Realidad aumentada en el aprendizaje
de materias STEM: desarrollo de habilidades espaciales en la formación en
ingeniería eléctrica
Augmented reality in STEM learning: developing spatial
skills in electrical engineering training
Dr. Ginés Morales Méndez. Universidad de Murcia. España.
Dr. Francisco del Cerro Velázquez. Universidad de Murcia. España.
Dra. Ana Belén Lozano Avilés. Universidad de Murcia. España.
Recibido:
2025/09/11 Revisado: 2025/09/22 Aceptado: 2025/10/29 Publicado: 2026/01/01
Cómo citar este artículo:
Morales Méndez, G., del
Cerro Velázquez, F., & Lozano Avilés, A.B. (2026). Realidad aumentada en el
aprendizaje de materias STEM: desarrollo de habilidades espaciales en la
formación en ingeniería eléctrica [Augmented reality in STEM learning: developing spatial skills in electrical engineering training].
Pixel-Bit. Revista de Medios y Educación, 75, Art. 3. https://doi.org/10.12795/pixelbit.117934
RESUMEN
La investigación en este
trabajo estudia cuantitativamente el efecto de la realidad aumentada (RA) en
las habilidades espaciales de estudiantes universitarios en la formación de
ingeniería eléctrica. Con ese fin, se llevó a cabo un estudio cuasi-experimental con 80
estudiantes divididos en cuatro grupos homogéneos y sometidos a diferentes
metodologías: RA utilizando dispositivos móviles (Unity y Vuforia),
documentos digitales, simulaciones 3D (ANSYS Maxwell) y laboratorios. Para
evaluar las habilidades espaciales, se realizaron evaluaciones estandarizadas
como Mental Rotation Test (MRT) y Spatial
Visualization Test (SVT); la carga cognitiva se midió
con NASA Task Load Index;
la motivación intrínseca se evaluó utilizando el modelo ARCS de Keller, y el
rendimiento académico se determinó mediante pruebas teóricas y prácticas sobre
motores de inducción asíncronos. Los resultados del estudio indican que la RA
ayudó a desarrollar las habilidades espaciales y redujo la carga cognitiva, al
tiempo que mantuvo un mayor nivel de atención, relevancia, confianza y
satisfacción en comparación con las otras tres metodologías empleadas. También
se identifica un aumento del rendimiento académico. Por último, el estudio
establece la viabilidad técnica y pedagógica de la RA como recurso educativo e
identifica su potencial para su inclusión en la enseñanza STEM.
ABSTRACT
This research study employs a
quantitative approach to examine the impact of augmented reality (AR) on the
spatial skills of university students enrolled in electrical engineering
programmes. For this purpose, a quasi-experimental study was conducted. The
study involved 80 students, who were divided into four homogeneous groups. The
groups were subjected to different methodologies. The application of augmented
reality (AR) utilises mobile devices (Unity and Vuforia), digital documents, 3D
simulations (ANSYS Maxwell) and laboratories. In order to
assess spatial skills, standardised assessments such as the Mental Rotation
Test (MRT) and Spatial Visualisation Test (SVT) were conducted. In addition,
cognitive load was measured using the NASA Task Load Index. Intrinsic
motivation was assessed using Keller's ARCS model, while academic performance
was determined through theoretical and practical tests on asynchronous
induction motors. The results of the study indicate that AR helped develop
spatial skills and reduced cognitive load, while maintaining a higher level of
attention, relevance, confidence, and satisfaction compared to the other three
methodologies used. It was also noted that there was an increase in academic
performance. Finally, the study establishes the technical and pedagogical
feasibility of AR as an educational resource and identifies its potential for
inclusion in STEM education.
PALABRAS CLAVES· KEYWORDS
Realidad aumentada; habilidad
espacial; carga cognitiva; ingeniería; educación STEM.
Augmented reality; spatial ability; cognitive load;
engineering; STEM education.
1. Introducción
Las habilidades espaciales
constituyen un componente importante de la formación de ingenieros, ya que la
capacidad de visualizar, evaluar y manipular mentalmente objetos
tridimensionales es fundamental para comprender conceptos técnicos y resolver
problemas abstractos. Por ejemplo, la ingeniería eléctrica implica interpretar
diagramas de circuitos, colocar dispositivos en paneles de control y diseñar
sistemas electromecánicos. Todas estas actividades se basan en el conocimiento
espacial y las habilidades relevantes asociadas a él, como la inteligencia
espacial (Uttal et al., 2013). Estas habilidades se
han reconocido de manera amplia en la literatura como predictores del éxito
académico y profesional en las áreas de conocimiento STEM (ciencia, tecnología,
ingeniería y matemáticas), ya que permiten razonar a través de la toma de
decisiones informadas y la resolución de problemas mediante razonamiento
estructurado (Sorby, 2009).
Por lo general, la formación
en estas habilidades se basaba en métodos bidimensionales y en el diseño
asistido por ordenador (CAD). Estos métodos presentan limitaciones en cuanto a
interactividad e inmersión, lo que puede impedir la integración eficaz de
información compleja y abstracta en las experiencias de aprendizaje técnico
(Garzón et al., 2019). En este sentido, la RA ha surgido como una tecnología
innovadora y disruptiva con un potencial significativo para transformar la
enseñanza, al proporcionar modelos tridimensionales interactivos como parte de
la realidad física, generando valor y mejorando las experiencias de aprendizaje
(Azuma, 1997; del Cerro & Morales, 2021; Asham et
al., 2023). La RA, a diferencia de otras herramientas digitales, permite crear
entornos de aprendizaje activos y contextualizados en los que los estudiantes
pueden interactuar, explorar y experimentar de forma segura y eficiente,
optimizando así los conocimientos adquiridos a través de las experiencias de
aprendizaje (Martín-Gutiérrez et al., 2015).
No obstante, y a pesar de
los avances obtenidos, la literatura presenta todavía limitaciones en la
investigación asociada a la comparación cuantitativa de la RA con otros
enfoques didácticos que son empleados para la enseñanza en ingeniería, los
cuales suelen basarse: en documentos digitales en formato pdf
apoyados en presentaciones audiovisuales, en simulaciones y diseños 3D y en
laboratorios físicos tradicionales (Ismail et al., 2019). En particular, en la
literatura se evidencia la carencia de estudios que pongan a prueba cómo las
diferentes metodologías inciden en el desarrollo de las habilidades espaciales,
la carga cognitiva percibida y la motivación intrínseca del alumnado. Para
poder cerrar esta brecha se hace necesario el uso de un diseño cuasi-experimental que permita
explorar la evaluación de estas variables aplicando pruebas estandarizadas de
habilidades espaciales, escalas validadas para la carga cognitiva como el NASA Task Load Index (Hart, 2006), y
modelos de evaluación de la motivación (Ma & Lee, 2021).
De acuerdo con lo
anteriormente indicado, en el planteamiento del presente trabajo se propone una
evaluación cuantitativa y comparativa del efecto de la RA en contraste a otros
métodos docentes para el aprendizaje y desarrollo de habilidades espaciales en
estudiantes de ingeniería eléctrica aplicando pruebas pre-test
y post-test con respecto a estas habilidades, a la
carga cognitiva experimentada y al nivel de motivación hacia el aprendizaje. De
esta forma, pretendemos generar evidencias empíricas sobre la validez de la RA
como recurso de enseñanza-aprendizaje que puedan servir como criterio para el
uso de la misma en la educación en ingeniería. Además,
que los resultados puedan extrapolarse a otras áreas STEM donde las habilidades
espaciales son un prerrequisito para la formación de profesionales en la era
digital y la Industria 4.0.
2. Aprendizaje aumentado en áreas de
conocimiento STEM
La RA se ha consolidado como
una tecnología clave en la transformación de la educación en las disciplinas
STEM, al proporcionar entornos de aprendizaje altamente inmersivos e
interactivos. A diferencia de los métodos tradicionales, la RA permite la superposición
de elementos digitales tridimensionales, anotaciones y simulaciones
interactivas sobre el entorno físico, lo que facilita la comprensión de
conceptos abstractos al integrarlos en un contexto tangible y manipulable
(Arena et al., 2022). Su capacidad para combinar el mundo físico con
representaciones virtuales mejora el proceso de enseñanza-aprendizaje, ya que
permite la experimentación segura y el desarrollo de habilidades cognitivas
complejas, promoviendo un aprendizaje significativo y autónomo (Prasetya et al., 2024).
Desde la perspectiva
cognitiva, la RA representa una solución ideal para reducir la carga cognitiva
intrínseca, en la medida en que la información se distribuye en diferentes
modalidades sensoriales sin sobrecargar la memoria de trabajo, facilitando la adquisición
de conocimientos abstractos (Buchner et al., 2022). Esto adquiere especial
significado en la enseñanza de la ingeniería y, en particular, de la ingeniería
eléctrica, dado que la comprensión de circuitos eléctricos, sistemas de control
y máquinas eléctricas depende de la interacción simultánea con información
gráfica, simbólica y matemática (García et al. 2023). Por otro lado, la RA
permite a los estudiantes disponer de información procesada en tiempo real para
detectar errores conceptuales y optimizar la experiencia de aprendizaje
mientras se reduce la supervisión docente (Wu et al., 2022).
Las habilidades espaciales
constituyen una habilidad cognitiva de fundamental importancia en la formación
del ingeniero, ya que se relacionan con la capacidad de interpretar esquemas
eléctricos, con la visualización de configuraciones tridimensionales de
sistemas de control (Elford et al., 2022) o la
comprensión de la disposición de los elementos eléctricos (Papakostas
et al., 2021). Las habilidades espaciales no son solo habilidades innatas, sino
que también pueden mejorarse mediante la práctica y la experiencia en entornos
que permiten la manipulación y la exploración física de modelos
tridimensionales (Bogomolova et al., 2020). El uso de
entornos aumentados ha crecido hasta tal punto que se ha convertido en una de
las contribuciones tecnológicas más beneficiosas para la enseñanza de la
ingeniería, ya que proporciona sistemas eléctricos que pueden visualizarse, girarse
y mantenerse en un entorno físico, lo que permite desarrollar un modelo mental
más preciso y reducir los errores conceptuales (Kim & Irizarry, 2021).
La incorporación de la RA en
la enseñanza ha demostrado varias ventajas significativas, entre ellas la
retención de conocimientos, la reducción de la carga cognitiva y una resolución
más precisa de problemas espaciales (Yang et al., 2023). Estudios previos han
demostrado que los estudiantes que utilizan la RA para aprender sobre circuitos
eléctricos, transformadores y sistemas de distribución de energía obtienen
mejores resultados en las evaluaciones de visualización espacial que los
estudiantes que utilizan métodos tradicionales (Kanivets
et al., 2022). Además, las representaciones digitales con interacciones físicas
ofrecen la ventaja de reforzar los mecanismos de aprendizaje y transferir el
conocimiento al contexto del mundo real, donde los estudiantes pueden
desarrollar y aplicar los conceptos técnicos aprendidos (An
et al., 2019; Tarasenko et al., 2021; Álvarez-Marín
& Velázquez-Iturbide, 2022).
La enseñanza de la
ingeniería ha ido evolucionando y ha estado marcada por el uso de diversas
metodologías didácticas que, desde las características que las definen, tienen
aplicaciones específicas. De todos ellas, las principales y más utilizadas en
la formación académica son: los recursos en pdf
apoyados en la presentación de diapositivas que permiten organizar y compartir
la información de forma accesible; las simulaciones por ordenador y las
representaciones tridimensionales animadas que dan la posibilidad de mostrar el
comportamiento de sistemas eléctricos en un entorno virtual; y los
laboratorios, que facilitan la interacción con el material con el que se
aprende y la posibilidad de aplicar conocimientos en una situación práctica. El
amplio repertorio de metodologías didácticas que determinan la enseñanza de la
ingeniería implica que la eficacia de cada una de estas sea muy variable en
función del nivel de interactividad, accesibilidad, experimentación y
extrapolación a entornos reales, lo que ha propiciado la búsqueda de nuevas
prácticas didácticas como la RA.
Los recursos tecnológicos de
enseñanza, que incluyen documentos pdf o las
presentaciones de diapositivas, son recursos bastante utilizados gracias a su
accesibilidad, a su sencillez a la hora de ponerlos en uso y distribuirlos, y a
la posibilidad de tener todos los documentos siempre actualizados (Bourbour, 2023). En otro sentido, se observan limitaciones
en el ámbito de la interactividad, así como de la representación
tridimensional, que contribuyen a aumentar las dificultades para asimilar
sistemas eléctricos complejos, además de no favorecer a que se desarrollen las
habilidades espaciales (Guillén-Gámez et al, 2022). Así también, son
considerados como recursos pasivos que puede incidir en una escasa retención de
los conocimientos, y afectar al grado de atención del alumnado, especialmente
con los contenidos de tipo técnico (Oguguo et al,
2023).
Por otra parte, el uso de
simulaciones con software y de diseños 3D animados han resultado recursos
educativos de utilidad para modelizar y analizar sistemas eléctricos en un
entorno controlado, siendo un recurso que permite al alumnado observar el comportamiento
dinámico de los circuitos y de los componentes que forman parte de ellos (Bogusevschi et al., 2020). Ahora bien, su aplicación
requiere de ordenadores y de software específico, su uso puede quedar limitado,
pueden quedar restricciones en el uso en ciertos espacios educativos (O'Connor
et al, 2021); y aunque sean ventajosos en cuanto a su representación gráfica,
no se ha llegado a conseguir una integración efectiva con el mundo real, de
forma que puede verse perjudicada la transferencia del conocimiento a contextos
prácticos (Ahn et al., 2020).
Los laboratorios continúan
siendo la norma en la enseñanza de la ingeniería ya que permiten obtener la
experiencia de trabajar directamente con este tipo de equipos y dispositivos y
también permite desarrollar las competencias prácticas y trabajarlas en situaciones
concretas (Kapici et al., 2019). Sin embargo, los
laboratorios tienen ciertas limitaciones, como los costes de mantenimiento
elevados, el limitado acceso a ellos y los problemas de seguridad que conllevan
los ensayos de sistemas eléctricos de alta potencia (Thees
et al., 2020). El acceso restringido a los laboratorios también limita la
posibilidad de repetir las prácticas, lo que puede tener una consecuencia
negativa en la consolidación del aprendizaje.
En este sentido, la RA se
presenta como una herramienta integradora que unifica las posibilidades de los
sistemas más tradicionales y las posibilidades inmersivas y participativas de
los medios digitales. Al proyectar modelos tridimensionales en el mundo físico,
los estudiantes interactuarán con circuitos eléctricos, componentes
electromecánicos o sistemas de control de una manera que reduce las barreras de
acceso a este aprendizaje experimental (Alzahrani,
2020). La RA también ofrece ventajas en cuanto a flexibilidad y seguridad, ya
que puede escenificar situaciones complejas del mundo real sin el riesgo que
supone trabajar con determinados equipos eléctricos en el laboratorio.
3. Metodología
El diseño de la
investigación es cuasi-experimental
con un enfoque cuantitativo con el objetivo de analizar el efecto de la RA en
la mejora de las habilidades espaciales y en la motivación del alumnado en la
enseñanza los contenidos de ingeniería eléctrica. Se compara el rendimiento de
la implementación de la RA, con el de la enseñanza de otras tres metodologías
didácticas que se utilizan en este ámbito: documentos digitales (pdf y diapositivas), simulaciones 3D por ANSYS Maxwell; y
laboratorios. En este sentido, también se analiza el impacto de cada método en
el rendimiento académico y en la carga cognitiva que perciben los estudiantes,
preservando, así, la validez interna del presente estudio mediante la
asignación de los participantes a grupos homogéneos en las variables que
podrían afectar al rendimiento, por la diferencia de la metodología pedagógica
aplicada a cada caso (Slack & Draugalis
Jr, 2001).
El objetivo general de esta
investigación radica en evaluar la eficacia del uso de RA en dispositivos
móviles para el desarrollo de habilidades espaciales en estudiantes de
ingeniería eléctrica, en comparación con otros métodos de enseñanza. A partir
de este objetivo general se determinan los objetivos específicos expuestos a
continuación:
1. Cuantificar el grado de adquisición de
habilidades espaciales de los estudiantes tras la intervención mediante la
utilización de cada una de las metodologías de enseñanza.
2. Comparar la carga cognitiva percibida del
alumnado en cada grupo de estudio a través de la escala NASA Task Load Index (TLX) (Hart,
2006).
3. Analizar la motivación y satisfacción del
alumnado mediante el cuestionario estructurado bajo la base
del modelo ARCS de Keller (Keller, 1987).
4. Determinar la relación existente entre
carga cognitiva, motivación, rendimiento en test espaciales y grado de
aprendizaje conseguido, y extraer correlaciones estadísticamente
significativas.
5. Evaluar la viabilidad pedagógica y
logística de la implementación de RA en la enseñanza de la ingeniería eléctrica.
En base a estos objetivos se
formulan las siguientes hipótesis de trabajo:
·
H₁: La RA en smartphones contribuye
significativamente a mejorar las habilidades espaciales en comparación con el
uso de documentos digitales, simulaciones 3D y laboratorios.
·
H₂: La carga cognitiva percibida será menos
en estudiantes que la que utilizan RA en comparación a los que emplean
documentos digitales, simulaciones 3D y laboratorios.
·
H₃: El uso de la RA propiciará mayores
niveles de motivación y satisfacción en el proceso de aprendizaje.
·
H₄: La carga cognitiva percibida se asociará
de una manera inversamente proporcional al rendimiento en las pruebas, de modo
que un menor esfuerzo cognitivo se relacionará con un mayor rendimiento.
·
H₅: La implementación a gran escala de RA en
dispositivos móviles es pedagógicamente viable y logísticamente factible en la
enseñanza de ingeniería eléctrica, de acuerdo con los índices de aceptación y
de facilidad de integración curricular respecto a los métodos contrastados.
La muestra de partida del
estudio está conformada por 80 estudiantes del segundo curso de la titulación
de grado de Ingeniería Química de la Universidad de Murcia, matriculados en la
asignatura Ingeniería Eléctrica y Electrónica. El alumnado fue asignado de
forma homogénea a cuatro grupos, de 20 estudiantes cada uno (Tabla 1), lo que
asegura su equivalencia en términos de edad, conocimiento previo y habilidad
con herramientas digitales. Esta homogeneidad en la composición de los grupos
permite controlar con eficacia la influencia de las variables ajenas al
estudio, con lo que garantizamos que cualquier diferencia de resultados sea
atribuida a la metodología de enseñanza que seguíamos en cada una de las
condiciones experimentales (Lorenzi-Cioldi, 1998). La
docencia de todos los grupos estuvo a cargo del mismo equipo docente, lo que
asegura la uniformidad en la instrucción y elimina sesgos relacionados con la
exposición de los contenidos o con el estilo pedagógico del profesorado. Así
pues, también se controla la variable independiente del estudio, y se puede
evaluar de forma objetiva el impacto de la RA sobre la adquisición de
habilidades espaciales, carga cognitiva, motivación y aprendizaje adquirido por
el alumnado.
Tabla 1
Distribución
de la muestra según el método didáctico empleado.
|
Grupo |
Método didáctico |
N |
|
GE |
Realidad Aumentada en
smartphones (Unity + Vuforia) |
20 |
|
GC1 |
Documentos digitales
(PDF y presentaciones en diapositivas) |
20 |
|
GC2 |
Simulaciones 3D en
ordenador (ANSYS Maxwell) |
20 |
|
GC3 |
Laboratorios físicos
tradicionales |
20 |
Nota: GE = Grupo Experimental, GC = Grupo de Control.
La intervención se ha
desarrollado en seis sesiones de una hora de duración cada una, las cuales se
han acompañado de explicaciones teóricas del funcionamiento del motor de
inducción asíncrono (Chen et al., 2020). Estas sesiones están alineadas con la
guía docente de la asignatura, donde se han seleccionado tres ejes temáticos
vinculados con el motor eléctrico, abordando el funcionamiento, la conexión y
el control automático.
La RA se ha implementado en
smartphones mediante Unity (versión 2023.2.20f1) y Vuforia
Engine Package for Unity (versión 10.20.3). Unity es una plataforma de
desarrollo en tiempo real muy utilizada para el desarrollo de videojuegos y
aplicaciones interactivas, que permite la creación de experiencias inmersivas
en 3D. Por su parte, Vuforia Engine
Package for Unity,
compatible con ARCore y ARKit,
permite realizar aplicaciones de RA gracias a sus herramientas avanzadas para
el reconocimiento de imágenes, objetos y planos; se incorpora en Unity a través
del Package Manager o importando el Unity Asset Package desde el portal de
desarrolladores de Vuforia Engine
proporcionando un uso flexible y accesible en dispositivos Android e iOS (Figura 1).
Figura 1
Modelo
3D de un motor eléctrico asíncrono en Unity para su posterior integración en RA
con el Vuforia Engine.
Las simulaciones 3D se
llevan a cabo mediante ANSYS Maxwell (versión 2024 R1), software de modelado y
simulación de campos electromagnéticos en 2D y 3D, el cual es ampliamente
utilizado en la industria para el análisis y diseño de motores eléctricos, transformadores
y dispositivos electromagnéticos con una alta fidelidad en la simulación
(Figura 2).
Figura 2
Simulación
del campo electromagnético en un motor eléctrico asíncrono con ANSYS Maxwell
2024 R1.
Fuente: elaboración propia.
Para garantizar la validez y
fiabilidad de las medidas, se seleccionan instrumentos de recolección de datos
estandarizados y validados por otras investigaciones. La Tabla 2 muestra la
colección de instrumentos utilizados en la investigación, e incluye las
variables que se evalúan, así como sus correspondientes referencias.
Tabla 2
Instrumentos
de recolección de datos utilizados en la investigación.
|
Instrumento |
Variable evaluada |
Referencia |
|
Mental Rotation Test (MRT) |
Habilidades espaciales |
(Ariali,
2020) |
|
Spatial Visualization Test (SVT) |
Manipulación mental de
objetos 3D |
(Branoff,
2000) |
|
NASA Task Load Index (TLX) |
Carga cognitiva
percibida |
(Hart, 2006) |
|
Cuestionario ARCS |
Motivación y
satisfacción |
(Ma & Lee, 2021) |
|
Prueba de contenido |
Prueba escrita y
práctica de conceptos eléctricos |
(Cronbach, 1951) |
La prueba de contenido que
se presenta y lleva a cabo por el equipo docente pretende evaluar la aplicación
teórica y práctica de los contenidos eléctricos enseñados. Dada la medición de
la consistencia interna, se ha calculado el coeficiente alfa de Cronbach
(Cronbach, 1951), obteniendo un valor de .97, es decir, una fiabilidad alta que
determina la validez del instrumento como herramienta de evaluación de los
contenidos impartidos. En su diseño, los ítems que se han seleccionado son los
más representativos del plan de estudios garantizando de esta manera la validez
de contenido y la adecuación al contexto académico. Con el fin de poder evaluar
la adquisición de conocimientos y su aplicación en contextos reales se ha
diseñado una prueba escrita y práctica que se articula en dos partes
complementarias.
La prueba escrita incluye
preguntas teóricas y problemas aplicados y cubre, el funcionamiento y las
partes constitutivas del motor, las distintas configuraciones de conexiones,
los cálculos de las corrientes de línea y fase y el análisis de las curvas características.
Así mismo contempla estrategias de compensación del factor de potencia y su
optimización en entornos industriales.
La prueba práctica contempla
el montaje y conexión del motor en la conexión que le corresponde según la
configuración de tensiones, verificar su funcionamiento a partir de la medición
de tensión, corriente y factor de potencia en vacío, identificando las pérdidas
del sistema y realizar automatismos eléctricos: inversión de giro, arranque
directo del motor y arranque mediante estrella/triángulo.
La fase de la intervención
experimental se estructuró en cinco etapas para garantizar la comparación entre
grupos y para saber cuál de las metodologías didácticas estaba generando más o
menos impacto de habilidades espaciales, carga cognitiva, motivación y
aprendizaje del alumnado (Tabla 3).
Tabla 3
Fase
de la intervención experimental.
|
Etapa |
Descripción |
|
Pre-test |
Evaluación inicial de
habilidades espaciales y conocimientos previos. |
|
Sesiones de
aprendizaje |
Aplicación del método
didáctico asignado a cada grupo (RA, documentos digitales, simulaciones 3D o
laboratorio) |
|
Evaluación inmediata |
Aplicación de la
escala NASA TLX al finalizar la sesión, para medir la carga cognitiva
percibida. |
|
Post-Test |
Medición final de las
habilidades espaciales (MRT/SVT) y motivación (ARCS). |
|
Prueba de contenido |
Prueba
teórico-práctica relacionada con motores eléctricos, validando la
transferencia de los aprendizajes. |
El análisis de los datos se
llevó a cabo mediante SPSS (versión 28.0.1.1). Se empleó estadística
descriptiva para caracterizar la muestra, seguida de ANOVA con pruebas post hoc
de Tukey (Brown, 2005) para determinar diferencias significativas entre los grupos
en habilidades espaciales, carga cognitiva, motivación y aprendizaje. Además,
se realizaron correlaciones de Pearson para examinar la relación entre carga
cognitiva, motivación, desempeño en pruebas espaciales y aprendizaje adquirido,
y se aplicó un análisis de covarianza ANCOVA (Keselman
et al., 1998) para controlar el impacto de variables externas como familiaridad
con tecnologías digitales o nivel de conocimientos previos.
4. Resultados
En esta sección se presentan
los hallazgos obtenidos tras la aplicación de los cuatro métodos didácticos
investigados: RA documentos digitales (pdf y
presentaciones en diapositivas), simulaciones 3D (ANSYS Maxwell) y
laboratorios. Para ofrecer una visión integral, se incluye la caracterización
de la muestra y el análisis estadístico global (ANOVA, correlaciones y ANCOVA).
A continuación, se exponen de forma detallada los resultados relativos al
desarrollo de habilidades espaciales, la carga cognitiva percibida, la
motivación del alumnado y el desempeño académico en la prueba de contenido.
4.1. Caracterización de la
muestra y análisis estadístico global
4.1.1. Caracterización sociodemográfica y
conocimientos previos
La muestra estuvo compuesta
por 80 estudiantes de la asignatura Ingeniería Eléctrica y Electrónica,
distribuidas por igual en los grupos de experimento y control. Se garantizó la
homogeneidad en variables como la edad, género, conocimientos previos y el uso
de herramientas digitales.
El análisis de la edad
mostró una media de 21 años (rango: 19-24 años), no mostrando diferencias
significativas (p > .05) entre los grupos. En cuanto a la distribución por
género, el 68.8% fueron hombres y el 31.2% mujeres, mostrando proporciones equivalentes
en cada grupo (p > .05).
Respecto a los conocimientos
previos de ingeniería eléctrica, se realizó una prueba escrita mostrando una
media de 6.2 puntos de un máximo de 10. El análisis estadístico confirmó la
ausencia de diferencias significativas entre los grupos (p > .05), asegurando
condiciones iniciales equivalentes. Asimismo, se midió la familiaridad con
herramientas digitales en una escala de 1 a 5, obteniendo una media de 3.8, sin
diferencias significativas (p > .05).
En la Tabla 4, se presentan
los valores detallados de estas variables para cada grupo, evidenciando la
distribución homogénea de la muestra, lo cual permite atribuir las diferencias
en los resultados exclusivamente a la metodología didáctica empleada.
Tabla 4
Características
sociodemográficas y nivel de conocimientos previos de la muestra.
|
Variable |
Categoría/rango |
GE |
GC1 |
GC2 |
GC3 |
Total |
|
Edad (años) |
Media (DE) |
20.8 (1.3) |
21.1 (1.5) |
20.9 (1.2) |
21 (1.4) |
21 (1.3) |
|
[Mín.-Máx.] |
[19–23] |
[19–24] |
[19–23] |
[19–24] |
[19–24] |
|
|
Género |
Hombres (%) |
13 (65%) |
14 (70%) |
13 (65%) |
15 (75%) |
55 (68.8%) |
|
Mujeres (%) |
7 (35%) |
6 (30%) |
7 (35%) |
5 (25%) |
25 (31.2%) |
|
|
Conocimientos previos |
Media (DE) |
6.2 (.8) |
6.1 (.9) |
6.3 (.7) |
6.2 (.6) |
6.2 (.8) |
|
[Mín.-Máx.] |
[5–8] |
[4–8] |
[5–8] |
[5–7] |
[4–8] |
|
|
Familiaridad con TIC
(1-5) |
Media (DE) |
3.8 (.4) |
3.7 (.5) |
3.9 (.4) |
3.6 (.5) |
3.8 (.5) |
|
[Mín.-Máx.] |
[3–4] |
[3–5] |
[3–5] |
[3–5] |
[3–5] |
4.1.2. Comparaciones entre grupos (ANOVA)
y pruebas post hoc
Para analizar el impacto de
los cuatro métodos didácticos evaluados, se aplicó un ANOVA unifactorial,
seguido de pruebas post hoc de Tukey para identificar diferencias
significativas entre los grupos, donde se evaluaron cinco variables clave: MRT,
SVT, NASA TLX, ARCS y la prueba de contenido.
Los resultados mostraron
diferencias significativas en todas las variables (p < .01), con tamaños del
efecto (η²) entre .18 y .28, indicando un impacto moderado a alto de la
metodología didáctica (Tabla 5).
Tabla 5
ANOVA
unifactorial y pruebas post hoc para las principales
variables de estudio.
|
Variable |
F |
p |
η2 |
Diferencias principales (Tukey) |
|
|
MRT (post-test) |
8.34 |
< .01 |
.25 |
GE > GC1 (p < .01), GE > GC3 (p
< .01), GE > GC2 (p < .05) |
|
|
SVT (post-test) |
9.11 |
< .01 |
.28 |
GE > GC1 (p < .01), GE > GC3 (p
< .01), GE > GC2 (p
< .05) |
|
|
NASA TLX |
7.21 |
< .01 |
.22 |
GE < GC1 (p < .01), GE < GC3 (p
< .01), GE < GC2 (p
< .05) |
|
|
ARCS |
5.66 |
< .01 |
.18 |
GE > GC1 (p < .01), GE > GC3 (p
< .05), GC2 > GC1 (p
< .05) |
|
|
Prueba de contenido |
9.01 |
< .01 |
.26 |
GE > GC1 (p < .01), GE > GC3 (p
< .05), GC2 >GC1 (p
< .05) |
Los análisis confirman que
GE obtuvo los mejores resultados en MRT, SVT, ARCS y prueba de contenido,
superando significativamente a los grupos de control. Además, GE mostró la
menor carga cognitiva en NASA TLX, lo que indica que esta metodología facilita
el aprendizaje con menor esfuerzo mental.
4.1.3. Matriz de correlaciones Pearson
Para analizar la relación
entre las variables clave del estudio, se calculó la matriz de correlaciones de
Pearson, la cual evalúa la asociación entre NASA TLX, ARCS, MRT, SVT y la
prueba de contenido. Como se observa en la Tabla 6, existe una correlación
negativa entre NASA TLX y el resto de las variables, lo que indica que una
menor carga cognitiva se asocia con mayor motivación, mejor desempeño en
habilidades espaciales y mejores resultados en la prueba de contenido. En
particular, la relación más fuerte se presenta con MRT (r = -.58, p < .01),
sugiriendo que los estudiantes con menor esfuerzo cognitivo tienden a obtener
mejores puntuaciones en habilidades espaciales. Por otro lado, ARCS muestra una
correlación positiva significativa con MRT (r = .59, p < .01) y con la
prueba de contenido (r = .63, p < .01), lo que confirma que una mayor
motivación se asocia con un mejor rendimiento académico y en habilidades
espaciales.
Tabla 6
Correlaciones
de Pearson entre las variables principales del estudio.
|
Variable |
NASA TLX |
ARCS |
MRT |
SVT |
P. contenido |
|
NASA TLX |
1 |
-.55** |
-.58** |
-.50** |
-.48** |
|
ARCS |
-.55** |
1 |
.59** |
.51* |
.63** |
|
MRT |
-.58** |
0.59** |
1 |
.69** |
.65** |
|
SVT |
-.50** |
.51* |
.69** |
1 |
.54* |
|
P. contenido |
-.48** |
.63** |
.65** |
.54* |
1 |
Nota: *p < .05, **p < .01 (bilateral).
4.1.4. Análisis de covarianza (ANCOVA)
Para controlar el efecto de
covariables como los conocimientos previos y la familiaridad con las TIC, se
aplicó un ANCOVA, utilizando como variable independiente el método didáctico.
Este análisis permitió determinar si las diferencias en el desempeño de los
estudiantes persistían tras ajustar por estas variables, garantizando que los
efectos observados fueran atribuibles a la metodología empleada y no a factores
externos.
La Tabla 7 muestra los
resultados del ANCOVA para MRT, donde se observa que tanto los conocimientos
previos (F = 12.05, p < .01, ηp2 = .14) como la
familiaridad con TIC (F = 7.21, p < .01, ηp2 =
.09) influyen en el rendimiento. Sin embargo, el método didáctico mantiene un
efecto significativo sobre MRT (F = 12.42, p < .01, ηp2
= .33), lo que indica que la metodología aplicada tiene un impacto considerable
en el desarrollo de habilidades espaciales, incluso después de controlar estas
covariables.
Tabla 7
Resultados
de ANCOVA para MRT.
|
Fuente de variación |
SC |
gl |
CM |
F |
p |
ηp2 |
|
Covariable 1 |
154.27 |
1 |
154.27 |
12.05 |
< .01 |
.14 |
|
Covariable 2 |
92.33 |
1 |
92.33 |
7.21 |
< .01 |
.09 |
|
Método didáctico |
280.52 |
3 |
93.51 |
12.42 |
< .01 |
.33 |
|
Error (residual) |
571.20 |
74 |
7.72 |
|
|
|
|
Total |
1098.32 |
79 |
|
|
|
|
Los resultados de la ANCOVA
confirman que, incluso ajustando por diferencias iniciales en conocimientos y
familiaridad digital, el factor “método didáctico” mantiene un efecto
significativo sobre las puntuaciones de MRT (p < .01, ηp2=.33),
reforzando la solidez de los hallazgos.
4.2. Visualización del
prototipo de RA y laboratorio físico
Con el fin de ilustrar la
integración de la RA en el estudio del motor de inducción asíncrono, en la
Figura 3 se presenta el proceso de activación y visualización del contenido en
RA. Para ello, el usuario no requiere conocimientos avanzados de desarrollo en
RA, pues basta con acceder al enlace directo o escanear un código QR. Este
proceso se lleva a cabo mediante la app Vuforia View (versión 9.23.1) para dispositivos móviles, la
cual emplea un sistema de reconocimiento espacial basado en visión artificial que
elimina la necesidad de utilizar marcadores físicos (RA sin marcadores). Dicha
tecnología permite identificar superficies planas del entorno real con la
cámara del dispositivo, facilitando así una interacción intuitiva y accesible
con los modelos virtuales superpuestos.
Figura 3
Proceso
de activación y visualización del contenido de RA.
Fuente: elaboración propia.
Seguidamente, en la Figura 4
se muestra el contenido aumentado activado en un smartphone desarrollado en
Unity (versión 2023.2.20f1) utilizando el paquete Vuforia
Engine (versión 10.20.3). El modelo integra
movimiento, animaciones y etiquetas interactivas de los principales componentes
del motor de inducción asíncrono (ventilador de refrigeración, bobinado del
estator, rotor de jaula de ardilla y eje), lo que facilita la exploración
detallada de su estructura interna y su principio de funcionamiento.
Figura 4
Diseño
3D de un motor de inducción asíncrono activado por RA en Vuforia
View, donde se aprecian el ventilador de refrigeración, el bobinado del
estator, el rotor de jaula de ardilla y el eje del motor.
Fuente: elaboración propia.
Por su parte, la Figura 5
muestra el motor de inducción asíncrono del taller de ingeniería (GC3), el cual
se utilizó para la práctica del arranque directo, en este caso en estrella y la
medición de variables eléctricas (corriente, voltaje, factor de potencia).
Dichas experiencias prácticas posibilitaron contrastar, en un entorno real, los
resultados obtenidos con los métodos digitales y de RA.
Figura 5
Motor
de inducción asíncrono del taller.
Fuente: elaboración propia.
4.3. Desarrollo de
habilidades espaciales
El efecto de los diferentes
métodos en la adquisición y mejora de las habilidades espaciales se evaluó
mediante el MRT y el SVT. En la Tabla 8 se presentan los resultados
descriptivos (media y desviación estándar) obtenidos en el post-test
de cada prueba, así como los valores de la ganancia media (Δ) respecto al pre-test.
Tabla 8
Resultados
descriptivos en pruebas de habilidades espaciales (MRT y SVT).
|
Grupo |
MRT Post-test (Media ± DE) |
SVT Post-test (Media ± DE) |
Δ MRT |
Δ SVT |
|
GE |
29.3 ± 3.1 |
25.8 ± 2.6 |
+7.2 |
+6.8 |
|
GC1 |
23.4 ± 2.9 |
20.5 ± 3 |
+4.5 |
+3.9 |
|
GC2 |
26.1 ± 3 |
22.7 ± 2.8 |
+5.9 |
+4.8 |
|
GC3 |
24.2 ± 2.5 |
21.1 ± 2.2 |
+5 |
+4.1 |
Se observa que el GE, que
empleó RA en smartphones, alcanzó valores significativamente superiores en el
MRT y el SVT en comparación con los grupos de control. La Δ también
resulta mayor en GE, lo cual sugiere que la interactividad y la inmersión brindadas
por la RA aportaron un entorno propicio para el desarrollo de las habilidades
de rotación mental y visualización espacial.
El ANOVA mostró diferencias
estadísticamente significativas en los valores finales de MRT (F(3.76) = 8.34, p < .01) y de SVT (F(3.76) = 9.11, p < .01). Las
pruebas post hoc de Tukey confirmaron que la diferencia más pronunciada se
ubicó entre el GE y los grupos de control GC1 y GC3 (p < .01). Si bien el
grupo con simulaciones 3D mediante ANSYS Maxwell (GC2) también evidenció mejoras
sustanciales, sus resultados fueron estadísticamente inferiores a los del GE,
aunque superiores a los de GC1 y GC3 (p < .05).
4.4. Carga cognitiva
percibida
El efecto de los diferentes
métodos La carga cognitiva se evaluó mediante la escala NASA TLX, administrada
al finalizar cada sesión de trabajo (post-test
inmediato). Los factores analizados incluyeron demanda mental, demanda física,
demanda temporal, esfuerzo, frustración y rendimiento percibido. La Tabla 9
resume los valores promedios de la carga cognitiva total obtenida por los
participantes de cada grupo.
Tabla 9
Carga
cognitiva percibida según la escala NASA TLX (post-test
inmediato).
|
Grupo |
NASA TLX (Media ± DE) |
|
GE |
39.2 ± 5.8 |
|
GC1 |
47.5 ± 6.2 |
|
GC2 |
42.6 ± 5.5 |
|
GC3 |
45.8 ± 5.9 |
El ANOVA para la carga
cognitiva percibida (NASA TLX) evidenció diferencias significativas entre los (F(3.76) = 7.21, p < .01). El GE
reportó los niveles más bajos de carga cognitiva, situándose por debajo de GC1
y GC3 (p < .01) y ligeramente por debajo de GC2 (p < .05). Este hallazgo
respalda la hipótesis de que la RA, al ofrecer representaciones gráficas e
informativas altamente integradas con el entorno físico, facilita la
distribución del procesamiento cognitivo y reduce el esfuerzo mental requerido
para comprender la configuración y el funcionamiento del motor de inducción
asíncrono.
4.5. Motivación de los
estudiantes
La motivación y satisfacción
percibida se evaluaron empleando un cuestionario de escala Likert de 1 a 5
basado en el modelo ARCS de Keller (1987), que considera la Atención, la
Relevancia, la Confianza y la Satisfacción como dimensiones clave del compromiso
con la tarea de aprendizaje. En la Tabla 10 se detallan las puntuaciones medias
para cada dimensión en los cuatro grupos de estudio.
Tabla 10
Resultados
de la motivación (modelo ARCS) en la fase post-test.
|
Grupo |
Atención (A) |
Relevancia (R) |
Confianza (C) |
Satisfacción (S) |
ARCS Global |
|
GE |
4.32 ± .47 |
4.2 ± .42 |
4.18 ± .4 |
4.35 ± .38 |
4.26 ± .32 |
|
GC1 |
3.86 ± .51 |
3.9 ± .56 |
3.72 ± .48 |
3.78 ± .50 |
3.81 ± .46 |
|
GC2 |
4.1 ± .44 |
4.06 ± .4 |
4.05 ± .42 |
4.11 ± .41 |
4.08 ± .39 |
|
GC3 |
3.94 ± .47 |
4.01 ± .46 |
3.96 ± .45 |
3.92 ± .44 |
3.96 ± .43 |
El análisis ANOVA confirmó
diferencias estadísticamente significativas en las dimensiones Atención (F(3.76) = 6.79, p < .01),
Relevancia (F(3.76) = 5.66, p
< .01), Confianza (F(3.76) =
5.1, p < .05) y Satisfacción (F(3.76)
= 6.02, p < 0.01). El grupo GE presentó los puntajes más elevados en todas
las dimensiones del cuestionario ARCS, destacando la capacidad de la RA para
mantener la atención, contextualizar el contenido de manera relevante y generar
confianza en la ejecución de las tareas prácticas.
4.6. Rendimiento en la
prueba de contenido
El desempeño académico y la
transferencia de los aprendizajes técnicos sobre motores de inducción
asíncronos se midieron mediante la prueba de contenido diseñada por el equipo
docente, compuesta por preguntas teóricas y ejercicios prácticos de aplicación,
como se detalla en el apartado metodología. En la Tabla 11 se presenta la
calificación global promedio de dicha prueba (escala de 0 a 10 puntos), así
como la proporción de aciertos en los ejercicios prácticos de conexión
estrella-triángulo y en el cálculo de corrientes y potencias.
Tabla 11
Resultados
de la prueba de contenido.
|
Grupo |
Calificación global (0-10) |
Aciertos en ejercicios prácticos (%) |
|
GE |
8.64 ± .77 |
88.3 |
|
GC1 |
7.38 ± .81 |
74.5 |
|
GC2 |
8.05 ± .82 |
82.7 |
|
GC3 |
7.9 ± .7 |
79.6 |
Los resultados indican que
el GE obtuvo los valores más altos tanto en la calificación global como en la
resolución de ejercicios prácticos, seguido por los grupos GC2 y GC3. El ANOVA
mostró diferencias significativas en el puntaje final (F(3.76)
= 9.01, p < .01), con un tamaño del efecto (η2 = .26) que
sugiere un impacto moderado de la metodología RA sobre el rendimiento académico
en contenidos de ingeniería eléctrica. Las comparaciones post hoc de Tukey
revelaron diferencias significativas entre GE y GC1 (p < .01), así como
entre GE y GC3 (p < .05), confirmando la superioridad del método basado en
RA para facilitar la comprensión teórica y práctica del motor de inducción
asíncrono.
4.7. Análisis correlacional
y efectos conjuntos
Se exploraron las
correlaciones de Pearson entre la carga cognitiva (NASA TLX), la motivación
(ARCS), el rendimiento en habilidades espaciales (MRT, SVT) y la calificación
en la prueba de contenido, previamente presentadas en la Tabla 6. Se constatan
correlaciones inversas y significativas entre la NASA TLX y las variables
académicas (MRT, SVT, ARCS, Calificación), así como correlaciones positivas y
estadísticamente relevantes entre las habilidades espaciales y la calificación
de la prueba de contenido.
Los coeficientes negativos
entre NASA TLX y MRT/SVT (r = -.58, r = -.5) apoyan la hipótesis H₄, al indicar que una menor carga cognitiva
se traduce en mejores resultados en pruebas espaciales, lo que sugiere que los
estudiantes que experimentan menor esfuerzo mental tienen una mayor capacidad
para manipular mentalmente representaciones tridimensionales.
Asimismo, la correlación
negativa entre NASA TLX y ARCS (r = -.55, p < .01) respalda la hipótesis H₂, ya que indica que los estudiantes con
menor carga cognitiva experimentan una mayor motivación en su proceso de
aprendizaje, lo que refuerza la idea de que la RA facilita el aprendizaje al
distribuir mejor la carga de procesamiento mental.
Por otro lado, la existencia
de una fuerte correlación positiva entre ARCS y la prueba de contenido (r =
.63, p < .01) valida la hipótesis H₃, en
tanto que una elevación de la motivación produce directamente un mayor
rendimiento académico, es decir, que los alumnos más implicados con la
actividad didáctica pueden lograr un aprendizaje más significativo y efectivo.
Finalmente, la asociación
positiva entre MRT/SVT y la prueba de contenido (r = .65 y r = .54,
respectivamente) valida la hipótesis H₁, de
forma que los estudiantes con mejores habilidades espaciales obtienen unas
mejores notas en la evaluación final, lo cual pone de relieve la relevancia del
desarrollo de estas competencias en la enseñanza de ingeniería eléctrica.
Asimismo, se llevó a cabo un
ANCOVA en el que se controlaron diferencias en cuanto a la familiaridad con las
herramientas digitales y los conocimientos previos (Tabla 7). El ajuste del
modelo no alteró la significancia estadística del método didáctico sobre las
variables de resultado, lo cual refuerza los hallazgos y se corrobora que la RA
es el factor principal determinante en la mejora del rendimiento y la
motivación del alumnado.
5. Discusión
Los hallazgos que se
obtienen de esta investigación consiguen establecer evidencias sobre la
eficacia de la RA como recurso didáctico para abordar el aprendizaje de
contenidos técnicos de ingeniería eléctrica, concretamente en el desarrollo de
habilidades espaciales, en la disminución de la carga cognitiva y en la mejora
de los niveles de motivación en el alumnado.
Uno de los hallazgos más
importantes que se extrae del presente trabajo es el efecto positivo que posee
la RA en el desarrollo de las habilidades espaciales, que se han medido a
partir de la utilización de las pruebas estandarizadas MRT y SVT. Se ha constatado
la existencia de una mejora en el GE, que realizó RA con smartphones para
visualizar interactivamente un motor con inducción asíncrona, en relación con
los GC en las dos pruebas. Las diferencias encontradas son estadísticamente
significativas, además de tener tamaños del efecto relevantes, lo cual
evidencia que la RA genera unas condiciones más adecuadas para incentivar los
procesos de rotación mental, visualización de representaciones
tridimensionales, así como la manipulación espacial. Esta afirmación se
relaciona con los resultados de Singh et al. (2019), para los cuales los
entornos aumentados en laboratorios de electrónica permiten obtener una mejora
significativa en las habilidades especiales de los estudiantes. En la misma
línea, la investigación de Thees et al. (2020) indica
que los laboratorios remotos con RA son capaces de conectar la interacción
física con los modelos virtuales, lo que beneficia el aprendizaje espacial por
parte de los estudiantes de conceptos de automatización y control industrial (Fidan y Tuncel, 2019).
Desde el punto de vista
cognitivo, dado que la RA evidenció una clara disminución de la carga cognitiva
que los participantes percibieron, evaluada mediante la escala NASA TLX, el
resultado valida la hipótesis H₂ que
sustentaba el estudio, de la misma manera que la Teoría de la Carga Cognitiva
de Sweller y Chandler (1991) que indican que un buen
diseño para el aprendizaje requiere la minimización de la carga extrínseca con
el fin de dejar paso a la carga germinal. La RA en nuestra invetigación
promovió la distribución de la información entre varios canales sensoriales:
visual, espacial y auditivo, para dar lugar al procesamiento paralelo de los
conocimientos. Ya había sido detectado por Kapici et
al. (2019) que la RA en el manejo de equipos electrónicos de medida como
osciloscopios y generadores, reduce notablemente la carga cognitiva de los
estudiantes. También, Bogusevschi et al. (2020)
evidenció que la interacción con modelos aumentados conlleva una disminución
apreciable del esfuerzo mental recibido. Los efectos que describen Mejías
Borrego y Andújar Márquez (2011) en el caso de la enseñanza del
electromagnetismo fueron similares; concluyeron que la visualización
tridimensional favorece la construcción de modelos mentales y reduce la carga
de la memoria de trabajo. Además, la investigación previa ya ha demostrado el
potencial de los entornos aumentados como sistemas de apoyo cognitivo a través
de la retroalimentación inmediata (del Cerro & Morales, 2017).
Las correlaciones y los
análisis de covarianza realizados en este estudio también corroboran la
existencia de una relación inversa y significativa entre el nivel de
inteligencia espacial y la carga cognitiva, así como una correlación positiva
entre motivación y la prueba de contenido. Por lo tanto, los resultados
obtenidos validan la hipótesis H₄ y
refuerzan la afirmación de que la RA no solo influye en variables aisladas,
sino que también tiene un impacto significativo en factores cognitivos,
motivacionales y de rendimiento. El mismo tipo de relación va en línea de los
hallazgos de Ibáñez y Delgado-Kloos (2018), quienes
indican que los estudiantes con mayor motivación intrínseca tienden a lograr
una mejor retención de conceptos y rendir con mayor precisión en tareas
prácticas. Bautista et al. (2025) también llegaron a la conclusión de que la
motivación que produce la RA no solo contribuye a una mejor predisposición
hacia el aprendizaje, sino que provoca efectos cuantificables en el pensamiento
crítico y el rendimiento académico (Marini et al., 2022; Yang et al., 2023).
Respecto a la prueba
académica del contenido se constata que el GE tiene un rendimiento
significativamente mejor al de los tres GC. Este dato demuestra y reafirma la
hipótesis H₁ que asume que la RA
favorece la transferencia del saber del plano teórico al práctico, tal como han
argumentado múltiples estudios. Morales y del Cerro (2024) indicaron en su
estudio que los estudiantes que usaron RA en los entornos de formación industrial
mejoraron sus capacidades para aplicar los conceptos técnicos en la resolución
de problemas reales. En la misma línea, Kim e Irizarry (2021) indican que los
entornos aumentados favorecen el alumnado a realizar procedimientos complejos
de instalación eléctrica mejorando la precisión y disminuyendo el índice de
error, que coincide con los hallazgos obtenidos en este estudio sobre el
montaje y análisis del motor de inducción en configuración estrella-triángulo.
Desde una perspectiva
metodológica, el estudio evidenció la viabilidad pedagógica y técnica de la RA
en dispositivos móviles, tal y como sostiene la hipótesis H₅. La implementación de la RA con Unity y Vuforia ofreció medios accesibles, flexibles y de bajo
coste que apuntan a la escalabilidad de esta tecnología en la educación técnica
superior. Asham et al. (2023) proponen que el uso de
tecnologías móviles puede ayudar a cerrar la brecha de acceso a los entornos
inmersivos para la integración curricular durante la etapa universitaria y en
los institutos tecnológicos. Son varios los trabajos (Chen et al., 2019; Achachagua & Chinchay, 2022) que ponen de manifiesto que
las aplicaciones de RA móvil son capaces de replicar con alta fidelidad las
prácticas de laboratorio incluso en contextos de educación a distancia o que
cuentan con equipamiento de laboratorio limitado.
6. Conclusiones
La investigación estudia el
efecto de la RA en las habilidades espaciales de los estudiantes de ingeniería
eléctrica y compara su aplicabilidad como método de aprendizaje con documentos
digitales, simuladores tridimensionales y laboratorios. Los resultados muestran
que la implementación de la RA mediante dispositivos móviles tiene efectos
claramente positivos en el aprendizaje STEM, concretamente en ingeniería, la
representación de objetos espaciales y la manipulación mental de objetos
tridimensionales. La interacción con entornos aumentados mejoró las habilidades
espaciales de los estudiantes considerablemente más que la CG. Además, la
interactividad inmersiva de la RA es beneficiosa para los procesos cognitivos
relacionados con la rotación mental y la representación de objetos espaciales,
ya que reduce el esfuerzo cognitivo de los estudiantes.
Desde una perspectiva
motivacional, los estudiantes que utilizaron la RA mostraron mayor atención,
relevancia, confianza y satisfacción en comparación con los que utilizaron
métodos tradicionales. El aumento de la percepción de la capacidad de
aprendizaje y la mayor motivación intrínseca tuvieron un impacto directo en el
rendimiento académico.
La viabilidad técnica y
pedagógica de la RA también ha quedado demostrada, destacando su facilidad de
implementación a través de plataformas como Unity y Vuforia,
que son efectivas, escalables y económicamente viables para su adopción en los
planes de estudios técnicos universitarios. Por lo tanto, la RA se considera
una herramienta educativa con un potencial único para mejorar las habilidades
espaciales, reducir la carga cognitiva y aumentar la motivación, lo que
proporciona ventajas tangibles para la formación en ingeniería eléctrica y
otras disciplinas STEM.
Por otro lado, se
identifican limitaciones relacionadas con el tamaño de la muestra y la duración
de la intervención, lo que limita la posible generalización de los resultados.
Asimismo, el estudio se limitó únicamente a estudiantes de ingeniería eléctrica,
esto sugiere que se necesitan más estudios para explorar el potencial de la RA
en contextos relacionados con la educación STEM.
En última instancia, las
futuras direcciones de la investigación apuntan a la propuesta de nuevos
estudios con muestras más amplias e intervenciones más prolongadas, así como a
la exploración del efecto de la RA en el aprendizaje y la retención de conocimientos
a largo plazo. Otra vía de investigación es replicar el estudio integrando
otras tecnologías emergentes para comparar las mejores prácticas y metodologías
en la educación superior.
Material complementario
El conjunto de datos
utilizados en este estudio están disponible previa solicitud razonables al
autor de correspondencia.
Aprobación ética
No se aplica
Conflicto de interés
Los autores declaran no
tener conflictos de interés
Referencias
Achachagua, Y. H. Y., & Chinchay, H. E. G.
(2022). La realidad aumentada y su efecto en la habilidad espacial de
estudiantes de ingeniería mecánica. Revista de Educación a Distancia
(RED), 22(70). https://doi.org/10.6018/red.509931
Ahn, S., Kim, T., Park, Y. J., & Kim, J. M.
(2020). Improving effectiveness of safety training at construction worksite
using 3D BIM simulation. Advances in Civil Engineering, 2020(1),
2473138. https://doi.org/10.1155/2020/2473138
Álvarez-Marín, A., & Velazquez-Iturbide, J. A.
(2022). Augmented reality and engineering education: A
systematic review. IEEE transactions on learning technologies, 14(6),
817-831. https://doi.org/10.1109/TLT.2022.3144356
Alzahrani, N. M. (2020). Augmented reality: A
systematic review of its benefits and challenges in e-learning contexts. Applied sciences, 10(16),
5660. https://doi.org/10.3390/app10165660
An, J., Poly, L. P., & Holme, T. A. (2019).
Usability testing and the development of an augmented reality application for
laboratory learning. Journal of Chemical Education, 97(1),
97-105. https://doi.org/10.1021/acs.jchemed.9b00453
Arena, F., Collotta, M.,
Pau, G., & Termine, F. (2022). An overview of augmented reality. Computers, 11(2),
28. https://doi.org/10.3390/computers11020028
Ariali, S. (2020). Training of mental rotation ability
in virtual spaces. Journal of Technical Education (JOTED), 8(2),
46-63. https://doi.org/10.48513/joted.v8i2.207
Asham, Y., Bakr, M. H., & Emadi, A. (2023).
Applications of Augmented and Virtual Reality in Electrical Engineering
Education: A Review. IEEE Access. https://doi.org/10.1109/ACCESS.2023.3337394
Azuma, R. T. (1997). A Survey of Augmented Reality. Presence: Teleoperators
& Virtual Environments, 6(4), 355–385. https://doi.org/10.1162/pres.1997.6.4.355
Bautista, L. E., Maradei, F., & Pedraza, G. (2025). Análisis de la
Disposición Espacial de Contenido en entornos de Realidad Aumentada y su Efecto
en la Carga Cognitiva de los Usuarios. Pixel-Bit.
Revista de Medios y Educación. https://doi.org/10.12795/pixelbit.109089
Bogomolova, K., van der Ham, I. J., Dankbaar, M. E., van
den Broek, W. W., Hovius,
S. E., van der Hage, J. A.,
& Hierck, B. P. (2020). The effect of
stereoscopic augmented reality visualization on learning anatomy and the
modifying effect of visual‐spatial abilities:
A double‐center randomized controlled trial. Anatomical
sciences education, 13(5), 558-567. https://doi.org/10.1002/ase.1941
Bogusevschi, D., Muntean, C.,
& Muntean, G. M. (2020). Teaching and learning physics using 3D virtual
learning environment: A case study of combined virtual reality and virtual
laboratory in secondary school. Journal of
Computers in Mathematics and Science Teaching, 39(1),
5-18. https://doi.org/10.70725/297454nsjryb
Bourbour, M. (2023). Using
digital technology in early education teaching: learning from teachers’
teaching practice with interactive whiteboard. International
Journal of Early Years Education, 31(1), 269-286. https://doi.org/10.1080/09669760.2020.1848523
Branoff, T. J. (2000). Spatial visualization
measurement: A modification of the Purdue Spatial Visualization
Test—visualization of rotations. The Engineering
Design Graphics Journal, 64(2). https://doi.org/10.18260/edgj.v64i2.145
Brown, A. M. (2005). A new software for carrying out
one-way ANOVA post hoc tests. Computer methods and programs in biomedicine, 79(1),
89-95. https://doi.org/10.1016/j.cmpb.2005.02.007
Buchner, J., Buntins, K., & Kerres,
M. (2022). The impact of augmented reality on cognitive load and performance: A
systematic review. Journal of Computer Assisted Learning, 38(1),
285-303. https://doi.org/10.1111/jcal.12617
Chen, Y., Wang, Q., Chen, H., Song, X., Tang, H.,
& Tian, M. (2019). An overview of augmented reality technology. In Journal
of Physics: Conference Series (Vol. 1237, No. 2, p. 022082). IOP Publishing. https://doi.org/10.1088/1742-6596/1237/2/022082
Chen, L., Wang, X., Min, Y., Li, G., Wang, L., Qi, J.,
& Xu, F. (2020). Modelling and investigating the impact of asynchronous
inertia of induction motor on power system frequency response. International
Journal of Electrical Power & Energy Systems, 117,
105708. https://doi.org/10.1016/j.ijepes.2019.105708
Cronbach, L.
J. (1951). Coefficient alpha and the internal structure
of tests. Psychometrica, 16(3), 297-334. https://doi.org/10.1007/BF02310555
del Cerro Velázquez, F.,
& Morales Méndez, G. (2017). Realidad Aumentada como herramienta de mejora
de la inteligencia espacial en estudiantes de educación secundaria. Revista
de Educación a Distancia (RED), (54). http://dx.doi.org/10.6018/red/54/5
del Cerro Velázquez, F.,
& Morales Méndez, G. (2021). Systematic review of the development of spatial
intelligence through augmented reality in stem knowledge areas. Mathematics, 9(23),
3067. https://doi.org/10.3390/math9233067
Elford, D., Lancaster, S. J., & Jones, G. A.
(2022). Exploring the effect of augmented reality on cognitive load, attitude,
spatial ability, and stereochemical perception. Journal of Science
Education and Technology, 31(3), 322-339. https://doi.org/10.1007/s10956-022-09957-0
Fidan, M., & Tuncel, M. (2019). Integrating
augmented reality into problem-based learning: The effects on learning
achievement and attitude in physics education. Computers & Education,
142, 103635. https://doi.org/10.1016/j.compedu.2019.103635
García, F. M., Rojas, L. E.
B., & Pedraza, G. (2023). Carga cognitiva y esfuerzo mental durante el
cambio de contexto en entornos de realidad aumentada con fines de aprendizaje
procedimental. Pixel-Bit. Revista de
Medios y Educación, 68, 305-340. https://doi.org/10.12795/pixelbit.97479
Garzón, J., Kinshuk, Baldiris,
S., & Fabregat, R. (2019). Systematic review and
meta-analysis of augmented reality in educational settings. Virtual Reality,
23(4), 447–459. https://doi.org/10.1007/s10055-019-00379-9
Guillén-Gámez, F. D.,
Cabero-Almenara, J., Llorente-Cejudo, C., & Palacios-Rodríguez, A. (2022). Differential
analysis of the years of experience of higher education teachers, their digital
competence and use of digital resources: Comparative research methods. Technology,
Knowledge and Learning, 27(4), 1193-1213. https://doi.org/10.1007/s10758-021-09531-4
Hart, S. G. (2006). NASA-task load index (NASA-TLX);
20 years later. In Proceedings of the human factors and ergonomics
society annual meeting (Vol. 50, No. 9, pp. 904-908). Sage CA: Los
Angeles, CA: Sage publications. https://doi.org/10.1177/154193120605000909
Ibáñez, M. B., & Delgado-Kloos, C. (2018). Augmented reality
for STEM learning: A systematic review. Computers &
Education, 123, 109–123. https://doi.org/10.1016/j.compedu.2018.05.002
Ismail, A., Festiana, I., Hartini, T. I., Yusal, Y., &
Malik, A. (2019). Enhancing students’ conceptual understanding of electricity
using learning media-based augmented reality. In Journal of Physics:
Conference Series (Vol. 1157, No. 3, p. 032049). IOP Publishing. https://doi.org/10.1088/1742-6596/1157/3/032049
Kanivets, O. V., Kanivets, I. M., & Gorda, T. M. (2022). Development of
an augmented reality mobile physics application to study electric
circuits. Educational Technology Quarterly, 2022(4),
347-365. https://doi.org/10.55056/etq.429
Kapici, H. O., Akcay, H., & de Jong, T. (2019). Using hands-on and
virtual laboratories alone or together―which works better for acquiring
knowledge and skills?. Journal of science
education and technology, 28(3), 231-250. https://doi.org/10.1007/s10956-018-9762-0
Keller, J. M. (1987). Development and use of the ARCS
model of motivational design. Journal of Instructional Development, 10(3), 2–10. https://doi.org/10.1007/BF02905780
Keselman, H. J., Huberty, C. J., Lix, L. M., Olejnik,
S., Cribbie, R. A., Donahue, B., ... & Levin, J.
R. (1998). Statistical practices of educational researchers: An analysis of
their ANOVA, MANOVA, and ANCOVA analyses. Review of
educational research, 68(3), 350-386. https://doi.org/10.3102/00346543068003350
Kim, J., & Irizarry, J. (2021). Evaluating the use
of augmented reality technology to improve construction management student’s
spatial skills. International Journal of Construction Education and
Research, 17(2), 99-116. https://doi.org/10.1080/15578771.2020.1717680
Lorenzi-Cioldi, F. (1998). Group status and
perceptions of homogeneity. European review of social psychology, 9(1),
31-75. https://doi.org/10.1080/14792779843000045
Marini, A., Nafisah, S., Sekaringtyas,
T., Safitri, D., Lestari, I., Suntari,
Y., ... & Iskandar, R. (2022). Mobile augmented reality learning media with
Metaverse to improve student learning outcomes in science class. International
Journal of Interactive Mobile Technologies, 16(7).
https://doi.org/10.3991/ijim.v16i07.25727
Martín-Gutiérrez, J., Fabiani, P., Benesova, W.,
Meneses, M. D., & Mora, C. E. (2015). Augmented reality
to promote collaborative and autonomous learning in higher education. Computers in Human
Behavior, 51, 752–761. https://doi.org/10.1016/j.chb.2014.11.093
Mejías Borrero, A., & Andújar Márquez, J. M.
(2011). A Pilot Study of the Effectiveness of Augmented
Reality to Enhance the Use of Remote Labs in Electrical Engineering Education. Springer Science+Business
Media, LLC. https://doi.org/10.1007/s10956-011-9345-9
Morales Méndez, G., &
del Cerro Velázquez, F. (2024). Augmented reality in Industry 4.0 assistance and
training areas: A systematic literature review and bibliometric analysis. Electronics, 13(6),
1147. https://doi.org/10.3390/electronics13061147
O'Connor, M., Stowe, J., Potocnik, J., Giannotti, N.,
Murphy, S., & Rainford, L. (2021). 3D virtual reality simulation in
radiography education: The students' experience. Radiography, 27(1),
208-214. https://doi.org/10.1016/j.radi.2020.07.017
Oguguo, B., Ezechukwu, R., Nannim, F., & Offor, K. (2023). Analysis of teachers in
the use of digital resources in online teaching and assessment in COVID
times. Innoeduca. International
journal of technology and educational innovation, 9(1),
81-96. https://doi.org/10.24310/innoeduca.2023.v9i1.15419
Papakostas, C., Troussas,
C., Krouska, A., & Sgouropoulou,
C. (2021). Exploration of augmented reality in spatial abilities training: a
systematic literature review for the last decade. Informatics in
Education, 20(1), 107-130. http://dx.doi.org/10.15388/infedu.2021.06
Prasetya, F., Fortuna, A., Samala, A. D., Rawas, S., Mystakidis, S., Wulansari, R. E., & Kassymova,
G. K. (2024). The impact of augmented reality learning experiences based on the
motivational design model: A meta-analysis. Social Sciences
& Humanities Open, 10, 100926. https://doi.org/10.1016/j.ssaho.2024.100926
Singh, G., Mantri, A., Sharma, O., & Dutta, R.
(2019). Evaluating the impact of the augmented reality learning environment on
electronics laboratory skills of engineering students. Computers &
Applications in Engineering Education, 27(6), 1361–1375. https://doi.org/10.1002/cae.22156
Slack, M. K., & Draugalis
Jr, J. R. (2001). Establishing the internal and external validity of
experimental studies. American journal of health-system pharmacy, 58(22),
2173-2181. https://doi.org/10.1093/ajhp/58.22.2173
Sorby, S. A. (2009). Educational research in
developing 3-D spatial skills for engineering students. International
Journal of Science Education, 31(3), 459–480. https://doi.org/10.1080/09500690802595839
Sweller, J., &
Chandler, P. (1991). Evidence for cognitive load theory. Cognition and
instruction, 8(4), 351-362. https://doi.org/10.1207/s1532690xci0804_5
Tarasenko, R. O., Amelina, S. M., Semerikov, S. O.,
& Shynkaruk, V. D. (2021). Using interactive
semantic networks as an augmented reality element in autonomous learning.
In Journal of Physics: Conference Series (Vol. 1946, No. 1, p.
012023). IOP Publishing. https://doi.org/10.1088/1742-6596/1946/1/012023
Thees, M., Kapp, S., Strzys,
M. P., Beil, F., Lukowicz, P., & Kuhn, J. (2020). Effects of augmented
reality on learning and cognitive load in university physics laboratory
courses. Computers in Human Behavior, 108,
106316. https://doi.org/10.1016/j.chb.2020.106316
Uttal, D. H., et al. (2013). The malleability of
spatial skills: A meta-analysis of training studies. Psychological
Bulletin, 139(2), 352–402. https://doi.org/10.1037/a0028446
Vandenberg, S. G., & Kuse, A. R. (1978). Mental
rotations, a group test of three-dimensional spatial visualization. Perceptual and
Motor Skills, 4, 599–604. https://doi.org/10.2466/pms.1978.47.2.599
Yang, X., Mao, W., Hu, Y., Wang, J., Wan, X., &
Fang, H. (2023). Does augmented reality help in industrial training? A
comprehensive evaluation based on natural human behavior
and knowledge retention. International Journal of Industrial Ergonomics, 98,
103516. https://doi.org/10.1016/j.ergon.2023.103516