Aprendizaje invertido: Una estrategia para la enseñanza virtual en tiempos de pandemia con los estudiantes de la Unidad Educativa Fiscal Ahitana Ponce, periodo 2021-2022
Tesis
Materias > Educación
Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster
Universidad Internacional Iberoamericana Puerto Rico > Docencia > Trabajos finales de Máster
Cerrado
Español
El aula invertida o también conocida como el flipped classroom es considerado como un modelo pedagógico que provoca una cierta transformación en los procesos de aprendizaje fuera del aula. En este caso donde se está frente a una modalidad netamente en línea por motivos de la pandemia, este tipo de metodología surge como una experiencia innovadora que busca construir y fortalecer los saberes de los estudiantes de forma autónoma mediante la implementación de herramientas digitales que busquen la participación e integración de todos los alumnos en cada una de las actividades. En este sentido, es importante destacar que esta modalidad de estudio se ha convertido en una alternativa que promueve el aprendizaje activo y significativo, generando siempre la interacción y flexibilidad para adaptar la experiencia en el aprendizaje. Este ofrece un enfoque integral para incrementar el compromiso y la implicación del estudiante en la enseñanza haciendo de tal forma que sea parte de su propia forma de aprender. Esta investigación tuvo como objetivo analizar el uso del aprendizaje invertido como una estrategia para la enseñanza virtual en tiempos de pandemia con los estudiantes de la Unidad Educativa Fiscal Ahitana Ponce. Entre los principales enfoques teóricos en los que se sustentó este abordaje se basa en las variables obtenidas en relación a la temática, de hecho, en el apartado se hace relevancia al aula invertida, su importancia, beneficios, las ventajas, rol del docente y estudiante frente al aula invertida, integración del flipped classroom en la educación virtual, origen y evolución del flipped classroom, entre otros. La metodología que se utilizó en esta investigación se sustenta en un enfoque cualitativo, por medio de un estudio fenomenológico, basado en los métodos analítico, descriptivo, bibliográfico, utilizando como técnica la entrevista aplicada a cuatro de los docentes de la Unidad Educativa Fiscal Ahitana Ponce y la observación a los estudiantes del Bachillerato General Unificado y Bachillerato técnico. Entre los resultados que se pueden destacar está la importancia que tiene la implementación del aula invertida en los procesos de enseñanza-aprendizaje desde un contexto completamente virtual en el ámbito epidemiológico actual. Si bien los entrevistados reconocieron los beneficios que tiene esta estrategia educativa y resaltaron la necesidad de fomentar el uso de esta metodología en la educación en línea. Mediante la observación aplicada se pudo identificar que los estudiantes hacen uso de este modelo educativo generando mayor motivación, satisfacción, compromiso, competencia y habilidades en el pensamiento. Por tanto, se concluye que el aula invertida es una estrategia que permite promover los aprendizajes a través del uso de plataformas virtuales dentro de un modelo que crea un espacio colaborativo que facilita la interacción entre estudiantes y docentes, de hecho, esta herramienta promueve a la autonomía en la obtención de conocimientos fuera del aula, si bien entre los beneficios que se pueden destacar están en alcanzar que el estudiante tenga un mejor rendimiento y logre resultados en su aprendizaje y aptitudes del pensamiento.
metadata
Marriott Sanchez, Carla Jovana
mail
carla-sanchez1977@hotmail.com
(2022)
Aprendizaje invertido: Una estrategia para la enseñanza virtual en tiempos de pandemia con los estudiantes de la Unidad Educativa Fiscal Ahitana Ponce, periodo 2021-2022.
Masters thesis, Universidad Internacional Iberoamericana México.
Resumen
El aula invertida o también conocida como el flipped classroom es considerado como un modelo pedagógico que provoca una cierta transformación en los procesos de aprendizaje fuera del aula. En este caso donde se está frente a una modalidad netamente en línea por motivos de la pandemia, este tipo de metodología surge como una experiencia innovadora que busca construir y fortalecer los saberes de los estudiantes de forma autónoma mediante la implementación de herramientas digitales que busquen la participación e integración de todos los alumnos en cada una de las actividades. En este sentido, es importante destacar que esta modalidad de estudio se ha convertido en una alternativa que promueve el aprendizaje activo y significativo, generando siempre la interacción y flexibilidad para adaptar la experiencia en el aprendizaje. Este ofrece un enfoque integral para incrementar el compromiso y la implicación del estudiante en la enseñanza haciendo de tal forma que sea parte de su propia forma de aprender. Esta investigación tuvo como objetivo analizar el uso del aprendizaje invertido como una estrategia para la enseñanza virtual en tiempos de pandemia con los estudiantes de la Unidad Educativa Fiscal Ahitana Ponce. Entre los principales enfoques teóricos en los que se sustentó este abordaje se basa en las variables obtenidas en relación a la temática, de hecho, en el apartado se hace relevancia al aula invertida, su importancia, beneficios, las ventajas, rol del docente y estudiante frente al aula invertida, integración del flipped classroom en la educación virtual, origen y evolución del flipped classroom, entre otros. La metodología que se utilizó en esta investigación se sustenta en un enfoque cualitativo, por medio de un estudio fenomenológico, basado en los métodos analítico, descriptivo, bibliográfico, utilizando como técnica la entrevista aplicada a cuatro de los docentes de la Unidad Educativa Fiscal Ahitana Ponce y la observación a los estudiantes del Bachillerato General Unificado y Bachillerato técnico. Entre los resultados que se pueden destacar está la importancia que tiene la implementación del aula invertida en los procesos de enseñanza-aprendizaje desde un contexto completamente virtual en el ámbito epidemiológico actual. Si bien los entrevistados reconocieron los beneficios que tiene esta estrategia educativa y resaltaron la necesidad de fomentar el uso de esta metodología en la educación en línea. Mediante la observación aplicada se pudo identificar que los estudiantes hacen uso de este modelo educativo generando mayor motivación, satisfacción, compromiso, competencia y habilidades en el pensamiento. Por tanto, se concluye que el aula invertida es una estrategia que permite promover los aprendizajes a través del uso de plataformas virtuales dentro de un modelo que crea un espacio colaborativo que facilita la interacción entre estudiantes y docentes, de hecho, esta herramienta promueve a la autonomía en la obtención de conocimientos fuera del aula, si bien entre los beneficios que se pueden destacar están en alcanzar que el estudiante tenga un mejor rendimiento y logre resultados en su aprendizaje y aptitudes del pensamiento.
| Tipo de Documento: | Tesis (Masters) |
|---|---|
| Palabras Clave: | Aprendizaje invertido, enseñanza virtual, pandemia, innovación pedagógica, integración. |
| Clasificación temática: | Materias > Educación |
| Divisiones: | Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster Universidad Internacional Iberoamericana Puerto Rico > Docencia > Trabajos finales de Máster |
| Depositado: | 31 Oct 2023 23:30 |
| Ultima Modificación: | 31 Oct 2023 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/1434 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a href="/27825/1/s41598-026-39196-x_reference.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Histopathological evaluation is necessary for the diagnosis and grading of prostate cancer, which is still one of the most common cancers in men globally. Traditional evaluation is time-consuming, prone to inter-observer variability, and challenging to scale. The clinical usefulness of current AI systems is limited by the need for comprehensive pixel-level annotations. The objective of this research is to develop and evaluate a large-scale benchmarking study on a weakly supervised deep learning framework that minimizes the need for annotation and ensures interpretability for automated prostate cancer diagnosis and International Society of Urological Pathology (ISUP) grading using whole slide images (WSIs). This study rigorously tested six cutting-edge multiple instance learning (MIL) architectures (CLAM-MB, CLAM-SB, ILRA-MIL, AC-MIL, AMD-MIL, WiKG-MIL), three feature encoders (ResNet50, CTransPath, UNI2), and four patch extraction techniques (varying sizes and overlap) using the PANDA dataset (10,616 WSIs), yielding 72 experimental configurations. The methodology used distributed cloud computing to process over 31 million tissue patches, implementing advanced attention mechanisms to ensure clinical interpretability through Grad-CAM visualizations. The optimum configuration (UNI2 encoder with ILRA-MIL, 256 256 patches, 50% overlap) achieved 78.75% accuracy and 90.12% quadratic weighted kappa (QWK), outperforming traditional methods and approaching expert pathologist-level diagnostic capability. Overlapping smaller patches offered the best balance of spatial resolution and contextual information, while domain-specific foundation models performed noticeably better than generic encoders. This work is the first large-scale, comprehensive comparison of weekly supervised MIL methods for prostate cancer diagnosis and grading. The proposed approach has excellent clinical diagnostic performance, scalability, practical feasibility through cloud computing, and interpretability using visualization tools.
Naveed Anwer Butt mail , Dilawaiz Sarwat mail , Irene Delgado Noya mail irene.delgado@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Nagwan Abdel Samee mail , Imran Ashraf mail ,
Butt
<a class="ep_document_link" href="/27915/1/csbj.0023.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
This systematic literature review (SLR) investigates the integration of deep learning (DL), vision-language models(VLMs), and multi-agent systems in the analysis of pathology images and automated report generation. The rapidadvancement of whole-slide imaging (WSI) technologies has posed new challenges in pathology, especially due to thescale and complexity of the data. DL techniques in general and convolutional neural networks (CNNs) and transform-ers in particular have significantly enhanced image analysis tasks including segmentation, classification, and detection.However, these models often lack generalizability to generate coherent, clinically relevant text, thus necessitating theintegration of VLMs and large language models (LLMs). This review examines the effectiveness of VLMs and LLMsin bridging the gap between visual data and clinical text, focusing on their potential for automating the generationof pathology reports. Additionally, multi-agent systems, which leverage specialized artificial intelligence (AI) agentsto collaboratively perform diagnostic tasks, are explored for their contributions to improving diagnostic accuracy andscalability. Through a synthesis of recent studies, this review highlights the successes, challenges, and future direc-tions of these AI technologies in pathology diagnostics, offering a comprehensive foundation for the development ofintegrated, AI-driven diagnostic workflows.
Usama Ali mail , Imran Shafi mail , Jamil Ahmad mail , Arlette Zárate Cáceres mail , Thania Chio Montero mail , Hafiz Muhammad Raza ur Rehman mail , Imran Ashraf mail ,
Ali
<a class="ep_document_link" href="/27554/1/s41598-026-37541-8_reference.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
A scalable and secure federated learning authentication scheme for IoT
Secure and scalable authentication remains a fundamental challenge in Internet of Things (IoT) networks due to constrained device resources, dynamic topology, and the absence of centralized trust infrastructures. Conventional password-based and certificate-driven authentication schemes incur high computation, storage, and communication overhead, limiting their suitability for large-scale deployments. To address these limitations, this paper proposes ScLBS, a federated learning (FL)–based self-certified authentication scheme for distributed and sustainable IoT environments. ScLBS integrates self-certified public key cryptography with FL-driven trust adaptation, enabling decentralized public key derivation without reliance on third-party certificate authorities or exposure of private credentials. A zero-knowledge mechanism combined with location-aware authentication strengthens resistance to impersonation, Sybil, and replay attacks. Hierarchical key management supported by a -tree enables efficient group rekeying and preserves forward and backward secrecy under dynamic membership. Formal security verification is conducted under the Dolev–Yao adversary model using ProVerif, confirming secrecy of private and session keys (SKs) and correctness of authentication. Extensive NS-3 simulations and ablation analysis demonstrate that ScLBS achieves lower authentication delay, reduced message overhead, improved network utilization, and decreased energy consumption compared to representative IoT authentication schemes, while maintaining bounded FL overhead. These results indicate that ScLBS provides a balanced trade-off between security strength, scalability, and resource efficiency for constrained IoT networks.
Premkumar Chithaluru mail , B. Veera Jyothi mail , Fahd S. Alharithi mail , Wojciech Ksiazek mail , M. Ramchander mail , Aman Singh mail aman.singh@uneatlantico.es, Ravi Kumar Rachavaram mail ,
Chithaluru
<a href="/27968/1/sensors-26-01516-v2.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Human Activity Recognition in Domestic Settings Based on Optical Techniques and Ensemble Models
Human activity recognition (HAR) is essential in many applications, such as smart homes, assisted living, healthcare monitoring, rehabilitation, physiotherapy, and geriatric care. Conventional methods of HAR use wearable sensors, e.g., acceleration sensors and gyroscopes. However, they are limited by issues such as sensitivity to position, user inconvenience, and potential health risks with long-term use. Optical camera systems that are vision-based provide an alternative that is not intrusive; however, they are susceptible to variations in lighting, intrusions, and privacy issues. The paper uses an optical method of recognizing human domestic activities based on pose estimation and deep learning ensemble models. The skeletal keypoint features proposed in the current methodology are extracted from video data using PoseNet to generate a privacy-preserving representation that captures key motion dynamics without being sensitive to changes in appearance. A total of 30 subjects (15 male and 15 female) were sampled across 2734 activity samples, including nine daily domestic activities. There were six deep learning architectures, namely, the Transformer (Transformer), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Multilayer Perceptron (MLP), One-Dimensional Convolutional Neural Network (1D CNN), and a hybrid Convolutional Neural Network–Long Short-Term Memory (CNN–LSTM) architecture. The results on the hold-out test set show that the CNN–LSTM architecture achieves an accuracy of 98.78% within our experimental setting. Leave-One-Subject-Out cross-validation further confirms robust generalization across unseen individuals, with CNN–LSTM achieving a mean accuracy of 97.21% ± 1.84% across 30 subjects. The results demonstrate that vision-based pose estimation with deep learning is a useful, precise, and non-intrusive approach to HAR in smart healthcare and home automation systems.
Muhammad Amjad Raza mail , Nasir Mehmood mail , Hafeez Ur Rehman Siddiqui mail , Adil Ali Saleem mail , Roberto Marcelo Álvarez mail roberto.alvarez@uneatlantico.es, Yini Airet Miró Vera mail yini.miro@uneatlantico.es, Isabel de la Torre Díez mail ,
Raza
<a class="ep_document_link" href="/26722/1/nutrients-18-00257.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Background/Objectives: The growing integration of Artificial Intelligence (AI) and chatbots in health professional education offers innovative methods to enhance learning and clinical preparedness. This study aimed to evaluate the educational impact and perceptions in university students of Human Nutrition and Dietetics, regarding the utility, usability, and design of the E+DIEting_Lab chatbot platform when implemented in clinical nutrition training. Methods: The platform was piloted from December 2023 to April 2025 involving 475 students from multiple European universities. While all 475 students completed the initial survey, 305 finished the follow-up evaluation, representing a 36% attrition rate. Participants completed surveys before and after interacting with the chatbots, assessing prior experience, knowledge, skills, and attitudes. Data were analyzed using descriptive statistics and independent samples t-tests to compare pre- and post-intervention perceptions. Results: A total of 475 university students completed the initial survey and 305 the final evaluation. Most university students were females (75.4%), with representation from six languages and diverse institutions. Students reported clear perceived learning gains: 79.7% reported updated practical skills in clinical dietetics and communication were updated, 90% felt that new digital tools improved classroom practice, and 73.9% reported enhanced interpersonal skills. Self-rated competence in using chatbots as learning tools increased significantly, with mean knowledge scores rising from 2.32 to 2.66 and skills from 2.39 to 2.79 on a 0–5 Likert scale (p < 0.001 for both). Perceived effectiveness and usefulness of chatbots as self-learning tools remained positive but showed a small decline after use (effectiveness from 3.63 to 3.42; usefulness from 3.63 to 3.45), suggesting that hands-on experience refined, but did not diminish, students’ overall favorable views of the platform. Conclusions: The implementation and pilot evaluation of the E+DIEting_Lab self-learning virtual patient chatbot platform demonstrate that structured digital simulation tools can significantly improve perceived clinical nutrition competences. These findings support chatbot adoption in dietetics curricula and inform future digital education innovations.
Iñaki Elío Pascual mail inaki.elio@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Imanol Eguren García mail imanol.eguren@uneatlantico.es, Álvaro Lasarte García mail , Arturo Ortega-Mansilla mail arturo.ortega@uneatlantico.es, Thomas Prola mail thomas.prola@uneatlantico.es, Sandra Sumalla Cano mail sandra.sumalla@uneatlantico.es,
Elío Pascual