Etiqueta: universidad

Comisión de Educación y Universidades del Colegio de Ingenieros de Caminos

La docencia y la investigación son pilares esenciales para garantizar el futuro de la Ingeniería de Caminos, Canales y Puertos y para fortalecer el vínculo entre la Universidad, la profesión y la sociedad. Durante este mandato como consejero del Sector 4 (Docencia e Investigación) del Colegio de Ingenieros de Caminos, Canales y Puertos, he trabajado para que la voz del ámbito académico cuente con una presencia activa en las decisiones estratégicas que afectan a nuestra profesión.

Como miembro de la Comisión de Educación y Universidades del Colegio y único ingeniero de caminos que forma parte de la Comisión C15 (Ingeniería Civil) de ANECA, responsable de la acreditación de profesores titulares y catedráticos en nuestra disciplina, he impulsado iniciativas para reconocer el valor de la experiencia profesional en la carrera académica, reforzar la calidad de la formación y estrechar la conexión entre la universidad y el ejercicio profesional. Con la experiencia acumulada y el trabajo realizado como base, solicito de nuevo vuestra confianza para seguir representando al Sector 4 y consolidar las iniciativas emprendidas en beneficio de toda la comunidad académica y profesional.

https://elecciones.colegiocaminos.es/#/login/auth/

En este contexto, considero oportuno compartir el balance de la actividad desarrollada por la Comisión de Educación y Universidades durante el periodo 2024-2026. Durante este mandato he tenido el honor de presidir el Grupo de Trabajo 1, dedicado a la acreditación del profesorado, desde el cual hemos elaborado propuestas para mejorar el reconocimiento de la experiencia profesional en los procesos de evaluación académica. Asimismo, el respaldo y la confianza de mis compañeros de la Comisión, que me han animado a presentar de nuevo mi candidatura como consejero del Sector 4, constituyen un estímulo para seguir trabajando con el objetivo de que el Colegio disponga de información directa, rigurosa y permanentemente actualizada sobre la evolución de los criterios y procedimientos de acreditación del profesorado universitario. El resumen que se presenta a continuación recoge las principales actuaciones, iniciativas y resultados alcanzados por la Comisión, fruto del compromiso y del trabajo conjunto de todos sus integrantes.

Plan de Actuación de la Comisión de Educación y Universidades para el periodo 2024-2026

La Comisión de Educación y Universidades afrontó el periodo 2024-2026 con el propósito de impulsar una estrategia orientada al fortalecimiento de la formación, la excelencia académica y la proyección de la Ingeniería de Caminos, Canales y Puertos. Integrada por un equipo multidisciplinar de expertos y representantes de las distintas Demarcaciones del Colegio, la Comisión desarrolló un plan de actuación sustentado en objetivos estratégicos, líneas de trabajo definidas y acciones concretas que contribuyeron a responder a los retos presentes y futuros de la profesión.

La Comisión estuvo presidida por Esther Real, directora de la Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos de la Universitat Politècnica de Catalunya (UPC), quien lideró este proyecto con una visión orientada a la innovación, la colaboración y la obtención de resultados. La acompañaron en el equipo directivo la vicepresidenta, Ana Rivas, directora de la Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos de la Universidad de Castilla-La Mancha y presidenta de CODICAM (Conferencia de Directores de Ingeniería de Caminos, Canales y Puertos y de Ingeniería Civil), y la secretaria, Ángeles Martín, responsable de Empleo y Formación del CICCP, quienes coordinaron el desarrollo de las iniciativas y velaron por el cumplimiento de los objetivos establecidos.

Formaron parte asimismo de la Comisión Héctor Andrés (USAL), José Atienza (UPM), José Baraibar (UNICAN), Jorge Bernabeu (UPM), Daniel Castro (UNICAN), Antoni Cladera (UIB), Marta García (UNEX), Belén González (UDC), Isabel Martínez (UDC), Juan Miquel (UPC), Enrique Mirambell (UPC), Jose Moura (UNICAN), Fermín Navarrina (UDC), Eugenio Pellicer (UPV), Pedro Plasencia (UNIOVI), M. Rodríguez (UE), M. Rubio (UGR), Rita Ruiz (UCLM), Ángel Sampedro (UAX), Antonio Tomás (UPCT) y Víctor Yepes (UPV).

La diversidad de trayectorias y la amplia experiencia de sus integrantes en los ámbitos de la docencia, la investigación, la gestión universitaria y el ejercicio profesional constituyeron un activo esencial para el desarrollo de este plan de actuación. Su trabajo conjunto favoreció la generación de propuestas de alto valor, el fortalecimiento de la relación entre los ámbitos académico y profesional y la consolidación de una formación de excelencia, alineada con las necesidades de la sociedad y los desafíos del futuro.

Balance de la Comisión

La Comisión de Educación y Universidades ha mantenido durante el ejercicio 2025 un firme compromiso con el fortalecimiento de la conexión entre el ámbito profesional de la ingeniería y el entorno académico. En el marco del Plan de Actuación 2024-2026, la Comisión ha centrado sus esfuerzos en mitigar la desconexión detectada entre el conocimiento teórico impartido en las Escuelas y las habilidades prácticas de alto nivel exigidas por el mercado laboral actual. El contexto de este año ha estado marcado por la preocupación ante la excesiva teorización de los currículos académicos y por la necesidad de que la Agencia Nacional de Evaluación de la Calidad y la Acreditación (ANECA) reconozca de manera efectiva la experiencia profesional en la acreditación del profesorado.

Asimismo, la Comisión ha seguido de cerca la reestructuración de las comisiones de evaluación de la ANECA tras la división de la antigua comisión C13 en las nuevas C15 (Ingeniería Civil) y C16 (Arquitectura y Construcción), velando por una representación adecuada de los ingenieros de caminos en dichos órganos.

Actividades realizadas

A lo largo del año 2025, la Comisión ha desarrollado su actividad mediante tres reuniones plenarias virtuales, celebradas el 17 de febrero, el 9 de mayo y el 3 de diciembre, además de múltiples sesiones internas de trabajo de sus grupos especializados.

La Comisión ha estructurado su trabajo en cuatro Grupos de Trabajo (GT) con logros significativos:

  • GT1: Acreditación del profesorado. Ha liderado la elaboración de una propuesta técnica para integrar la experiencia profesional en el sistema de acreditación. Entre sus planteamientos destaca la sustitución de las estancias de investigación de nueve meses por dos años de ejercicio profesional especializado y la equiparación de la dirección de proyectos de ingeniería singulares a artículos científicos indexados.
  • GT2: Homologaciones y convalidaciones. Ha realizado un análisis exhaustivo de los retrasos administrativos en la homologación de títulos extranjeros, que pueden alcanzar entre tres y cinco años. Como solución, se ha propuesto que el Colegio actúe como representante legal de los solicitantes para agilizar la gestión inicial ante el Ministerio.
  • GT3: Formación permanente y continua. Ha avanzado en la recopilación de la oferta de microcredenciales de las Escuelas de Caminos, orientadas a profesionales de entre 25 y 64 años, con el objetivo de coordinar la formación subvencionable de bajo coste y corta duración.
  • GT4: Promoción de los estudios. Ha iniciado el diseño de campañas de difusión para visibilizar el valor de la ingeniería de caminos en todas las comunidades autónomas.

Acuerdos y reuniones institucionales realizadas

La comisión ha contado con la participación activa del presidente del Colegio, Miguel Ángel Carrillo, en la reunión de cierre anual de diciembre. En dicha sesión se ha acordado una estrategia institucional escalonada que incluye reuniones con el secretario general de Universidades y con la dirección de ANECA para presentar formalmente las propuestas para la valoración de la experiencia profesional. Además, la Comisión ha colaborado con la Comisión de Defensa de la Profesión para actualizar el «Libro Blanco de la Ingeniería de Caminos«, incorporando nuevas competencias en resiliencia, cambio climático y digitalización, entre otras. También se ha abordado con preocupación la evaluación de títulos españoles por agencias externas (como la de Kazajistán), instando a una mayor coordinación entre universidades y agencias evaluadoras.

Publicaciones y documentos técnicos realizados

Durante 2025, la Comisión ha generado los siguientes documentos de referencia:

  • Documento de Reflexiones sobre la Experiencia Profesional: un informe detallado que justifica la necesidad de un cambio en la valoración del profesorado universitario.
  • Guía de Homologaciones y Convalidaciones: un documento explicativo que recoge de forma ordenada las vías de homologación, las fases del procedimiento y el rol de los organismos implicados para orientar a escuelas y titulados extranjeros.

Para concluir este ejercicio, la Comisión programó una reunión presencial en Madrid en enero de 2026, con el fin de consolidar el posicionamiento del Colegio antes de su traslado formal ante las autoridades ministeriales.

Espacio de diálogo

Si eres profesor, investigador o estás vinculado al ámbito universitario de la Ingeniería de Caminos, te invitamos a participar en un encuentro abierto para compartir ideas, propuestas e inquietudes de cara a las elecciones del Sector 4 (Docencia e Investigación) del Colegio de Ingenieros de Caminos.

Será un espacio de diálogo en el que podremos debatir los retos que afrontan los ingenieros de caminos dedicados a la docencia y la investigación, intercambiar puntos de vista y explicar las propuestas de nuestra candidatura para reforzar la presencia y el papel de este colectivo dentro del Colegio.

📅 Jueves, 9 de julio
🕦 11:30 h
📍 Sede del Colegio en Madrid (Sala Torán) y también en formato telemático.

En el acto participarán Víctor Yepes, candidato al Sector 4; Carmen Castro, candidata a vocal de la Junta de Gobierno; Ricardo Martín de Bustamante, consejero en Dragados y ACS Servicios y Concesiones; Martín de Bustamante-Villarroya, candidato territorial por Murcia; y Antonio Tomás Espín, candidato al Consejo General.

Porque un Colegio más fuerte también se construye escuchando a quienes forman e investigan para las próximas generaciones de ingenieros.
Os esperamos para conversar, debatir y construir juntos el futuro del Sector 4.

💻 Acceso al acto telemático: https://meet.google.com/txo-kfyt-ddp

Comparte esta publicación con otros compañeros del ámbito universitario y de la investigación. Tu participación es importante.

Reflexiones sobre la docencia de la asignatura de Procedimientos de Construcción

Aún está fresca la tinta del último libro que acabo de publicar. Como he señalado en otras ocasiones, mi mayor aspiración es culminar una «Enciclopedia de la ingeniería de la construcción» antes de jubilarme. Es un proyecto de enorme envergadura que, en los tiempos que corren, puede parecer incluso una rareza, pues el actual sistema de evaluación del profesorado universitario concede escaso reconocimiento a este tipo de obras, privilegiando casi exclusivamente los artículos científicos. Aun así, inspirado por el legado de los grandes catedráticos que han marcado el rumbo de nuestra profesión, continúo dedicando, con la humildad de quien sabe que siempre queda mucho por aprender, una parte esencial de mi tiempo a este ilusionante desafío.

En este caso, se trata de un Manual de Referencia (revisado por el sistema doble ciego) de la Universitat Politècnica de València. Se trata de un libro de 452 páginas, con 214 ilustraciones y 200 preguntas de autoevaluación, titulado «Fabricación y puesta en obra del hormigón». Su referencia es el número 441 y, si os interesa, lo podéis conseguir en este enlace: https://www.lalibreria.upv.es/portalEd/UpvGEStore/control/product?product_id=441-5-1

Sin embargo, no me he podido resistir a compartir el prólogo que he escrito para este libro y que, además de presentarlo, sirve como reflexión sobre la docencia de la asignatura «Procedimientos de Construcción», actualmente impartida en los grados de ingeniería civil y de ingeniería de obras públicas de la Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos de Valencia.

Prólogo

La docencia de una asignatura como Procedimientos de Construcción conlleva una dificultad singular: no se trata solo de explicar conceptos, sino de enseñar cómo se ejecutan realmente las obras, lo que implica abordar no solo las fases constructivas, sino también aspectos esenciales como el conocimiento de la maquinaria y los medios auxiliares, la seguridad y salud, el impacto ambiental y, sobre todo, los fundamentos técnicos necesarios —geotecnia, resistencia de materiales, mecánica, cálculo de estructuras, gestión empresarial, planificación y economía— que permiten seleccionar el proceso constructivo más adecuado para cada caso.

Además, todo ello debe transmitirse a estudiantes cuya experiencia directa en obra es, en la mayoría de los casos, escasa o inexistente. Entonces surge una pregunta inevitable: ¿cómo llevar la obra al aula?

Es evidente que nada sustituye a la experiencia directa. Las visitas a obras y las prácticas en empresa resultan imprescindibles para la formación del futuro profesional. Sin embargo, aun siendo necesarias, no son suficientes para adquirir las competencias y la visión global que exige el ejercicio de la ingeniería.

La dificultad aumenta cuando estas asignaturas se imparten en los primeros cursos del grado. En planes de estudio anteriores, Procedimientos Generales de Construcción y Organización de Obras se cursaba en los últimos años, incluso en paralelo con la asignatura de Proyectos. Esto permitía al estudiante integrar los conocimientos adquiridos y comprender con mayor profundidad la lógica constructiva. Pero independientemente del momento en que se imparta, el reto de acercar la realidad de la obra al estudiante sigue siendo el mismo.

Recuerdo cuando cursé esta asignatura en el cuarto curso de Ingeniería de Caminos, Canales y Puertos, en 1986. El profesor D. Hermelando Corbí Abad utilizaba entonces todos los recursos disponibles: proyector de opacos, fotografías que circulaban de mano en mano, catálogos de maquinaria y de empresas y, sobre todo, mucha pizarra. Tomábamos apuntes con esmero y disponíamos de textos mecanografiados que nos servían de guía. Las clases se complementaban con numerosas visitas a obras y excursiones técnicas que no solo ampliaban nuestros conocimientos, sino que también fortalecían el compañerismo y alimentaban nuestra vocación por esta apasionante profesión.

Cuando en 1994 comencé a impartir la asignatura, ya como profesor asociado y tras varios años de experiencia en los sectores público y privado, recurrí a los medios que entonces estaban a nuestro alcance: vídeos en VHS, transparencias, fotografías y catálogos. Las visitas a obra seguían siendo un pilar fundamental. No obstante, el problema persistía. Las técnicas constructivas evolucionaban con rapidez y la maquinaria y los medios auxiliares cambiaban a un ritmo que resultaba difícil de seguir con los recursos disponibles.

La llegada de los ordenadores personales, las presentaciones digitales y, sobre todo, de internet y de la inteligencia artificial supusieron un punto de inflexión. Con el cambio de milenio, la información comenzó a multiplicarse exponencialmente. Las fotografías, los vídeos y los documentos se acumulaban en el disco duro sin un orden claro. Era necesario estructurar y sistematizar todo el material.

El 5 de marzo de 2012 inicié una bitácora digital con el propósito de organizar esa información dispersa. Así nació el «Blog de Víctor Yepes», concebido inicialmente como una herramienta personal de organización y que pronto se convirtió en un recurso abierto para estudiantes y profesionales. La posibilidad de estructurar contenidos en entradas, incorporar material gráfico, enlazar documentos y facilitar el acceso permanente a la información transformó por completo mi forma de enseñar. Los estudiantes podían no solo repasar lo explicado en clase, sino también profundizar y ampliar sus conocimientos de forma autónoma. Con el tiempo, el blog se ha ampliado hasta convertirse en un repositorio dinámico y extenso de contenidos sobre la construcción, con más de 2400 artículos dedicados a la ingeniería de la construcción.

El siguiente paso fue natural: depurar, revisar y sistematizar ese material para convertirlo en textos docentes estructurados. Así surgieron los Manuales de Referencia, editados por la Universitat Politècnica de València, entre los cuales se enmarca la presente obra.

Este libro es fruto de un esfuerzo de recopilación, ordenación y actualización del conocimiento, con el objetivo de ofrecer un recurso integral y actualizado tanto para estudiantes como para profesionales. Cada generación de docentes tiene la responsabilidad de renovar y mantener actualizados los contenidos de sus asignaturas, incorporando los avances técnicos y normativos. Las leyes y reglamentaciones que afectan a las estructuras y medios auxiliares evolucionan con el tiempo, por lo que en estas páginas se han destacado especialmente los principios fundamentales, aquellos que permanecen más allá de los cambios coyunturales.

La fabricación y la puesta en obra del hormigón constituyen una fase decisiva en el proceso constructivo, pues de ellas depende que las prestaciones previstas en el proyecto se materialicen correctamente en la obra. A diferencia de las asignaturas de materiales, centradas en la caracterización y las propiedades del hormigón, o de las de cálculo de estructuras, orientadas a su dimensionamiento, este ámbito se ocupa de los procesos reales de dosificación, transporte, vertido, compactación, curado y control. En definitiva, es el puente entre la teoría y la realidad física que garantiza la durabilidad, la seguridad y la calidad final de la estructura.

La naturaleza práctica de esta obra responde a la necesidad de cubrir un vacío editorial. Aunque existen excelentes textos sobre geotecnia, resistencia de materiales, cálculo de estructuras o hidráulica, son escasas las publicaciones que abordan con suficiente profundidad y actualidad los procedimientos constructivos, la maquinaria y los medios auxiliares que hacen posible materializar los proyectos.

Una de las mayores dificultades a la hora de elaborar este libro ha sido la recopilación y selección del material gráfico, indispensable para comprender adecuadamente los elementos descritos. En el ámbito de la construcción, la imagen no es un simple complemento, sino una herramienta fundamental para el aprendizaje.

El libro está organizado en capítulos que abordan de forma sistemática la fabricación del hormigón, incluidos sus procesos y la maquinaria empleada, su transporte y vertido en obra, las operaciones de compactación y curado, así como las técnicas de reparación. También se dedica un apartado específico a los hormigones especiales y un capítulo final a los pavimentos de hormigón empleados en carreteras. La obra se completa con referencias bibliográficas y una serie de preguntas tipo test, con respuestas incluidas, para que el lector pueda evaluar su comprensión. Un índice temático final facilita la localización rápida de los contenidos.

El reto de esta obra ha consistido en integrar información dispersa, combinar técnicas tradicionales con otras plenamente actuales y describir maquinaria que, año tras año, deja obsoletos los modelos anteriores. Es posible, e incluso deseable, que dentro de algunos años parte de lo aquí expuesto se convierta en testimonio de una etapa superada por la robotización, la inteligencia artificial, los gemelos digitales y otras tecnologías emergentes que transformarán profundamente nuestra forma de concebir y ejecutar las obras.

Aunque se ha realizado una revisión minuciosa del manuscrito, es posible que persista alguna errata propia de una primera edición. Asumo la responsabilidad por cualquier error u omisión y agradezco de antemano las sugerencias que contribuyan a mejorar futuras ediciones.

A partir de este momento, el libro deja de pertenecer a su autor y pasa a ser del lector. Espero que estas páginas sirvan de ayuda a estudiantes y profesionales en su acercamiento al apasionante mundo de la construcción y, en particular, al desafío diario que supone la fabricación y la puesta en obra del hormigón para hacer realidad cada proyecto.

Valencia, mayo de 2026.

Referencia:

YEPES, V. (2026). Fabricación y puesta en obra del hormigón. Colección Manual de Referencia, serie Ingeniería Civil. Editorial Universitat Politècnica de València, 452 pp. Ref. 441. ISBN: 978-84-1396-418-8

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

¿Es Turnitin realmente infalible? Cinco verdades incómodas sobre la detección de IA que todo educador debe conocer.

En el panorama actual de la educación superior, la integridad académica se enfrenta a un desafío sin precedentes. La explosión de los modelos de lenguaje extensos (LLM), personificada por ChatGPT —que alcanzó la asombrosa cifra de 100 millones de usuarios en apenas dos meses—, ha sumido a las instituciones en una carrera frenética para detectar el contenido generado por máquinas. Sin embargo, en esta búsqueda de certezas surge una pregunta que todo docente debe hacerse: ¿estamos interpretando correctamente las herramientas en las que confiamos?

Un estudio fundamental de Lucky E. Atamhenwan (2026) arroja luz crítica y necesaria sobre el detector de IA de Turnitin. A través de un análisis riguroso de 81 guiones que mezclaban prosa humana con contenido generado por modelos como ChatGPT (GPT-4o), Copilot, Gemini y Grammarly, Atamhenwan explora una frontera donde chocan la estadística y la pedagogía: ¿qué tan preciso es Turnitin cuando lo humano y lo artificial se entrelazan?

Este estudio investiga la capacidad de Turnitin para identificar el contenido generado por diversas inteligencias artificiales frente al contenido escrito por humanos. El autor analizó ochenta y un documentos con distintos porcentajes de mezcla y descubrió que la herramienta es inconsistente y tiende a fallar cuando el contenido de IA es bajo. Los resultados demuestran que Turnitin solo activa sus alarmas cuando el texto generado por máquinas supera el 15 %, aunque sus puntuaciones rara vez son exactas. Además, la investigación revela que el uso de herramientas de parafraseo puede eludir con éxito la detección, lo que hace que los textos artificiales parezcan humanos. Ante estos desafíos, el autor sugiere la implementación de exámenes presenciales con navegadores bloqueados y la promoción de la cooperación entre instituciones y desarrolladores de tecnología. En definitiva, el artículo advierte que los educadores no deben confiar ciegamente en los porcentajes de detección al tomar decisiones académicas importantes.

1. El «punto ciego» del 15 %: cuando la IA pasa desapercibida.

Una de las realidades más contundentes que revela la investigación es la existencia de un umbral de invisibilidad técnica. El estudio analizó guiones con un 5 % y un 10 % de contenido generado por IA, mezclados con texto humano. En estos niveles, Turnitin no detectó la presencia de IA y mostró un asterisco en su interfaz.

Para el educador, es fundamental comprender que este asterisco no es un error, sino que indica una puntuación inferior al umbral de notificación (menos del 15 %). Si un estudiante utiliza la IA de manera puntual —para ajustar párrafos aislados o pulir transiciones—, la herramienta es esencialmente ciega. Sin embargo, como analista, debo destacar un dato del análisis de regresión del estudio: el valor de R2 de Nagelkerke de 0,825 indica que el 82,5 % de la varianza en los resultados de Turnitin se explica por la presencia real de IA. Esto significa que, aunque Turnitin no sea preciso en cuanto al volumen, si la herramienta marca cualquier cifra superior al 15 %, es casi seguro que hay intervención de un LLM, incluso si el porcentaje indicado es inexacto.

2. La paradoja de la proporción: menos es más (y viceversa).

Quizás el hallazgo más inquietante de Atamhenwan sea la falta de linealidad en las puntuaciones. No existe una relación proporcional directa entre la cantidad de IA presente y lo que informa Turnitin. De hecho, la herramienta incurre en una contradicción sistemática que he denominado «Paradoja de la Proporción»:

  • Contenido de IA bajo (15-40 %): Turnitin tiende a arrojar puntuaciones exageradamente altas, lo que distorsiona la percepción del uso de IA.
  • Contenido de IA alto (70-100 %): la herramienta subestima la presencia artificial y arroja puntuaciones consistentemente más bajas de lo que debería.

Esta distorsión es tan marcada que el autor la sintetiza de forma magistral:

«Cuanto menor sea el porcentaje de palabras generadas realmente por un gran modelo de lenguaje (LLM) en un texto, más inexactamente elevada será la puntuación de la IA de Turnitin. Por el contrario, cuanto mayor sea el porcentaje de palabras generadas por un LLM, más inexactamente baja será la puntuación de la IA de Turnitin».

3. El maestro del disfraz: la ironía de ChatGPT frente a Gemini.

Resulta fascinante —y profundamente irónico— que el modelo más popular sea el más difícil de detectar. Aunque Turnitin afirma haber sido entrenado específicamente para detectar los patrones de OpenAI, ChatGPT (GPT-4o) demostró ser el maestro del disfraz en este estudio de 2026.

Turnitin clasificó el contenido de ChatGPT como «escrito por humanos» en 13 de los 20 guiones que probó. La disparidad es alarmante: en los guiones en los que el texto era 100 % generado por ChatGPT, Turnitin apenas detectó un 60 %. En comparación, Gemini de Google mostró resultados mucho más equilibrados, con 9 guiones detectados por encima y 9 por debajo del valor real. Como analista de tecnología, esta diferencia sugiere que, mientras Gemini mantiene patrones lingüísticos que Turnitin identifica con mayor frecuencia, ChatGPT ha evolucionado hacia una sofisticación que incluso elude a los detectores entrenados para vigilarlo.

4. El escudo de la «humanización» y el rastro de OpenAI.

El estudio abordó el «juego del gato y el ratón» entre los detectores y los denominados «humanizadores» de texto, como QuillBot y RyneAI. Los resultados confirman que estas herramientas son armas efectivas para erosionar la integridad académica:

  • QuillBot logró reducir a 0 % la puntuación de textos generados al 100 % por Copilot. Sin embargo, ante ChatGPT, su efectividad se redujo hasta un 33 %.
  • RyneAI fue el más eficaz, logrando puntuaciones del 0 % (totalmente humano) en Copilot, Grammarly y Gemini.

No obstante, existe un matiz crítico: RyneAI falló al intentar borrar por completo el rastro de ChatGPT, que Turnitin detectó en un 26 %. Esto demuestra que Turnitin posee una «memoria» específica de los patrones de OpenAI que incluso los algoritmos de parafraseo más avanzados tienen dificultades para neutralizar por completo.

5. La confianza en el cero: el valor de la autoría auténtica.

A pesar de las inconsistencias en el volumen de detección, el estudio de Atamhenwan ofrece una base sólida para la justicia académica: Turnitin confirma con una precisión excepcional la autoría humana auténtica. En todas las pruebas con guiones escritos al 100 % por humanos, la herramienta no mostró puntuaciones atribuibles a la IA.

Esta ausencia de «falsos positivos» en textos puramente humanos es la principal fortaleza de la herramienta. Para un docente, esto simplifica el panorama: una puntuación del 0 % es una señal casi infalible de integridad. La herramienta no inventa fantasmas donde no los hay; su problema no es la calumnia, sino la precisión en la medición de la falta.

Conclusión: hacia una nueva pedagogía de la integridad.

Los datos de Atamhenwan nos obligan a adoptar una regla de oro en la evaluación: la puntuación de Turnitin no debe ser el único criterio, especialmente en el rango del 15 % al 40 %. La recomendación para el docente es clara: si el detector marca un 30 %, el uso real podría ser apenas del 15 %, pero si marca un 80 %, es muy probable que el texto sea 100 % artificial.

Dada la capacidad de los LLM para realizar cualquier tarea escrita, debemos pasar de la «detección» a la «invigilancia». La solución a corto plazo consiste en el uso de navegadores bloqueados (lockdown browsers) para evaluaciones sumativas controladas, en las que el estudiante debe demostrar su conocimiento en tiempo real. A largo plazo, se requiere una cooperación entre varios actores que permita a los educadores acceder a las fuentes originales de los contenidos detectados.

En última instancia, debemos reflexionar: en un mundo en el que la IA puede «humanizarse» con un clic, ¿deberíamos centrarnos menos en la vigilancia tecnológica y más en diseñar evaluaciones que exijan una demostración auténtica del pensamiento crítico?

En esta conversación puedes escuchar las ideas más interesantes de este artículo.

Este vídeo resume bien los aspectos más importantes tratados.

Referencia:

Atamhenwan, L.E. How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin?. Educ Inf Technol (2026). https://doi.org/10.1007/s10639-026-14049-2

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

¿Es el fin de la «obra original»? Críticas sobre el uso de la inteligencia artificial en la universidad

La irrupción de la inteligencia artificial generativa (GenAI) ha hecho saltar por los aires el «contrato de confianza» que sustentaba la evaluación académica. Lo que antes era un acuerdo implícito —que el estudiante era el único autor de cada palabra— hoy se ha transformado en una arquitectura de la sospecha. Pero ¿qué sucede cuando examinamos en profundidad esta crisis?

Un estudio en profundidad de las políticas de las veinte mejores universidades del mundo revela que no se trata solo de ajustar las normas, sino de una lucha desesperada por rescatar una noción de autoría que quizá ya no existe (Luo, 2024).

Como profesor universitario, observo con preocupación cómo la academia no reacciona con pedagogía, sino con una vigilancia que fosiliza el aprendizaje. A continuación, presento cinco revelaciones críticas sobre cómo la universidad está gestionando —o malinterpretando— este cambio de era.

1. La «originalidad» como mecanismo de vigilancia (Marco WPR).

En el marco analítico de Carol Bacchi, What’s the problem represented to be (WPR), descubrimos que las universidades no solo responden a un problema, sino que también lo están creando. Al analizar las políticas de las instituciones de élite, el estudio de Jiahui Luo revela que el «problema» se ha representado casi exclusivamente como la pérdida de la autoría original.

Esta visión se aferra al mito del «genio solitario en el ático» (Johnson-Eilola y Selber), esa idea romántica y obsoleta que sostiene que el trabajo intelectual solo es valioso si se realiza en un vacío social y tecnológico. Al definir la IA como una «ayuda externa» prohibida, las universidades reducen la educación a un ejercicio de detección de fraude. Como señala una de las políticas analizadas:

«Los estudiantes deben ser autores de su propio trabajo. El contenido producido por plataformas de IA, como ChatGPT, no representa el trabajo original del estudiante, por lo que se consideraría una forma de mala conducta académica».

2. El error de la analogía del «escritor fantasma».

Algunas de las universidades analizadas por Luo (2024) han cometido un error fundamental de categoría: equiparan el uso de la IA generativa con el ghostwriting o con la ayuda de un tercero. Esta es una falla de imaginación tecnológica. La IA no es un agente externo, sino una prótesis cognitiva integrada en el flujo de pensamiento contemporáneo.

Tratar a una herramienta como si fuera una persona es ignorar la realidad digital del siglo XXI. El análisis de Luo muestra que las políticas universitarias suelen agrupar los problemas en seis categorías que revelan una mentalidad de «vigilancia primero».

  • Mala conducta académica: el pánico ante la entrega de trabajos ajenos.
  • Diseño de evaluación: la urgencia de crear tareas que la IA no pueda «resolver».
  • Limitaciones tecnológicas: desconfianza en la veracidad de los datos.
  • Equidad: el riesgo de que se creen brechas entre quienes pueden permitirse una IA avanzada y quienes no.
  • Políticas y directrices: la falta de claridad por parte de los docentes.
  • Capacitación y apoyo: la necesidad de una alfabetización urgente.

3. El silencio crítico y la «era del posplagio».

Lo más inquietante de estas políticas es lo que callan. Existe un «silencio crítico» sobre el significado de la originalidad en la actualidad. Estamos entrando de lleno en lo que la investigadora Sarah Eaton denomina la era del posplagio. En este nuevo paradigma, la frontera entre lo humano y lo artificial no solo es difusa, sino también irrelevante.

El conocimiento actual es, por naturaleza, distribuido y colaborativo. Al ignorar la evolución del concepto de originalidad, las universidades se desconectan de la realidad. Si el contenido de la IA es «remezclado y reelaborado» por un ser humano, ¿dónde termina la máquina y dónde empieza el autor? Mantener la exigencia de una autoría analógica en un mundo de inteligencia híbrida es una receta para la irrelevancia académica.

4. El efecto secundario: de docentes a policías.

Siguiendo el análisis de los efectos de las políticas (pregunta 5 del marco WPR), se observa una erosión pedagógica alarmante. Los profesores están siendo desplazados de su papel de mentores para convertirse en «guardianes» o vigilantes de la frontera.

Este enfoque de patrullaje tiene consecuencias reales: los estudiantes son tratados como sospechosos desde el principio. Esto genera una cultura de desconfianza en la que el alumno se vuelve reacio al uso legítimo de las herramientas tecnológicas por miedo a la estigmatización. Si el sistema está diseñado para «atrapar» al infractor en lugar de implicar al alumno, la relación pedagógica muere.

5. Hacia la originalidad como espectro y juicio evaluativo.

Debemos desmantelar la dicotomía «humano vs. IA». La propuesta de vanguardia, respaldada por autores como Luo y Chan (2023), consiste en entender la originalidad como un espectro de colaboración. La clave ya no es la producción solitaria de textos, sino el juicio evaluativo: la capacidad del estudiante para criticar, refinar y dar sentido a la información, ya sea de cualquier origen.

Es hora de aceptar una verdad incómoda que las políticas evitan mencionar:

«Podría decirse que los humanos hacemos lo mismo que la IA cuando generamos un texto original: escribimos basándonos en asociaciones que provienen de lo que hemos oído o leído antes de otros humanos».

Para avanzar, necesitamos evaluaciones auténticas, como defensas orales y la transparencia en los procesos, que valoren el pensamiento crítico por encima del producto final.

Conclusión: una pregunta para el futuro.

La universidad se encuentra en una encrucijada: puede evolucionar y liderar la alfabetización en IA o quedarse anclada en el pasado como un tribunal de autoría obsoleto. No podemos seguir exigiendo una originalidad de «genio solitario» en un mundo donde la inteligencia se comparte con las máquinas.

¿Estamos dispuestos a rediseñar la confianza o seguiremos educando a los estudiantes para que finjan una autoría analógica que ya no existe?

En esta conversación puedes escuchar las ideas más interesantes sobre el tema.

Este vídeo resume bien los contenidos de este artículo.

Redefining_Academic_Originality

Referencias:

Bacchi C. Introducing the ‘What’s the Problem Represented to be?’ approach. In: Bletsas A, Beasley C, eds. Engaging with Carol Bacchi: Strategic Interventions and Exchanges. The University of Adelaide Press; 2012:21-24.

Johnson-Eilola, J., & Selber, S. A. (2007). Plagiarism, originality, assemblage. Computers and composition, 24(4), 375-403.

Luo (Jess), J. (2024). A critical review of GenAI policies in higher education assessment: a call to reconsider the “originality” of students’ work. Assessment & Evaluation in Higher Education, 49(5), 651–664. https://doi.org/10.1080/02602938.2024.2309963

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

Ideas sorprendentes que están redefiniendo la docencia universitaria

¿Por qué algunos estudiantes aprenden de verdad y otros solo memorizan para el examen?

Todos nos hemos hecho esta pregunta, ya sea como docentes o como estudiantes: ¿por qué el conocimiento que con tanto esfuerzo se imparte en las aulas universitarias parece evaporarse justo después del examen final? La respuesta no radica en estudiar más horas ni en cubrir más temario, sino en cómo diseñamos la experiencia de aprendizaje.

La investigación en educación superior ha revelado principios clave para una «buena docencia» que a menudo contradicen las prácticas más arraigadas. No se trata de opiniones, sino de conclusiones basadas en décadas de estudio sobre el aprendizaje humano. Este artículo resume cuatro de las ideas más impactantes y transformadoras extraídas de marcos de innovación como los Proyectos de Innovación y Mejora Educativa (PIME) de la Universitat Politècnica de València, que se basan en estas investigaciones para redefinir la calidad docente.

1. Diseñar el currículo «hacia atrás»: la revolución del diseño inverso.

Tradicionalmente, la planificación de una asignatura comienza con una pregunta: ¿qué temas vamos a abordar? Se elige un libro de texto, se secuencian los capítulos y se diseñan actividades para cada uno de ellos. Sin embargo, este enfoque tiene un problema fundamental: se centra en los inputs (lo que el profesor enseña) y no en los outputs (lo que el estudiante debe ser capaz de hacer).

El concepto de «diseño inverso» (Backward Design), propuesto por Wiggins y McTighe, le da la vuelta a esta lógica. La idea, radicalmente simple, pero poderosa, es que la planificación curricular debe empezar por el final, es decir, definiendo primero los resultados de aprendizaje deseados: ¿qué comprensiones profundas y qué competencias clave queremos que nuestros estudiantes adquieran con la asignatura? Una vez que tenemos esa meta clara, el segundo paso es determinar qué evidencias (evaluaciones) nos demostrarán que la han alcanzado. Solo entonces, como tercer y último paso, se diseñan las actividades de aprendizaje e instrucción.

Este enfoque garantiza un «alineamiento constructivo» (un concepto acuñado por John Biggs), en el que las actividades que realizan los estudiantes y los métodos de evaluación están lógicamente conectados con los objetivos de aprendizaje. No hay nada al azar: cada elemento del curso tiene un propósito claro.

«Nuestras lecciones, unidades y cursos deben inferirse lógicamente de los resultados que buscamos, no derivarse de los métodos, libros y actividades con los que nos sentimos más cómodos. El currículo debe exponer las formas más eficaces de lograr resultados específicos. En resumen, los mejores diseños parten de los aprendizajes buscados».

Este cambio de perspectiva obliga al docente a actuar como un arquitecto del aprendizaje, centrándose en la transferencia y la comprensión reales de los contenidos, en lugar de en la mera cobertura de estos. Así, la planificación de una clase deja de ser una simple lista de contenidos para convertirse en un acto intencionado de diseño orientado al éxito del estudiante. Con un diseño curricular que parte del fin, el docente ya no se pregunta «¿qué voy a enseñar hoy?», sino «¿qué experiencia debo diseñar para que mis estudiantes logren el objetivo?», lo que nos lleva a un cambio de paradigma fundamental en nuestra propia misión.

2. El gran cambio de paradigma: pasar de enseñar a provocar el aprendizaje.

Si el primer punto cambia la forma en que planificamos, el segundo redefine nuestra misión como docentes. En un influyente artículo de 1995, Barr y Tagg acuñaron la expresión “shift from teaching to learning” (el cambio de la enseñanza al aprendizaje) para describir un cambio de paradigma fundamental.

Este cambio propone que la misión del profesorado universitario no se limita a transmitir información, sino a diseñar experiencias y entornos que permitan a los estudiantes aprender por sí mismos. El foco se desplaza de la figura del profesor y de su discurso hacia la actividad del estudiante y su proceso de construcción del conocimiento. Ya no se trata de ser un «sabio en el estrado», sino de un «guía en el camino».

«Ahora vemos que nuestra misión no es instruir, sino provocar el aprendizaje de cada uno de los estudiantes mediante el método que mejor les funcione».

Esta idea tiene implicaciones profundas. Nos obliga a preguntarnos constantemente qué están haciendo los estudiantes para aprender. Este cambio nos libera de la presión de ser meros oradores para convertirnos en facilitadores eficaces del desarrollo de los demás. Si nuestra misión es provocar aprendizaje, la siguiente pregunta es inevitable: ¿aprendizaje de qué? No se trata de aprender a repetir, sino de aprender a pensar, actuar y ser, que es la verdadera esencia de la competencia.

3. La verdadera competencia consiste en pensar y actuar como un experto.

¿Qué significa ser un ingeniero, un médico o un historiador competente? La noción de «competencia» ha evolucionado significativamente y comprender esta evolución es crucial para diseñar un aprendizaje valioso. Podemos identificar tres niveles de concepción:

  • Nivel 1: competencia como conocimiento. En su versión más básica, se piensa que una persona competente es quien sabe «más», quien acumula más conocimientos académicos sobre un tema. El foco está en la reproducción de la información.
  • Nivel 2: competencia como aplicación. Un paso más allá, se considera que una persona competente es aquella que sabe aplicar el conocimiento teórico a problemas prácticos «reales». En este nivel, la transferencia del conocimiento se concibe como relativamente directa: primero se aprende la teoría y luego se aplica.
  • Nivel 3: competencia como gestión de la complejidad. Esta es la concepción más avanzada y la que se persigue en la educación superior de calidad. Una persona verdaderamente competente es aquella que sabe afrontar situaciones nuevas, confusas y complejas, razonando y actuando como lo haría un experto en su campo.

El verdadero desafío docente no consiste en la «transferencia» de conocimientos de un contexto a otro, sino en desarrollar las formas de pensar y actuar propias de una disciplina (ways of thinking and practising, un concepto clave de McCune y Hounsell (2005) y de Entwistle (2007). Se trata de enseñar a los estudiantes a pensar como un biólogo, a argumentar como un jurista o a diseñar como un arquitecto. Por tanto, nuestro objetivo no es que el estudiante sepa sobre nuestra disciplina, sino que se convierta en un incipiente practicante de ella.

4. El «student engagement»: la métrica definitiva del aprendizaje.

Si el aprendizaje requiere que los estudiantes desarrollen formas complejas de pensamiento, ¿cómo podemos fomentarlo? La respuesta se halla en un concepto que se ha convertido en el principal foco de atención de la investigación educativa: el engagement del estudiante.

La evidencia es abrumadora: según una influyente revisión de la literatura realizada por V. Trowler (2010) señala una «correlación robusta» entre el grado de implicación del estudiante en actividades académicas valiosas y resultados positivos, como el éxito, la satisfacción y la persistencia en los estudios. Da igual lo brillante que sea una lección magistral; si el estudiante no está mentalmente implicado, no se producirá un aprendizaje profundo. Como resumieron Chickering y Gamson en 1987:

«El aprendizaje no es un deporte de espectadores. Los estudiantes no aprenden demasiado: simplemente se sientan en clase a escuchar al profesorado, memorizan tareas prefabricadas y repiten respuestas. Deben hablar sobre lo que están aprendiendo, escribir sobre ello, relacionarlo con experiencias pasadas y aplicarlo a sus vidas cotidianas. Deben hacer de lo que aprenden parte de sí mismos».

Es importante distinguir entre el aprendizaje «activo» (en el que el estudiante simplemente «hace cosas») y el aprendizaje «constructivo», un concepto desarrollado por Chi (2009), en el que se le pide al estudiante que vaya «más allá» del material de partida. El aprendizaje meramente «activo» podría consistir en aplicar una fórmula a un problema tipo. En cambio, el aprendizaje «constructivo» exige una elaboración cognitiva superior, como confrontar críticamente dos teorías alternativas, diseñar un experimento para confirmar una hipótesis o formular nuevas preguntas sobre un fenómeno. Es en esta construcción donde se produce un aprendizaje profundo y la implicación del estudiante se convierte en verdaderamente productiva.

¿Diseñamos clases o diseñamos aprendizaje?

Estas cuatro ideas no son consejos aislados, sino los engranajes de un mismo motor pedagógico. El diseño inverso (idea 1) nos proporciona el mapa. El cambio de paradigma hacia el aprendizaje (idea 2) nos brinda la brújula. El desarrollo del pensamiento experto (idea 3) es nuestro destino. Y el Student engagement (idea 4) es el combustible que nos lleva hasta él.

En tu próxima clase o sesión de estudio, pregúntate: ¿qué pequeño cambio podrías hacer para pasar de «cubrir material» a «provocar un aprendizaje» real y duradero?

En esta conversación podéis escuchar lo más importante de este cambio de enfoque.

En este vídeo se recogen las ideas más interesantes del tema.

Referencias:

Barr, R. B., & Tagg, J. (1995). From teaching to learning: A new paradigm for undergraduate education. Change: The Magazine of Higher Learning, 27(6), 13–25.

Chi, M. T. H. (2009). Active-constructive-interactive: A conceptual framework for differentiating learning activities. Topics in Cognitive Science, 1(1), 73–105. https://doi.org/10.1111/j.1756-8765.2008.01005.x

Chickering, A. W., & Gamson, Z. F. (1987). Seven principles for good practice in undergraduate education. AAHE bulletin, 3, 7.

McCune, V., & Hounsell, D. (2005). The development of students’ ways of thinking and practising in three final-year biology courses. Higher Education, 49(1–2), 255–289. https://doi.org/10.1007/s10734-004-6666-0

Trowler, V. (2010). Student engagement literature review. The higher education academy, 11(1), 1-15.

Wiggins, G., & McTighe, J. (1998). Backward design. In Understanding by design (pp. 13–34). ASCD.

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

¿Crees que la ciencia «transfiere» conocimiento a la sociedad? 4 revelaciones que cambiarán tu perspectiva.

Introducción: de la torre de marfil al diálogo abierto.

A menudo imaginamos la ciencia como un proceso aislado: un grupo de expertos en una torre de marfil que, una vez finalizado su trabajo, «transfiere» su conocimiento empaquetado a una sociedad que lo recibe pasivamente. Esta imagen de un flujo unidireccional en el que el conocimiento fluye desde el laboratorio hasta la calle ha dominado nuestra percepción durante décadas. Sin embargo, esta visión está profundamente obsoleta. La relación entre la ciencia y la sociedad es, en realidad, un ecosistema vibrante, un diálogo complejo y multidireccional que enriquece a ambas partes de formas que apenas empezamos a comprender.

Este artículo se sumerge en el corazón de esta nueva perspectiva basándose en un profundo análisis del documento de trabajo de la Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA). A continuación, revelaremos las claves más impactantes y sorprendentes sobre cómo el conocimiento científico crea realmente valor social, desmontando viejos mitos y abriendo la puerta a una nueva forma de entender la ciencia.

1. No es «transferencia», sino «intercambio». Y el cambio es enorme.

El primer gran cambio es conceptual, pero tiene implicaciones transformadoras. La anterior Ley Orgánica de Universidades de 2001 entendía la «transferencia» como un flujo que siempre partía de la universidad hacia la sociedad, con un enfoque casi exclusivo en el valor económico o tecnológico. Era un monólogo en el que la ciencia hablaba y la sociedad escuchaba.

El nuevo paradigma, impulsado por las recientes leyes del Sistema Universitario y de la Ciencia, habla de «transferencia e intercambio de conocimiento». Este término enriquece radicalmente la perspectiva. Reconoce que los flujos de conocimiento son multidireccionales, ya que la sociedad también aporta saberes, necesidades y contextos cruciales para la investigación. Se valora la interacción con actores no académicos y los procesos de cocreación, en los que el valor ya no es solo económico, sino también social, artístico y cultural. Este cambio es significativo, puesto que transforma la relación de un monólogo a un diálogo y reconoce que el conocimiento y las necesidades de la sociedad son fundamentales para enriquecer la propia ciencia.

La valorización del conocimiento consiste en crear valor social y económico a partir de él, vinculando diferentes ámbitos y sectores, y transformando datos, conocimientos técnicos y resultados de la investigación en productos, servicios, soluciones y políticas basadas en el conocimiento, sostenibles y que beneficien a la sociedad.

2. Las patentes son solo la punta del iceberg (y muy pequeña, además).

Cuando pensamos en la ciencia aplicada a la sociedad, suele venirnos a la mente la imagen de una patente que se convierte en un producto comercial o la creación de una empresa spin-off a partir de una investigación universitaria. Estas se han considerado durante mucho tiempo como el máximo exponente de la transferencia de tecnología.

Sin embargo, la realidad es muy diferente. El informe de la ANECA pone de manifiesto que solo una minoría de investigadores e instituciones participa activamente en estas actividades. Los datos del estudio EXTRA son reveladores: la comercialización de resultados (que incluye patentes y empresas derivadas) es una práctica mucho menos frecuente (12 %) que la colaboración formal mediante contrato (63 %) o la colaboración informal (80 %). Esto significa que, durante décadas, los sistemas de evaluación han premiado y medido la actividad de una minoría (el 12 %), mientras que el vasto ecosistema de colaboración real (el 80 %) que genera valor social ha permanecido en la sombra, sin ser reconocido ni incentivado.

Esta obsesión por lo comercial no es solo teórica. En una evaluación piloto de la «transferencia» realizada en 2018, los resultados favorecieron abrumadoramente un modelo económico y tecnológico que premiaba perfiles muy específicos (hombres de mayor edad con trayectorias consolidadas) y actividades como las spin-offs y las patentes, mientras que la divulgación y la transferencia con valor social obtuvieron resultados muy inferiores. Este sesgo sistémico demostró que el antiguo modelo no solo era incompleto, sino también excluyente.

La mayor parte del intercambio real se produce a través de un «espectro oculto» de mecanismos menos visibles, pero muy valiosos, como la investigación conjunta con empresas u ONG, la consultoría especializada, la formación a medida o la participación directa en la elaboración de políticas públicas.

«Intercambio de conocimientos» es el nombre que damos a la amplia gama de actividades que las instituciones de educación superior emprenden con socios (…) para explorar datos y explicaciones sobre las diferentes maneras en que trabajan con sus socios externos, desde empresas hasta grupos comunitarios, en beneficio de la economía y la sociedad.

3. El valor de la ciencia no es intrínseco, sino que lo crean quienes la utilizan.

Medir el «impacto social» de la investigación es un gran desafío. De hecho, la literatura citada en el documento de ANECA señala que ni siquiera existe una definición consensuada de qué es exactamente. Esto ha llevado a un cambio de enfoque radical: la «valorización y el uso social».

La idea es sencilla, pero potente: el valor no reside inherentemente en los resultados científicos, como un artículo o un descubrimiento. El valor se crea y materializa cuando los agentes sociales —empresas, administraciones públicas, ONG, asociaciones de pacientes o ciudadanos— utilizan ese conocimiento para resolver problemas, mejorar procesos o enriquecer contextos. La investigación, por sí sola, no tiene valor social; lo adquiere cuando alguien la pone en práctica.

En la práctica, son los actores sociales que usan o apoyan el uso de la investigación quienes le confieren valor, ya que este no es intrínseco a los resultados científicos, sino que depende de su materialización efectiva por parte de los usuarios en sus respectivos entornos.

Esta perspectiva empodera a la sociedad y transforma por completo el enfoque de la evaluación. La pregunta clave ya no es «¿qué ha producido el científico?», sino «¿cómo y quién ha utilizado el conocimiento generado para crear valor real en el mundo?».

4. La ciencia del futuro debe ser inclusiva, abierta y responsable.

La idea de una ciencia completamente neutral y objetiva, inmune a los problemas sociales, es otro mito que se desmorona. El documento de ANECA deja claro que la ciencia, al igual que cualquier actividad humana, no está exenta de sesgos sistémicos como el sexismo, el racismo o la discriminación por clase social. Reconocer esto es el primer paso para construir una ciencia mejor, guiada por tres pilares fundamentales:

  • Ciencia inclusiva: supera el «modelo del déficit», que asume que el público es un receptor vacío de conocimiento. En su lugar, incorpora activamente las voces, experiencias y preocupaciones de comunidades diversas e históricamente excluidas en el propio proceso científico. En esencia, es la puesta en práctica del verdadero «intercambio» del que hablamos al principio y garantiza que el diálogo sea real y representativo.
  • Ciencia abierta: promueve el acceso libre y gratuito a los datos, las metodologías y los resultados de la investigación. El objetivo es maximizar su reutilización, transparencia y beneficio para toda la sociedad, no solo para quienes pueden pagarlo.
  • Ciencia responsable: implica considerar proactivamente las implicaciones éticas, sociales y medioambientales de la investigación. Se trata de anticipar consecuencias para garantizar que el «valor» creado por la sociedad, como vimos antes, se oriente siempre hacia el bien común.

Integrar estos principios no es solo una cuestión de justicia social. Se trata de una estrategia indispensable para mejorar la calidad y la relevancia de la propia investigación, fortalecer la confianza pública en la ciencia y garantizar que sus beneficios lleguen a todos.

Conclusión: una conversación, no un monólogo.

El viaje ha sido revelador. Hemos pasado de la idea de una «transferencia» unidireccional y centrada en las patentes a un ecosistema de «intercambio», en el que el verdadero valor no radica en el descubrimiento científico en sí, sino en cómo la sociedad lo utiliza y lo transforma. Este cambio nos obliga a replantearnos qué es lo que realmente importa. La ciencia del futuro no puede medirse por sus productos aislados, sino por la riqueza y la calidad de sus relaciones con la sociedad. Su éxito no radica en un monólogo desde la autoridad, sino en su capacidad para crear, conjuntamente, un valor tangible y equitativo mediante un diálogo inclusivo, abierto y responsable.

Ahora que entendemos la ciencia no como un monólogo desde una torre de marfil, sino como una conversación continua, ¿qué pregunta urgente le harías tú a la comunidad científica?

En esta conversación se descubre gran parte de las ideas anteriores.

En este vídeo tenéis un resumen del tema.

El documento de ANECA lo podéis ver en este enlace: https://www.aneca.es/web/guest/-/documento-transferencia-e-intercambio-de-conocimiento

Pero también lo podéis descargar aquí:

Pincha aquí para descargar

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

Implicaciones éticas de chatbots generativos en la educación superior

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Referencia:

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

Glosario de términos clave

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

Os dejo este artículo, pues está en acceso abierto:

Pincha aquí para descargar

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

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

Historia y vínculo con la práctica profesional

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

Limitaciones del modelo universitario actual

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

La figura del profesor asociado

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

La necesidad de integrar la experiencia profesional en la academia

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

Propuesta para la integración de profesionales en el ámbito universitario

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

Conclusión y propuesta de acción

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

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

Respaldos a mi Candidatura para Consejero en el Sector 4: DOCENCIA e INVESTIGACIÓN

Como ya he anunciado en redes sociales, me presento como candidato a Consejero del Sector 4, Docencia e Investigación, en las próximas elecciones del Colegio de Ingenieros de Caminos, Canales y Puertos. Se trata de un compromiso personal con la candidatura de Miguel Ángel Carrillo para una nueva legislatura que, en esta ocasión, tendrá una duración de 2 años.

En algunos de estos enlaces podéis ver algunas de mis propuestas, que espero que coincidan con lo que espera nuestra profesión. https://uncolegioparaavanzarjuntos.es/wp-content/uploads/2020/06/Victor-Yepes.pdf 

Sin embargo, estas propuestas no son aisladas, sino que son el fruto de debates con compañeros que, desde las distintas Escuelas Técnicas Superiores de Ingeniería de Caminos, Canales y Puertos, y desde la profesión, he tenido ocasión de fraguar en estos últimos 4 años. Especialmente satisfactorio es saber que, por ejemplo, Fermín Navarrina, amigo pero contrincante en las anteriores elecciones, me apoya de forma incondicional. Pero no es el único. Os paso una lista muy reducida de algunos de esos apoyos, que no solo son para mí, sino también para la candidatura de Miguel Ángel Carrillo. Sin embargo, de lo que me siento en este momento más orgulloso es del apoyo incondicionado de algunos de vosotros a mi candidatura.

Dejo en mi blog el apoyo explícito de algunos de vosotros; otros me han dado mucho ánimo y mi mayor reto va a ser no defraudaros. No son todos los que son, pero sí todos los que están (he puesto el orden de forma aleatoria). Muchísimas gracias a todos, de corazón. Nunca sabréis la deuda que tengo con todos vosotros. Si alguien quiere estar en la lista, que me lo diga y lo incluyo.

  • Íñigo J. Losada Rodríguez. Catedrático de Ingeniería Hidráulica. Universidad de Cantabria.
  • Antonio Martínez Cutillas. Profesor Titular de Universidad. Universidad Politécnica de Madrid.
  • Enrique Mirambell Arrizabalaga. Catedrático en ingeniería de la construcción. Universitat Politècnica de Catalunya.
  • Eugenio Pellicer Armiñana. Catedrático de Proyectos de Ingeniería – E.T.S. Ingeniería de Caminos, Canales y Puertos de Valencia
  • Fermín Luis Navarrina Martínez. Catedrático del Grupo de Métodos Numéricos en Ingeniería. Universidad de A Coruña
  • Vicente Negro Valdecantos. Catedrático de Tecnologías del Medio Ambiente e Ingeniería Marítima. Universidad Politécnica de Madrid.
  • Andrés Monzón de Cáceres. Catedrático en Ingeniería del Transporte. Universidad Politécnica de Madrid.
  • Esther Real Saladrigas. Catedrática de Universidad. Universitat Politècnica de Catalunya.
  • Carlos Nárdiz Ortiz. Profesor Titular de Universidad en Urbanística y Ordenación del Territorio. Universidad de A Coruña.
  • Alfredo García García. Catedrático de Ingeniería de Carreteras, Director del Instituto del Transporte y Territorio, Universitat Politècnica de València.
  • Jorge Bernabeu Larena. Profesor Titular de Universidad. Universidad Politécnica de Madrid.
  • Cristina Vázquez Herrero. Profesora Titular de Universidad de Ingeniería de la Construcción. Universidad de A Coruña.
  • Alejandro Castillo Linares. Profesor Asociado. Universidad de Granada.
  • Antonio Tomás Espín. Profesor Titular de Universidad. Universidad Politécnica de Cartagena.
  • Julián Alcalá González. Profesor Titular de Universidad. Universitat Politécnica de València.

Votar es muy sencillo, sobre todo si se hace de forma electrónica. Os dejo un enlace donde se explica fácilmente: file:///C:/Users/V%C3%ADctor/Downloads/Manual%20de%20votaci%C3%B3n%20electr%C3%B3nica.pdf

También os paso un vídeo en el que explico algunas de las razones por las que me presento a esta candidatura.

Y, por último, os paso un documento con algunas de mis intenciones. Estoy abierto al debate y a recibir cuantas indicaciones me déis. Tanto antes como después de las elecciones, independientemente del resultado. Es lo menos que puedo hacer por una profesión que amo profundamente.

Pincha aquí para descargar

 

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Aquí tenéis un mapa conceptual que también os puede ayudar.

Artículos relacionados en el blog:

Los ingenieros, los ordenadores y mil un indios

De la regla de cálculo al ordenador: olvidarse de cómo se calculaba antes

Cifras significativas y errores de medición

¿Cómo predimensionar un muro sin calculadora?

La inteligencia artificial en la ingeniería civil

Introducción a la toma de decisiones

Problemas teóricamente sencillos pero que marean a nuestros estudiantes

Referencias de libros de problemas:

MARTÍNEZ-PAGÁN, P.; YEPES, V.; MARTÍNEZ-SEGURA, M.A. (2023). Ejercicios resueltos de sistemas de transporte continuo: bombas y cintas transportadoras. Ediciones UPCT. Universidad Politécnica de Cartagena, 284 pp. ISBN: 978-84-17853-62-4

YEPES, V. (1997). Equipos de movimiento de tierras y compactación. Problemas resueltos. Colección Libro Docente nº 97.439. Ed. Universitat Politècnica de València. 253 pág. Depósito Legal: V-4598-1997. ISBN: 84-7721-551-0.

YEPES, V. (2023). Maquinaria y procedimientos de construcción. Problemas resueltos. Colección Académica. Editorial Universitat Politècnica de València, 562 pp. Ref. 376. ISBN 978-84-1396-174-3

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