Aula laboratorio
para la educación del futuro

Entorno experimental físico y digital de la UTN Facultad Regional Córdoba, con tecnología de registro audiovisual y procesamiento de datos a través de modelos IA, para la mejora continua y la investigación de la enseñanza en las aulas.

Ecosistema AuLab

Componentes destacados

Hardware de Interacción y Colaboración

Pantalla Huawei IdeaHub S2

Función en el aula:
Interfaz principal de despliegue de contenidos, pizarra digital para el docente y soporte físico para la interacción directa con los alumnos durante la clase. También permite la realización de clases con modalidad híbrida, expandiendo la capacidad del aula a los que puedan conectarse de manera online.

Hardware y Software de Captura y Análisis de Clase

Proyecto LISA de UTN-FRC

Dispositivo:
Cámara y micrófono LISA de captura independiente instalado en el aula física. Registra la dinámica general del grupo de forma no invasiva.

Plataforma LISA:
Sistema en donde el/la docente puede iniciar el registro de la clase y al finalizar, este mismo sistema le permite al/la docente visualizar y analizar los datos obtenidos y a los/las estudiantes acceder a través de una URL al resumen de la clase e interactuar con el contenido dictado a través de un chat con tecnología IA.

Función en el aula:
Registrar comportamientos dentro del aula y procesarlos a través de modelos de Inteligencia Artificial para analizar las señales de video y audio capturadas y devolver un reporte completo con el mapa emocional del grupo, indicadores de engagement y recomendaciones concretas. A su vez realiza un resumen de la clase tanto de lo conversado como de lo presentado, permitiendo que los participantes puedan estar atentos a la dinámica propia de la clase y no a tener que estar tomando notas de lo hablado.

Dispositivo Soporte para el Docente

Notebook Huawei MateBook X Pro

Función en el aula:
Dispositivo para que el/la docente pueda interactuar tanto con la Pantalla como con el sistema LISA.

Potencialidades del Aulab

Optimización de la Práctica Docente en Tiempo Real y Post-Clase
  • Ajuste metodológico dinámico: Permite al docente contrastar su planificación con los indicadores de engagement y el clima de aula obtenidos, identificando con precisión qué explicaciones, dinámicas o recursos didácticos mantuvieron el interés y cuáles generaron desconexión.
  • Corrección de anomalías en la comprensión: Las sugerencias automáticas de la Inteligencia Artificial facilitan la detección de conceptos que causaron confusión o fatiga cognitiva, permitiendo abordar esos vacíos al inicio de la siguiente clase.
  • Autoevaluación basada en evidencia: El profesor puede analizar el desempeño de las clases y la evolución del clima del aula a lo largo de la cursada, complementando las valoraciones intuitivas con métricas objetivas.

Enriquecimiento de la Experiencia del Alumnado
  • Reducción de la carga de apuntes: Al automatizarse los resúmenes de conceptos clave y las transcripciones, el estudiante puede focalizar su atención en la interacción y el debate dentro del aula, sabiendo que el material central estará disponible en un enlace seguro.
  • Asistencia de estudio asincrónica: El módulo de consultas sobre el resumen permite al alumno interactuar de forma inteligente con el contenido de la clase dictada, resolviendo dudas de manera dirigida, fuera del aula.
Análisis de Metodologías de Enseñanza
  • Validación de modelos pedagógicos: Permite medir el impacto real (en términos de mapa emocional y engagement) de dinámicas y propuestas de trabajo dentro del aula en el desarrollo de una clase.
  • Estudio de la curva de atención universitaria: Facilita la investigación cuantitativa sobre los picos y caídas de atención de los estudiantes en bloques horarios extensos (ej. clases de 2 o 3 horas), ayudando a determinar la duración óptima de los segmentos explicativos y los momentos más efectivos para realizar pausas o actividades prácticas.
  • Comparativa de modalidades: Permite comparar la participación y resultados de estudiantes que realizaron la/s clase/s de manera online con aquellos/as que cursaron de forma presencial.

     

Correlación de Clima de Aula y Rendimiento Académico
  • Vinculación de métricas emocionales con resultados: Posibilita cruzar los datos del panel consolidado de Aulab (tendencias de engagement, dificultades detectadas) con las calificaciones obtenidas por los/las estudiantes en los exámenes o entregas prácticas. Esto permite investigar si los patrones emocionales y de atención registrados predicen el éxito o el fracaso académico.
  • Detección temprana de factores de deserción: El análisis de tendencias a largo plazo a nivel institucional ayuda a identificar cátedras o períodos específicos del año donde se produce una caída sostenida del engagement, sirviendo como un indicador predictivo para intervenir antes de que se formalice el abandono de la materia.

     

Diseño y Ergonomía del Aula Inteligente
  • Evaluación del impacto del hardware en el aprendizaje: Permite investigar cómo influye el uso de interfaces de colaboración interactiva de gran formato (como la pantalla digital) en la participación de los alumnos como también la distribución de los bancos y estudiantes dentro del aula.
  • Medición de materiales de soporte en clase: Permite medir el impacto de recursos visuales y adiovisuales que el/la docente puede utilizar dentro de clase, como presentaciones, contenidos, diseños, dispositivos, etc.

Flujo de Trabajo Operativo

Inicio
El docente al comienzo de la clase, a través de la notebook, inicia la sesión en el sistema Lisa para comenzar a grabar la clase.

Desarrollo
La clase se dicta con normalidad. El docente utiliza la Pantalla IdeaHub para interactuar, mientras la cámara y micrófonos LISA registra el entorno.

Procesamiento
El software procesa local o remotamente las interacciones (clima de aula, niveles de atención, transcripción de audio, audiencia).

Entrega
El sistema genera reportes e indicadores de acceso inmediato para los distintos roles institucionales. También ofrece un resumen de la clase.

Métricas y Entregables por Rol

  • Mapa emocional:
    Registro cuantitativo de los estados de ánimo dominantes del grupo a lo largo de la sesión.
  • Indicadores de engagement:
    Porcentaje y fluctuación de la atención y la participación activa.
  • Clima y dificultad:
    Detección de momentos de estancamiento o pérdida de hilo conductor.
  • Sugerencias automáticas:
    Recomendaciones generadas por IA para ajustar la metodología en la siguiente clase.
  • Resúmenes automatizados: Transcripción y síntesis de los conceptos principales abordados (ej. definiciones, fórmulas o teoremas).
  • Acceso remoto seguro: Distribución del material mediante un enlace protegido.
  • Módulo de consultas: Interfaz para realizar preguntas asociadas a puntos específicos del resumen generado, estas consultas pueden ser respondidas por el modelo de Inteligencia Artificial o por el Docente.
  • Dashboard consolidado: Panel de control con métricas agrupadas por materia, cátedra y docente.
  • Análisis de tendencias: Historial de grabaciones, evolución del engagement promedio y comparativas de rendimiento entre períodos académicos.

Desarrollo:

Partners: