Caracterización de entornos de aprendizaje basados en robótica en el ámbito preuniversitario de Iberoamérica y España

Abstract

[ES] En la última década se aprecia un aumento en la variedad de recursos para hacer Robótica Educativa (RE) desde edades tempranas. Esto ha permitido acercar la robótica a múltiples entornos de aprendizaje, tanto escolares como extraescolares; facilitando alcanzar distintos objetivos de aprendizaje mediante una gama de actividades: talleres, campamentos de verano, exposiciones, ferias científicas y tecnológicas, torneos, etc.

Los resultados del estudio revelaron 19 modelos de árboles de segmentación jerárquica con los principales predictores del rendimiento académico. Los tres principales son: si el docente siempre, como finalidad de uso de la evaluación, regula el aprendizaje de los estudiantes, si le requiere al estudiante realizar siempre actividades expresivas prácticas y si siempre hace que esté presente el atributo tecnológico como una de las características del entorno de aprendizaje.

El trabajo concluye destacando el rol que el docente desempeña en el proceso de enseñanza-aprendizaje y la importancia de dedicar el tiempo suficiente a la planificación didáctica, cualquiera que sea la plataforma de RE seleccionada, involucrando la mayor cantidad de estos predictores encontrados para aumentar la probabilidad de que los alumnos mejoren el rendimiento académico.

[EN] In the last decade an important increase in the variety of resources to use Educational Robotics (ER) at several stages including early ages, has been observed. This fact has let bringing robotics topics closer to diverse learning environments, at the school and out of the classroom, so the achievement of the different learning objectives is reached through a range of activities: workshops, summer camps, exhibitions, science and technology fairs, tournaments, etc.

As one of the main results of this study 19 hierarchical segmentation tree models have been discovered where the main predictor variables of academic performance are determined. In this way, the three main predictors are: if the teacher always regulates students learning process as an evaluation task goal, if the student is always required to perform practical expressive activities, and, finally if the teacher requires the technological attribute to be always present as characteristic of the learning environment. The work concludes with the fact the teacher role is strongly highlighted at the teaching learning process, in such a way that it is quite important to designate enough time effort to didactical planning, whatever the ER selected platform be. In addition, it is concluded how a greater amount of the predictors designated lets to an increase of the probability that students enhanced the academic performance.