Un estudio reciente con estudiantes de ingeniería ha comparado los resultados del aprendizaje activo mediante actividades basadas en equipos a lo largo de dos años consecutivos. Las del primer año se centraron en análisis estadístico de conjuntos de datos genéricos, mientras que en el segundo año se centraron en la predicción de series temporales sobre valores bursátiles y tráfico de red. Los resultados obtenidos, aunque preliminares por tratarse de un grupo reducido, mostraron un incremento significativo en el segundo año, tanto en rendimiento académico como en motivación y compromiso.
Se ha reportado que la inclusión de actividades de aprendizaje activo puede mejorar el rendimiento académico en diversas áreas educativas. En este sentido, una de las metodologías más usadas es el aprendizaje basado en equipos, donde el estudiantado se reúne en grupos de manera aleatoria y cada grupo toma sus propias decisiones y a su propio ritmo en cuanto al trabajo que se debe realizar. Además, este formato fomenta no solo el desarrollo de habilidades técnicas, sino también el desarrollo de habilidades blandas, como la colaboración, la comunicación, el pensamiento crítico, y la resolución de problemas.
En este contexto, hemos analizado los efectos de aplicar aprendizaje activo mediante actividades basadas en equipos a lo largo de dos años consecutivos en un grupo de estudiantes de ingeniería. Durante el primer año se propusieron actividades de programación relativas a análisis estadístico sobre conjuntos de datos genéricos disponibles en línea. Los comentarios hechos por el estudiantado fueron positivos, aunque algunos dejaban entrever que dichos conjuntos de datos no eran de su interés al no estar directamente relacionados con sus estudios, por lo que se percibía cierta falta de motivación.
Por lo tanto, en el segundo año académico centramos las actividades propuestas en la predicción de series temporales mediante técnicas de machine learning sobre conjuntos de datos referidos a valores bursátiles y al tráfico de red en formato abierto. Los comentarios recibidos por el estudiantado fueron más positivos, resaltando el hecho de que este tipo de datasets les generaban más interés por su practicidad, lo cual aumentaba su motivación.
La fuente de datos analizados contribuyó al rendimiento y la motivación
Considerando el grupo de control como el perteneciente al primer año y el grupo experimental como el perteneciente al segundo, hay que tener en cuenta que se produjeron dos cambios simultáneamente, como son la fuente de los datos y la tarea requerida. La hipótesis inicial podría atribuir el aumento de rendimiento académico a ambos cambios por igual. Sin embargo, hay que tener en cuenta que la tarea de aprendizaje fue similar en ambos casos, ya que se trataba de programar código en Python usando librerías disponibles online. Por lo tanto, todo parece indicar que la fuente de los datos contribuyó principalmente al incremento en rendimiento y motivación.
Así mismo, el hecho de que los dos grupos no fueran concurrentes en el tiempo podría llevar a potenciales efectos de confusión. En este sentido, cabe señalar las discrepancias temporales entre ambos grupos, la composición demográfica de ambos, los factores contextuales en cada caso, la continuidad docente, o el efecto novedad. Sin embargo, la composición del estudiantado perteneciente a ambos cursos era similar y el profesorado fue el mismo, lo cual reduce los posibles efectos de confusión.
Evaluación cuantitativa y cualitativa
Desde el punto de vista técnico, cada grupo debía implementar tres programas en Python para predecir la serie temporal definida por el dataset proporcionado. De este modo, se pedía generar los códigos para diseñar tres herramientas empleadas para analizar datos ordenados en el tiempo: una red neuronal recurrente (RNN) genérica, una red neuronal LSTM (Long Short-Term Memory) y una GRU (Gated Recurrent Unit). Además del análisis cuantitativo basado en las métricas de evaluación RMSE, MAE y R2, se solicitó una representación gráfica de la serie generada por cada modelo junto con la serie original con el objetivo de facilitar su comparación. De este modo, la evaluación incorporaba también un componente cualitativo adicional.
Como conclusión, la implementación de actividades basadas en equipo referidas a la predicción de series temporales en un curso de ingeniería ha sido exitosa, ya que se ha producido un aumento en el rendimiento académico y en la motivación y compromiso del alumnado. Sin embargo, para extrapolar estos resultados sería necesario realizar más estudios con un mayor número de participantes y en distintos contextos. Adicionalmente, sería interesante poder seguir la progresión del estudiantado en los siguientes cursos académicos para valorar la contribución de este contenido en su desarrollo académico y profesional a lo largo del tiempo.
Referencia:
Roig PJ, Alcaraz S, Gilly K, Bernad C and Juiz C (2026) Applying active learning to work with time series predictions. Front. Educ. 11:1774482. doi: 10.3389/feduc.2026.1774482
Autores del artículo divulgativo:
Pedro Juan Roig, Salvador Alcaraz, Katja Gilly y Cristina Bernad
Departamento de Ingeniería de Computadores
Universidad Miguel Hernández
Carlos Juiz
Departamento de Ciencias Matemáticas e Informática
Universitat de les Illes Balears
Fuente: Scientias
Artículo bajo licencia Creative Commons – Atribución (CC BY 4.0). Este artículo puede ser reproducido íntegramente siempre y cuando vaya firmado por los autores y se acredite SCIENTIAS como fuente, incluyendo el enlace a nuestra página.