Por: Mag. Alain Elvis Alanoca Aragon, docente de Ingeniería Civil – Universidad Continental
Publicación: 19/09/2026
Una dificultad conocida, una forma distinta de abordarla
En el desarrollo del curso Análisis Estructural II, el Método Matricial de Rigideces (MMR) es esencial para comprender cómo una estructura transforma cargas en desplazamientos y fuerzas internas. Sin embargo, su aprendizaje suele convertirse en una sucesión de operaciones algebraicas: discretizar una viga, asignar grados de libertad, construir y ensamblar matrices, aplicar restricciones, resolver el sistema y recuperar reacciones. El reto aparece cuando el estudiante puede repetir esos pasos, pero no logra relacionarlos con el comportamiento físico de la estructura.
Para atender esa brecha se implementó una experiencia de innovación pedagógica con 38 estudiantes: una secuencia de aprendizaje activo apoyada por una herramienta web interactiva para resolver vigas hiperestáticas. La finalidad no fue reemplazar el cálculo manual, sino hacerlo visible, comprobable y trazable. Este enfoque se vincula con la evidencia sobre aprendizaje activo en educación STEM y con el alineamiento entre resultados de aprendizaje, actividades y evaluación (Biggs & Tang, 2011; Freeman et al., 2014; Prince, 2004).
¿Cuál es la estrategia de innovación?
La estrategia articuló cinco acciones: activación de saberes previos; resolución de una ficha guiada; exploración de la herramienta web; desarrollo de una tarea aplicada a vigas hiperestáticas; y retroalimentación sobre errores frecuentes. En la aplicación, el estudiante puede editar datos, definir apoyos y cargas, inspeccionar matrices, obtener desplazamientos y reacciones, visualizar la curva elástica y verificar el equilibrio mediante sumas de fuerzas y momentos. También puede copiar el resumen del procedimiento, descargar resultados en Excel e imprimirlos.
Herramienta utilizada: Vigas por el método matricial de rigideces
El recurso fue desarrollado de manera iterativa por el docente con apoyo de Codex de OpenAI para generación, revisión y depuración de código. Cada versión fue contrastada con fichas, ejercicios, convenciones de signos y materiales de semestres anteriores; además, se tomó como antecedente una experiencia interactiva previa en Genially. La validación conceptual del método, la selección de contenidos y las decisiones pedagógicas permanecieron bajo responsabilidad docente (Alanoca Aragon, 2020; OpenAI, 2025).
Resultados
Para valorar la experiencia se compararon dos evidencias calificadas: una ficha inicial del MMR y una tarea aplicada de vigas hiperestáticas. El análisis es descriptivo y debe interpretarse considerando que la asistencia varió entre ambas actividades: participaron 29 estudiantes en la primera evidencia y 25 en la segunda.
| Indicador | Ficha inicial | Tarea aplicada | Variación |
| Aprobación entre asistentes | 58.6% | 92.0% | +33.4 pp |
| Desaprobación entre asistentes | 41.4% | 8.0% | -33.4 pp |
| Promedio entre asistentes | 10.31/20 | 15.24/20 | +4.93 puntos |
| Grupo con ambas evidencias (n=20) | 10.15/20; 60.0% aprobó | 15.05/20; 90.0% aprobó | +4.90 puntos; +30.0 pp |
Nota. pp = puntos porcentuales. Resultados agregados para resguardar la identidad de los estudiantes.
La mejora fue especialmente consistente en el grupo de 20 estudiantes que presentó ambas evidencias: el promedio aumentó de 10.15 a 15.05 sobre 20 y la aprobación pasó de 60.0% a 90.0%. En términos pedagógicos, los resultados sugieren que la combinación de guía procedimental, exploración digital y retroalimentación favoreció la comprensión del proceso completo: desde el modelo estructural hasta la verificación del equilibrio. La principal limitación observada fue la disminución de la asistencia, aspecto que debe ser atendido en futuras implementaciones.
Estrategia de innovación replicable y escalable
El principal aporte de la experiencia es la trazabilidad didáctica. El estudiante no recibe solamente un valor final: puede seguir la ruta de cálculo, contrastar decisiones y detectar errores de signos, unidades, restricciones o cargas equivalentes. La herramienta convierte un procedimiento abstracto en una experiencia de modelación, exploración, verificación y corrección.
La siguiente etapa contempla reforzar la asistencia mediante entregables parciales, incorporar una rúbrica específica para cada fase del MMR, habilitar actividades de recuperación e integrar el recurso al aula virtual. Por su disponibilidad web y bajo costo de implementación, la propuesta puede adaptarse a pórticos, armaduras, análisis de desplazamientos y laboratorios computacionales de ingeniería civil. La tecnología, en este enfoque, no sustituye el razonamiento estructural: lo acompaña y lo hace más observable para el estudiante y el docente.
Referencias:
Alanoca Aragon, A. E. (2020, 30 de agosto). Gráfica de V y M [Recurso interactivo]. Genially. https://view.genially.com/5f4c2d6054e497153f4c6afd
Biggs, J., & Tang, C. (2011). Teaching for quality learning at university: What the student does (4th ed.). Open University Press.
Freeman, S., Eddy, S. L., McDonough, M., Smith, M. K., Okoroafor, N., Jordt, H., & Wenderoth, M. P. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410-8415. https://doi.org/10.1073/pnas.1319030111
OpenAI. (2025, 16 de mayo). Introducing Codex. https://openai.com/index/introducing-codex/
Prince, M. (2004). Does active learning work? A review of the research. Journal of Engineering Education, 93(3), 223-231. https://doi.org/10.1002/j.2168-9830.2004.tb00809.x
