El proceso de enseñanza-aprendizaje está influenciado por numerosas variables (Hattie, 2009). Por eso, las metodologías y materiales que funcionan a la perfección con un grupo de estudiantes a menudo pueden no ser efectivos cuando se aplican a otro. De manera similar, las actividades que resultan atractivas y eficaces un curso pueden ser totalmente inadecuadas el siguiente. 

ADAPTA es un proyecto de innovación educativa que pretende fomentar un aprendizaje más significativo y profundo entre los estudiantes de primer curso de varias asignaturas y titulaciones de la E.T.S. Ingeniería Agronómica, Alimentaria y de Biosistemas, adaptado al potencial individual de cada estudiante. ADAPTA es el acrónimo de Adaptación DinámicA Para Todos los estilos de Aprendizaje. Para ello, vamos a combinar una serie de herramientas distintas que nos van a permitir hacer frente a uno de los mayores retos que tienen las asignaturas de primer curso universitario participantes: asegurar una docencia de calidad a un elevado número de estudiantes de diverso origen, formación e intereses. 

La calidad de la enseñanza depende, en primer lugar, del profesor como el principal conductor de todo el proceso de enseñanza-aprendizaje (Brookfield, 2006; Aaronson et al., 2007). Así, unas buenas habilidades de comunicación, una alta motivación y un dominio sólido del tema lo facilitan enormemente. De hecho, todas estas destrezas pueden asegurar el éxito en el proceso de enseñanza-aprendizaje, incluso si los recursos disponibles (materiales, TICs, equipo de laboratorio...) no son particularmente abundantes. 

No obstante, los mayores condicionantes del proceso de enseñanza-aprendizaje están en los propios estudiantes (Karagiannopoulou y Entwistle, 2009; Gayef et al., 2023; Chen y Qin, 2023). En primer lugar, la actitud y motivación hacia las asignaturas, normalmente moldeadas por sus experiencias educativas previas, condicionan la forma en la que aprenden desde un primer momento. Desde el punto de vista psicológico, los estilos de aprendizaje juegan también un papel muy importante (Gallego y Alonso, 2008; Coffield et al., 2004; Huang, 2011; Ozdemir, 2016; Pashler et al., 2008). Cada individuo tiene perspectivas, opiniones e ideas únicas, e incorpora el nuevo conocimiento de manera distinta, influenciado fuertemente por sus experiencias previas (Karagiannopoulou y Entwistle, 2009). La estructura de su conocimiento previo también influye en cómo organizan y procesan la nueva información (Greca y Moreira, 1997). Las personas tienen formas distintas de asimilar el conocimiento nuevo, utilizando estrategias específicas para dar sentido a la información. Mientras que algunos se inclinan hacia el pensamiento lógico, otros no tienen tanta experiencia en esta habilidad (Ahmar et al., 2018). De la misma manera, algunos prefieren aprender en solitario, mientras que otros prosperan en entornos colaborativos (Walker et al., 2011). Además, algunos aprenden de manera efectiva a través de clases magistrales tradicionales, mientras que otros prefieren entornos más innovadores (Ihantola et al., 2020; Martirosov et al., 2023; Rengel et al., 2019; Schwerdt y Wuppermann, 2011; Srisawasdi y Panjaburee, 2018). Estas diferencias también se manifiestan en preferencias de evaluación diferentes (Birenbaum, 1997). Navegar por estas diferencias supone un reto para los docentes en todos los niveles educativos. Identificar los estilos en un aula es el punto de partida crucial para abordar este desafío. Si esta diversidad se combina con grupos numerosos y heterogéneos como los de primer curso universitario, el reto es mayúsculo. 

Algunos estudios han explorado la relación entre el rendimiento de los estudiantes y sus estilos de aprendizaje (Ghazivakili et al., 2014; Gumasing y Castro, 2023; İlçin et al., 2018; Ocampo et al., 2023; Zachariah et al., 2023). Los informes sugieren que el rendimiento del estudiante se relaciona con tener estilos de aprendizaje similares los del profesor/a (Ghazivakili et al., 2014). Existen puntos de vista contrarios, afirmando que una preferencia por un estilo de aprendizaje particular no invalida a otros (Kirschner, 2017). Además, algunas clasificaciones de estilos de aprendizaje son consideradas inapropiadas. Estudios adicionales han arrojado hallazgos inconclusos respecto a la relación entre los estilos de aprendizaje y el logro estudiantil (Hames y Baker, 2015; Childs-Kean et al., 2020). 

Por todo ello, ADAPTA va a estudiar los estilos de aprendizaje de los estudiantes de asignaturas de primer curso de los Grados en Ingeniería Agroambiental, Ingeniería Agrícola e Ingeniería Alimentaria para facilitar el proceso de enseñanza-aprendizaje. Para ello, a lo largo de las distintas fases del proyecto, se irán identificando los estilos de aprendizaje predominantes en el aula empleando varias herramientas presentadas en la literatura, como son: 

1. El cuestionario Honey-Alonso de estilos de aprendizaje (CHAEA). Este cuestionario (Alonso et al., 2007; Molina-Cabello, 2023, Ablanque et al., 2024) es el más utilizado en español (Pantoja Ospina et al., 2013; García Cué et al., 2009). Está inspirado en el de Honey-Mumford (Honey & Mumford, 1986; Honey & Mumford, 2000; Honey & Mumford, 2006), que a su vez sigue el espíritu de las cuatro fases del aprendizaje de Kolb (Kolb & Kolb, 2013; Kolb, 2014). CHAEA está formado por 80 preguntas (aunque hay también una versión más breve formada por 40) y se centra en la forma en lo que los alumnos aprenden, clasificándolos en activos, reflexivos, pragmáticos y teóricos. 

2. El cuestionario VARK (acrónimo de Visual, Aural, Reader/Writer and Kinesthesic, en español Visual, Auditivo, Lector/Escritor y kinestésico) de N. D. Fleming (Fleming & Mills, 1992; Fleming, 2001) está formado por 16 preguntas y se centra en los canales a través de los cuales se incorpora la información. 

3. El cuestionario Grasha-Riechmann. Este cuestionario está formado por 60 preguntas (hay una versión más reducida formada por 40) y se centra en la forma en la que los estudiantes interactúan y aprenden en entornos académicos (Grasha & Riechmann, 1975). Clasifica a los alumnos en seis categorías principales (independiente, evitativo, competitivo, colaborativo, dependiente y participativo). 

4. Índice de estilos de aprendizaje (index of learning style) de Felder y Silvermann (Felder, 1988). Este cuestionario está formado por 44 preguntas y analiza las cuatro dimensiones fundamentales que indica la forma en que procesamos la información en un proceso educativo. Cada dimensión tiene dos polos o límites opuestos, de forma que los estudiantes se ubican en algún lugar intermedio entre activo y reflexivo, sensible o sensorial e intuitivo, visual y yerbal, y secuencial y global. 

5. El test de inteligencias múltiples de Gardner. Este test, formado por entre 40 y 80 preguntas, percibe la inteligencia no como algo homogéneo y único sino como el conjunto de las distintas formas en que procesamos la información y entendemos el mundo (Gardner, 1983). De acuerdo con este modelo, existen ocho tipos de inteligencia (lingüística, lógico-matemática, espacial, corporal-kinestésica, musical, interpersonal, intrapersonal y naturalista) que cada individuo combina de una manera concreta. 

Al igual que Kolb y Honey-Mumford (Kolb, 2014; Honey y Mumford, 2000), creemos que los estilos de aprendizaje no deben considerarse como etiquetas fijas relacionadas con estereotipos específicos, sino como cuerpos modificables que pueden cambiar con el tiempo. En consecuencia, la preferencia de un estilo de aprendizaje particular no significa que un estudiante sólo tenga una lista determinada de características; simplemente muestra una tendencia hacia ciertos modos de aprendizaje. Conocer esta tendencia hacia un estilo de aprendizaje particular es siempre útil, al menos para permitir que los estudiantes reflexionen sobre su propia manera de aprender. El uso de distintas clasificaciones de estilos de aprendizaje ofrece información muy útil sobre la forma en que los estudiantes aprenden en varias dimensiones. Por ello, crear materiales y actividades alineados con estas preferencias puede facilitar su aprendizaje, haciendo que sea, a la vez, más profundo y significativo. 

Una vez identificados los estilos de aprendizaje asociados a las categorías anteriores (al menos a las cuatro primeras), se procederá en dos niveles haciendo uso de herramientas de machine learning (aprendizaje automático) y de inteligencia artificial. Por un lado, a nivel individual, se van a desarrollar materiales específicos y se van a usar algoritmos de recomendación automática similares a los empleados en Khan Academy, para los estudiantes dependiendo de sus estilos de aprendizaje y de su rendimiento en las pruebas de evaluación progresiva que se van a ir desarrollando a lo largo del curso. 

Por otro lado, a nivel global, se van a emplear herramientas de machine learning para identificar patrones ocultos en los datos, tanto en lo que respecta a los estilos de aprendizaje como a los resultados en las pruebas de evaluación de los estudiantes. Llevaremos a cabo un estudio de clustering (agrupamiento) para establecer si hay correlaciones entre los estilos de aprendizaje y las calificaciones de los alumnos (Ablanque et al., 2024b; Ablanque et al., 2024c); en principio, se hará uso del algoritmo K-means K-means (Battaglia et al., 2018; MacQueen, 1967; Stewart et al., 2012; Urbina Nájera, 2017), aunque en caso de ser necesario se emplearán también otros como los de clustering jerárquico (Jebbari et al., 2024). Este estudio se complementará con uno de análisis principales (Jolliffe & Cadima, 2002; Jolliffe & Cadima, 2016) para dilucidar las posibles correlaciones entre los datos (calificaciones, estilos de aprendizaje, etc.). Todo esto se hará desarrollando un software específico en Python. En este sentido, esta quisiéramos indicar que ya contamos con un software libre que hemos utilizado con éxito para estudiar los estilos de aprendizaje proporcionados por CHAEA, desarrollado como parte de un Trabajo de Fin de Máster (Gabaldón, 2022) dirigido por los co-coordinadores de este proyecto y de una tesis doctoral defendida recientemente (Ablanque, 2024a). El trabajo realizado con el software anterior ha dado lugar, además, a una publicación en fase de revisión (Ablanque, 2024c). Esta referencia nos ha permitido comprobar la eficacia del análisis de componentes principales para estudiar estilos de aprendizaje usando una clasificación concreta; en este proyecto queremos llevar el análisis más allá al usar: (i) varias clasificaciones de estilos de aprendizaje y (ii) implementar algoritmos de clustering. 

Asimismo, abordaremos el estudio de las interrelaciones entre las distintas clasificaciones de estilos de aprendizaje mencionadas anteriormente. Este análisis resulta de gran interés y novedad desde el punto de vista didáctico y pedagógico, dado que nos va a permitir identificar las posibles correlaciones entre estilos de aprendizaje asociados a distintas clasificaciones de estilos de aprendizaje. Desde un principio, algunos investigadores pusieron en duda la existencia e importancia de estilos de aprendizaje, en parte por el alto número y variedad de clasificaciones distintas. Por ello, con el estudio que vamos a llevar a cabo estableceremos cómo se relacionan unos estilos con otros, dilucidando, por ejemplo, si los estudiantes con un estilo de aprendizaje más activo (CHAEA) son más visuales (VARK) y tienen predominancia por una inteligencia lógico-matemática (Gardner). Identificar patrones claros entre las distintas clasificaciones significará que las distintas clasificaciones de estilos de aprendizaje están profundamente imbricadas; no identificar los patrones anteriores redundará en favor de aquellos investigadores que se muestran más en contra de la definición y uso de los estilos de aprendizaje. Sea cual fuere el resultado obtenido, estamos convencidos de que las actuaciones que vamos a llevar a cabo redundarán en un mejor proceso de enseñanza-aprendizaje de nuestros estudiantes y que los resultados que se esperan obtener servirán para intervenir en el debate sobre la existencia e interrelación de los estilos de aprendizaje con resultados sólidos y de gran interés para la comunidad educativa, dado que se presentará una metodología nueva que apenas ha sido utilizada en el contexto docente. 

Referencias 

• Aaronson, D., Barrow, L., & Sander, W. (2007). Teachers and student achievement in the Chicago public high schools. Journal of Labor Economics, 25(1), 95-135. https://doi.org/10.1086/508733 

• Ablanque Ramírez, J. (2024a). El aprendizaje de la física como sistema complejo: Ideas previas, estilos de aprendizaje y metodologías de enseñanza (Tesis doctoral). Universidad Politécnica de Madrid. https://oa.upm.es/82327/ 

• Ablanque, J., Revuelta, F., Losada, J. C., Benito, R. M. (2024b). Persistence of Conceptual Errors in First-Year University Physics Course and Its Possible Relationship with Learning Styles. Educ. Sci., 14, 401. https://doi.org/10.3390/educsci14040401  

• Ablanque, J., Gabaldón, V., Almendros, P. Losada, J. C., Benito, R. M. & Revuelta, F. (2024c). CHAEA3S: A software for the automated principal-component analysis of learning styles. Manuscrito enviado para publicación. 

• Ahmar, A. S., Rahman, A., & Mulbar, U. (2018). The analysis of students’ logical thinking ability and adversity quotient, and it is reviewed from cognitive style. Journal of Physics: Conference Series, 1028(1), 012167. https://doi.org/10.1088/1742-6596/1028/1/012167 

• Alonso, C. M., Gallego, D. J., & Honey, P. (2007). Los estilos de aprendizaje. Procedimiento de diagnóstico y mejora (7th ed.). Ediciones Mensajero, S. A. U. 

• Battaglia, O. R., Di Paola, B., Fazio, C., Pizzolato, N., & Adorno, D. P. (2018). A quantitative analysis of university student reasoning lines in the field of thermally activated phenomena. Journal of Physics: Conference Series, 1076(1), 012019. https://doi.org/10.1088/1742-6596/1076/1/012019  

• Birenbaum, M. (1997). Assessment preferences and their relationship to learning strategies and orientations. Higher Education, 33, 71–84. https://doi.org/10.1023/A:1002985613176 

• Brookfield, S. D. (2006). The skillful teacher: On technique, trust, and responsiveness in the classroom (2nd ed.). Jossey-Bass. 

• Chen, Y., & Qin, X. (2023). Student fatigue and its impact on teaching effectiveness based on online teaching. Education and Information Technologies, 29, 10177–10200. https://doi.org/10.1007/s10639-023-12197-3  

• Childs-Kean, L., Edwards, M., & Douglass Smith, M. (2020). Use of learning style frameworks in health science ducation. American Journal of Pharmaceutical Education, 84(7), 919-927. https://doi.org/10.5688/ajpe7885 

• Coffield, F., Moseley, D., Hall, E., & Ecclestone, K. (2004). Learning styles and pedagogy in post-16 learning: A systematic and critical review. Learning and Skills Research Centre. http://www.evidence.thinkportal.org/handle/123456789/62 

• Felder, R. (1988). Learning and teaching styles in engineering education. Engineering Education, 78(7), 674–681. https://ci.nii.ac.jp/naid/10019620799  

• Fleming, N. D. (2001). Teaching and learning styles: VARK strategies. Neil Fleming. 

• Fleming, N. D., & Mills, C. (1992). Not another inventory, rather a catalyst for reflection. To Improve the Academy, 11(1), 137-155. http://dx.doi.org/10.3998/tia.17063888.0011.014  

• Gabaldón Moreno, V. (2022). Automatización del análisis de los estilos de aprendizaje en Física y Química de 1º de bachillerato (Trabajo de Fin de Máster). Universidad Politécnica de Madrid. https://oa.upm.es/71175/ 

• Gallego, D. J., & Alonso García, C. M. (2008). Estilos de aprender en el siglo XXI. Revista de Estilos de Aprendizaje, 2(1), 23-34. https://doi.org/10.55777/rea.v1i2.848  

• García Cué, J. L., Santizo Rincón, J. A., & Alonso García, C. M. (2009). Instrumentos de medición de estilos de aprendizaje. Revista de Estilos de Aprendizaje, 2(4). https://doi.org/10.55777/rea.v2i4.886  

• Gardner, H. (1983). Frames of mind: The theory of multiple intelligences. New York: Basic Books. 

• Gayef, A., Çaylan, A., & Temiz, S. A. (2023). Learning styles of medical students and related factors. BMC Medical Education, 23(1), 282. https://doi.org/10.1186/s12909-023-04267-4 

• Ghazivakili, Z., Norouzi Nia, R., Panahi, F., Karimi, M., Gholsorkhi, H., & Ahmadi, Z. (2014). The role of critical thinking skills and learning styles of university students in their academic performance. Journal of Advances in Medical Education & Professionalism, 2(3), 95-102. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4235550/  

• Grasha, A. F., & Riechmann, S. W. (1975). Student Learning Styles Questionnaire. University of Cincinnati, Faculty Resource Center.  

• Greca, I. M., & Moreira, M. A. (1997). The kinds of mental representations - models, propositions and images - used by college physics students regarding the concept of field. International Journal of Science Education, 19(6), 711-724. https://doi.org/10.1080/0950069970190607  

• Gumasing, M. J. J., & Castro, F. M. F. (2023). Determining ergonomic appraisal factors affecting the learning motivation 

• and academic performance of students during online classes. Sustainability, 15(3), 1970. https://doi.org/10.3390/su15031970  

• Hames, E., & Baker, M. (2015). A study of the relationship between learning styles and cognitive abilities in engineering students. European Journal of Engineering Education, 40(2), 167-185. https://doi.org/10.1080/03043797.2014.941338 

• Hattie, J. A. C. (2009). Visible Learning: A synthesis of over 800 meta-analyses relating to achievement (1st ed.). Routledge. 

• Honey, P., & Mumford, A. (1986). The Manual of Learning Styles (1st ed.). Peter Honey Associates. 

• Honey, P., & Mumford, A. (2000). The learning styles helper’s guide. Peter Honey Publications Ltd. https://www.fwsolutions.net/wp-content/uploads/2021/01/learning-styles-helpers-guide_quickpeek.pdf  

• Honey, P., & Mumford, A. (2006). Learning Styles Questionnaire: 80-item version (1st ed.). Peter Honey Publications Ltd. 

• Huang, C.-J., Liao, J.-J., Shen, H.-Y., Aye, N. N., Wang, Y.-W., Chen, H.-X., Yang, D.-X., Luo, Y.-C., & Chuang, Y.-T. (2011). Using learning style-based diagnosis tool to enhance collaborative learning in an undergraduate engineering curriculum. Computer Applications in Engineering Education, 19, 739-746. https://doi.org/10.1002/cae.20359  

• Ihantola, P., Leinonen, J., & Rintala, M. (2020). Students’ preferences between traditional and video lectures: Profiles and study success. In Koli Calling '20: Proceedings of the 20th Koli Calling International Conference on Computing Education Research, Koli, Finland, November (2020). https://doi.org/10.1145/3428029.3428561  

• İlçin, N., Tomruk, M., Yeşilyaprak, S. S., Karadibak, D., & Savci, S. (2018). The relationship between learning styles and academic performance in Turkish physiotherapy students. BMC Medical Education, 18(291). https://doi.org/10.1186/s12909-018-1400-2 

• Jebbari, M., Cherradi, B., Hamida, S., & Raihani, A. (2024). Identifying learning styles in MOOCs environment through machine learning predictive modeling. Education and Information Technologies. https://doi.org/10.1007/s10639-024-12637-8  

• Jolliffe, I. T., & Cadima, J. (2002). Principal component analysis (2nd ed.). Springer. 

• Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202  

• Karagiannopoulou, E., & Entwistle, N. (2019). Students' learning characteristics, perceptions of small-group university, teaching, and understanding through a "meeting of minds". Frontiers in Psychology, 10(444). https://doi.org/10.3389/fpsyg.2019.00444  

• Kirschner, P. A. (2017). Stop propagating the learning styles myth. Computers & Education, 106, 166-171. https://doi.org/10.1016/j.compedu.2016.12.006  

• Kolb, A. L., & Kolb, D. A. (2013). The Kolb learning style inventory 4.0. A comprehensive guide to the theory, 

• psychometrics, research on validity and educational applications. Experience Based Learning Systems. https://learningfromexperience.com/downloads/research-library/the-kolb-learning-style-inventory-4-0.pdf 

• Kolb, D. A. (2014). Experiential Learning: Experience as the Source of Learning and Development (2nd ed.). Pearson Education, Inc. 

• MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In L. M. Le Cam & J.  Neyman (Eds.), Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1 (pp. 281-297). The Regents of the University of California, University of California Press. https://projecteuclid.org/ebooks/berkeley-symposium-on-mathematical-statistics-and-probability/Some-methods-for-classification-and-analysis-of-multivariate-observations/chapter/Some-methods-for-classification-and-analysis-of-multivariate-observations/bsmsp/1200512992?tab=ChapterArticleLink  

• Martirosov, A. L., Alex, J., Doane, A., Patel, R., Aprilliano, B., & Kale-Pradhan, P. (2023). Podcasts and videos and slides… oh my!: Traditional vs. nontraditional teaching methods in remote settings. Currents in Pharmacy Teaching and Learning, 15(6), 587-592. https://doi.org/10.1016/j.cptl.2023.06.007 

• Molina-Cabello, M. A., Thurnhofer-Hemsi, K., Molina-Cabello, D. D., & Palomo, E. J. (2023). Are learning styles useful? A new software to analyze correlations with grades and a case study in engineering. Computer Applications in Engineering Education, 31(3), 537-551. https://doi.org/10.1002/cae.22597  

• Ocampo, E. N., Mobo, F. D., & Cutillas, A. L. (2023). Exploring the relationship between Mathematics performance and learning style among grade 8 students. International Journal of Multidisciplinary: Applied Business and Education Research, 4(4), 1165-1172. https://doi.org/10.11594/ijmaber.04.04.14 

• Ozdemir, A., Alaybeyoglu, A., Mulayim, N., & Balbal, K. F. (2016). Performance evaluation of learning styles based on fuzzy logic inference system. Computer Applications in Engineering Education, 24, 853-865. https://doi.org/10.1002/cae.21754  

• Pantoja Ospina, M. A., Duque Salazar, L. I., & Correa Meneses, J. S. (2013).  Learning styles models: An upgrade for their revision and analysis. Revista Colombiana de Educación, 64, 9-105. http://www.scielo.org.co/pdf/rcde/n64/n64a04.pdf Pashler, H., McDaniel, M., Rohrer, D., & Bjork, R. (2008). Learning styles: Concepts and evidence. Psychological Science in the Public Interest, 9(3), 105-119. https://doi.org/10.1111/j.1539-6053.2009.01038.x  

• Rengel, R., Pascual, E., Íñiguez-de-la-Torre, I., Martín, M. J., & Vasallo, B. G. (2019). Experiences on the design, creation, and analysis of multimedia content to promote active learning. Journal of Science Education and Technology, 28, 445-451. https://doi.org/10.1007/s10956-019-09777-9 

• Schwerdt, G., & Wuppermann, A. C. (2011). Is traditional teaching really all that bad? A within-student between-subject approach. Economics of Education Review, 30(2), 365-379. https://doi.org/10.1016/j.econedurev.2010.11.005  

• Srisawasdi, N., & Panjaburee, P. (2018). Implementation of game-transformed inquiry-based learning to promote the understanding of and motivation to learn chemistry. Journal of Science Education and Technology, 28, 152-164. https://doi.org/10.1007/s10956-018-9754-0  

• Stewart, J., Miller, M., Audo, C., & Stewart, G. (2012). Using cluster analysis to identify patterns in students' responses to contextually different conceptual problems. Physical Review Physics Education Research, 8(2), 020112. https://doi.org/10.1103/PhysRevSTPER.8.020112 

• Urbina Nájera, A. B., De La Calleja, J., & Medina, M. A. (2017). Associating students and teachers for tutoring in higher education using clustering and data mining. Computer Applications in Engineering Education, 25(5), 823-832. https://doi.org/10.1002/cae.21839  

• Walker, C. L., Shore, B. M., & French, L. R. (2011). A theoretical context for examining students’ preference across ability levels for learning alone or in groups. High Ability Studies, 22(1), 119-141. https://doi.org/10.1080/13598139.2011.576082  

• Zachariah, S. M., Karthikeyan, S., & Deepak, K. S. (2023). Learning style preferences and its effect on academic performance among undergraduate medical students at Government Medical College, Palakkad. Journal of Medical Sciences and Health, 9. https://doi.org/10.46347/jmsh.v9i2.22.4 

El objetivo principal del proyecto de innovación educativa “Adaptación dinámica para todos los estilos de aprendizaje” está resumido en el propio acrónimo del mismo: ADAPTA. Esto es: fomentar una Adaptación DinámicA Para Todos los estilos de Aprendizaje. Está previsto mejorar el proceso de enseñanza-aprendizaje desarrollando nuevos materiales y actividades específicas en base a un estudio exhaustivo de los estilos de aprendizaje de los estudiantes de primer curso de los siguientes tres grados la E.T.S. Ingeniería Agronómica, Alimentaria y de Biosistemas: 

• Grado en Ingeniería Agroambiental (Física I, Química I y Química II). 

• Grado en Ingeniería Agrícola (Química Aplicada a la Ingeniería Agrícola). 

• Grado en Ingeniería Alimentaria (Química General y Física Aplicada a la Ingeniería Alimentaria). 

Con ello, se espera conseguir los siguientes objetivos específicos: 

1. Identificar los principales estilos de aprendizaje en el aula. 

2. Fomentar un aprendizaje adaptativo de los estudiantes, adecuando el proceso de enseñanza-aprendizaje (grupos de trabajo, materiales, etc.) a sus estilos de aprendizaje. 

3. Desarrollar materiales individualizados, creados por medio de inteligencia artificial, fácilmente transferibles a asignaturas afines de otros grados. 

4. Analizar las principales características del alumnado de alto/bajo rendimiento con el objetivo de buscar patrones y relaciones con los estilos de aprendizaje por medio de técnicas estadísticas avanzadas de machine learning (clustering, análisis de componentes principales, etc.). 

5. Establecer si alguna de las clasificaciones de estilos de aprendizaje consideradas es más efectiva que otra(s). 

6. Dilucidar si existen correlaciones (o no) entre los estilos de aprendizaje asociados a las distintas clasificaciones consideradas. 

Consideramos que los objetivos anteriores permitirán, además: 

1.  Facilitar un aprendizaje más profundo y significativo. 

2. Mejorar la motivación del estudiantado implicado. 

3. Reducir la procrastinación, aumentando el porcentaje de estudiantes que siguen las asignaturas implicadas en el proyecto. 

4. Disminuir la tasa de absentismo y mejorar el rendimiento académico de los alumnos de primer curso. 

5. Mejorar la adquisición de competencias específicas de las asignaturas implicadas. 

6. Contribución al desarrollo de competencias transversales, tales como análisis y síntesis, razonamiento crítico y resolución de problemas científicos y técnicos. 

7. Mejorar los rendimientos académicos. 

8. Favorecer el aprendizaje activo del alumno. 

9. Planificar una integración transversal y interdisciplinar entre diferentes asignaturas de primer curso de los Grados en Ingeniería Agrícola, Alimentaria y Agroambiental. 

10. Presentar los resultados obtenidos a la comunidad científica. 

Los objetivos anteriores están asociados a la meta 4.4 del Objetivo 4 de los Objetivos de Desarrollo Sostenible (ODS) (Objetivo 4: Garantizar una educación inclusiva, equitativa y de calidad y promover oportunidades de aprendizaje durante toda la vida para todos. Meta 4.4: “De aquí a 2030, aumentar considerablemente el número de jóvenes y adultos que tienen las competencias necesarias, en particular técnicas y profesionales, para acceder al empleo, el trabajo decente y el emprendimiento”).  

ADAPTA se desarrollará en cuatro fases (preparación, ejecución, análisis y difusión), que se llevarán a cabo entre los meses de febrero y de noviembre de 2025, cada una de las cuales cuenta con un hito específico que va a ser necesario alcanzar para garantizar el éxito del proyecto.  Las cuatro fases mencionadas no se llevarán a cabo de forma secuencial sino en paralelo, dado que se encuentran fuertemente imbricadas, tal y como muestra la figura adjunta. Esto fomentará un flujo de trabajo basado en la metodología de mejora continua, que nos permitirá evaluar el impacto de las actividades diseñadas con el objetivo de mejorarlas a lo largo de la propia implementación de la experiencia. En este sentido, la participación de los miembros del proyecto en las asignaturas se centrará, principalmente, en las asignaturas en las que imparten docencia. A saber: 

• Patricia Almendros. Química I y Química II del Grado en Ingeniería Agroambiental, y Química Aplicada a la Ingeniería Agrícola, Grado en Ingeniería Agrícola. 

• Fabio Revuelta. Física I, Grado en Ingeniería Agroambiental. 

• Mónica Montoya. Química General del Grado en Ingeniería Alimentaria. 

• Juan Carlos Losada. Física Aplicada a la Ingeniería Alimentaria del Grado en Ingeniería Alimentaria.

FASE 1. PREPARACIÓN 

En esta primera fase se prepararán todos los elementos necesarios del proyecto, y se subdivide en otras tres fases que se llevarán a cabo secuencialmente: 

Fase 1.1. Estudio bibliográfico y análisis de las asignaturas implicadas (2 semanas) 

• Revisión, investigación y formación sobre diferentes actividades de aprendizaje adaptativo. 

• Revisión de las Guías docentes de las asignaturas involucradas. 

• Planificación y coordinación horizontal entre las diferentes asignaturas. 

• Búsqueda de materiales y recursos adaptados para la docencia de física y química en primer curso de ingeniería. 

Fase 1.2. Preparación de cuestionarios de estilos de aprendizaje (2 semanas) 

• Preparación (en hoja Excel, Moodle o en papel, cuando el copyright no permita el uso de plataformas electrónicas como en el caso del VARK) de los cuestionarios utilizados para la identificación de los estilos de aprendizaje. 

Fase 1.3. Preparación de recursos, materiales y actividades adaptadas (16 semanas) 

• Diseño y realización de materiales y recursos adaptados a los estilos de aprendizaje de los estudiantes de asignaturas de primer curso de física y química implicadas. 

Fase 1.4. Software de análisis (6 semanas) 

• Desarrollo de un software de machine learning para el estudio de agrupamiento (clustering) y del análisis de componentes principales para el análisis de las calificaciones de los estudiantes y de los estilos de aprendizaje. 

Fase 1.5. Herramientas de evaluación (4 semanas) 

• Diseño de los mecanismos cuantitativos de evaluación del proyecto. 

• Diseño de los mecanismos cualitativos de evaluación del proyecto (encuestas). 

Hito: desarrollo del software específico para el análisis de las calificaciones del alumnado y de sus estilos de aprendizaje. 

Agentes implicados: Miembros del equipo de trabajo y becario/a. 

Miembros del equipo participantes: Patricia Almendros (Fases 1.1-1.5), Juan Carlos Losada (F1.3), Mónica Montoya (F1.3) y Fabio Revuelta (Fases 1.1-1.5). 

Responsable: Patricia Almendros. 

FASE 2. INTERVENCIÓN Y EJECUCIÓN DIDÁCTICAS 

En la segunda fase del proyecto, se comenzará el desarrollo del mismo. Es fase de ejecuciuón se subdivide a su vez en dos: 

Fase 2.1. Identificación de los estilos de aprendizaje en el aula (6 semanas) 

Durante primeras dos semanas de docencia de las asignaturas, se va a facilitar a los estudiantes varios cuestionarios para identificar sus estilos de aprendizaje predominantes. Además, a lo largo del primer mes y medio de docencia se facilitarán más cuestionarios para perfilar mejor el estilo de aprendizaje de cada alumno. Estos resultados se emplearán para; 

• Formar las parejas en los laboratorios de prácticas. 

• Crear materiales adaptados a los distintos estilos de aprendizaje de los alumnos. 

Fase 2.2. Puesta en práctica del aprendizaje adaptativo (14 semanas) 

Una vez identificados los estilos de aprendizaje de cada alumno (Fase F2.1) y desarrollados los materiales y recursos adaptados, así como planificadas las correspondientes actividades (Fase 2.2), estos se pondrán a disposición de los estudiantes a lo largo del curso. 

Hito: conseguir que los alumnos respondan a todos los cuestionarios de estilos de aprendizaje para conseguir una visión integral de la forma en la que aprenden. 

Agentes implicados: Miembros del equipo de trabajo y becario/a. En concreto, las intervenciones de los miembros del equipo se distribuirán de la siguiente forma: 

Miembros del equipo participantes: Patricia Almendros (Química I, Química II, Química Aplicada a la Ingeniería Agrícola), Mónica Montoya (Química General), Juan Carlos Losada (Física Aplicada a la Ingeniería Alimentaria) y Fabio Revuelta (Física I) 

Responsable: Patricia Almendros 

FASE 3: ANÁLISIS DE RESULTADOS 

1. Los análisis de los resultados se van a llevar a cabo en dos etapas: 

Fase 3.1. Análisis de los estilos de aprendizaje en el aula (6 semanas) 

La identificación de los estilos de aprendizaje de los estudiantes se llevará a cabo a lo largo de las primeras semanas de docencia de las asignaturas implicadas, a continuación de la Fase 2.1. Quisiéramos indicar que ya contamos con un software para analizar los estilos de aprendizaje en base a CHAEA (véase la referencia Ablanque et al., 2024c), que se va a tomar como punto de partida para llevar a cabo los análisis de las otras clasificaciones de estilos de aprendizaje, así como para desarrollar un metaanálisis de las posibles correlaciones entre los estilos asociados a distintas clasificaciones. 

Fase 3.2. Análisis del aprendizaje adaptativo (16 semanas) 

Los resultados obtenidos en la Fase 3.1 nos van a servir de punto de partida para desarrollar materiales y actividades adaptadas e individualizadas para los estudiantes, que se irán evaluando a lo largo del curso. Estas actividades podrán incluir cuestionarios de Moodle, vídeos de apoyo, ejercicios resueltos, ejercicios explicados en vídeo, resúmenes o esquemas de apoyo, actividades colaborativas... 

2. Al final del curso, se facilitarán a los estudiantes encuestas para conocer su opinión respecto a la satisfacción y adecuación de la experiencia. 

3. Una vez terminada la docencia de las distintas asignaturas, se llevará a cabo un estudio de clustering para dilucidar si los estudiantes con mayor/menor rendimiento cuentan con patrones similares en términos de estilos de aprendizaje, etc. También se llevará a cabo una comparativa de las tasas de resultados, rendimiento y absentismo de este curso con las de los cursos anteriores. 

Hito: establecer correlaciones entre distintas clasificaciones de estilos de aprendizaje y dilucidar si existen patrones ocultos que relacionen las calificaciones de los estudiantes con sus estilos de aprendizaje. 

Agentes implicados: Miembros del equipo de trabajo y becario/a. 

Miembros del equipo participantes: Patricia Almendros (F3.1 y F3.2), Juan Carlos Losada (F3.2), Mónica Montoya (F3.2) y Fabio Revuelta (F3.1 y F3.2) 

Responsable: Fabio Revuelta 

FASE 4: DIFUSIÓN Y DISEMINACIÓN 

Si los resultados obtenidos son suficientemente significativos, algo que esperamos por nuestra experiencia previa en el estudio de los estilos de aprendizaje (véanse las publicaciones incluidas en el apartado de descripción de la propuesta Ablanque et al., 2024b y Ablanque et al., 2024c), éstos se presentarán en distintos congresos de innovación educativa internacionales tales como CIDICO, CINAIC o Innoeducatic. Además, se recogerán en una publicación que será enviada a una revista indexada de alto impacto, como Journal of Science Education and Technology, Computer Applications in Engineering Education, Education and Information Technologies o Educational Sciences. Dado que la docencia de algunas de las asignaturas participantes se lleva a cabo en el primer semestre, es probable que la redacción del artículo se lleve a cabo una vez finalizado éste. 

Asimismo, los resultados obtenidos se diseminarán en las redes sociales (Tweeter, Instagram...) de los colaboradores en el proyecto y en la página web de la ETSIAAB. Está previsto elaborar la memoria final del proyecto y participar en las Jornadas de Innovación Educativa de la UPM (si se organizan). Además, se redactará una nota de prensa para el Portal de Innovación Educativa de la UPM. 

Hito: recoger los resultados del proyecto de innovación educativa en una publicación para enviarla a una revista indexada de alto impacto. 

Agentes implicados: Miembros del equipo de trabajo y becario/a. 

Miembros del equipo participantes: Patricia Almendros, Juan Carlos Losada, Mónica Montoya y Fabio Revuelta 

Responsable: Patricia Almendros