Pensamiento Computacional para Ingenierías: Transformando el proceso de aprendizaje

Resumen

Esta innovación busca desarrollar habilidades en estudiantes de ingeniería civil utilizando estrategias basadas en evidencias. La innovación fue implementada en el área de Mecánica Computacional del programa de Ingeniería Civil de la Universidad EAFIT, la cual incluye los cursos de Modelación Computacional, Mecánica del Medio Continuo, e Introducción al Método de los Elementos Finitos. La transformación incluyó el simulador SolidsPy, que permite la creación de ambientes de aprendizaje con cuadernillos digitales interactivos (Notebooks de Jupyter), y el uso de estrategias como la clase invertida y las autoexplicaciones en el aula. Los cuadernillos permiten integrar la mecánica de los medios continuos y el pensamiento computacional, y se diseñaron de acuerdo con los lineamientos de la teoría de aprendiz cognitivo. Los ambientes de aprendizaje combinan elementos del constructivismo y de la teoría de la carga cognitiva. El constructivismo soporta la estrategia de clase invertida que promueve el aprendizaje activo, mientras que la teoría de carga cognitiva sugiere estrategias de andamiaje presentes en los ambientes de aprendizaje.

Ejemplo de uso

Video mostrando los cuadernillos implementados para un proyecto de diseño de una presa.

Inventario de recursos de la innovación

Los recursos que forman parte de la innovación se encuentran disponibles en un repositorio de GitHub bajo licencias abiertas, tanto para el contenido como para el código. Estos son:

• SolidsPy:Programa para análisis de tensiones por el método de elementos finitos desarrollado con fines de docencia, de código abierto y escrito en en Python. Su estructura modular permite su uso como calculadora de tensiones para el curso de medios continuos, librería de métodos numéricos y programación para el curso de modelación computacional, y laboratorio de elementos finitos.

• Cuadernillos digitales interactivos (Notebooks de Jupyter): Documentos digitales interactivos que permiten combinar texto, ecuaciones, imágenes, videos y código. Son el espacio donde se formulan las diferentes actividades de aprendizaje para realizar en el espacio de la reunión. SolidsPy puede importarse como un módulo más y ser usado en el diseño de actividades de aprendizaje.

• Notas de clase: Cada uno de los cursos dispone de un paquete de notas de clase que presentan los contenidos teóricos en el orden adoptado en cada materia y con referencias a textos disponibles en la literatura. Las notas contienen ejemplos, problemas propuestos y referencias a las actividades formuladas en los cuadernillos digitales.

Sitios web relacionados con la propuesta

A continuación se presenta una lista de los sitios web relacionados con la innovación.

• Sitio de GitHub de Mecánica Aplicada

• Repositorio de SolidsPy

• Repositorio del curso Modelación computacional

• Repositorio del curso Mecánica del medio continuo

• Repositorio del curso Introducción al método de elementos finitos

Información bibliográfica

• Barba, L. A., Barker, L. J., Blank, D. S., et al. (2019). Teaching and Learning with Jupyter. Disponible en: https://jupyter4edu.github.io/jupyter-edu-book/index.html

• Guarín-Zapata, N., Gomez, J., Ortega-Alvarez, J. D, & Vieira, C. (2019). Jupyter Notebooks y otros recursos para el aprendizaje activo en el área de Mecánica Computacional de la Universidad EAFIT. Experiencias significativas de aprendizaje en el aula. Universidad Nacional, Medellín.

• Lee, I., Martin, F., Denner, J., Coulter, B., Allan, W., Erickson, J., Malyn-Smith, J., & Werner, L. (2011). Computational thinking for youth in practice. Association for Computing Machinery. https://doi.org/10.1145/1929887.1929902

• Magana, A. J., Falk, M. L., & Reese, M. J. (2013). Introducing Discipline-Based Computing in Undergraduate Engineering Education. Association for Computing Machinery. https://doi.org/10.1145/2534971

• Nie, Z., Jiang, H., & Kara, L. B. (2020). Stress Field Prediction in Cantilevered Structures Using Convolutional Neural Networks. Journal of Computing and Information Science in Engineering, 20(1). https://doi.org/10.1115/1.4044097

• Ortega-Alvarez, J., Vieira, C., Guarín-Zapata, N., & Gomez, J. (2020). WIP Flipping a Computational Modeling Class: Strategies to Engage Students and Foster Active Learning. Frontiers in Education 2020 (accepted).

• Rüde, U., Willcox, K., McInnes, L. C., & Sterck, H. D. (2018). Research and Education in Computational Science and Engineering. SIAM Review, 60(3), 707–754. https://doi.org/10.1137/16M1096840

• Santos Lara, P.J. de los, Granados Alejo, V., & Mota Muñoz, F. G. (2019). Desarrollo de una librería Python para el análisis estructural utilizando elementos finitos. Memorias Del XXV Congreso Internacional Anual de La SOMIM. Congreso Internacional Anual de la SOMIM, Sinaloa, México. http://somim.org.mx/memorias/memorias2019/articulos/A5_45.pdf

• Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review, 31(2), 261–292. https://doi.org/10.1007/s10648-019-09465-5

• Vieira, C., Magana, A. J., Falk, M. L., & Garcia, R. E. (2017). Writing In-Code Comments to Self-Explain in Computational Science and Engineering Education. Association for Computing Machinery. https://doi.org/10.1145/3058751

• Vieira, C., & Gomez, J. (2019). Integrating Computation into a Civil Engineering Curriculum Instructions at a Colombian Higher Education Institution. Proceedings of 2019 Research in Engineering Education Symposium (REES), Cape Town.