Nuestro GIE FITOINNOVA pretende continuar su actividad en proyectos de innovación educativa después de haber desarrollado en los últimos años proyectos sobre aula invertida, aprendizaje basado en investigación, enseñanza y evaluación de competencias transversales, estilos de aprendizaje y más recientemente diseño de pruebas de evaluación con herramientas de inteligencia artificial (IA).

En la presente convocatoria de la UPM de 8 de octubre de 2024 sobre “Proyectos de Innovación Educativa y Mejora de la Calidad de la Enseñanza”, nuestro grupo, junto con algunos profesores del Grupo de Innovación Educativa en Química y Análisis Agrícola, coordinado por el profesor Jesús Novillo Carmona, pretende profundizar en la línea 5 de la convocatoria Inteligencia Artificial aplicada a la educación (aprendizaje adaptativo, evaluación…) que iniciamos el año pasado. Además, y según los resultados del análisis llevado a cabo con la Inteligencia Artificial (según se explica más adelante) se va a desarrollar cabo una actividad en la línea 2 de la convocatoria sobre Gamificación Educativa.

Tal y como se ha puesto de manifiesto en el informe “ “Integración de la Inteligencia Artificial en la Educación Superior: Potencial, Desafíos y Oportunidades” https://innovacioneducativa.upm.es/inteligencia-artificial-educacion-superior, la inteligencia artificial (IA) se está aplicando en la UPM para diferentes propósitos tales como la creación de contenido, la evaluación del aprendizaje con IA,  la personalización del aprendizaje, la asistencia al estudiante y la intervención temprana. En el proyecto que proponemos se pretende utilizar la IA para tratar de diagnosticar y resolver un problema que venimos observando en los últimos años (a partir del curso 2021-2022, esto es, en la post-pandemia de COVID 19, tras reanudarse las clases presenciales), en buena parte de las asignaturas que impartimos los profesores participantes en este proyecto:  las bajas tasas de rendimiento académico de las asignaturas como consecuencia, fundamentalmente, de unas elevadas tasas de abandono/absentismo (ver datos en la tabla 1 más adelante).

Aunque en los informes de seguimiento de las asignaturas se han esgrimido algunas de las posibles causas de esta situación y se han planteado algunas propuestas de mejora, no se ha llevado a cabo un análisis más objetivo y completo como base para plantear medidas que reviertan esta situación.

Por ello, el objetivo de este proyecto es utilizar la IA como herramienta predictiva de detección temprana de esas bajas tasas de rendimiento académico con el propósito de poder plantear a tiempo acciones “correctoras” o “paliativas” que permitan resolver o mitigar ese problema. Esas acciones correctoras se implementarán mediante actividades basadas en la gamificación.

En definitiva, en línea con lo reflejado en el referido informe sobre IA, se trata de usar analíticas de aprendizaje que nos permitan predecir qué calificación final obtendrán los alumnos al final de curso en función de toda la información que podamos disponer de su trayectoria académica y, en especial, en las actividades de evaluación progresiva que van realizando a lo largo del semestre y también qué estudiantes tienen mayor riesgo de abandono de la asignatura, o que se están quedando atrás en el proceso de aprendizaje. Todo ello con la intención de hacer una intervención temprana o un servicio de soporte y evitar que la situación se produzca o se intensifique y cronifique. Una vez realizado ese diagnóstico, la intervención temprana se materializará mediante el diseño de actividades utilizando metodologías de gamificación a realizar por los alumnos para tratar de superar el problema/riesgo detectado (suspenso o abandono de la asignatura). Se establecerán grupos o “clústeres” de alumnos que tengan en común, de acuerdo con el diagnóstico obtenido con herramientas de la IA predictiva, la/s causa/s más determinante/s de ese previsible mal resultado de rendimiento académico.

Aunque somos conscientes de que en Moodle, a partir de su versión 3.4, ya se ha empezado a incluir un módulo específico dedicado a analíticas de aprendizaje y, en especial, una funcionalidad para mostrar “Estudiantes en riesgo de abandonar”, el proyecto propuesto trata de profundizar mucho más en este tema al utilizar herramientas de IA predictiva que no están disponibles en Moodle, utilizando una base de datos más completa y planteando actividades para tratar de solucionar el problema detectado.

En primer lugar, hemos detectado dos posibles problemas, según los datos que se muestran en la tabla 1, que esperamos resolver con estas herramientas. Por un lado, se espera identificar a aquellos miembros del alumnado con altas probabilidades de abandonar la asignatura. Para ello, trabajaremos con información relativa a la asistencia a clase, el número de créditos matriculados por el alumno, el número de créditos del curso en el que se encuentra la asignatura objeto de estudio, el número de créditos matriculados en asignaturas de cursos previos, su actividad en Moodle y las tasas de abandono o absentismo previas, entre otras variables. En cuanto a Moodle, se realizará un rastreo de la frecuencia con la que cada alumno matriculado accede a la plataforma, así como el momento en que descargan la información facilitada para seguir la asignatura. En este caso, el objetivo es poder implementar medidas para reducir la tasa de absentismo mediante la comunicación directa con el alumno.

Por otro lado, también pretendemos identificar a aquellos alumnos que puedan tener dificultades para aprobar la asignatura. Para este segundo caso, utilizaremos como variables predictoras las calificaciones obtenidas por el alumno en las pruebas evaluadas antes del examen. A partir de esa información, se propondrán a los alumnos actividades de gamificación para incrementar su motivación y sus logros académicos.

Los modelos de IA predictivos se generarán a partir de una serie de datos históricos, concretamente con los datos de los cursos 2021-2022, 2022-2023 y 2023-2024 recopilados en todas las asignaturas objeto de este PIE. Es importante tener en cuenta que, en algunos casos, parte de la información podría no estar disponible en alguna de las asignaturas.

Con el fin de identificar qué pruebas o preguntas pueden ser utilizadas como elementos predictivos del desempeño del alumnado, así como localizar los alumnos con probabilidad de abandonar la asignatura en base a la información que disponemos de ellos, se utilizarán herramientas de Inteligencia Artificial (IA) para su análisis. Concretamente, se utilizará Aprendizaje Automático o Machine Learning (ML) para tratar de encontrar correlaciones entre notas de pruebas individuales o preguntas concretas de dichas pruebas y la nota global del alumno y la información sobre los créditos matriculados y la tasa de abandono/absentismo de la asignatura. Hay que destacar en este punto que las notas del examen de teoría, que suelen representar un porcentaje elevado, no se incluirán por dos motivos. En primer lugar, el resultado de esta prueba se obtiene al final de la evaluación y, por tanto, no podría utilizarse como un sistema de detección temprana. En segundo lugar, dado el gran porcentaje que supone esta prueba, estaría altamente correlacionada con la calificación final.

De entre las técnicas de ML a utilizar, inicialmente se realizará una regresión múltiple en la que se incluirán tantas variables predictoras (features) como notas individuales se tengan de cada alumno y se tratará de predecir una variable estimada (response). Hay que tener en cuenta que el número de variables, al igual que el tamaño del conjunto de datos (dataset), dependerá de la asignatura en cuestión, pero en general estará entre 100 y 500, aproximadamente. En casos en que tengamos conjuntos de datos pequeños y con el fin de evitar el sobreajuste (overfitting) y que los modelos obtenidos puedan no ser válidos para otros datos, se utilizará el método de Validación Cruzada (Cross-Fold Validation) con un número de pliegues (folds) de entre 5 y 10. En casos en los que tengamos un conjunto de datos mucho más amplio, se utilizará datos para la Validación distintos a aquellos empleados para el Entrenamiento (Holdout Validation), asegurando un 20 % del conjunto de datos para la validación. En ambos casos, se mantendrá un 15 % del conjunto de datos para la verificación. Emplearemos distintos modelos de Aprendizaje Automático para obtener correlaciones, entre los que destacamos Árboles de Regresión (Regression Trees), Máquinas de Vectores de Soporte (Support Vector Machines), Redes Neuronales (Neural Networks), y Procesos Gaussianos de Regresión (Gaussian Process Regression), para los cuales se utilizarán distintos hiperparámetros con el fin de obtener los modelos más ajustados posibles dentro del alcance de este proyecto.

Consideraremos la posibilidad de emplear análisis de componentes principales, así como de generar modelos para solo un número reducido de variables predictoras en base a los resultados de los algoritmos de Redundancia Mínima Relevancia Máxima (Minimum Redundancy Maximum Relevance), Chi-cuadrado (Chi-Square), ANOVA y RReliefF. Las correlaciones obtenidas se compararán empleando las siguientes métricas: Coeficiente de Determinación (R2), Raíz del Error Cuadrático Medio (RMSE), Error Cuadrático Medio (MSE), y Error Medio Absoluto (MAE). Esto se realizará empleando el módulo de Regression Learner de Matlab R2021a.

En caso de no encontrar regresiones con métricas adecuadas (MAE>0.5) para realizar la actividad que estamos proponiendo, se utilizará el módulo de Classification Learner de Matlab como segunda opción. En este caso, relacionaremos los mismos parámetros predictores con una variable binaria (aprobado o suspendido) o con una variable con varias clases (suspendido, aprobado, notable o sobresaliente). La forma en que se dividirán los conjuntos de datos será la misma, y en ese caso, a los modelos empleados se añadirían otros como el Análisis Discriminante (Discriminant Analysis) y el Algoritmo de Vecinos más Cercanos (K-Nearest Neighbour) entre otros. En esta ocasión, las métricas empleadas para evaluar los modelos generados serán la Exactitud (Accuracy), Precisión (Precision), Sensibilidad (Recall) y el Índice F1 (F1-Score).

Una vez dispongamos del modelo y de los parámetros predictores, basados en los datos de cursos previos (cursos 2021-22, 2022-23 y 2023-24) los aplicaremos a los nuevos datos del curso 2024-25. De esta forma, podremos dividir a nuestros alumnos en distintos clústeres en función de la predicción de su tasa de abandono/absentismo y su rendimiento académico esperado. 

Una vez identificados los alumnos con elevada probabilidad de abandono/absentismo, se iniciará una comunicación con ellos para tratar de proporcionarle la ayuda que pueda necesitar.

La aplicación de dichos modelos a las asignaturas en curso también permitirá identificar a los alumnos que posiblemente tendrán un desempeño por debajo del aprobado, que probablemente estén separados en varios grupos, conglomerados o clústeres, caracterizados por los valores de ciertas variables o indicadores. Esto permitirá definir actividades de gamificación que se adecúen a las características de cada grupo o clúster.

El procedimiento a seguir para generar estos grupos o clústeres será de forma no supervisada o de forma supervisada. La primera de ellas consiste en un análisis de conglomerados utilizando varios métodos (k-medias, vecino más cercano y centroide) empleando como métrica de distancia la distancia euclidiana al cuadrado. El objetivo de este análisis de conglomerados es unir a los alumnos en varios grupos. Hay que tener en cuenta que esto solo se realizará en caso de que hayamos obtenido modelos de regresión basados en IA y no hayamos generado modelos de clasificación. En caso de haber usado un sistema de clasificación previamente, en lugar de regresión, se utilizarán los grupos ya generados y los consideraremos como conglomerados generados de forma supervisada. En el caso en que los grupos generados por el sistema de clasificación previo o por el análisis de conglomerados no resulten satisfactorios, no representen de forma adecuada la diversidad de los estudiantes o bien sean muy o muy poco numerosos, el equipo de investigación se reserva la potestad de ajustar los grupos mediante umbrales para dividirlos o unirlos, para resolver las deficiencias encontradas de representación, tamaño de grupos, número de grupos, etc.

Queremos destacar que, con el fin de garantizar la privacidad y el manejo ético de los datos de los estudiantes, este proyecto se regirá estrictamente por las normativas de protección de datos vigentes, en particular, el Reglamento General de Protección de Datos (RGPD). Los datos de cursos anteriores serán completamente anonimizados, sin incluir nombres ni información personal de los alumnos (ni DNI ni ningún otro identificador); únicamente se utilizarán e incluirán en las herramientas de análisis las calificaciones a lo largo de la asignatura. Sin embargo, para los datos del curso actual, donde es necesario identificar a cada alumno para poder generar posteriormente los grupos y aplicar intervenciones personalizadas, se implementará un sistema de encriptación. Los identificadores, ya sea nombre o DNI serán convertidos mediante una clave que tendrá únicamente el profesor de la asignatura. Así, los identificadores se mantendrán cifrados durante todo el análisis y accesibles únicamente al personal autorizado (profesores de cada asignatura). Además, los datos personales se emplearán exclusivamente con fines educativos y serán eliminados tras la finalización del curso, asegurando que solo se retengan datos anónimos para futuras investigaciones, análisis comparativos y las posibles publicaciones derivadas de este proyecto.

Tras definir los distintos grupos o clústeres de alumnos en la fase anterior del proyecto e identificar los diversos problemas o dificultades que presentan los alumnos de cada clúster, se elaborarán una serie de intervenciones tempranas basadas en la metodología de gamificación.

La gamificación educativa utiliza ciertas características o elementos concretos de juegos para ponerlos en práctica en un entorno educativo, con el objetivo de lograr una mayor implicación en la consecución de objetivos, permitiendo la diversión y la equivocación, a la vez que se motiva el cambio de los estudiantes (actitudinal, conceptual, desarrollo de nuevas habilidades, etc.). 

El diseño de las metodologías de gamificación dependerá del clúster en el que se encuentre cada alumno. De forma que se diseñarán tantas herramientas de gamificación como clústeres se hayan detectado en la fase previa del proyecto. El objetivo de este diseño diferenciado es adaptar la herramienta a la resolución del problema o dificultad especifica que presenten los alumnos de cada clúster.

A pesar de las diferencias existentes en las herramientas de gamificación disponibles para cada clúster, todas estas herramientas estarán basadas en videojuegos diseñados a través de la plataforma SGAME y tendrán una serie de elementos en común: dinámicas, mecánicas y componentes.

En general, dadas las características de estos alumnos, las dinámicas o aspecto globales a los que se orientará el diseño de estos videojuegos estarán basadas en el desarrollo de sensaciones o emociones positivas (ilusión, sorpresa, curiosidad, etc.) y en aumentar la percepción de la progresión realizada por el propio alumno.

Las mecánicas de los juegos son todas aquellas reglas destinadas a que el juego sea divertido y que genere un cierto compromiso por parte del alumno. Para ello, durante el transcurso del videojuego el alumno tendrá que ir realizando una serie de actividades lúdicas (matar enemigos, saltar obstáculos, etc.), intercalados con material didáctico (diapositivas, textos, videos) y retos o desafíos basados en cuestionarios o problemas relacionados con la temática de cada asignatura. Tras la superación de estos retos o desafíos el alumno tendrá un feedback en tiempo real, además de obtener algún tipo de recompensa o incentivo (estrellas, puntos). El feedback tiene como objetivo que el alumno sea consciente de su progreso, pero también que conozca que aspectos debe mejorar o cambiar. Además, esta retroalimentación, junto con las recompensas o incentivos favorecerá la constancia, la motivación y la implicación del alumnado.

Los componentes son todos aquellos elementos más concretos que aparecen en el juego y que acompañan el desarrollo de las dinámicas y de las mecánicas del juego. Existen múltiples componentes que se irán combinando en el diseño de los distintos videojuegos en función del problema o dificultad de cada clúster. Algunos de estos componentes serán:

• Objetos de aprendizaje. Son el elemento básico que define la componente educativa del videojuego. Habrá dos tipos de objetos de aprendizaje:
  • No evaluable. Por ejemplo; una diapositiva con contenido teórico, imágenes, vídeos, etc. El jugador tendrá que pasar una cierta cantidad de tiempo interactuando con este objeto para “consumirlo” con éxito.
  • Evaluable. Por ejemplo, una pregunta de opción múltiple, de verdadero/falso, preguntas abiertas, de ordenación, etc. El jugador tendrá que alcanzar un mínimo de puntuación para “consumirlo” satisfactoriamente.
• Semáforos o indicadores de éxito. A fin de informar claramente a los jugadores sobre su éxito o fracaso al consumir los objetos de aprendizaje durante una partida, a lo largo del videojuego se mostrarán una serie de semáforos o elementos similares en las ventanas que muestran los objetos de aprendizaje. Este semáforo siempre estará en rojo cuando aparezca un objeto de aprendizaje, pero cambiará a verde cuando el jugador consuma este objeto satisfactoriamente. De este modo, los jugadores pueden saber si obtendrán la recompensa o no al abandonar el objeto de aprendizaje fijándose en el color del semáforo.
• Niveles, que el alumno tendrá que transitar y favorecerán la sensación de progreso.
• Desbloqueo de contenidos cuando se resuelve un reto o desafío, lo que incrementará la satisfacción del alumno.
• Puntos, cada vez que se supera un reto o desafío, para favorecer la motivación del alumno
• Paneles con la puntación del alumno.

Cada vez hay más recursos que ofrecen posibilidades a los docentes para gamificar las clases y las materias. Entre ellos destaca la plataforma SGAME, realizada por el GIE CyberAula, y que permite la creación de juegos educativos (Servicio de Innovación Educativa, 2020. https://innovacioneducativa.upm.es/sites/default/files/guias/Guia-Gamificaci%C3%B3n.pdf).

La plataforma SGAME permitirá a los docentes crear videojuegos educativos usando los distintos componentes descritos anteriormente. Estos videojuegos se utilizarán como recursos en las diferentes asignaturas con el objetivo de producir impactos positivos en la motivación y rendimiento académico de los estudiantes.

Para ello, el alumno irá teniendo acceso a los diferentes videojuegos a través de la plataforma MOODLE según avance el desarrollo de la asignatura.

El proyecto se llevará a cabo en las siguientes asignaturas impartidas por los profesores del PIE en varios títulos de grado  de la Escuela Técnica Superior de Ingeniería Agronómica, Alimentaria y de Biosistemas (ETSIAAB) de la UPM:

• Química General (6 ECTS); asignatura obligatoria del 1º semestre de 1º curso, Grado en Ingeniería Agrícola (20 IG).
• Bases y Técnicas de la Producción Vegetal (6 ECTS); asignatura obligatoria 2º semestre de 2º curso, Grado en Ingeniería Agrícola (20 IG).
• Protección Vegetal (4 ECTS); asignatura obligatoria 1º semestre de 2º curso, Grado en Ingeniería Agrícola (20 IG).
• Producción de Materias Primas de Origen Vegetal (6 ECTS); asignatura obligatoria 2º semestre de 2º curso, Grado en Ingeniería Alimentaria (20 IA).
• Cultivos Herbáceos y Praticultura (6 ECTS). Asignatura obligatoria de mención (Explotaciones Agropecuarias) del 2º semestre de 3º curso del Grado en Ingeniería Agrícola (20 IG).
• Cultivos Herbáceos (4 ECTS) asignatura obligatoria del 2º semestre de 3º curso del Grado en Ciencias agrarias y Bioeconomía (20 BI).
• Especies Ornamentales y Cespitosas; Asignatura obligatoria de mención (Hortofruticultura y Jardinería) del 2º semestre de 3º curso del Grado en Ingeniería Agrícola (20 IG).

Los datos medios de estas asignaturas sobre número de alumnos matriculados, tasa de rendimiento y tasa de absentismo en los tres cursos académicos incluidos en el PIE (cursos 2021-22, 2022-23 y 2023-24) se muestran en la tabla 1.

Tabla 1.- Datos referidos a las asignaturas objeto de este PIE (datos cursos 2021-22, 2022-23 y 2023-24).

https://drive.upm.es/s/t3RLpYxLuid1CIN

Una información más detallada sobre estas asignaturas puede encontrase en: https://www.upm.es/gauss/principal.upm/informes_asignatura/consulta/consulta-informes_asignatura

Algunos comentarios a destacar sobre los datos recogidos en la tabla 1:

• Se incluye bastante diversidad de asignaturas en cuanto al curso en el que se imparten (1º, 2º y 3º curso de Grado), al número de alumnos matriculados y también en cuanto a las tasas de rendimiento académico lo que, en conjunto, supone una muestra bastante representativa para abordar los objetivos del PIE propuesto.
• Es interesante destacar en el caso de las tasas de rendimiento académico que en la práctica totalidad de las asignaturas incluidas en el PIE, bien de manera puntual, o bien de manera continua, la tasa de rendimiento académico se ha situado por debajo del 50% y la tasa de absentismo ha superado el 20%, evidenciando con claridad el problema que se pretende analizar en este PIE con herramientas de IA.

El objetivo general de esta propuesta es utilizar la IA como herramienta predictiva de detección temprana de apreciables tasas de abandono/absentismo de la asignatura y de bajas tasas de rendimiento académico con el propósito de poder diseñar e implementar a tiempo acciones “correctoras” o “paliativas” que permitan resolver o mitigar ese problema.

Entre los objetivos específicos de esta propuesta se encuentran los siguientes:

• Introducir tecnologías emergentes (herramientas de IA predictiva) en el análisis de resultados de los sistemas de evaluación de los aprendizajes.
• Identificar actividades o indicadores evaluables como elementos fiables de detección temprana de las tasas de abandono/absentismo y posibles bajas tasas de rendimiento académico.
• Evaluar el potencial de las medidas propuestas para mejorar la tasa de abandono/absentismo y de rendimiento académico del alumnado predicho por la IA.
• Diseñar e implementar actividades mediante metodologías de gamificación para aumentar la motivación y mejorar el rendimiento académico de los alumnos.

La propuesta de PIE que se plantea se focaliza, precisamente, en ambos aspectos:

• Por una parte, en la mejora de resultados académicos ante la preocupante situación que se está produciendo en la evolución de las tasas de rendimiento académico en los últimos cursos. La contribución a su mejora vendría propiciada por un análisis más objetivo y completo, dentro del ámbito de actuación de las asignaturas, de las causas más relevantes y determinantes de esa situación, y la identificación de “señales de alerta temprana”.
• Por otra, en la resolución de deficiencias en los procesos de enseñanza-aprendizaje que son claves para la superación de las asignaturas y que han sido detectados mediante esas señales de alerta temprana, mediante el diseño e implementación de actividades de gamificación a realizar por los alumnos que estén estrechamente vinculados con las deficiencias detectadas. 

El uso de estas tecnologías y herramientas emergentes de IA puede ser de gran utilidad en la resolución de los problemas detectados en las asignaturas incluidas en el PIE, pero que también son frecuentes o comunes en otras asignaturas de nuestro Centro y, muy probablemente también, de nuestra Universidad.

Primera fase (enero y febrero de 2025):

• Recopilación y selección de herramientas de IA predictiva y software a utilizar en el análisis de las tasas de rendimiento académico y las tasas de abandono o absentismo.
• Recopilación y estructuración de las bases de datos con  la información  referente a  las asignaturas incluidas en el PIE correspondiente a los cursos 2021-2022 a 2023-2024, para facilitar su posterior análisis mediante herramientas de IA predictiva.
• Comienzo de la recopilación de datos de estas  asignaturas cursadas  durante el segundo cuatrimestre del año 2024-2025.
• Diseño de las actividades de gamificación con el uso de videojuegos.

Segunda fase (de marzo a mayo de 2025):

• Continuar y completar la recopilación de datos de las asignaturas del segundo cuatrimestre del año 2024-2025.
• Análisis de los resultados de rendimiento académico mediante la aplicación de herramientas de IA predictiva y selección de modelos de análisis y actividades evaluables que mejor expliquen y predigan los resultados de abandono/absentismo y de rendimiento académico.
• Aplicación de los modelos seleccionados con los datos de las pruebas de evaluación y la información proporcionada por los alumnos en las asignaturas del segundo cuatrimestre del año 2024-2025.
• Identificación de grupos (clústeres) de alumnos que tengan en común, de acuerdo con el diagnóstico obtenido mediante herramientas de IA predictiva, la(s) causa(s) más determinante(s) de un previsible mal rendimiento académico.
• Realización por parte de los alumnos de las actividades de gamificación y evaluación.

Tercera fase (de junio a julio de 2025):

• Análisis de los resultados y extracción de conclusiones sobre las asignaturas cursadas en el segundo cuatrimestre y comparación de las tasas de abandono/absentismo y de rendimiento de los alumnos predicho y real.
• Evaluación de las actividades de gamificación con los resultados obtenidos.

Cuarta fase (de septiembre a noviembre de 2025):

• Redacción de las conclusiones del proyecto.
• Presentación de los resultados en un Congreso de Innovación Educativa.
• Preparación y redacción del informe final del proyecto.

1. El principal sistema de seguimiento será los modelos obtenidos con la IA en un primer momento, así como las variables predictoras clave derivadas de la aplicación de la IA.
2. En un segundo estadio, la variación entre la tasa de abandono y rendimiento predicho de cada alumno y los valores reales serán los indicadores de éxito de las intervenciones planteadas.

Informe final que recoja las experiencias llevadas a cabo en el proyecto.

Comunicaciones a congresos y/o jornadas de innovación educativa publicadas en sus actas o webs.

Sistema de indicadores educativos de abandono/absentismo y rendimiento académico.

Modelo aplicado de gamificación en clase y videojuegos asociados a las diferentes asignaturas objeto de la propuesta.

Los resultados se presentarán en un Congreso o Jornadas de Innovación Educativa, a poder ser de ámbito internacional (ICERI, INTED, CINIE, etc.).

Las actividades, publicaciones y materiales elaborados en el PIE se comentarán y expondrán en las redes sociales de los miembros del PIE (X, Instagram, Facebook), insertando los enlaces a los documentos generados, incluyendo alguna etiqueta (hashtag) relativa a la convocatoria de PIEs de la UPM.

Los archivos de los documentos completos (comunicaciones, artículos) que se elaboren se subirán a la plataforma ResearchGate en los perfiles de los autores de los mismos.

Los archivos de los documentos completos (comunicaciones, artículos) que se elaboren se subirán al repositorio del Archivo Digital UPM.