Fidel Aznar Gregori, Mar Pujol López, Mireia Aznar Gregori, Mar Pujol López, Mireia Sempere Tortosa, Ramón Rizo Aldeguer -Sempere Tortosa, Ramón Rizo Aldeguer -

Una experiencia metodológica con la

autoevaluación como telón de fondo

JENUI 2006JENUI 2006

2Informática Industrial e

Inteligencia Artificial

Índice

MFAC La autoevaluación Los créditos ECTS La evaluación

Cursos anteriores Actual

Resultados Conclusiones y líneas futuras

3Informática Industrial e

Inteligencia Artificial

INTRODUCCIÓN MFAC

4Informática Industrial e

Inteligencia Artificial

Descripción 6 créditos (3T, 3P) Departamento: DCCIA Optativa Objetivos Alumnos: 30

IntroducciónMFAC (I)

5Informática Industrial e

Inteligencia Artificial

Teoría Temario

Programación Lineal Método Simplex

Problemas Difícil comprensión Formalización de problemas Notación

Práctica Resolución de problemas

IntroducciónMFAC (II)

6Informática Industrial e

Inteligencia Artificial

LA AUTOEVALUACIÓN

7Informática Industrial e

Inteligencia Artificial

La autoevaluación (I)

Definición: medida externa para calcular el éxito del estudiante en la consecución de una serie de objetivos

A nivel universitario la autoevaluación no suele valer más de un 5% de la nota final

¿Cómo se podrían evaluar los estudiante de forma honesta y acertada?

8Informática Industrial e

Inteligencia Artificial

Herramienta docente Sobre el alumno

Más responsabilidad en el aprendizaje Es consciente de su propio progreso Diagnóstico de los puntos flojos y el nivel de

destreza Mayor motivación

La autoevaluación (II)

9Informática Industrial e

Inteligencia Artificial

Herramienta docente Sobre el profesor

Los estudiantes son mas conscientes de su proceso de aprendizaje poniendo de relieve sus dificultades

Se determinan de manera sencilla las áreas problemáticas que se deben reforzar

Aplicabilidad

La autoevaluación (III)

10Informática Industrial e

Inteligencia Artificial

El sistema de créditos ECTS

Procedimiento común para garantizar el reconocimiento académico

Nuevos mecanismos de planificación docente Repercusiones principales

Incrementar la transparencia Facilitar el reconocimiento de las calificaciones Facilitar la movilidad Fomentar el aprendizaje ...

11Informática Industrial e

Inteligencia Artificial

EVALUACIÓN

12Informática Industrial e

Inteligencia Artificial

Evaluación anterior al curso 04/05

60% examen de teoría 40% listado de problemas propuestos + 20% de trabajos optativos

13Informática Industrial e

Inteligencia Artificial

Evaluación actual (I)

Basada en las prácticas Basada en el trabajo del alumno en la parte de

prácticas (70%) ¿Autoevaluación?

Ejercicios se corrigen entre los propios alumnos Los alumnos proponen problemas para el resto de la clase El participar activamente en la clase se tiene en cuenta en

la evaluación (40%) Evolución del alumno en el tiempo: Pasivo a Activo

14Informática Industrial e

Inteligencia Artificial

Evaluación actual (II)

Basada en las prácticas Basada en el trabajo del alumno en la parte de

prácticas (70%) Examen de teoría (30%)

¿Autoevaluación?

Basada en la realización de un proyecto global (100%)

15Informática Industrial e

Inteligencia Artificial

RESULTADOS

16Informática Industrial e

Inteligencia Artificial

Resultados (I)

Mayor número de aprobados Incremento de asistencia a las clases de

teoría

0%

20%

40%

60%

80%

100%

Curso 03-04 Curso 04-05 Curso 05-06

Porcetaje de asistencia a las clases de teoría de la asignatura MFAC

17Informática Industrial e

Inteligencia Artificial

Resultados (II)

Aumentan ligeramente los no presentados

0%

20%

40%

60%

80%

100%

Curso 03-04 Curso 04-05 Curso 05-06

Relación de no presentados, suspensos y aprobados en la asignatura MFAC

No presentados

Suspensos

Aprobados

18Informática Industrial e

Inteligencia Artificial

Resultados (III)

La autoevaluación en el examen de teoría

Diferencia entre la evaluación del profesorado y de los alumnos del exámen final de MFAC

<0.5 puntos <1 <2.5 >2.5

19Informática Industrial e

Inteligencia Artificial

Resultados (IV)

Proyectos realizados

20Informática Industrial e

Inteligencia Artificial

Resultados (V)

Prácticas Conciencia de la valoración de las clases prácticas Autoevaluación para encontrar áreas difíciles

Teoría Conciencia de la importancia de las clases teóricas Valoración del examen

21Informática Industrial e

Inteligencia Artificial

CONCLUSIONES Y LÍNEAS FUTURAS

22Informática Industrial e

Inteligencia Artificial

Conclusiones y líneas futuras

Conclusiones Resultados del curso actual MFAC Beneficios de la autoevaluación El EEES

Líneas futuras Autoevaluación Un proyecto conjunto (MFAC, JRV, RAZ, GAA)