Enseñanza de la física a distancia: Un enfoque experimen=
tal con
un Laboratorio Remoto Ultraconcurrente de Caída=
Libre
Eduardo Arias Nav=
arro1=
, Carlos
Arguedas-Matarrita2
& Cesar Mora=
3=
1.
Universidad Estatal a Distancia, San José, Costa =
Rica;
earias@uned.ac.cr
2.
Universidad Estatal a Distancia, San José, Costa =
Rica ; carguedas@uned.ac.cr
3. Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada, Un=
idad
Legaria, Instituto Politécnico Nacional (México); cem136@gmail.com=
Mercedes, Costa Rica; Ciudad de México, Distrito Federal, Méxi=
co
Recibido: 4 de marzo 2026=
Ace=
ptado:
1 Junio 2026
RESUMEN: El artículo presenta los resultados=
del
uso de un Laboratorio remoto Ultraconcurrente=
(LU)
de caída libre como recurso tecnológico para la enseñanza de la física ba=
jo
el contexto de la Educación a Distancia (ED). El diseño se estructuró a
partir de una secuencia didáctica orientada a estudiantes de la Universid=
ad
Estatal a Distancia (UNED) de Costa Rica. La investigación adoptó un enfo=
que
cuantitativo, por medio de una prueba conceptual utilizado como pretest y=
postest, permitiendo recabar información para anali=
zar
metodologías activas como la ganancia de Hake, factor de concentración de=
Bao & Redish y el f=
actor de
Rasch. Los resultados evidenciaron mejoras en la comprensión conceptual y=
la
autonomía del estudiantado con el uso del LU como herramienta pedagógica =
eficaz
e innovadora, especialmente en instituciones bajo la modalidad de ED.
ABSTRACT: The article presents the =
results
of using a remote ultra-concurrent (LU) free-fall laboratory as a
technological resource for teaching physics in the context of distance
education (DE). The design was structured around a teaching sequence aimed=
at
students at the State Distance University (UNED) of Costa Rica. The resear=
ch
adopted a quantitative approach, using a conceptual test as a pretest and
posttest, allowing information to be collected to analyze active methodolo=
gies
such as Hake's gain, Bao & Redish's concentration factor, and Rasch's =
model.
The results showed improvements in conceptual understanding and student
autonomy with the use of LU as an effective and innovative pedagogical too=
l,
especially in institutions under the DE modality.
Key words: Calib =
Ultra-concurrent laboratory, distance learning, free Fall, experime=
ntal
physics.
“para los programas de formación en ingeniería el desarrollo de
laboratorios o prácticas experimentales es fundamental para que los estudia=
ntes
puedan aplicar sus conceptos teóricos y verificar las leyes que rigen la
naturaleza a través de diversos procesos de medición” (p. 305)
Los LR son “herramientas tecnológicas que integran software y hardware =
para
configurar una experiencia real a la que se accede de manera remota a travé=
s de
Internet o de redes académicas” (C. M. Arguedas & =
Concari,
2018. P 704)
Algunos estudios como el de
En este artículo se presenta la implementación, autonomía y evaluación =
de
un LU de caída libre como herramienta tecnológica para la enseñanza de la
física en carreras de ingeniería en contextos de ED.
![3D"Diagrama
El](3D"6437_galerada16-30_archivos/image005.jpg")
Figura 1
![3D"Diagrama
El](3D"6437_galerada16-30_archivos/image007.jpg")
Figura
![](3D"6437_galerada16-30_archivos/image009.jpg")
=
Figura 3
…un circuito eléctrico se activa cuando un usuario presiona un interrup=
tor
eléctrico, inmediatamente un cronometro se inicia automáticamente y al mismo
tiempo se suelta un objeto. Cuando el objeto golpea la plataforma de vuelo,=
el
circuito se cierra y el cronometraje se detiene y se mide el tiempo de vuel=
o”
(ver Figura 4).
![3D"Diagrama
El](3D"6437_galerada16-30_archivos/image011.png")
Figura 4. Esquema del LU de Caída libre.=
Fuente:
=
Materiales y métodos
La investigación propuesta responde a un enfoque
cuantitativo de tipo cuasiexperimental, por medio de la observación y la
medición del tratamiento educativo, puesto que el investigador no designa
aleatoriamente a los sujetos o utiliza un grupo control sino que utiliza
grupos ya conformados para observar los cambios señalados luego de impleme=
ntar
un tratamiento educativo (Ary et al., 2010) me=
diante
una serie de datos y con ello validar el proceso investigativo mediante la
hipótesis de investigación.
El proceso investigativo fue abordado como un
experimento por ciclos, para observar el efecto a partir del tratamiento
educativo, esto distinguiendo factores de impacto como “el paso del tiempo,
teniendo en cuenta que el efecto de una intervención no es instantáneo, si=
no
que puede llevar tiempo, y también que el efecto se puede desvanecer más o
menos rápidamente” (Martínez, 2020. P 78).
Contexto educativo y muestra
El trabajo se desarrolló en la Universidad Estata=
l a
Distancia (UNED) en las asignaturas de laboratorio de física de la Cátedra=
de
Física para Ingenierías a través de la práctica de caída libre empleando e=
l LU
durante dos cuatrimestres y semestres del ciclo académico anual de la
institución.
Cabe destacar que la muestra de estudio se compon=
e de
dos grupos con perfiles académicos distintos de la institución (CUADRO 1),
donde la asignatura Laboratorio de Física General I (LFGI) se ubica en el
bloque B del plan de estudios de la carrera de Licenciatura en Ingeniería =
Industrial,
con oferta semestral, con correquisito de Física General I y el requisito =
de
Cálculo I; por otra parte, la asignatura de Laboratorio de Fundamentos de
Física (LFF) está enfocada a las ciencias de la vida, ubicada en el bloque=
C
de la carrera de Bachillerato en Recursos de los Manejo Naturales, en una
oferta cuatrimestral y con requisito de la asignatura de Elementos de
Matemática Básica y correquisito de su respectiva teoría de Fundamentos de
Física. A pesar de las diferencias señaladas en cuanto a los perfiles
académicos de cada asignatura, las mismas comparten en su diseño curricula=
r el
tópico de estudio y con ello se pudo validar la versatilidad del LU de for=
ma como
herramienta significativa para el modelo de ED de la UNED.
CUADRO 1. Características=
de
las asignaturas.
|
Laboratorio de Física General I |
Laboratorio de Fundamentos de Física |
|
Abreviatura: LFGI Código: 03285 Créditos: 1 Ubicación en plan de carrera: bloque B Requisitos: 03355 Oferta: semestral Énfasis: Ingeniería |
Abreviatura: LFF Código: 03293 Créditos: 1 Ubicación en plan de carrera: bloque C Requisitos: 03472 / 03466 Oferta: cuatrimestral Énfasis: ciencias de la vida |
Fuente:
Elaboración propia.
La muestra de interés se conformó por un total de
(n=3D90) estudiantes, donde un total de (n=3D21) representó la matrícula d=
e la
asignatura de LFGI y (n=3D69) fue la muestra de la asignatura de LFF.
Instrumento: Prueba conceptual
Se utilizó una prueba de selección única con 10 <=
span
class=3DSpellE>items en formato de pretest y p=
ostest,
a fin de generar una cuantificación de datos para el análisis de datos com=
o el
factor de ganancia conceptual de Hake, factor de concentración de Bao y Redish y el modelo=
de
teoría relacionada al ítem de Rasch.
La misma se adaptó de una prueba conceptual diseñ=
ada
y validada a través del trabajo doctoral de (Benítez, 2012) a partir de lo=
s tests de Force Concept <=
span
class=3DSpellE>Inventory FCI de Hestenes y sus
colaboradores, el Force and Motion
Conceptual Evaluation FMCE de Thornton y Sokol=
off, y
el test of Understanding<=
/span> Graphs-Kinematics TUG-K de Beichner. de (American
La prueba fue implementada a través de la platafo=
rma
LMS de Moodle que dispone la UNED bajo el entorno denominado Aprende U con=
un
tiempo programado de 30 minutos y configurada para un solo intento, bajo el
modo “aleatorizar preguntas y respuestas”, de forma que para que cada inte=
nto
los estudiantes visualizaron diferente orden de ítems tanto en el pretest =
como
el postest con el fin de garantizar una mayor
variabilidad y nivel de confianza del instrumento al momento de ser aplica=
do.
Ganancia de Hake
Este método propuesto por (Hake, 1998) se conoce =
como
el factor de ganancia conceptual y permite “hacer una comparación de la
ganancia conceptual desarrollada por los estudiantes alrededor de una
propuesta educativa mediante pruebas conceptuales empleadas como preprueba=
y
posprueba” (Becerra, 2018)
La ganancia se cuantifica con un criterio estable=
cido
por el intervalo de valores [0,1] y se aplicó la prueba con una nota máxim=
a de
10, por lo que se empleó el modelo de una ganancia conceptual de Hake
normalizada, descrita en la ecuación 1.
![](3D"6437_galerada16-30_archivos/image013.png")
=
(1)
(Hake, 1998) cuantifica la ganancia obtenida en l=
os
resultados a partir de tres rangos de medida de la ganancia de aprendizaje
establecidos como:
Zona de ganancia alta: si el factor de Hake cumple
con ![](3D"6437_galerada16-30_archivos/image015.png")
Zona de ganancia media: si el factor de Hake cump=
le
con ![](3D"6437_galerada16-30_archivos/image017.png")
Zona de ganancia baja: si =
el
factor de Hake cumple con ![](3D"6437_galerada16-30_archivos/image019.png")
Factor de concentración
Este método se basa en el análisis de la concentr=
ación
de respuestas esperadas en las pruebas pretes =
y postest con el fin de establecer los perfiles de los
estudiantes (Arias, 2021)
El factor de (Bao &am=
p; Redish, 2001) mide la distribución en un factor
normalizado cuyos valores se extienden desde [0,1] con un 0 para un factor=
de
concentración bajo y 1 para un máximo posible de respuesta en el factor,
estableciendo patrones de respuestas que oscilarán dentro de este rango y =
los
mismos se abreviaron según su respuesta en L, M y H en atribución a bajo,
medio y alto por sus siglas en inglés, que luego se combinan en patrones q=
ue
miden el desempeño de los estudiantes con los niveles LL, LH, MM, LM, MH y=
HH
tal y como se describe en la CUADRO 2.
CUADRO 2. Jerarquía para
establecer los modelos del factor de concentración.
|
Estilo |
Nivel |
Implicaciones
de la puntuación y la concentración |
|
Un modelo=
|
HH |
Un modelo
correcto |
|
LH |
Un domina=
nte
modelo incorrecto |
|
|
Dos model=
os |
MM |
Dos model=
os
populares, uno correcto y otro incorrecto |
|
LM |
Dos posib=
les
modelos incorrectos |
|
|
Sin model=
o |
LL |
Situación
aleatoria |
Fuente:
Bao & Redish, =
2001
Este factor mide el rango de valores establecido =
de
[0,1], donde se tiene un factor de concentración de C=3D1 cuando una respu=
esta
elegida por los estudiantes es la misma, y si C=3D0 se tiene una respuesta
aleatoria. Este se obtiene como una función de la puntuación de aciertos en
una respuesta a través de la siguiente ecuación
![](3D"6437_galerada16-30_archivos/image021.png")
<=
/span>(2)
Donde m es el número de opciones en las respuesta=
s, N
el número de estudiantes y los n_i representan=
el
número de estudiantes que escogieron la opción i. Se define que el número
mínimo de opciones de respuestas válidas para el factor de concentración c=
omo
m=3D2, lo que define la restricción de N>m para que no se indetermine la
ecuación.
El modelo de Rasch
El modelo dicotómico de Georg Rasch permite “toma=
r o
rechazar las hipótesis del modelo de contraste en el terreno de la tendenc=
ia
evaluativa” (Tristán, 2013. P 66), buscando analizar la probabilidad de
acierto en una respuesta brindada por el estudiante ante una prueba de
selección múltiple a partir de un estímulo.
El modelo requiere un formalismo lógico matemático
que se describe como:
![](3D"6437_galerada16-30_archivos/image023.png")
=
(3)
Para el parámetro θ se dice que este represe=
nta
la habilidad del estudiante. Para cuantificar la probabilidad del modelo de
Rasch, de acuerdo con (Baker & Kim, 2017) X se entiende como una varia=
ble
aleatoria que describe los resultados de los ítems, para un caso donde ![](3D"6437_galerada16-30_archivos/image025.png")
se dice =
que la
respuesta es correcta, de lo contrario se dice que tiene una respuesta
incorrecta cuando ![](3D"6437_galerada16-30_archivos/image027.png")
.
Por otra parte, el ![](3D"6437_galerada16-30_archivos/image029.png")
se conoc=
e como
el parámetro de dificultad sobre cada pregunta o ítem y se relaciona con el
valor de Probabilidad P en función de la habilidad del estudiante θ.<=
span
style=3D'mso-spacerun:yes'> De acuerdo con (Baker & Kim, 2017)=
, este
parámetro puede adquirir varios niveles como se describen a continuación:<=
o:p>
Muy fácil ⟹ ![](3D"6437_galerada16-30_archivos/image031.png")
.
Fácil ⟹ ![](3D"6437_galerada16-30_archivos/image033.png")
.
Medio ⟹ ![](3D"6437_galerada16-30_archivos/image035.png")
Difícil ⟹ <=
span
style=3D'font-size:11.0pt;line-height:107%;font-family:"Calibri",sans-seri=
f;
mso-ascii-theme-font:minor-latin;mso-fareast-font-family:"Times New Roman";
mso-fareast-theme-font:minor-fareast;mso-hansi-theme-font:minor-latin;
mso-bidi-font-family:"Times New Roman";mso-bidi-theme-font:minor-bidi;
position:relative;top:4.0pt;mso-text-raise:-4.0pt;mso-ansi-language:ES;
mso-fareast-language:ES;mso-bidi-language:AR-SA'>![](3D"6437_galerada16-30_archivos/image037.png")
.
Muy difícil. ⟹ ![](3D"6437_galerada16-30_archivos/image039.png")
.
Y para la discriminación ![](3D"6437_galerada16-30_archivos/image041.png")
al ítem
existen los siguientes niveles.
Ninguno ⟹ ![](3D"6437_galerada16-30_archivos/image043.png")
Bajo ⟹ ![](3D"6437_galerada16-30_archivos/image045.png")
.
Moderado ![](3D"6437_galerada16-30_archivos/image047.png")
.
Alto ⟹ ![](3D"6437_galerada16-30_archivos/image049.png")
Perfecto. ![](3D"6437_galerada16-30_archivos/image051.png")
.
Respecto al parámetro de discriminación, según (B=
aker
& Kim, 2017) este indicador mide la capacidad de cada ítem para
diferenciar de los estudiantes los altos y bajos niveles de dificultad, es=
pecíficamente
indica que a valores más altos presentan una mayor pendiente en la curva
característica, lo que implica una mayor sensibilidad para distinguir en l=
os
estudiantes las habilidades cercanas al nivel de dificultad del ítem.
) y su discriminación al ítem () y su ploteo gráfico se realizó en el entorno de
desarrollo de la nube de Google Colab, ya que =
este
recurso tecnológico permitió una gestión eficiente de las matrices de los
datos y cálculos de habilidad y dificultad del ítem mediante librerías
especializadas del modelo de Rasch para ambas asignaturas.
=
RESULTADOS y discusión
Los
hallazgos derivados de la aplicación del pretest y po=
stest
en las asignaturas de LFGI y LFF durante los ciclos académicos en los que =
se
implementó el LU de caída libre se exponen a continuación. Dichos resultad=
os
se agruparon por ciclos y una muestra agrupada (muestra total) por asignat=
ura
que facilitó la integración de la discusión para la interpretación de las
tendencias observadas del aprendizaje.
Al
analizar la ganancia de Hake (CUADRO 3) se destaca el desempeño de LFGI en=
el
I ciclo con resultados situados en la zona alta (0,928), a pesar de que el
caso del II ciclo tuvo una ganancia baja (límite a la zona media) con apen=
as
un aumento del 10% en el rendimiento. Este factor nos sugiere, que si bien=
el
impacto por ciclo tuvo una baja, (Hake, 1998) resalta que si existen
diferencias que evidencian efectividad en el proceso, aunque sean a menor =
escala,
los cambios contribuyen al proceso de aprendizaje, por tanto, la
implementación del LU sigue siendo efectiva, puesto que el proceso educati=
vo
validó positivamente un aumento, mismo que se constata con el acumulado de
esta asignatura al presentar una zona de ganancia media con un factor que
superó en un 17% su rendimiento.
Por
otra parte, los resultados de la asignatura LFF exhiben un comportamiento =
más
simétrico, situándose consistentemente en la zona de ganancia media en tod=
os
los ciclos evaluados. Este desempeño refleja una efectividad estimada del =
50%
en la población estudiantil tras la implementación del LU. Estos hallazgos=
se
alinean con las tendencias descritas por Hake y son ratificadas por (Barbo=
sa,
2021), quienes sostienen que las ganancias normalizadas (g) derivadas de
metodologías activas mediante secuencias didácticas tienden a ser
significativas en los procesos de enseñanza y buscan mejorar las metodolog=
ías
realizadas en la enseñanza tradicional.
CUADRO=
3. Resultados
del factor de Hake en las asignaturas de laboratorio de la UNED.
|
A=
signatura |
C=
iclo |
P=
retest |
Postest |
F=
actor
Hake normalizado |
Z=
ona de
aprendizaje |
|
LFGI |
I ciclo=
|
0,500 |
0,964 |
0,928 |
Alta |
|
II cicl=
o |
0,590 |
0,700 |
0,268 |
Baja |
|
|
Acumula=
do |
0,576 |
0,753 |
0,417 |
Mediana=
|
|
|
|
|
|
|
|
|
|
LFF |
I ciclo=
|
0,462 |
0,758 |
0,550 |
Mediana=
|
|
II cicl=
o |
0,495 |
0,737 |
0,479 |
Mediana=
|
|
|
Acumula=
do |
0,480 |
0,745 |
0,510 |
Mediana=
|
Fuente:
Elaboración propia.
Adicionalmente,
en términos comparativos los resultados de la asignatura LFF muestran un
incremento del 9,3 % en la ganancia conceptual respecto a LFGI. Pese a esta
diferencia ambas se categorizan en zona media. De acuerdo con (Dellwo, 201=
0)
si bien este tipo de resultados no alcanzan el umbral de efectividad de zo=
na
alta, representa un parámetro significativo en el contexto educativo, conf=
irmando
que la implementación del LU de caída libre permite una mejora sustancial =
en
la compresión de fenómenos físicos por parte de los estudiantes en compara=
ción
al estado inicial del tratamiento educativo.
Para
el factor de concentración de Bao y Redish se dispone de los resultados obtenidos en la =
CUADRO
4, con una mayor reincidencia para el caso de los pretest en un nivel de
patrón MM en ambas asignaturas y los diferentes ciclos académicos, esto de
acuerdo con (Bao & Re=
dish,
2001) se categoriza como una implicación de tipo II que representa dos
modelos, donde se hace énfasis a que aún persiste un resultado de respuesta
incorrecta. Sin embargo, los resultados del postest
recaen estrictamente en todos los casos en un patrón HH, lo que infiere la
implicación del modelo de tipo III, que representa el modelo de la respues=
ta
correcta.
CUADRO 4. Resultados del factor de concentración
después de aplicar la secuencia didáctica
|
Asignatura |
Ciclo |
Factor
de concentración promedio Pretest |
Nivel
en Pretest |
Factor
de concentración promedio Postest |
Nivel
en Postest |
Cambio |
|
LFGI |
I ciclo |
0,41 |
MM |
0,94 |
HH |
Aumentó |
|
II ciclo<= o:p> |
0,46 |
MM |
0,76 |
HH |
Aumentó |
|
|
Acumulado=
|
0,44 |
MM |
0,75 |
HH |
Aumentó |
|
|
|
|
|
|
|
|
|
|
LFF |
I ciclo |
0,29 |
MM |
0,60 |
HH |
Aumentó |
|
II ciclo<= o:p> |
0,35 |
MM |
0,58 |
HH |
Aumentó |
|
|
Acumulado=
|
0,32 |
MM |
0,58 |
HH |
Aumentó |
Fuente:
Elaboración propia
Particularmente,
en la fig 5 se destaca una evolución significa=
tiva
del vector (conocido también como diferencial semántico), al considerar la
muestra acumulada de la asignatura LFGI del estudio longitudinal se proyec=
ta
un vector con un tendencia de crecimiento (31%) hacia el cuadrante del mod=
elo
correcto (HH), lo que incide en una representación de un diferencial semán=
tico
que evidencia aspectos importantes de cómo los estudiantes de la asignatura
LFGI percibieron el aprendizaje (Orlaineta et =
al.,
2017) y con esto se entiende que la propuesta de implementación del LU de
caída Libre contribuye de forma significativa al proceso académico que se
dispuso en la cátedra de física en el ámbito de las asignaturas de
laboratorio.
![](3D"6437_galerada16-30_archivos/image053.png")
Figura=
5.
Concentración en función de la puntuación para pretest y postest
LFGI Acumulado Fuente: Elaboración propia
En
el caso de los ciclos, la evolución del diferencial semántico fue en un au=
mento
promedio del 53% sobre el factor de concentración del pretest al postest hacia un nivel HH de la asignatura LFGI dura=
nte el
I ciclo, esto a pesar que en el mismo grupo de estudiantes, tuvieron en el
pretest una distribución del 20% en nivel MM y ML, un 10% en LL y apenas un
40% en HH mientras que para el II ciclo destaca igualmente una evolución, =
pero
en menor escala con apenas un 29,6% pero con una clara tendencia al cuadra=
nte
del nivel HH que implica la tendencia de respuesta de los estudiantes sobr=
e el
modelo de respuesta correcta del tipo III.
Estos
resultados se basan en el cálculo porcentual derivados del CUADRO 4 con la
diferencia neta en la concentración de respuestas del postest
al pretest para respaldar la eficacia del LU en la homogenización del
aprendizaje en niveles altos del factor de concentración.
Por
otra parte, en la asignatura de LFF, para el I ciclo se evidencia un
diferencial semántico promedio de un 31% y con una tendencia hacia el nivel
HH, lo que representa un resultado notorio de cómo los estudiantes percibi=
eron
el aprendizaje con la implementación de la secuencia y para el II ciclo se
obtuvo una evolución menor con un diferencial semántico promedio apenas de=
un
23% pero con la implicación hacia un modelo de nivel HH. Un aspecto destac=
ado
en este ciclo es el hecho que los resultados fundamentados en valores
porcentuales derivados del CUADRO 4 en el pretest abarcaron un cerca de un=
40%
en nivel LL, 30% en MM y luego de aplicarse el postes=
t
los resultados se tornaron a un cambio notorio que abarcó únicamente un 50=
% en
el nivel MM y un 50% en nivel HH, lo que validó la evolución del aumento
promedio descrito anteriormente.
No
obstante, para el caso de LFF en la categoría de acumulado, vemos como en =
la
figura 6 la evolución del aprendizaje muestra un escenario significativo e
importante de cómo los estudiantes del LFF percibieron el aprendizaje medi=
ante
el factor de concentración al reflejar un crecimiento en promedio del 26% y
con la tendencia hacia el nivel HH luego de haber implementado el LU de ca=
ída
libre.
![](3D"6437_galerada16-30_archivos/image055.png")
Figura=
6.
Concentración en función de la puntuación para pretest y postest
LFF Acumulado. Fuente: Elaboración propia
A
partir del modelo logístico de Rasch de dos parámetros (2PL) caracterizados
por ítem para la dificultad (![](3D"6437_galerada16-30_archivos/image057.png")
y su discriminación (![](3D"6437_galerada16-30_archivos/image059.png")
a través de la prueba pretest y postest con las muestras de estudiantes de las asign=
aturas
LFGI y LFF se detallan los siguientes resultados obtenidos en el CUADRO 5.=
CUADRO 5. Resultados de
parámetros de habilidad para las asignaturas de laboratorio de la UNED.
|
Asignatura |
Ítem |
Beta pretest |
Beta postest |
Alpha pretest |
Alpha postest |
Diferencia Beta |
Diferencia Alpha |
|
LFGI |
1 |
2.000000 |
2.000000 |
2.000000 |
0.867163 |
0.000000 |
-1.132837 |
|
2 |
2.000000 |
2.000000 |
1.722530 |
0.264235 |
0.000000 |
-1.458296 |
|
|
3 |
-0.172385 |
0.865377 |
0.949104 |
2.000000 |
1.037762 |
1.050896 |
|
|
4 |
-1.540158 |
-0.778605 |
1.553712 |
1.883371 |
0.761552 |
0.329658 |
|
|
5 |
2.000000 |
1.243583 |
2.000000 |
2.000000 |
-0.756417 |
0.000000 |
|
|
6 |
0.371244 |
2.000000 |
1.690162 |
0.916957 |
1.628756 |
-0.773205 |
|
|
7 |
1.441835 |
0.941457 |
0.519951 |
0.917333 |
-0.500378 |
0.397382 |
|
|
8 |
-0.842021 |
-1.977685 |
0.250000 |
2.000000 |
-1.135664 |
1.750000 |
|
|
9 |
-1.148346 |
-0.618843 |
2.000000 |
1.636430 |
0.529503 |
-0.363570 |
|
|
10 |
-2.000000 |
-2.000000 |
0.771066 |
1.813216 |
0.000000 |
1.042150 |
|
|
|
|||||||
|
LFF |
1 |
1.779232 |
2.000000 |
2.000000 |
1.692874 |
0.220768 |
-0.307126 |
|
2 |
0.694012 |
1.230948 |
1.202160 |
1.613050 |
0.508148 |
0.382102 |
|
|
3 |
-1.206204 |
2.000000 |
-0.310591 |
2.000000 |
0.895614 |
0.000000 |
|
|
4 |
-0.966576 |
1.191810 |
0.060059 |
2.000000 |
1.026635 |
0.808190 |
|
|
5 |
0.993242 |
0.692391 |
1.602285 |
1.103645 |
0.609043 |
0.411254 |
|
|
6 |
0.138216 |
1.958747 |
0.075873 |
1.812162 |
-0.062343 |
-0.146585 |
|
|
7 |
2.000000 |
1.414644 |
1.832503 |
1.501672 |
-0.167497 |
0.087028 |
|
|
8 |
0.032947 |
0.261462 |
0.213554 |
1.598901 |
0.180607 |
1.337439 |
|
|
9 |
-1.548524 |
0.897504 |
-1.340807 |
2.000000 |
0.207717 |
1.102496 |
|
|
10 |
-1.995913 |
0.549256 |
-1.615252 |
2.000000 |
0.380660 |
1.450744 |
Fuente:
Elaboración propia.
En
la fig 7 se observan las curvas característica=
s del
ítem (CCI) del pretest y postest para la asign=
atura
de LFGI y con ello, se infiere que los resultados evidencian cambios notor=
ios
en la dificultad del ítem del pretest y postes, los ítems 1, 2 y 10
mantuvieron valores extremos ![](3D"6437_galerada16-30_archivos/image061.png")
2,
siendo consistente con las curvas características observadas con permanenc=
ia (muy
fácil o muy difícil) pero con poco aporte de información, en contraste, los
ítems 3 y 6 con diferencias positivas de (=
buscan un desplazamiento =
más
a la derecha, indicando un aumento general en la habilidad, con un (![](3D"6437_galerada16-30_archivos/image063.png")
)
mayor para alcanzar probabilidades de éxito. Por otro lado, los ítems 5, 7=
y
específicamente el 8 tienden un desplazamiento a la izquierda, mostrando m=
ayores
probabilidades de acierto en niveles bajos de habilidad, una apropiación
efectiva de los contenidos evaluados.
Respecto
al análisis de discriminación, se observan incrementos claros en las
pendientes del postest de los ítems 3, 8 y 10,
implicando una mayor capacidad para diferenciar estudiantes con habilidades
cercanas, por otra parte, los ítems 2 y 6 redujeron su discriminación, al
mostrar curvas más planas, efecto notorio por pérdida de variabilidad.
De forma general, esto resultados cruzados con las CCI muestran un desplazami= ento general hacia la izquierda y un incremento de pendientes en varios ítems del postest, esto infiere un aumento en la habilidad en los ítems (Sánchez, 2020) de los estudiantes de LFGI, producto de la implementación del LU de caída libre, fortaleciendo el desempeño de los estudiantes y propicia una comprensión m= ás estructurada y diferenciable de los conceptos físicos a través de la interacción de la experiencia experimental y la medición de conocimiento.<= o:p>
![](3D"6437_galerada16-30_archivos/image065.png")
![](3D"6437_galerada16-30_archivos/image067.png")
Figura 7. Gráfico de probabilidad en función de la
dificultad para modelo de Rasch empleado con el pretest y postest
para el LFGI. Fuente: Elaboración propia.
En
contraste, la asignatura de LFF (fig 8) presen=
ta un
comportamiento en cuanto a la dificultad con transformaciones significativ=
as
del pretest al postest, donde ítems como el 3 =
y 4 presentan
desplazamientos marcados a la derecha, lo que infiere tras la intervención=
del
LU, estos ítems pasaron de ser relativamente accesibles con mayores nivele=
s de
habilidad, puesto que ()
exige valores mayores para alcanzar probabilidades altas de acierto, aspec=
to
coherente con las CCI al mostrar este corrimiento. Por el contrario, el ít=
em 7
y 5 disminuyen su dificultad relativa, con desplazamientos de las curvas a=
la
izquierda en el postest, implicando que los
estudiantes se apropiaron de los conceptos evaluados. Asimismo, ítems como=
el
1 mantuvieron niveles altos de dificultad, lo que refleja persistencia en =
la
exigencia conceptual.
En
cuanto a la discriminación (,
se observan mejoras destacadas como la del ítem 8, 9 y 10 con diferencias =
de ()
positivas (CUADRO 5), esto se traduce en las CCI como curvas más verticale=
s en
el postest y una mayor capacidad de diferencia=
r niveles
de habilidad cercanos. Los ítems 1 y 7 apenas lograron disminuciones de
discriminación, con curvas menos pronunciadas, aunque dentro de los rangos=
adecuados,
este aumento generalizado de las pendientes en las curvas de los ítems sug=
iere
mejora en la calidad psicométrica del instrumento tras la intervención del=
LU,
estableciendo un impacto positivo en el desempeño e interacción de los
estudiantes.
![](3D"6437_galerada16-30_archivos/image069.png")
![](3D"6437_galerada16-30_archivos/image071.png")
Figura
8. Gráfico de probabilidad en función de la dificultad para modelo de Rasch
empleado con el pretest y postest para el LFF.
Fuente: Elaboración propia.
Con
la aplicación de esta Teoría de Respuesta al Ítem (TRI) se puede inferir q=
ue
la implementación del LU de caída libre ha sido pertinente con la expectat=
iva
de la hipótesis de investigación, mediante la sistematización de los
parámetros de habilidad y discriminación, el contraste de las curvas
características respecto a los pretest y postest, se
infiere un aprendizaje significativo.
Para
(Mora et al., 2021) el modelo de Rasch garantiza una evaluación objetiva al
independizar la habilidad del estudiante de la dificultad intrínseca al te=
ner
“…una visión doble e independiente de cuál es la probabilidad de contestar=
con
éxito la pregunta del test” (p. 367).
Aunque
los resultados descritos anteriormente evidencian una alta eficacia del LU=
de
caída libre, es imperativo señalar que este estudio no deja de lado algunas
limitantes que para investigaciones futuras podrían fortalecer el proceso =
de
enseñanza y aprendizaje en la enseñanza de la física con la experimentación
remota. Entre los aspectos más notorios es el uso de un diseño
cuasiexperimental, con la ausencia de un grupo control que permita validar=
significativamente
los resultados de la actividad experimental. Por otra parte, la naturaleza
heterogénea de la muestra con perfiles académicos y tamaños de cohorte sug=
ieren
se puedan abordar de forma integral y se pueda extender la implementación =
de
estos recursos a otros contenidos de la física, para validar su diseño e
implementación como recurso educativo para el modelo de ED de la UNED.
=
conclusiones
De
acuerdo con el factor de ganancia de Hake (g) se registraron valores
acumulados de 0,417 para LFGI y 0,510 para LFF, lo que sitúa la efectivida=
d de
la implementación del LU en una zona de ganancia media. Estos resultados
confirman que la propuesta favorece en la comprensión de contenidos
fundamentales como la caída libre a través de la enseñanza experimental.
Asimismo,
el análisis del factor de concentración por Bao y Redish evidenció una evolución del aprendizaje
significativa hacia modelos de respuesta correcta (HH). Em amabas asignatu=
ras,
se observó una transición de patrones o modelos aleatorios (MM) en los pre=
test
hacia un modelo correcto en los postest, con
incrementos en la concentración del 31% (LFGI) y 26% (LFF) y con ello se e=
stablece
un diferencial semántico que le permitió a los estudiantes dirigir su
razonamiento con los conceptos analizados a un punto del modelo correcto q=
ue
coincide con lo propuesto en la teoría de la mecánica newtoniana en el tóp=
ico
de interés.
Este
mismo factor, visualmente en la figura 5 y 6 evidenció una evolución con l=
os
vectores de crecimiento del diferencial semántico al cuadrante del modelo =
HH,
lo que constituye una evidencia significativa en la homogenización del
aprendizaje y con ello se ratificó que la implementación del LU es vincula=
nte para
validar la hipótesis de investigación.
El
modelo dicotómico de Rasch permitió evidenciar una interpretación del
comportamiento de los ítems y los estudiantes en las pruebas pretest y
Finalmente,
los hallazgos son resultados consistentes para la validación de la hipótesis
planteada y aporta evidencia experimental que contribuye a la validación
positiva de la implementación del LU en los procesos de aprendizaje, no
obstante para futuras investigaciones se sugiere extender este tipo de estu=
dios
a diseños experimentales con grupos control, muestras homogéneas y extender=
lo a
otros contenidos de la física y áreas científicas para profundizar en la
intervención y calidad de estos recursos de innovación.
referencias
American Association of Physics Teach=
ers,
A. (2020). PhysPort. https://www.physport.org/assessments/=
Arguedas, C. M., & Concari, S=
. B.
(2018). Características deseables en un Laboratorio Remoto para la enseñan=
za
de la física: indagando a los especialistas. In Cader=
no
Brasileiro de Ensino de Física (Vol. 35, Number 3, pp. 702–720).
Arias, E. (2021). Una propuesta didáctica
experimental aplicada a la unidad Electricidad en un colegio científico de
Costa Rica. Revista de Enseñanza de La Física, 33(2), 55–62. <=
span
style=3D'mso-fareast-font-family:"Times New Roman";mso-bidi-font-family:Ca=
libri;
mso-bidi-theme-font:minor-latin'>https://doi.org/10.55767/2451.6007.v33.n2=
.35175
Arias, E., Moya, C. N., Lizano-=
sánchez,
F., Arguedas-, C., Mora, C., & Idoyaga, I. (2024). Study
of Free Fall using an Ultra- concurrent laboratory at the university.
International Journal of Online Biomedical Engineering, 20(2), 4–15. https://doi.org/10.3=
991/ijoe.v20i02.43099=
Arias Navarro, E. (2024). Diseño y aplicación de una secuencia
didáctica abe mediante un laboratorio ultraconcurrent=
e
de caída libre para la educación superior con modalidad a distancia. [[Tes=
is
de maestría] Instituto Politécnico Nacional].
Ary, D., Jacobs, L. C.,
& Sorensen, C. (2010). Introduction to Research in Education
(8th ed.). CENGAGE Learning.
Baker, F. B., & Kim, S. (2017). T=
he
Basics of Item Response Theory Using R. Springer. Recupera=
do
de: https://www.=
springerprofessional.de/en/the-basics-of-item-response-theory-using-r/12245=
712
Bao, L., & Redish, E. F. (2001).
Concentration analysis: A quantitative assessment of student states. Ameri=
can
Journal of Physics, 69(S1), S45–S53. https://doi.org/10.1119/1.1371253<=
span
lang=3DEN-US style=3D'mso-fareast-font-family:"Times New Roman";mso-bidi-f=
ont-family:
Calibri;mso-bidi-theme-font:minor-latin;color:black;mso-ansi-language:ES'>=
Becerra, D. (2018). Uso de simulaciones en la enseñanza de
conceptos generales de electricidad y magnetismo en estudiantes de ingenie=
ría
[[Tesis de doctorado] Instituto Politécnico Nacional]. =
https://www.fised-cicata.com/tesisdoctora=
do.html
Benítez, Y. (2012). Una clase demostrativa interactiva para la
enseñanza de la caída libre de los cuerpos. [[Tesis de doctorado] Instituto
Politécnico Nacional]. https://www.fised-cicata.com/tesisdoctora=
do.html
García-Zubía, J., & Rodríguez-Gil, L. (2021). Remote
laboratories: Empowering STEM education with technology. World
Scientific. https://doi.org/h=
ttps://doi.org/10.1142/q0277
Hake, R. R. (1998).
Interactive-engagement versus traditional methods: A six-thousand-student
survey of mechanics test data for introductory physics courses. American
Journal of Physics, 66(1), 64–74. https://doi.org/10.1119/1.18809
Idoyaga, I., Vargas, L., Moya, C., Montero, E., &
Garro, A. (2020). =
El
Laboratorio Remoto: una alternativa para extender la actividad experimenta=
l. Campo
Universitario, 1(2), 4–26. Recuperado a partir de: //campouniversitario.aduba.org.ar/ojs/ind=
ex.php/cu/article/view/17
Ordonez Urbano, C. F., Munoz, J. A., Fierro, L. P., Marulanda=
, J.
F. F., & Vargas-Canas, R. (2023). Remote
Laboratories for Physics Education: A Proposal Toward Interactive Learning=
for
Engineering Students. Revista Iberoamericana de Tecnologías del Aprendizaje, 18(3),
305–312. https://doi.org/10.1109/RITA.2023.3303100
Orduña, P., Rodriguez-Gi=
l, L.,
Garcia-Zubia, J., Angulo, I., Hernandez,
U., Azcuenaga, E. (2018). Incre=
asing
the value of remote laboratory federations through an open sharing platfor=
m: Labsland. In: Online Engineering & Internet of T=
hings.
In Springer (pp. 859–873). https://doi.org/10.1=
007/978-3-319-64352-6_80=
Sánchez, R. S. (2020). Reflexionando sobre algunas
características generales del modelo de Rasch.=
Lajpe, 14(1), 1–4. Recuperado de: chrome-extension:/=
/efaidnbmnnnibpcajpcglclefindmkaj/http://www.lajpe.org/mar20/14_1_08.pdf
Tristán, A. (2013). Análisis de Rasch para Todos. Instituto de
Evaluación e Ingeniería Avanzada.
Van den Beemt,
A., Groothuijsen, S., Ozkan, L., & Hendrix=
, W.
(2023). Remote labs in higher engineering education: engaging students with
active learning pedagogy. Journal of Computing in Higher Education, 35(2),
320–340. https://doi.org/1=
0.1007/s12528-022-09331-4