de un 4 %. En el escenario con precios más altos de los materiales, se obtuvieron dos soluciones óptimas: una más barata, pero con mayores emisiones, y otra más cara y sostenible. En ambos casos, las diferencias entre las soluciones fueron pequeñas y se mantuvo la relación lineal entre los objetivos.
En conclusión, este trabajo demuestra que es posible diseñar puentes peatonales más económicos y sostenibles combinando optimización estructural y LCA. La reducción del consumo de materiales no solo abarata la estructura, sino que también disminuye las emisiones de CO₂ y la energía incorporada. Además, el uso de hormigón de alta resistencia reduce la cantidad de acero necesaria, lo que tiene un impacto positivo en el coste y la sostenibilidad. Las soluciones óptimas resultaron muy similares al modificar las condiciones del diseño o del mercado, lo que confirma la solidez de la metodología.
Este tipo de estudios es especialmente valioso en los países en desarrollo, donde las necesidades de infraestructuras son elevadas y los recursos económicos, limitados. El diseño de estructuras asequibles y sostenibles contribuye al desarrollo regional y a la lucha contra el cambio climático. Los autores recomiendan ampliar futuras investigaciones para incluir también el impacto social y considerar así los tres pilares de la sostenibilidad: el económico, el ambiental y el social. También recomiendan analizar el ciclo de vida completo de la estructura, incluyendo el mantenimiento y la demolición. Por último, esta metodología podría aplicarse fácilmente a otros tipos de infraestructuras, como puentes para vehículos o edificios.
En definitiva, este trabajo no solo muestra cómo reducir costes y emisiones en un puente peatonal concreto, sino que también abre la puerta a un diseño más sostenible de nuestras infraestructuras. Es un claro ejemplo de cómo la ingeniería civil puede ser una aliada clave en el desarrollo sostenible.
Referencia:
Tres Junior, F.L., Yepes, V., de Medeiros, G.F., Kripka, M. (2025). Practical Application of LCA to Optimize Environmental Impacts of Steel–concrete Footbridges. In: Brandli, L., Rosa, F.D., Petrorius, R., Veiga Avila, L., Filho, W.L. (eds) The Contribution of Life Cycle Analyses and Circular Economy to the Sustainable Development Goals. World Sustainability Series. Springer, Cham. https://doi.org/10.1007/978-3-031-85300-5_22
Glosario de términos clave
Evaluación del ciclo de vida (LCA): Una metodología para estimar los impactos ambientales resultantes de la fabricación de un producto o servicio, examinando cada etapa de su ciclo de vida, desde la extracción de recursos naturales hasta su eliminación.
Emisiones de CO2: La cantidad de dióxido de carbono liberada a la atmósfera, utilizada como un criterio clave para evaluar el impacto ambiental en este estudio.
Energía incorporada: La suma total de energía necesaria para producir un producto, desde la extracción de las materias primas hasta el final del proceso de fabricación, utilizada como otro criterio de impacto ambiental.
Optimización multi-objetivo: Un proceso de optimización que considera múltiples funciones objetivo que deben minimizarse o maximizarse simultáneamente. Produce un conjunto de soluciones no dominadas o Pareto-óptimas.
Algoritmo de búsqueda de armonía multi-objetivo (MOHS): Un algoritmo metaheurístico basado en la improvisación musical, adaptado para resolver problemas de optimización multi-objetivo.
Pasarela mixta de hormigón y acero: Una estructura que combina elementos de acero y hormigón de manera que trabajen juntos como una sola unidad para soportar cargas, aprovechando las fortalezas de ambos materiales.
Frontera de Pareto: Una representación gráfica que conecta el conjunto de soluciones no dominadas (Pareto-óptimas) en un problema de optimización multi-objetivo, lo que permite analizar las compensaciones entre los objetivos.
Solución no dominada (Pareto-Óptima): Una solución para la cual no existe otra solución admisible que mejore simultáneamente todas las funciones objetivo. Mejorar un objetivo solo es posible a expensas de al menos otro.
Grado de interacción (α): Una variable de diseño en vigas compuestas que representa el nivel de conexión entre el acero y el hormigón, influyendo en su comportamiento estructural combinado.
Estado límite último (ULS): Verificaciones relacionadas con la capacidad de la estructura para resistir las cargas máximas sin colapsar, incluyendo la tensión de cizallamiento y el momento de flexión.
Estado límite de servicio (SLS): Verificaciones relacionadas con el rendimiento de la estructura bajo cargas normales para garantizar la comodidad y la funcionalidad, como la limitación de los desplazamientos y las aceleraciones.
Penalización: Un método utilizado en algoritmos de optimización para hacer que las soluciones que no cumplen con las restricciones de diseño sean menos atractivas para el algoritmo, agregando un valor a la función objetivo.
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:
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.
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.
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.
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.
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.
Representación medieval de Pitágoras evaluando las consonancias perfectas regidas por relaciones matemáticas simples. https://bustena.wordpress.com/2013/09/16/la-sombra-de-pitagoras-armonia-composicion-ciencia-y-religion-en-la-musica-medieval/
Desde tiempos remotos, la humanidad ha observado y utilizado los fenómenos naturales para crear herramientas, expresar emociones y generar conocimiento. Uno de estos fenómenos, la vibración, ha estado presente en aspectos tan diversos como la música, la detección de terremotos, la ingeniería y la arquitectura.
En términos sencillos, una vibración consiste en el movimiento repetido de un objeto alrededor de una posición de equilibrio. Esa posición de equilibrio es el lugar al que tiende a volver el objeto cuando no actúa sobre él ninguna fuerza. Cuando todo el objeto se mueve al mismo tiempo y en la misma dirección, se habla de vibración de cuerpo entero. En este caso, todas sus partes oscilan juntas sin moverse de forma independiente.
Este artículo repasa de forma cronológica y accesible cómo distintas civilizaciones abordaron el estudio de la vibración, desde la intuición musical hasta los primeros intentos científicos de comprender el sonido y el movimiento. Este viaje histórico nos muestra cómo una misma pregunta puede tener múltiples respuestas a lo largo del tiempo y de las culturas.
El interés del ser humano por la vibración es tan antiguo como la propia civilización. De hecho, el primer contacto del ser humano con este fenómeno probablemente se produjo a través del sonido, cuando nuestros antepasados comenzaron a crear instrumentos musicales rudimentarios, como silbatos y tambores. Desde entonces, músicos, artesanos y pensadores han tratado de entender las reglas que hay detrás de la producción del sonido, han perfeccionado los instrumentos y han transmitido su conocimiento de generación en generación.
La vibración en las culturas antiguas
Hacia el año 4000 a. C., la música ocupaba un lugar destacado en civilizaciones como la china, la hindú, la japonesa y la egipcia. Estos pueblos seguían ciertas reglas musicales empíricas, aunque su conocimiento todavía no podía considerarse científico.
En el antiguo Egipto, por ejemplo, el arco del cazador, un arma común en sus ejércitos, pudo inspirar la creación de instrumentos de cuerda. Entre estos instrumentos, destaca la nanga, un arpa primitiva de tres o cuatro cuerdas, cada una de las cuales producía una sola nota. Un ejemplar de este tipo, fechado en torno al año 1500 a. C., se conserva en el Museo Británico. También se han encontrado en tumbas egipcias de alrededor del 3000 a. C. representaciones de arpas de hasta 11 cuerdas, lo que demuestra un nivel notable de sofisticación.
Una de las piezas más impresionantes es un arpa decorada en oro con una caja de resonancia en forma de cabeza de toro hallada en una tumba real de Ur (Mesopotamia) que data aproximadamente del año 2600 a. C.
La Grecia clásica: primeros pasos hacia la ciencia del sonido
Nuestro sistema musical actual tiene sus raíces en la antigua Grecia. Allí se inició el estudio sistemático del sonido, en particular del sonido musical. El filósofo y matemático Pitágoras (582-507 a. C.) fue probablemente el primero en abordar este fenómeno desde una perspectiva científica.
Mediante un instrumento denominado monocordio, Pitágoras llevó a cabo experimentos que pusieron de manifiesto la existencia de relaciones entre la longitud de una cuerda y el tono que produce. Por ejemplo, descubrió que, si dos cuerdas están sometidas a la misma tensión, la más corta emite un sonido más agudo. Además, descubrió que si una cuerda tiene la mitad de la longitud de otra, produce un sonido una octava más agudo. Aunque Pitágoras no dejó escritos sobre sus experimentos, sus ideas han sido transmitidas por otros autores.
Hacia el 350 a. C., Aristóteles escribió tratados sobre la música y el sonido, incluyendo observaciones cualitativas como «La voz es más dulce que el sonido de los instrumentos». Poco después, Aristógenes, uno de sus alumnos, redactó Elementos de armonía, una obra en tres volúmenes que es quizá el tratado musical más antiguo que se conserva y que fue escrito por un músico-investigador. Por su parte, Euclides abordó brevemente el tema musical en Introducción a la armonía, aunque sin hacer referencia a la física del sonido.
A pesar del prometedor inicio, los griegos no avanzaron más allá en la comprensión científica de las vibraciones.
Los romanos y el largo silencio
Los romanos heredaron la mayor parte de sus conocimientos musicales de los griegos. La notable excepción fue el arquitecto del siglo I a. C. Vitruvio, quien escribió sobre la acústica de los teatros en su obra De Architectura Libri Decem (Diez libros sobre arquitectura). Este tratado se perdió durante siglos y no fue redescubierto hasta el Renacimiento. Aparte de él, no se produjeron avances significativos en la teoría del sonido ni de la vibración durante los 16 siglos siguientes.
China y el nacimiento de la detección sísmica
Al mismo tiempo que en el mundo grecorromano, en la antigua China se mostró un interés temprano por los fenómenos vibratorios relacionados con los movimientos sísmicos. De hecho, los primeros detectores de movimiento de los que se tiene constancia provienen de esta civilización.
En el año 132 d. C., el astrónomo e historiador chino Zhang Heng inventó el primer sismógrafo de la historia. Este ingenioso dispositivo, fabricado en bronce fundido, tenía forma de jarra de vino y medía aproximadamente 1,9 metros de diámetro. En su interior albergaba un péndulo central rodeado por un sistema de ocho palancas dispuestas en direcciones cardinales.
Réplica del detector de terremotos de Zhāng Héng. https://es.wikipedia.org/wiki/Zhang_Heng
En el exterior, el aparato tenía ocho figuras de dragones, cada una con una esfera de bronce en la boca. Debajo de cada dragón había una rana de metal con la boca abierta. Cuando se producía un terremoto, incluso uno muy leve, el péndulo interno se desplazaba en la dirección de la onda sísmica, activando una de las palancas. Esta hacía que la boca del dragón correspondiente se abriera y liberara la esfera, que caía en la rana con un sonido metálico. De este modo, el dispositivo no solo detectaba la ocurrencia del seísmo, sino que también indicaba con precisión la dirección de propagación del movimiento. Este invento de Zhang Heng no solo es considerado el primer sismógrafo funcional, sino también uno de los primeros ejemplos del uso ingenieril del fenómeno de la vibración.
Hacia una comprensión científica: Galileo y la frecuencia
Aunque Pitágoras había dado los primeros pasos, la verdadera comprensión de la relación entre tono y frecuencia tuvo que esperar muchos siglos. Galileo Galilei dio el salto decisivo en el siglo XVI al vincular científicamente la vibración con el sonido audible. A partir de entonces, el estudio de las vibraciones se consolidó como un campo fundamental dentro de la física y la ingeniería, con aplicaciones que abarcan desde la música hasta la detección de terremotos y el diseño de estructuras resistentes. Pero eso ya lo trataremos en futuros artículos.
Referencia:
Rao, S. S., García, D. S., Figueroa, R. R., & Muñoz, G. D. V. D. (2012). Vibraciones mecánicas (Vol. 776). Pearson educación.
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.
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:
Apolodoro de Damasco (c. 60-entre 125 y 130). https://es.wikipedia.org/wiki/Apolodoro_de_Damasco
Apolodoro de Damasco (c. 60-entre 125 y 130), también conocido como el Damasceno o el Mecánico, fue uno de los arquitectos e ingenieros más influyentes de la Antigua Roma. Nació en la ciudad de Damasco alrededor del año 60 d. C., en el seno de una familia acomodada, probablemente hijo de un arquitecto y constructor. Esta posición privilegiada le permitió recibir una excelente educación, acceder a los mejores círculos intelectuales y desarrollar desde joven una profunda pasión por la arquitectura, la geometría y la ingeniería.
A diferencia de muchos constructores de su época, que eran esclavos o libertos, Apolodoro era un ciudadano libre, lo que le facilitó una carrera profesional destacada dentro del Imperio. Gracias a su talento, precisión técnica y gran creatividad, pronto se convirtió en uno de los arquitectos más respetados de Roma.
Su relación más destacada fue con el emperador Trajano (97-117 d. C.), bajo cuyo mandato diseñó y ejecutó algunas de las obras más monumentales de la Roma imperial. Durante este periodo, el Imperio se enfrentó a las guerras dácicas (101-102 y 105-106 d. C.), campañas militares que terminaron con la victoria romana y la anexión de la Dacia (actual Rumanía) como provincia. La conquista exigió no solo fuerza militar, sino también una poderosa infraestructura para desplazar tropas y asegurar el abastecimiento.
Una de las obras más emblemáticas de este esfuerzo fue el gran puente sobre el Danubio, en la actual Drobeta (Rumanía), proyectado y construido por Apolodoro alrededor del año 103 d. C. Esta estructura monumental, de aproximadamente 1135 m de largo y 15 m de ancho, estaba formada por 20 pilares de piedra que sostenían arcos de madera y estaba flanqueada por torres defensivas en ambos extremos. El puente no solo permitió el rápido desplazamiento de las legiones romanas, sino que también simbolizó el dominio técnico y estratégico de Roma sobre los territorios conquistados.
Puente de Trajano. https://es.wikipedia.org/wiki/Apolodoro_de_DamascoColumna de Trajano. https://es.wikipedia.org/wiki/Apolodoro_de_Damasco
Su relevancia fue tal que el puente quedó representado en el relieve de la Columna de Trajano, también obra de Apolodoro, y se convirtió en símbolo del poder romano en el Bajo Danubio. Incluso fue inmortalizado en algunas monedas romanas emitidas durante el reinado de Trajano, en las que aparecía como prueba del triunfo imperial y de la capacidad del ingenio romano.
Tras la victoria, Trajano encargó a Apolodoro otro ambicioso proyecto: el Foro de Trajano, construido entre los años 107 y 113 d. C. Este complejo monumental conmemoraba las campañas en Dacia e incluía una gran plaza, la Basílica Ulpia, templos, estatuas y, como pieza central, la imponente Columna de Trajano. Esta columna de mármol, de 30 m de altura y 4 m de diámetro, narra en un relieve helicoidal más de 150 escenas de la campaña, desde la preparación logística hasta el regreso triunfal. La precisión técnica y narrativa de esta obra consolidó a Apolodoro como un maestro de la integración entre arte, arquitectura e historia.
En paralelo, Apolodoro también fue convocado para participar en la reconstrucción del Panteón, uno de los edificios más emblemáticos de Roma. El templo original, construido por Agripa en el año 27 a.C., había sido destruido por un incendio en el año 80 d.C. Un intento de restauración bajo el reinado de Domiciano fue un fracaso, y no fue hasta el año 118 d.C. que el emperador Adriano ordenó su reconstrucción completa.
Apolodoro, designado para liderar el proyecto, no solo recuperó el espíritu del edificio original, sino que lo transformó en una obra maestra de la arquitectura universal. El Panteón de Adriano, concluido en el año 126 d.C., destaca por su revolucionaria cúpula hemisférica de 43,3 m de diámetro, culminada por un óculo de 9 m que permite la entrada de luz natural.
Para resolver los desafíos estructurales de una cúpula tan inmensa, Apolodoro utilizó una técnica avanzada de aligeramiento basada en opus caementicium con piedra volcánica (puzolana), junto con una estructura concéntrica de arcos de descarga, casetones y nervios. Además, ideó un sistema de 22 desagües ocultos en el pavimento para drenar el agua que penetraba por el óculo durante las lluvias, y reforzó la cimentación del edificio con pilares de mármol y bloques de piedra cuidadosamente alineados.
El resultado fue un edificio cuya armonía de formas y eficiencia estructural han fascinado a arquitectos durante siglos. El Panteón se convirtió en un modelo de referencia para innumerables cúpulas posteriores en Europa, desde la Edad Media hasta el Renacimiento.
El Panteón de Roma. https://es.wikipedia.org/wiki/Apolodoro_de_Damasco
Apolodoro también participó en la construcción del Templo de Venus y Roma, uno de los más grandes de la ciudad, ubicado en el Foro Romano y construido durante el reinado de Adriano. El templo, que medía 110 metros de largo y 53 de ancho, estaba dedicado a dos de las deidades más veneradas del Imperio y destacaba por su cúpula central y su rica decoración de mármoles y esculturas. Aunque Adriano fue el encargado de diseñarlo inicialmente, Apolodoro supervisó aspectos técnicos de su ejecución, lo que generó tensiones entre ambos.
Según una conocida leyenda relatada por Dion Casio, Apolodoro criticó el diseño de la cúpula propuesto por el propio emperador y señaló errores estructurales. Adriano, molesto por la franqueza del arquitecto, lo habría desterrado y posteriormente ordenado ejecutar en el año 130 o 133 d. C. Aunque esta historia ha sido transmitida por fuentes antiguas, algunos historiadores modernos dudan de su veracidad, considerando que podría ser una exageración o una forma de ensalzar la figura de Adriano presentándolo como celoso de su predecesor.
Apolodoro fue también un escritor e ingeniero militar, más allá de sus grandes obras arquitectónicas. Se le atribuye la autoría de varios tratados técnicos, entre ellos uno conocido como Poliorcética, sobre el diseño y uso de torres de asedio. Aunque la mayoría de sus escritos no han llegado hasta nuestros días, se sabe que sus conocimientos de geometría, mecánica y construcción influyeron notablemente en los tratados técnicos posteriores.
La contribución de Apolodoro de Damasco es incuestionable. Su visión, su dominio técnico y su capacidad para integrar arte e ingeniería transformaron el paisaje urbano de Roma y ampliaron los límites de lo posible en la construcción antigua. Hoy en día, no solo son estudiadas sus obras por arquitectos e historiadores, sino que también son admiradas por millones de personas que visitan los restos de su genialidad: el Panteón, la Columna de Trajano, el Foro y los vestigios del puente sobre el Danubio, símbolos eternos de un imperio y de su arquitecto más brillante.
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.
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.
¿Qué es el curado del hormigón y por qué es imprescindible?
