Posibilidades que ofrece la modelación por progresión como estrategia de aprendizaje activo en los cursos básicos de ingeniería
DOI:
https://doi.org/10.26507/paper.4413Palabras clave:
Aprendizaje activo, Representación físico-matemática, Estrategia pedagógica, Ingeniería educativa, Modelación por progresión, Comprensión conceptualResumen
Los modelos se convierten en herramientas dinámicas que revelan la complejidad subyacente de los fenómenos al permitir describir, explicar y predecir el comportamiento de un objeto al ser una representación fisicomatemática y/o gráfica. Ignorar esta estrategia puede limitar la comprensión real de los fenómenos, ya que se pierde oportunidad de apropiación y significación conceptual de los saberes frente a la tradicional construcción arbitraria de relaciones conceptuales y a la memorización de corto plazo. El problema investigado se ubica en educación en ciencias, se fundamenta en Henri Poincaré y teorías de aprendizaje de D. Ausubel, quienes enfatizan la importancia de atribuir significado a los símbolos y representaciones, más allá de la mera memorización y su aplicación al campo de la ingeniería (Poincaré, 2008; Ausubel, 2002). Al concebir la modelación por progresión como una actividad gradual y creativa que va desde representaciones simples hasta modelos sofisticados, este artículo propone una estrategia de enseñanza mediante modelación por progresión con la que se pueda superar la tradicional fragmentación del conocimiento, transformando así la educación científica desde un proceso pasivo de absorción hacia un viaje activo de descubrimiento y construcción. El diseño metodológico es cualitativo y de estudio de casos instrumental y múltiple. Para la validación de la estrategia de enseñanza se hicieron dos intervenciones en el curso de medios de transmisión del programa de ingeniería electrónica de la Universidad escuela colombiana de ingeniería Julio Garavito durante los semestres: 2024-1 y 2024-2. El propósito fue favorecer el desarrollo de habilidades cognitivas y metacognitivas de los estudiantes, como el análisis, la síntesis, la conceptualización, la representación de la información, el pensamiento sistémico y crítico, la autorregulación del aprendizaje y la independencia académica. El instrumento de recolección de datos fue la observación directa y participante a partir de la cual se contrastaron verbalizaciones y actuaciones (cómo actuaron) de los estudiantes en los grupos de trabajo, con el fin de indagar e interpretar los cambios en las dimensiones cognitiva y metacognitiva. Los resultados obtenidos puso en evidencia la importancia de considerar modelación por progresión en la enseñanza de la ingeniería que favorece multiplicidad de perspectivas para la interacción y cooperación constructivas en una verdadera reciprocidad de intercambio para la integración y síntesis a la hora de identificar el medio de transmisión oculto en una caja negra– así mismo, rescatar la función autorreguladora de los procesos de aprendizaje –que dirige, controla los esfuerzos y maneja la persistencia para enfrentar la dificultad en la resolución del problema– y la autonomía académica con responsabilidad –que hace posible la potenciación de los sujetos– para el desarrollo metacognitivo de los mismos estudiantes.
Biografía del autor/a
Hernán Paz Penagos, Universidad Escuela Colombiana de Ingeniería Julio Garavito
Ingeniería Electrónica
Citas
Adúriz-Bravo, A. (2012). Algunas características clave de los modelos científicos relevantes para la educación química. Educación Química, 23, 1-9. https://doi.org/10.1016/S0187-893X(17)30151-9
Ausubel, D. (2002). Adquisición y retención del conocimiento. Una perspectiva cognitiva. España: Paidós
Bartolomé, E. (2025). Didactic models for active and inquiry-based learning of machines and mechanisms. International Journal of Mechanical Engineering Education. https://doi.org/10.1177/03064190241310053
Brown, A. (1987). Metacognition, executive control, self-regulation, and other more mysterious mechanisms, F. Weinert & R. Kluwe (Ed.): Metacognition, motivation, and understanding. Hillsdale, NJ: Erlbaum
Bunge, M. (1973). Method, Model and Matter. Dordrecht: Reidel Publishind Company. https://doi.org/10.1007/978-94-010-2519-5
Clement, J. J. y Rea-Ramírez M. A. (2008). Model Based Learning and Instruction in Science. Vol. 2. ISSN electrónico: 2213-2260 https://doi.org/10.1007/978-1-4020-6494-4. https://doi.org/10.1007/978-1-4020-6494-4
Clement, J. (2000). Model based learning as a key research area for science education. International Journal of Science Education, 22(9), 1041–1053. https://doi.org/10.1080/095006900416901
Fei, X., Bin, C., Rui, L., & Hu, S. (2020). A Model-Based System Engineering Approach for aviation system design by applying SysML modeling. Proceedings of the 32nd Chinese Control and Decision Conference, CCDC 2020, 1361–1366. https://doi.org/10.1109/CCDC49329.2020.9164443
Flavell, J. (1978). Metacognitive aspect of problem solving in the nature of intelligence. In L.B. Resnick, (Ed.). (Pp. 231-235). New Jersey: Hillsdale. https://doi.org/10.4324/9781032646527-16
Khan, S. (2011). What’s Missing in Model-Based Teaching. Journal of Science Teacher Education, 22(6), 535–560. https://doi.org/10.1007/s10972-011-9248-x
Lavi, R., Dori, Y. J., & Dori, D. (2021). Assessing Novelty and Systems Thinking in Conceptual Models of Technological Systems. IEEE Transactions on Education, 64(2), 155–162. https://doi.org/10.1109/TE.2020.3022238
Lavi, R., Dori, Y. J., Wengrowicz, N., & Dori, D. (2020). Model-Based Systems Thinking: Assessing Engineering Student Teams. IEEE Transactions on Education, 63(1), 39–47. https://doi.org/10.1109/TE.2019.2948807
Louca, L. T., & Zacharia, Z. C. (2012). Modeling-based learning in science education: cognitive, metacognitive, social, material and epistemological contributions. Educational Review, 64(4), 471–492. https://doi.org/10.1080/00131911.2011.628748
Lu, K. L., & Chen, Y. Y. (2021). Model-based design, analysis and assessment framework for safety-critical systems. Proceedings - 51st Annual IEEE/IFIP International Conference on Dependable Systems and Networks - Supplemental Volume, DSN-S 2021, 25–26. https://doi.org/10.1109/DSN-S52858.2021.00023
Poincaré, H. (2008) El valor de la ciencia. Edición Oviedo. ISBN 9788483670675, págs. 384. España.
Pozo, J. y Monereo, C. (Coord.). (1999). El aprendizaje estratégico. Enseñar a aprender desde el currículo. Madrid: Santillana.
Ramírez, C. A., Thompson, A. E., & Gorthala, R. (2024). A Design for Testability (DFT) strategy for the development of a highly complex safety-critical system using a Model-Based Systems Engineering (MBSE) approach. ISSE 2024 - 10th IEEE International Symposium on Systems Engineering, Proceedings. https://doi.org/10.1109/ISSE63315.2024.10741151
Rogoff, B. (1993). Aprendices del pensamiento. El desarrollo cognitivo en el contexto social. Barcelona: Paidós
Schmidt, K. (1995). Problem-based learning: An introduction. Instructional Science, (22), pp. 247-250. https://doi.org/10.1007/BF00891778
Zárate-Navarro, M. A., Schiavone-Valdez, S. D., Cuevas, J. E., Warren-Vega, W. M., Campos-Rodríguez, A., & Romero-Cano, L. A. (2024). STEM activities for heat transfer learning: Integrating simulation, mathematical modeling, and experimental validation in transport phenomena education. Education for Chemical Engineers, 49, 81–90. https://doi.org/10.1016/j.ece.2024.06.004
Zimmerman, B., Bandura, A. y Martínez-Pons, M. (1992). Self-motivation for academic attainment: the role of self-efficacy beliefs and personal goal setting, American Educational Research Journal, 29, pp. 663-76. https://doi.org/10.3102/00028312029003663
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
