Introducción

La enseñanza de las ingenierías ha representado siempre un reto en su diseño e implementación, pues requiere generar una transmisión efectiva del conocimiento que potencie el aprendizaje y, al mismo tiempo, desarrolle en los estudiantes la capacidad de autorregular su aprendizaje a lo largo de la vida (Galleguillos-Herrera & Olmedo-Moreno, 2019). En los últimos años se ha recurrido a una gran variedad de estilos de aprendizaje (Kolb, 1984; Espinoza-Poves et al., 2019) con indicadores de alcance dispares. Sin embargo, ante la dificultad de generalizar e interpretar los resultados obtenidos en ambientes de estudio diversos, se hace necesario aplicar enfoques que enfaticen la dimensión cuantitativa de la evaluación del aprendizaje.

En este marco cobra relevancia el análisis de estrategias didácticas surgidas del desarrollo de técnicas de entrenamiento en el ámbito industrial, derivado de la llegada de la cuarta revolución industrial, también denominada industria 4.0 (Mora-Sánchez & Guerrero-Marín, 2020; Camargo-Amado & Mosquera-Ayala, 2023). Este paradigma implica el uso de recursos y tecnologías que optimizan los procesos productivos y que demandan, como señalan Expósito-López et al. (2023), nuevas formas de interacción con las herramientas digitales.

A nivel industrial resulta evidente que esta integración tecnológica es factible y necesaria también en el entorno académico (González & Muñoz, 2020), ya que la enseñanza de las ingenierías tiene como meta formar a los futuros profesionales con las habilidades y competencias sistémicas que les permitan impactar positivamente en el desarrollo de tecnologías para el sector industrial. Entre las técnicas que se fundamentan como pilar de la industria 4.0 (Rodríguez-Correa et al., 2023) destaca el diseño e implementación de gemelos digitales (digital twins, DT) (Ordóñez-Bolaños et al., 2023; Sosa-Méndez & García-Cena, 2023), entendidos como una técnica disruptiva de alta aplicación en este paradigma (Schwab, 2017). Esta metodología se fundamenta en la creación de una copia digital de un fenómeno o elemento (desde una pieza a manufacturar hasta un proceso automatizado completo) sobre la que es factible implementar técnicas de instrumentación y control para su supervisión y adecuación en tiempo real, incluso de forma remota mediante la gestión de datos en red (Grieves & Vickers, 2017). Estas características, valiosas en el ámbito industrial, resultan igualmente prometedoras para un sistema de enseñanza-aprendizaje que optimice recursos y que permita al estudiante construir su conocimiento desde un enfoque significativo.

Pese a la creciente atención que reciben los gemelos digitales en la formación en ingeniería, buena parte de la literatura disponible procede del ámbito tecnológico e industrial, mientras que la evidencia empírica centrada específicamente en su valor para la evaluación educativa es todavía limitada. Esta es, precisamente, la brecha que el presente estudio busca atender: aportar evidencia cuantitativa sobre el efecto de integrar el ABP con gemelos digitales en el rendimiento académico y en la percepción de competencias de estudiantes de ingeniería, en un contexto institucional concreto.

Propósito

El presente trabajo aborda la implementación, en la enseñanza de la ingeniería, de la técnica de gemelos digitales, que emplea herramientas digitales para realizar simulaciones (da Costa et al., 2023), recrear un sistema a partir de modelos matemáticos (Lambruschini, 2024; Ferrando et al., 2017) y aplicar adquisición de datos e inferencia estadística (García-Peñalvo, 2021). Este enfoque no solo permite previsualizar el funcionamiento de un modelo, sino inferir su desempeño bajo distintas condiciones e incorporar herramientas adaptativas que generan un sistema robusto (Sacks et al., 2020).

En el plano académico, este enfoque permite al estudiante recrear condiciones de aprendizaje próximas a la gamificación (Parra-González et al., 2020; Prieto-Andreu et al., 2022; Zumba-Game et al., 2024): mediante la experimentación en un entorno similar al modelado propuesto, los gemelos digitales favorecen la abstracción del conocimiento. El trabajo emplea plataformas de Ingeniería Asistida por Computadora (CAE) y Diseño Asistido por Computadora (CAD) para diseñar y ejecutar simulaciones y su respectiva adquisición de datos (Salinas, 2012), dotando al usuario de una supervisión controlada y de una evaluación en tiempo real del desempeño del gemelo digital (Siemens, 2020).

El objetivo general de esta investigación es evaluar el efecto de una metodología de Aprendizaje Basado en Proyectos (Causil & Rodríguez, 2021; Padilla & Flórez, 2022) apoyada en gemelos digitales (Morales & Landa, 2004; Chicaiza et al., 2024; Ortiz et al., 2025) sobre el rendimiento académico y la percepción de competencias de estudiantes de ingeniería, en comparación con una enseñanza tradicional. De este objetivo general se derivan los siguientes objetivos específicos:

1. Implementar los gemelos digitales como herramienta y protocolo para la impartición de temas específicos en la enseñanza de la ingeniería.

2. Comparar el rendimiento académico del grupo experimental y del grupo de control para estimar el efecto de la intervención.

3. Valorar la percepción del estudiantado sobre su desarrollo de competencias tras la aplicación de la metodología.

4. Caracterizar el método propuesto a partir de los resultados observados, con miras a estructurar una estrategia de enseñanza basada en el uso de gemelos digitales.

En coherencia con estos objetivos, y dado que el estudio adopta una lógica inferencial, se formulan las siguientes hipótesis de investigación, que orientan el contraste estadístico posterior:

· Hipótesis nula (H₀): no existe diferencia significativa en el rendimiento académico entre el grupo que recibe la metodología ABP con gemelos digitales y el grupo con enseñanza tradicional (μexperimental = μcontrol).

· Hipótesis alternativa (H₁): el grupo que recibe la metodología ABP con gemelos digitales obtiene un rendimiento académico significativamente superior al del grupo con enseñanza tradicional (μexperimental > μcontrol).

Fundamentación

El proceso de enseñanza-aprendizaje en ingeniería es hoy un entorno de alta exigencia, especialmente en lo relativo a los modelos metodológicos, que deben responder a escenarios de elevado nivel tecnológico: digitalización, automatización de procesos e implementación de sistemas expertos o de aprendizaje automático (Tao et al., 2019). En este contexto se perfilan dos enfoques complementarios para la innovación educativa: el Aprendizaje Basado en Proyectos y los gemelos digitales.

El ABP es una metodología dinámica y de alta adaptabilidad que sitúa al estudiante en un rol activo en la construcción del conocimiento, mediante la resolución de problemáticas que emulan entornos reales de desempeño industrial (Barrows, 1986). Constituye una herramienta valiosa para el desarrollo de competencias técnicas y transversales como el pensamiento crítico (Álvarez et al., 2020; Escobar, 2024), la toma de decisiones (Álvarez-Justel & Ruiz-Bueno, 2021; Sotomayor et al., 2024) y el trabajo colaborativo (Amado et al., 2025; Villanueva et al., 2022), indispensables ante los retos de la industria 4.0 y 5.0 (García-Contreras & Mendoza-Hernández, 2023; Travez & Villafuerte, 2023). Diversos estudios han mostrado que el ABP favorece el aprendizaje significativo (González, 2022; Recalde et al., 2024) al vincular la teoría con la práctica en escenarios reales o simulados (Hmelo-Silver, 2004).

Por su parte, los gemelos digitales (Toala et al., 2022) se presentan como un recurso de gran potencial para la adquisición de competencias sistémicas (Garrison et al., 2001). Son modelos virtuales que representan de forma dinámica e interactiva un sistema físico, fenómeno o proceso (Bustamante-Limones et al., 2024; Varas et al., 2020), capaces de replicar su comportamiento mediante modelos matemáticos, adquisición de datos e inferencia estadística (Grieves & Vickers, 2017). A diferencia de una simulación simple, el gemelo digital integra la interacción en tiempo real entre el modelo y el sistema físico, lo que permite no solo predecir el desempeño, sino aplicar algoritmos adaptativos que enriquecen la experiencia de aprendizaje.

La integración de ABP y gemelos digitales configura una estrategia que sitúa al estudiante ante un problema complejo y le proporciona un entorno digital interactivo donde experimentar y evaluar en tiempo real el desempeño del modelo propuesto (Bower, 2017). Esta sinergia promueve la apropiación gradual del conocimiento, favorece la transferencia a situaciones reales y apoya la construcción de competencias (Almerich et al., 2019; Casa et al., 2019) en un entorno controlado y flexible. Desde el punto de vista pedagógico, la propuesta se fundamenta en el constructivismo, al concebir al estudiante como una entidad que interactúa activamente con el sistema de simulación y construye su conocimiento desde un enfoque kinestésico y visual (Espinoza-Poves et al., 2019; Dillenbourg, 2000; Gómez, 2018), en consonancia con el aprendizaje por experiencias y la experimentación concreta (Kolb, 1984).

En conjunto, esta integración plantea un modelo metodológico que permite recrear condiciones de práctica profesional de manera segura y flexible, favorecer la abstracción conceptual mediante la experimentación digital, incrementar la motivación y la participación activa, y generar competencias técnicas orientadas a la resolución de problemas en entornos complejos (Amado et al., 2025; UNESCO, 2023). Sobre esta base se sustenta la relevancia del presente estudio.

Método

La investigación adopta un enfoque cuantitativo con un diseño cuasi-experimental de dos grupos intactos (experimental y de control) con medición pretest-postest. Se optó por un diseño cuasi-experimental, y no experimental puro, porque se trabajó con grupos-clase ya conformados institucionalmente, sin posibilidad de asignación aleatoria de los estudiantes a las condiciones. El estudio prioriza el enfoque constructivista, al promover el uso de plataformas de simulación que permiten una interacción ágil del estudiante en la elaboración de sistemas, potenciando las habilidades kinestésicas y la capacidad de abstracción (Mayer, 2009).

Participantes y muestreo

La muestra se conformó mediante un muestreo no probabilístico por conveniencia, a partir de los grupos-clase disponibles. Participaron 68 estudiantes de las carreras de Ingeniería Mecánica del Tecnológico Nacional de México / Instituto Tecnológico Superior de Alvarado (Veracruz, México): 36 estudiantes en el grupo experimental y 32 en el grupo de control. Los participantes cursaban quinto semestre (asignatura de Mecanismos) y sexto semestre (asignatura de Robótica Industrial), con edades aproximadas de 20 y 21 años respectivamente. La composición por sexo fue predominantemente masculina, con alrededor de dos mujeres por cada grupo de dieciocho estudiantes, lo que refleja la distribución habitual de la matrícula en estos programas. Ambos grupos fueron impartidos por el mismo docente, con el fin de controlar la variabilidad asociada al estilo de enseñanza.

Para garantizar la validez interna del estudio, se verificó la equivalencia inicial de ambos grupos en términos de rendimiento académico previo, utilizando como referencia las calificaciones obtenidas antes de la intervención. Se aplicó una prueba t de Student para muestras independientes, cuya hipótesis nula establecía la ausencia de diferencias significativas entre los grupos. Los resultados no mostraron diferencias estadísticamente significativas (Mexperimental = 8.20, DE = 0.75; Mcontrol = 8.05, DE = 0.80; t = 0.79; p = 0.43), lo que permite asumir condiciones iniciales equivalentes. En consecuencia, las diferencias observadas tras la intervención pueden atribuirse con mayor certeza a la metodología implementada.

Instrumentos

Se emplearon dos instrumentos. El primero, para el rendimiento académico, fue la calificación final oficial de cada asignatura, basada principalmente en las prácticas y proyectos desarrollados por los estudiantes y evaluada mediante listas de cotejo y rúbricas. Estas rúbricas contaron con el visto bueno de la academia correspondiente, lo que aporta una evidencia institucional de validez de contenido. El segundo instrumento fue un cuestionario de percepción del desarrollo de competencias, de tipo Likert de cinco puntos, compuesto por 20 ítems distribuidos en cinco dimensiones (cuatro ítems por dimensión): competencia tecnológica, pensamiento crítico y resolución de problemas, aprendizaje activo, trabajo colaborativo, y autonomía y toma de decisiones. El instrumento había sido validado previamente en otra investigación y, en el presente estudio, mostró una confiabilidad muy alta, con un coeficiente alfa de Cronbach de 0.94.

Procedimiento e intervención

La intervención se desarrolló a lo largo de dos semestres consecutivos (febrero-junio de 2025 y agosto-diciembre de 2025), con una duración de 16 semanas cada uno (32 semanas en total). El cuestionario de percepción se aplicó en dos momentos, antes (pretest) y después (postest) de la intervención, a ambos grupos.

El grupo experimental trabajó bajo la metodología de ABP apoyada en gemelos digitales. Los estudiantes resolvieron problemas reales o simulados, trabajaron en equipo y desarrollaron proyectos completos (no ejercicios aislados), mediante la simulación de sistemas industriales reales y la interacción con modelos virtuales dinámicos. Asimismo, analizaron los datos generados por los modelos, experimentaron sin riesgo físico y presentaron sus resultados en eventos como InnovaTecNM. En este contexto, el docente asumió un rol de facilitador, guía de proyecto y apoyo en el uso de la tecnología.

El grupo de control abordó los mismos contenidos mediante un enfoque de enseñanza tradicional, sin la intervención innovadora: clases expositivas, resolución de ejercicios en papel y problemas guiados por el docente, con evaluación convencional. Estos estudiantes no utilizaron gemelos digitales ni realizaron simulación dinámica, y el uso de tecnología avanzada fue limitado o nulo. En este caso, el docente asumió un rol protagónico, explicando los contenidos y controlando el ritmo de las actividades.

Para ilustrar el tipo de actividades desarrolladas por el grupo experimental, se describen a continuación dos casos de estudio representativos, empleados como vehículo de la intervención. Conviene precisar que estos casos forman parte del procedimiento (no de los resultados de la investigación) y se incluyen para favorecer la replicabilidad del estudio.

Caso de estudio 1: planeación de trayectorias en robótica

Un área que se beneficia particularmente de estas herramientas es la robótica, tanto móvil como de manipuladores, especialmente en la planeación de trayectorias. En este caso se analizó el algoritmo de evasión de obstáculos tipo VFH (Vector Field Histogram) para obstáculos dinámicos. Este algoritmo resuelve el problema en dos pasos: calcula un conjunto de direcciones de movimiento candidatas y luego selecciona una de ellas, apoyándose en un histograma polar construido alrededor del robot, donde cada componente representa la densidad de obstáculos en un sector. El método se ajusta bien a sensores ultrasónicos, pues trabaja con base en la probabilidad de la distribución de obstáculos. Esto aplicando preponderantemente la herramienta de histograma polar, el cual es un diagrama de área polar, que es análogo a un gráfico circular normal, a excepción de los sectores que son ángulos iguales, y se diferencian más bien, en qué medida cada sector se extiende desde el centro del círculo. El diagrama de área polar se utiliza para representar los fenómenos cíclicos. El histograma se analiza con direcciones candidatas y repitiendo este proceso ng veces se construye un árbol de búsqueda de profundidad ng en el cual los nodos terminales (metas) corresponden a una distancia total proyectada dt = ng * ds.

Se solicitó a los estudiantes de Robótica Industrial analizar, interpretar y aplicar el algoritmo para la planeación de trayectorias de un autómata móvil. Mediante herramientas de Matlab se calculó la probabilidad de detección de obstáculos a partir de la densidad de datos de los sensores (Figura 1).

Figura 1.
Planeación de trayectoria con base al cálculo probabilístico de densidad de obstáculos.

A partir de estos cálculos es factible aproximar una curva de distribución gaussiana (Figura 2) para interpretar los datos, lo que permite al estudiante desarrollar una abstracción más intuitiva sobre la relación entre el análisis estadístico y un campo de aplicación específico.

Figura 2.
Traslación de datos con base una convolución a distribución de Gauss.

El histograma suavizado (Figura 3) refiere principalmente al parámetro de umbral y muestra su correlación con el ángulo de búsqueda frontal, la orientación y el ángulo del objetivo. El valor de umbral es especialmente relevante, pues representa una densidad que varía según la proximidad a los obstáculos y constituye un indicador de la posibilidad de colisión.

Figura 3.
Ejecución de histograma suavizado al acercarse a obstáculos en el escenario predefinido.

Caso de estudio 2: análisis cinemático y de correlación

Este caso empleó el análisis de correlación para determinar la asociación de interdependencia entre dos variables numéricas. Se planteó a los estudiantes de Mecanismos un sistema con una cadena cinemática de cuatro grados de libertad, del que se desconocían los datos dinámicos generales (Figura 4).

Figura 4.
Ejemplo de cadena cinemática de 4 grados de libertad.

El planteamiento analítico tradicional exige establecer la sumatoria vectorial de cada eslabón, según la ecuación (1), tomando los parámetros dimensionales de la Figura 5:

Figura 5.
Esquema simplificado del modelo cinemático.

(1)

A partir de este modelo vectorial pueden estructurarse las matrices de velocidad tangencial de cada eslabón mediante la ecuación (2):

(2)

Dado que este análisis exige un número considerable de cálculos, el ejercicio busca ofrecer una alternativa más intuitiva mediante herramientas CAE. Se emplearon Working Model —que permite simular numéricamente el comportamiento del mecanismo en tiempo real y exportar datos de velocidad y posición (Alonso et al., 2005)— y GeoGebra (Figura 6).

Los datos generados se exportan a GeoGebra mediante la opción de hoja de cálculo, donde se aplican herramientas de estadística y probabilidad. El análisis de correlación se establece mediante la función de regresión que mejor ajusta al sistema (Liste, 2008), presentado inicialmente como un diagrama de dispersión (Figura 7).

Se evalúa el coeficiente de determinación R², que indica la proporción de variación de la variable de respuesta explicada por las variables independientes (Llauce-Santamaría et al., 2024). Entre los modelos lineal, polinomial de grado 2 y senoidal, el senoidal aportó el mayor valor (R² = 0.9975; Figura 8), obteniéndose una estructura matemática que permite predecir el comportamiento de una variable a partir de otra.

Figura 6.
Simulación del sistema mecánico con el cálculo de parámetros.

Figura 7.
Adquisición de datos y generación de diagrama de dispersión.

Figura 8.
Diferentes modelos de regresión para el cálculo del coeficiente de determinación.

Análisis estadístico de la intervención

Se realiza la validación con grupos experimental y de control, a fin de contrastar las métricas de evaluación. Para determinar si existía una diferencia significativa entre el grupo experimental (con el nuevo método) y el de control (con el método tradicional), se aplicó una prueba t. Dado el tamaño de las muestras y el desconocimiento de la varianza poblacional (y, sobre todo, la desigualdad de varianzas entre grupos), se optó por la prueba t de Welch, más robusta que la t de Student clásica ante varianzas heterogéneas. Esta decisión justifica la elección de la prueba frente a otras alternativas. La Tabla 1 presenta los estadísticos descriptivos de ambos grupos.

A partir de la Tabla 1 se sintetizan en la Tabla 2 los estadísticos requeridos para el contraste: tamaños de muestra, medias, varianzas y desviaciones estándar.

Los grados de libertad se estimaron mediante la corrección de Welch-Satterthwaite, dada la diferencia de varianzas entre las muestras (Lugo-Armenta & Pino-Fan, 2021), según la ecuación (3):

(3)

El estadístico t se obtuvo mediante la ecuación (4):

(4)

Sustituyendo los valores en (3) y (4) se obtiene df ≈ 56.9 y t ≈ 4.96. Estos parámetros permiten construir la gráfica de distribución t y calcular el p-valor de contraste (Figura 9).

Figura 9.
Captura de datos para el cálculo de la prueba t de medias en GeoGebra

Resultados

Este apartado presenta los resultados organizados en torno a los objetivos del estudio: en primer lugar, el análisis inferencial del rendimiento académico; en segundo lugar, la magnitud del efecto; en tercer lugar, el análisis de tendencia mediante regresión; y, finalmente, la percepción del desarrollo de competencias. Con el fin de separar nítidamente el método de los resultados, los casos de estudio descritos anteriormente se han ubicado en el apartado de procedimiento.

Análisis inferencial del rendimiento académico

Los resultados muestran una diferencia significativa entre las medias de los grupos. El grupo experimental obtuvo una media de 85.42 (DE = 6.08) y el grupo de control una media de 75.81 (DE = 9.23). El estadístico t de Welch fue t(57) = 4.96, con un p-valor < 0.001, muy por encima del valor t crítico (1.6744). Esto permite rechazar la hipótesis nula con un nivel de confianza del 95 % y aceptar la hipótesis alternativa: la media del grupo experimental es significativamente mayor que la del grupo de control (Figura 10). El intervalo de confianza del 95 % para la diferencia de medias se sitúa aproximadamente entre 5.74 y 13.46 puntos, lo que indica que la diferencia observada (9.60 puntos) es no solo significativa, sino también consistente en su dirección.

Figura 10.
Distribución de probabilidad para el contraste de los datos del grupo experimental y de control

Magnitud del efecto

Como análisis complementario se calculó la d de Cohen, que expresa la magnitud de la diferencia entre dos medias normalizada por la desviación estándar combinada. Esta se obtuvo mediante las ecuaciones (5) y (6):

(5)

(6)

El cálculo arroja s_p ≈ 7.79 y, por tanto, d ≈ 1.23. Según los criterios de Cohen, un valor de esta magnitud corresponde a un efecto grande, lo que implica no solo significancia estadística, sino también relevancia práctica. En síntesis, la prueba t de Welch indica que el grupo experimental presenta un desempeño significativamente superior al de control (t (57) = 4.96, p < 0.00001, d = 1.23).

Análisis de tendencia mediante regresión lineal

De manera exploratoria, se ajustaron modelos de regresión lineal simple sobre la evolución de las calificaciones por unidad en cada grupo, con el objetivo de estimar tendencias en el desempeño. Conviene advertir que estos modelos tienen un carácter preliminar y orientativo, dado su bajo poder explicativo.

Para el grupo de control, el modelo ajustado fue y = −0.75x + 79.14, con un coeficiente de determinación R² = 0.1523 (Figura 11). Aunque la capacidad explicativa del modelo es baja, se aprecia una tendencia ligeramente negativa en la evolución de las calificaciones.

Para el grupo experimental, el modelo ajustado fue y = 1.3206x + 80.867, con un coeficiente de correlación r = 0.5084 y un coeficiente de determinación R² = 0.2585 (Figura 12). Este valor indica que aproximadamente el 25.85 % de la variabilidad de Y es explicada por el modelo, lo que corresponde a una correlación positiva moderada. Si bien el ajuste no es elevado, la pendiente positiva sugiere una tendencia favorable en la evolución del desempeño del grupo experimental.

Figura 11.
Análisis de regresión lineal para el grupo de control.

Figura 12.
Análisis de regresión lineal para el grupo experimental.

Es importante interpretar estos modelos con cautela: su finalidad es meramente exploratoria y no constituyen, por sí solos, evidencia concluyente sobre la evolución del aprendizaje. La evidencia principal del estudio descansa en el contraste de medias y en el tamaño del efecto reportados anteriormente.

Percepción del desarrollo de competencias

El cuestionario de percepción, aplicado en modalidad pretest-postest, permitió valorar cómo percibían los estudiantes su propio desarrollo competencial. La Tabla 3 presenta las medias por dimensión en el grupo experimental antes y después de la intervención.

Como se observa en la Tabla 3, las cinco dimensiones muestran incrementos consistentes tras la intervención, con una media global que pasa de 3.01 a 4.02 en la escala de cinco puntos. Las dimensiones de trabajo colaborativo (de 3.24 a 4.26) y pensamiento crítico (de 3.08 a 4.08) parten de los valores iniciales más altos, mientras que autonomía y toma de decisiones (de 2.88 a 3.89) y competencia tecnológica (de 2.93 a 3.93) registran los niveles previos más bajos. La notable homogeneidad de las ganancias (en torno a un punto en todas las dimensiones) sugiere un efecto percibido transversal de la metodología, si bien esta uniformidad debe interpretarse con prudencia y conviene corroborarla en estudios posteriores con contrastes específicos por dimensión.

Discusión

Los resultados aportan evidencia del valor que tiene integrar los gemelos digitales en el marco del ABP como estrategia didáctica en la enseñanza de la ingeniería. La diferencia observada entre los grupos experimental y de control (Δ = 9.61 puntos; p < 0.001), junto con un tamaño del efecto grande (d = 1.23), respalda la hipótesis de que el uso de aplicaciones de simulación facilita la comprensión de conceptos complejos y se asocia con un mejor rendimiento académico, en un contexto donde la equivalencia inicial de los grupos fue verificada estadísticamente.

Estos hallazgos coinciden con los de Grieves y Vickers (2017), quienes destacan que los gemelos digitales potencian el proceso de enseñanza-aprendizaje al permitir experimentar dinámicamente con fenómenos físicos en entornos próximos a la práctica real. En la misma línea, Sacks et al. (2020) subrayan que su uso favorece la adquisición de competencias técnicas y analíticas, elementos clave para la industria 4.0. Desde el enfoque didáctico, los resultados son congruentes con los planteamientos de Hmelo-Silver (2004) y Barrows (1986) sobre el ABP como estrategia que promueve un aprendizaje significativo al confrontar al estudiante con problemas complejos.

No obstante, conviene matizar esta lectura. Si bien la dirección de los resultados es coherente con la literatura, buena parte de los estudios citados procede de contextos tecnológicos o industriales, y la evidencia educativa comparable sigue siendo limitada y heterogénea en cuanto a diseños, instrumentos y tamaños de efecto. Por ello, la comparación con trabajos previos debe entenderse como una convergencia general de tendencias más que como una replicación exacta de magnitudes. Asimismo, los resultados de percepción (con ganancias consistentes en las cinco dimensiones) refuerzan la interpretación del rendimiento, pero su uniformidad invita a considerar posibles efectos de deseabilidad o de expectativa que un diseño futuro debería controlar.

En cuanto al análisis de regresión, los bajos valores de R² obtenidos limitan su poder explicativo, por lo que la tendencia positiva identificada en el grupo experimental debe interpretarse con cautela. Esta lectura prudente es coherente con García-Peñalvo (2021), quien señala que los efectos de la digitalización educativa suelen ser progresivos y se consolidan a medida que maduran los ecosistemas de aprendizaje digital. Finalmente, la implementación de gemelos digitales en entornos académicos plantea desafíos logísticos y tecnológicos como el acceso a software especializado y capacitación docente, ya advertidos por Siemens (2020), que condicionan la generalización de los resultados.

Limitaciones del estudio

Los resultados deben interpretarse a la luz de varias limitaciones. En primer lugar, el diseño cuasi-experimental con grupos intactos y muestreo por conveniencia impide la asignación aleatoria, de modo que, aunque se verificó la equivalencia inicial en rendimiento, no puede descartarse por completo la influencia de variables no controladas. En segundo lugar, el tamaño y la procedencia de la muestra (68 estudiantes de una sola institución y de programas afines) restringen la validez externa y la generalización de los hallazgos a otros contextos. En tercer lugar, el rendimiento se midió a través de la calificación oficial; si bien las rúbricas contaron con aval de la academia, no se realizó un estudio psicométrico específico de este indicador. En cuarto lugar, el instrumento de percepción, pese a su alta confiabilidad (α = 0.94), recoge autopercepciones susceptibles de sesgos de deseabilidad social. Por último, el análisis de regresión tuvo un carácter exploratorio y un poder explicativo limitado. Reconocer estas restricciones permite delimitar con mayor precisión el alcance de las conclusiones.

Conclusiones

El estudio permite extraer conclusiones en torno a cuatro aspectos, formulados dentro de los límites del diseño empleado.

· Significancia estadística: la diferencia en el rendimiento académico entre ambos grupos fue estadísticamente significativa (p < 0.001), tras verificar su equivalencia inicial, lo que respalda la efectividad de la metodología ABP con gemelos digitales en el contexto estudiado.

· Relevancia práctica: el tamaño del efecto (d de Cohen = 1.23) indica un efecto grande, lo que refuerza la utilidad educativa del modelo más allá de la mera significancia estadística.

· Percepción de competencias: los estudiantes del grupo experimental percibieron incrementos consistentes en las cinco dimensiones evaluadas, lo que sugiere un efecto favorable de la metodología sobre la valoración del propio desarrollo competencial.

· Implicaciones pedagógicas: en contextos similares al estudiado, la integración de gemelos digitales en el marco del ABP puede considerarse una estrategia prometedora para mejorar el rendimiento y la implicación del estudiantado.

En conjunto, los resultados confirman que, en el contexto analizado, el modelo ABP con gemelos digitales tuvo un impacto positivo sobre el rendimiento académico y sobre la percepción de competencias. No obstante, dado el carácter cuasi-experimental del diseño y las limitaciones señaladas, estas conclusiones no deben generalizarse sin cautela.

De cara al futuro, se recomienda validar estos resultados mediante diseños más robustos (idealmente con asignación aleatoria y mediciones pretest-postest del rendimiento), ampliar y diversificar la muestra a distintas instituciones y disciplinas, incorporar análisis psicométricos de los instrumentos y contrastes estadísticos específicos para la percepción de competencias, y explorar el efecto de la metodología en diferentes perfiles de estudiantes. En el plano aplicado, sería conveniente examinar las implicaciones para la formación docente, el diseño curricular, la infraestructura tecnológica y la implementación paulatina de los gemelos digitales en la educación superior.

Referencias

Almerich, G., Suárez-Rodríguez, J., Díaz-García, I., & Orellana, N. (2019). Estructura de las competencias del siglo XXI en alumnado del ámbito educativo. Factores personales influyentes. Educación XX1, 23(1), 45-74. https://doi.org/10.5944/educxx1.23853

Alonso, F., López, G., Manrique, D., & Viñes, J. M. (2005). An instructional model for web-based e-learning education with a blended learning approach. British Journal of Educational Technology, 36(2), 217-235. https://doi.org/10.1111/j.1467-8535.2005.00454.x

Álvarez, M. Y., Menacho, I., Esquiagola, E. A., & Camarena, J. L. (2020). Habilidades del pensamiento crítico en estudiantes de educación secundaria de Lima, Perú. Innova Research Journal, 5(3.2), 97-110. https://doi.org/10.33890/innova.v5.n3.2.2020.1551

Álvarez-Justel, J., & Ruiz-Bueno, A. (2021). Perfiles y características de la toma de decisiones en estudiantes de secundaria. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 27(1). https://doi.org/10.30827/relieve.v27i1.21421

Amado Codony, A., Alsina Tarrés, M., Senar Morera, F., Llop Escorihuela, E., Verdaguer Planas, M., Comas Matas, J., Gutiérrez del Moral, M. J., Ballester-Ferrando, D., Rodríguez-Roda Layret, I., Rostan Sánchez, C., Terradellas Piferrer, M. R., & Benito Mundet, H. (2025). Análisis combinado del clima académico y el ABP: influencia en el engagement universitario. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 31(1). https://doi.org/10.30827/relieve.v31i1.31967

Barrows, H. S. (1986). A taxonomy of problem-based learning methods. Medical Education, 20(6), 481-486. https://doi.org/10.1111/j.1365-2923.1986.tb01386.x

Bower, M. (2017). Design of technology-enhanced learning: Integrating research and practice. Emerald Publishing. https://doi.org/10.1108/9781787141827

Bustamante-Limones, A., Rodríguez-Borges, C., & Pérez-Rodríguez, J. A. (2024). Evaluación del uso de gemelos digitales en los sistemas de producción. AiBi Revista de Investigación, Administración e Ingeniería, 12(3), 195-204. https://doi.org/10.15649/2346030X.4382

Camargo-Amado, R. J., & Mosquera-Ayala, A. M. (2023). La revolución industrial 4.0. Ingeniería y Competitividad, 25(2), 1-2. https://doi.org/10.25100/iyc.v25i2.13294

Casa, M. D., Huatta, S., & Mancha, E. E. (2019). Aprendizaje basado en problemas como estrategia para el desarrollo de competencias en estudiantes de educación secundaria. Comuni@cción: Revista de Investigación en Comunicación y Desarrollo, 10(2), 111-121. https://doi.org/10.33595/2226-1478.10.2.383

Causil Vega, L. A., & Rodríguez Banquett, A. E. (2021). Aprendizaje Basado en Proyectos (ABP): experimentación en laboratorio, una metodología de enseñanza de las Ciencias Naturales. Plumilla Educativa, 27(1), 105-128. https://doi.org/10.30554/pe.1.4204.2021

Chicaiza, W., Jiménez, J., Sánchez, A., & Escaño, J. (2024). El gemelo digital y su aplicación en la automática. Revista Iberoamericana de Automática e Informática Industrial, 21(2), 91-115. https://doi.org/10.4995/riai.2024.20175

Da Costa, P., Miotto, A. I., & Suyo-Vega, J. A. (2023). Herramientas digitales utilizadas en la educación presencial superior: una revisión sistemática. Revista Electrónica Educare, 27(3), 235-253. https://doi.org/10.15359/ree.27-3.17239

Dillenbourg, P. (2000). Virtual learning environments. En EUN Conference 2000: Learning in the new millennium. European Schoolnet.

Escobar, M. G. (2024). Práctica pedagógica del pensamiento crítico desde la psicología cultural. Sophia, Colección de Filosofía de la Educación, 36, 301-326. https://doi.org/10.17163/soph.n36.2024.10

Espinoza-Poves, J. L., Miranda-Vílchez, W. A., & Chafloque-Céspedes, R. (2019). Los estilos de aprendizaje VARK en estudiantes universitarios de las escuelas de negocios. Propósitos y Representaciones, 7(2), 384-414. https://doi.org/10.20511/pyr2019.v7n2.254

Expósito-López, J., Romero-Díaz de la Guardia, J. J., & Olmedo-Moreno, E. M. (2023). Diseño y validación de contenido de una rúbrica para medir el valor educativo de aplicaciones para dispositivos móviles. Revista de Educación a Distancia (RED), 23(72). https://doi.org/10.6018/red.542261

Ferrando, I., Albarracín, L., Gallart, C., García-Raffi, L. M., & Gorgorió, N. (2017). Análisis de los modelos matemáticos producidos durante la resolución de problemas de Fermi. Bolema: Boletim de Educação Matemática, 31(57), 220-238. https://doi.org/10.1590/1980-4415v31n57a11

Galleguillos-Herrera, P., & Olmedo-Moreno, E. (2019). Autoeficacia y motivación académica: una medición para el logro de objetivos escolares. EJIHPE: European Journal of Investigation in Health, Psychology and Education, 9(3), 119-135. https://doi.org/10.30552/ejihpe.v9i3.329

García-Contreras, J. M., & Mendoza-Hernández, L. E. (2023). El impacto de la Industria y Sociedad 5.0 en la educación. Uno Sapiens Boletín Científico De La Escuela Preparatoria No. 1, 5(10), 15–18.

García-Peñalvo, F. J. (2021). Digital transformation in education: Challenges and opportunities. Education in the Knowledge Society, 22, e25465. https://doi.org/10.14201/eks.25465

Garrison, D. R., Anderson, T., & Archer, W. (2001). Critical thinking, cognitive presence, and computer conferencing in distance education. The American Journal of Distance Education, 15(1), 7-23. https://doi.org/10.1080/08923640109527071

Gómez, M. (2018). Evaluación del aprendizaje en entornos virtuales. Revista Electrónica de Investigación Educativa, 20(2), 1-15.

González, A., & Muñoz, J. (2020). Aplicación del aprendizaje basado en problemas en ingeniería. Revista de Educación en Ingeniería, 15(30), 45-56.

González, E. (2022). El aprendizaje basado en proyectos (ABP) en el modelo educativo de la UMLA. Revista Holón, 1(1), 35-47. https://doi.org/10.48204/j.holon.n1.a4800

Grieves, M., & Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. En J. Kahlen, S. Flumerfelt, & A. Alves (Eds.), Transdisciplinary perspectives on complex systems (pp. 85-113). Springer. https://doi.org/10.1007/978-3-319-38756-7_4

Hmelo-Silver, C. E. (2004). Problem-based learning: What and how do students learn? Educational Psychology Review, 16(3), 235-266. https://doi.org/10.1023/B:EDPR.0000034022.16470.f3

Kolb, D. A. (1984). Experiential learning: Experience as the source of learning and development. Prentice Hall.

Lambruschini, R. A. (2024). Factores determinantes de los modelos matemáticos para el diseño, simulación y control de redes de abastecimiento de agua potable. Revista Científica en Ciencias Sociales, 6, 1-16. https://doi.org/10.53732/rccsociales/e601116

Liste, R. L. (2008). GeoGebra: la eficiencia de la intuición. La Gaceta de la RSME, 10(1), 223-239.

Llauce-Santamaría, R. Y., Saldaña-Miranda, M. Y., & Olivera-Aldana, M. F. (2024). Regresión lineal simple [Material de enseñanza]. Universidad Nacional Pedro Ruiz Gallo.

Lugo-Armenta, J. G., & Pino-Fan, L. R. (2021). Niveles de razonamiento inferencial para el estadístico t de Student. Bolema: Boletim de Educação Matemática, 35(71), 1776-1802. https://doi.org/10.1590/1980-4415v35n71a25

Mayer, R. E. (2009). Multimedia learning (2.ª ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511811678

Mora-Sánchez, D., & Guerrero-Marín, L. (2020). Industria 4.0: el reto en la ruta hacia las organizaciones digitales. Estudios de Gestión, (8), 191-214. https://doi.org/10.32719/25506641.2020.8.7

Morales, P., & Landa, V. (2004). Aprendizaje basado en problemas. Theoria, 13(1), 145-157.

Ordóñez-Bolaños, O.-A., Sierra-Martínez, L.-M., & Peluffo-Ordóñez, D.-H. (2023). IoT-ATL: Prototype of a digital twin to simulate educational scenarios in the art and technology laboratories at the Departmental Institute of Fine Arts in Cali, Colombia. Revista Facultad de Ingeniería, 32(63), e15245. https://doi.org/10.19053/01211129.v32.n63.2023.15254

Ortiz, J. S., Quishpe, E. K., Sailema, G. X., & Guamán, N. S. (2025). Digital twin-based active learning for industrial process control and supervision in Industry 4.0. Sensors, 25(7), 2076. https://doi.org/10.3390/s25072076

Padilla, L. A., & Flórez, E. P. (2022). El aprendizaje basado en problemas (ABP) en la educación matemática en Colombia. Avances de una revisión documental. Revista Boletín Redipe, 11(2), 318-328. https://doi.org/10.36260/rbr.v11i2.1686

Parra-González, M. E., Segura-Robles, A., Vázquez-Cano, E., & López-Meneses, E. (2020). Gamificación para fomentar la activación del alumnado en su aprendizaje. Texto Livre, 13(3), 278-293. https://doi.org/10.35699/1983-3652.2020.25846

Prieto-Andreu, J. M., Gómez-Escalonilla-Torrijos, J. D., & Said-Hung, E. (2022). Gamification, motivation, and performance in education: A systematic review. Revista Electrónica Educare, 26(1), 1-23. https://doi.org/10.15359/ree.26-1.14

Recalde, E. M., Chicaiza, V. L., Guanga, U. R., Bravo, Z. M., & Molina, S. M. (2024). Importancia del aprendizaje basado en proyectos (ABP) para el aprendizaje significativo. Ciencia Latina Revista Científica Multidisciplinar, 7(6), 7068-7081. https://doi.org/10.37811/cl_rcm.v7i6.9229

Rodríguez-Correa, P. A., Echeverri-Gutiérrez, C. A., Valencia-Arias, A., Acosta-Agudelo, L. C., & Echeverri-Gutiérrez, M. (2023). Tendencias en tecnologías convergentes en la industria 4.0: una revisión de literatura. Revista ION, 36(2), 83-100. https://doi.org/10.18273/revion.v36n2-2023006

Sacks, R., Brilakis, I., Pikas, E., Xie, H., & Girolami, M. (2020). Construction with digital twin information systems. Data-Centric Engineering, 1. 26. https://doi.org/10.1017/dce.2020.16

Salinas, J. (2012). Innovación educativa y uso de las TIC. RIED. Revista Iberoamericana de Educación a Distancia, 15(1), 15-40.

Schwab, K. (2017). The fourth industrial revolution. Crown Business.

Siemens. (2020). Digital twin in education [White paper]. Siemens AG.

Sosa-Méndez, D., & García-Cena, C. E. (2023). Robotic digital twin as a training platform for rehabilitation health personnel. Enfoque UTE, 14(3), 19-26. https://doi.org/10.29019/enfoqueute.971

Sotomayor, P., Burgos, C., Martínez, F., & Caradeuc, N. (2024). Desarrollo de la competencia de liderazgo en la educación superior: perspectivas de estudiantes, egresados y docentes en una universidad chilena. Perspectiva Educacional, 63(2), 179-201. https://doi.org/10.4151/07189729-Vol.63-Iss.2-Art.1558

Tao, F., Zhang, M., Liu, Y., & Nee, A. Y. C. (2019). Digital twin driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 61, 101837. https://doi.org/10.1016/j.rcim.2019.101837

Toala, F. J., Maldonado, K., Toala, M. M., & Álava Cruzatty, J. E. (2022). Gemelos digitales en la industria. Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 4(1), 75-83.

Travez, A. V., & Villafuerte, C. M. (2023). Industria 5.0, revisión del pasado y futuro de la producción industrial. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 1059-1070. https://doi.org/10.37811/cl_rcm.v7i1.4457

UNESCO. (2023). Los futuros que construimos: habilidades y competencias para los futuros de la educación y el trabajo. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386933

Varas, M., García, J. C., Bustamante, M., & Bustamante, C. (2020). Gemelos digitales y su evolución en la industria. RECIMUNDO, 4(4), 300-308. https://doi.org/10.26820/recimundo/4.(4).noviembre.2020.300-308

Villanueva, C., Ortega, G., & Díaz, L. (2022). Aprendizaje basado en proyectos: metodología para fortalecer tres habilidades transversales. Revista de Estudios y Experiencias en Educación, 21(45), 433-445. https://doi.org/10.21703/0718-5162.v21.n45.2022.022

Zumba-Game, P. I., Castillo-Zúñiga, V. J., Game-Murrieta, N. P., & Ramírez-Gómez, L. X. (2024). La gamificación para el mejoramiento del proceso de enseñanza - aprendizaje en educación básica. Revista Uniandes Episteme, 11(1), 32–44. https://doi.org/10.61154/rue.v11i1.3350

Notas de autor

erica.lm@alvarado.tecnm.mx

Declaración de intereses

Información adicional

redalyc-journal-id: 916