Natasha María López Concepción y Vladimir Osvaldo Curiel Ovalles – Ingeniería en Ciencias de la Computación, Pontificia Universidad Católica Madre y Maestra (PUCMM)

Introducción

Durante los últimos años, el mundo ha experimentado uno de los desafíos más grandes del siglo XIX: “La pandemia del COVID-19”. Una emergencia sanitaria que obligó a todo planeta tierra a cambiar radicalmente la forma en que vivían [1]. Asimismo, esta situación llevó a que millones de instituciones académicas cambiaran drásticamente la forma en la que desarrollaban las clases. Forzadas a abandonar sus aulas físicas y migrar a entornos totalmente virtuales, generando así un nuevo paradigma en la educación [2].

Por otro lado, este cambio fue profundamente estructural. Donde, la modalidad virtual, que inicialmente fue una respuesta temporal ante la situación de emergencia, se mantuvo alrededor del mundo incluso tras el retorno parcial y total de las clases presenciales. Lo que antes se consideraba como una alternativa, pasó a ser parte de las metodologías académicas. Sin embargo, esta nueva forma de impartir clases también trajo consigo misma, retos importantes en la vida estudiantil: distracciones, falta de interacción significativa, ansiedad y una dependencia creciente de las herramientas digitales como fuentes principales de información y resolución de tareas [3].

En este contexto, nace la idea de nuestro proyecto, desarrollado por un equipo de dos estudiantes de la carrera de Ingeniería en Ciencias de la Computación de la Pontificia Universidad Católica Madre y Maestra. La iniciativa surge como una respuesta directa a una preocupación común entre docentes y estudiantes: “¿Estamos realmente aprendiendo en esta manera nueva de impartir clases? ¿o sólo estamos sobreviviendo académicamente gracias a la tecnología?” [4].

La motivación detrás del desarrollo de este proyecto fue precisamente la anterior mencionada: entender cómo el uso creciente de herramientas de Inteligencia Artificial está transformando el aprendizaje, no sólo como un apoyo, sino como un reemplazo de la figura docente en algunos casos. En ese mismo marco, desarrollamos el Bot de Asistencia Interactivo en Programas de Algoritmos y Diagramas de Programación para la Asignatura de “Introducción a la Algoritmia”, una iniciativa que busca brindar acompañamiento académico continuo a estudiantes de primer año, especialmente en temas donde suelen presentarse mayores dificultades. Además, esta herramienta se enfoca en fortalecer la comprensión de conceptos y figuras claves en la lógica computacional mediante un entorno educativo conversacional accesible, pero sin sustituir el papel pedagógico del docente.

En adición a esto, estudios actuales evidencian que la utilización de chatbots en contextos académicos puede tener efectos positivos en el proceso de formación y crecimiento académico del estudiantado, facilitando procesos educativos innovadores y motivadores [5]. Por lo tanto, creemos con firmeza que la tecnología debe complementar y enriquecer el proceso educativo, no reemplazarlo.

Los retos del aprendizaje virtual

A raíz de la transformación abrupta que creó la pandemia de COVID-19, las instituciones educativas se vieron obligadas a adoptar métodos de enseñanza digital, dando lugar a una transición acelerada hacia las clases virtuales. Esta modalidad, si bien resolvió una necesidad inmediata, también expuso debilidades importantes en el ámbito educativo, especialmente en el área de Ciencias en Computación. La virtualización lejos de desaparecer, con el regreso de la presencialidad, se ha integrado y se ha vuelto un componente híbrido en muchas universidades. Sin embargo, esta incorporación no ha sido del todo equilibrada: los niveles de distracción en el hogar, el aislamiento académico que se presenta y el uso inapropiado de dispositivos, han afectado la calidad del aprendizaje.

Uno de los principales retos que los estudiantes enfrentan, es la comprensión de contenidos como algoritmos y diagramas de programación, los cuales exigen una interpretación visual y lógica que difícilmente puede lograrse de forma pasiva a través de una grabación de clase. Asimismo, la falta de herramientas automatizadas que estructuren, resuma y clarifiquen estos materiales visuales ha generado una barrera significativa, tanto en términos de motivación como en el desarrollo lógico. De la misma forma, diversos estudios muestran que hasta un 95% de los estudiantes utilizan su celular para actividades no académicas durante clases virtuales, en comparación con un 75% en la modalidad presencial y un incremento del 20% en sesiones virtuales [3].

La ansiedad y la falta de comunicación ha generado un impacto en los estudiantes. Se ha observado en los ambientes virtuales, donde el 58% estudiantes tienden a evitar formular preguntas al docente fuera del horario de clases, mientras que, en la modalidad presencial, se puede apreciar que el 43% de estos son los que no interactúan, probando un 15% más de interacción en la presencialidad [6].

Uno de los problemas que radica de este cambio es que al recurrir a estos modelos pierde todo el contexto académico: el programa de la asignatura, las palabras del docente, el libro de texto de la materia e incluso como el profesor interpreta el libro y lo transmite a sus estudiantes. De igual modo, existen pruebas realizadas de rendimiento con diez demostraciones de preguntas que indicaron que, modelos como Chat GPT (modelo de verano 2024) pueden obtener hasta 80% de la puntuación correcta en comparación con el promedio de profesionales en el área, llegando hasta un 96.7%, con una pérdida de conocimiento del 16.7%, además, afirman que existe una pérdida notable al agregar tablas grandes o complejas y lo mismo sucede con preguntas de contenido mostrado en clase, ya que pierde todo el contexto en la que la información fue dada [7].

Esto causa que los estudiantes al final del día se encuentren consumiendo una gran cantidad de contenido generado por IA que no está supervisado, y del mismo modo, realizando sus tareas de esta forma, donde esto baja mucho el desarrollo de sus habilidades, pensamientos lógicos y críticos. Con esto no implica rechazar la usabilidad de la inteligencia artificial en el ambiente educativo, puesto que diversas afirmaciones señalan que la IA proporciona ventajas significativas a los estudiantes, incluyendo la adaptación personalizada del proceso formativo, el fortalecimiento de la motivación académica, la proyección del rendimiento estudiantil y múltiples beneficios adicionales [8].

Por otro lado, se han explorado varios enfoques técnicos para abordar problemas relacionados con la captura, análisis e interpretación de diagramas de flujo y algoritmos. Proyectos como DiagramVoice, han utilizado PySceneDetect y OCR para asistir a personas con discapacidad visual en la comprensión de materiales educativos visuales [9]. Del mismo modo, el proyecto BloSum ha automatizado la generación de descripciones textuales a partir de diagramas mediante detección de formas y relaciones [10]. Diagram Parse Graphs (DPG), utiliza redes neuronales para responder preguntas que están basadas en contenido visual [11].

Aunque estas soluciones muestran gran potencial, la gran mayoría se enfoca en demandas de configuraciones técnicas complejas, haciéndolas difícil de usar para estudiantes con recursos tecnológicos limitados. Por lo mismo, no existen tantas herramientas que prioricen las necesidades del alumno. Por esta razón, nuestra propuesta pretende reducir esa limitación mediante el desarrollo de una herramienta que no únicamente automatice la identificación y extracción de diagramas y códigos, sino que además produzca explicaciones que los estudiantes puedan comprender y que se adapten al contexto pedagógico.

El desarrollo de este proyecto ha implementado la creación de un Bot automatizado integrado en una aplicación web que utiliza herramientas de inteligencia artificial para facilitar la comprensión sobre programas de algoritmos y diagramas de programación explicados en las clases de la asignatura de “Introducción a la Algoritmia” de carácter virtual, mejorando la accesibilidad a los materiales de estudio, la claridad en las explicaciones de conceptos complejos y la eficiencia en el aprendizaje. También, recolectamos sesiones virtuales grabadas de la asignatura, donde contienen códigos y diagramas de programación, pasándolas al Bot donde dio como resultado la esquematización y explicación de los procesos generados en dichas sesiones. Implementamos un sistema que utiliza bibliotecas de IA y se emplearon explicaciones claras y detalladas de los diagramas de programación y programas de algoritmos. Evaluamos el rendimiento del prototipo con el modelo detectando el código y diagrama, obteniendo los resultados más precisos. Por último, creamos una aplicación web para estudiantes y docentes, que permite a los profesores vincular sus perfiles para acceder a las clases, y los alumnos pueden tener acceso al contenido (explicaciones, acercamientos similares, ejercicios) generados por el Bot de forma automatizada basado en el contenido de la sesión.

Un Bot que trabaja sobre clases reales

Como se ha dicho anteriormente, esta herramienta no busca sustituir al docente ni eliminar la necesidad de participación activa en clase, sino brindar un apoyo automatizado para organizar, interpretar y facilitar el acceso a los contenidos más complejos vistos durante la clase. Asimismo, esta solución radica en su capacidad de conectar múltiples tecnologías en un flujo centrado automatizado para el mejoramiento y acompañamiento académico.

El sistema desarrollado es un Bot de asistencia que trabaja sobre videograbaciones de clases reales. Este detecta automáticamente bloques de código y diagramas mediante segmentación de escenas. A partir de esto, se genera el contenido interpretado en lenguaje natural, permitiendo tanto estudiantes como docentes acceder a explicaciones comprensibles sin necesidad de revisar la clase completa.

Este Bot a diferencia de soluciones previas, no depende de contenido preparado, sino que trabaja con grabaciones reales y contenido generado por el docente. Gracias a las técnicas de visión por computadora y procesamiento de lenguaje natural, el sistema es capaz de identificar los fragmentos relevantes, extraer imágenes y texto de ellos, y estructurar explicaciones a partir de lo visualizado en clases. El estudiante con esa herramienta puede retomar un concepto específico visto en clases, repasarlo y reforzarlo en el momento que lo necesite.

La interfaz web que integra el Bot, permite a docentes y estudiantes conectar sus cuentas de Microsoft Teams para poder iniciar con el procedimiento de la creación de reportes. Del mismo modo, el Bot se encarga de procesar el material grabado, y descarta todo el contenido visual que no contenga diagramas de flujo o líneas de código. Esto es muy importante, ya que preserva la privacidad al limitar el alcance del análisis a datos que son necesarios para el aprendizaje del estudiante.

El sistema permite que el usuario pueda navegar por la sesión de manera libre, encontrando lo que el código o diagrama que buscar sin ninguna dificultad. Además, una de las características más valiosas del proyecto es el diseño accesible. El uso de explicaciones generadas a partir de diagramas que permite que estudiantes comprendan y estén conscientes de lo que se muestra. También, el Bot permite aquellos que no se sienten cómodos formulando preguntas en clase, permitiéndoles explorar el contenido a su ritmo.

Por otro lado, este Bot representa un avance frente a otras herramientas que existen. Integrando tecnologías como PySceneDetect [12] para la segmentación de videos, SuryaOCR [13] para el reconocimiento y extracción de texto, y modelos como YOLOv12 [14] para la detección visual.

Aunque el proyecto se enfoca exclusivamente en la asignatura de “Introducción a la Algoritmia”, esta permite pensar en futuras extensiones hacia otras materias, siempre que incluyan elementos visuales similares. Esto permite que el Bot se pueda utilizar en diferentes asignaturas académicas generalizada en carreras técnicas que incluyan diagramas y algoritmos.

Diseño del sistema

Por otro lado, se realizaron diagramas de flujo para mayor entendimiento de cómo se iba a realizar el bot:

El sistema comienza con la entrada de una videoclase previamente grabada por el docente. A través de un proceso de segmentación de escenas donde el Bot identifica los momentos más relevantes del contenido. Luego, mediante modelos de detección visual, extrae imágenes de diagramas o fragmentos de código. Estos son analizados y convertidos en texto explicativo accesible para el estudiante. El proceso concluye con la visualización de este contenido en la plataforma web.

En el Diagrama del Bot, el prototipo utilizará videos de clases pregrabadas así permitiendo el procesamiento automatizado del contenido educativo. Asimismo, usando herramientas de OCR, análisis de código y reconocimiento de diagramas, se extraerán los elementos clave de las clases, garantizando una interpretación precisa de la información presentada en pantalla. Posteriormente, se realizará una validación de los datos extraídos, asegurando su precisión. También, la información procesada se estructurará en reportes organizados y accesibles, facilitando la consulta del material de manera clara y comprensible donde los estudiantes podrán acceder al contenido a través de una plataforma web, brindando una experiencia intuitiva y centralizada para la consulta de los reportes generados. En el Diagrama del Cliente, accede a la plataforma a través de una interfaz web diseñada para ser intuitiva. Desde allí, puede buscar el reporte de la clase si ya se procesó, y visualizar los fragmentos detectados con sus explicaciones correspondientes. El sistema permite navegar fácilmente por diagramas o bloques de código asociados a una sesión, fomentando el aprendizaje autónomo y dirigido.

Además, el sistema está compuesto por distintos servicios desplegados en contenedores, asegurando su escalabilidad y modularidad. Incluye un frontend, servicios de procesamiento de video, OCR, detección visual, y una base de datos para el almacenamiento estructurado del contenido generado. Este diseño permite su implementación tanto en entornos locales como en la nube.

El sistema contempla distintas acciones que puede ejecutar cada tipo de usuario. El estudiante puede visualizar contenidos procesados, realizar búsquedas por tema o clase, y recibir retroalimentación automatizada. Por otro lado, el docente puede subir grabaciones, revisar estadísticas de uso y verificar qué partes de la clase fueron más consultadas.

Resultados: el prototipo LogicMate

A lo largo del desarrollo del prototipo, se obtuvieron resultados sorprendentes y favorables que validan su funcionalidad general y su gestión aplicada para entornos educativos. El proceso de análisis automatizado de clases grabadas demostró ser eficiente, permitiendo identificar y organizar contenidos relevantes sin necesidad de intervención manual constante. Esto representa una mejora significativa respecto a los métodos tradicionales de repaso y consulta de videoclases completas.

Para mejor visualización de lo anteriormente dicho, se le presenta por medio de imágenes, el prototipo finalizado y sus explicaciones detalladas de cada vista de la interfaz web:

Esta representa el punto de interacción directa entre el usuario y la aplicación. El diseño está enfocado en ofrecer una experiencia intuitiva, accesible y visualmente coherente con los objetivos del proyecto al estudiante y docente que lo utilicen.

Esta es la pantalla principal al ingresar a la plataforma, donde el usuario puede ver una pequeña introducción de qué tratará el Bot llamado Logic Mate, el Bot desarrollado, incluyendo este una vista previa de su funcionamiento. También, en esta visual el usuario puede iniciar sesión por medio del botón de Login. Además, al hacer clic en el botón Dashboard, este será redirigido a la pantalla de inicio de sesión, donde deberá ingresar sus credenciales para acceder y utilizar las funcionalidades del bot.

El usuario puede ingresar sus credenciales (correo y contraseña) para acceder a las funcionalidades del Bot. En caso de que no esté registrado, la interfaz le da la oportunidad de poder registrarse y luego poder iniciar sesión. Si el usuario no tiene sus credenciales, no podrá hacer uso del Bot y sus funcionalidades que ofrece. Se debe utilizar el mismo correo institucional para que las clases realizadas en Teams luego de ser procesadas salgan de forma automática.

En esta sección, el usuario puede seleccionar y cargar un video. Esta visual también permite que más participantes puedan acceder al reporte del video y puedan hacer uso del mismo para sus estudios.

Aquí se puede visualizar el reporte ya creado. El usuario puede ir viendo la sesión junto al reporte que el Bot realizó. También, puede visionar cada corte de escena donde se está explicando el código y/o diagrama de flujo visto en clases. Puede seguir la explicación del docente junto al reporte creado.

La interfaz también permite que el usuario pueda ver el código generado por el docente en clases y tenerlo a mano para cualquier ocasión donde lo quiera usar para repaso junto al reporte creado por el Bot, o poder probarlo y confirmar con el docente. De forma similar al código, el usuario puede ver el diagrama de flujo empleado en clases.

Se creó un espacio, donde el usuario puede hacerle preguntas sobre la clase procesada al Bot directamente. Este puede explicar el contenido visto en clases, crear ejercicios sobre la misma, hacer una representación visual para mayor entendimiento de lo explicado, y demás.

El usuario puede revisar detenidamente los enfoques vistos en la clase, donde puede ver una opción optimizada o explicada detalladamente, para mayor comprensión.

Se visualiza un apartado para obtener ejercicios generados automáticamente por el bot junto a sus soluciones. Estos basados en el contenido de la clase procesada.

Por último, en esta vista se puede ver detalladamente las reuniones de la materia en particular, Introducción a la Algoritmia, donde el usuario puede tener para un día en específico clases o reuniones de estudio con el docente. Este calendario está conectado con la plataforma Teams.

El sistema logró extraer elementos visuales clave como bloques de código y diagramas, y generar explicaciones comprensibles que facilitan el entendimiento por parte del estudiante. Se observaron niveles de precisión y consistencia altos, lo que evidencia el trabajo de los módulos utilizados para segmentar y procesar la información. Además, se redujo considerablemente la cantidad de datos innecesarios, lo que optimizó el tiempo de procesamiento y la experiencia del usuario.

Durante las pruebas de funcionamiento, se identificó que el sistema es capaz de adaptarse a diferentes tipos de contenidos dentro de una misma clase, manteniendo la calidad en la organización y visualización de los resultados. Estas pruebas también mostraron que el sistema puede ser útil tanto para repasar temas específicos como para revisar de forma estructurada toda una sesión académica.

Finalmente, el sistema fue expuesto a situaciones reales de uso en las que se comprobó su utilidad para estudiantes en etapa de formación básica. Los comentarios recogidos destacaron su facilidad de uso y el valor que aporta al momento de estudiar por cuenta propia, especialmente en temas que suelen generar mayor dificultad.

Conclusión

En conclusión, el proyecto desarrollado demuestra que es posible aplicar soluciones tecnológicas de forma efectiva en el contexto educativo para mejorar la experiencia de aprendizaje. Al automatizar la identificación y explicación de contenidos complejos, se ofrece al estudiante una herramienta de apoyo que complementa el trabajo del docente y fomenta el estudio autónomo.

Este enfoque no solo contribuye a la comprensión de materias técnicas, sino que también propone una forma más ordenada y accesible de interactuar con el contenido académico, especialmente útil en ambientes virtuales o híbridos. Esta solución muestra que la tecnología, bien aplicada, puede ayudar en el proceso de enseñanza y aprendizaje.

Referencias

1. S. Prakash, Ashok Kumar Verma, “IMPACT OF COVID-19 ON ENVIRONMENT AND SOCIETY,” 2020, India, pp. 7352–7363, 2020. Available: www.mutagens.co.in/jgb/vol.09/05/090506.pdf
2. C. L. Huamán D and C. R, “Virtual education during the pandemic from the perspective of Peruvian teachers in rural schools,” 2022, Perú, pp. 215–242, 2022. doi: 10.21678/apuntes.92.1744.
3. K. A. Teodorescu Daniel, “College Students’ Distractions from Learning Caused by Multitasking in Online vs. Face-to-Face Classes: A Case Study at a Public University in Romania,” vol. 19, no. 18, p. 11188, 2022, doi: 10.3390/ijerph191811188.
4. K. Webster, “The COVID-19 Learning Divide: How Demographics Shaped Online Learning Outcomes for High School Students,” September 2024, Northern Illinois University, USA, pp. 427–444, 2024. doi: 10.24059/olj.v28i3.3680.
5. L. Yudi and R. W. Luis, “Chatbot basado en inteligencia artificial para la educación escolar,” 06-Abr-2023, Lima, Apr. 2023. doi: 10.33996/revistahorizontes.v7i29.614.
6. CCCSE, “The Online Student: Impact of Course Modality on Engagement,” 2023. doi: 10.26153/TSW/48699.
7. I. Avramovic, Sanja; Avramovic, “Exploring the Potential Benefits and Limitations of Using an AI Text-Generation Tool in Education: An Examination of ChatGPT’s Performance on Assessments,” 1 march 2024, pp. 193–204, 2024. [Online]. Available: https://www.ingentaconnect.com/contentone/aupha/jhae/2024/00000040/00000002/art00004
8. P. Svitlana, Lytvynova; Natalya, Rashevska; Svitlana, “The use of artificial intelligence in teaching students programming languages,” pp. 10–29, 2024. [Online]. Available: https://ceur-ws.org/Vol-3781/paper01.pdf
9. N. Eun and J. Lee, “DiagramVoice: Automatic Lecture Video Commentator for Visually Impaired Students Supporting Diagram Commentary,” 2024, pp. 381–391, 2024. doi: 10.1007/978-981-97-3559-4_31.
10. L. Shreyanshu, Bhushan; Minho, “Block Diagram-to-Text: Understanding Block Diagram Images by Generating Natural Language Descriptors,” pp. 153–168, 2022. doi: 10.18653/v1/2022.findings-aacl.15.
11. F. Aniruddha, Kembhavi; Mike, Salvato; Eric, Kolve; Minjoon, Seo; Hannaneh, Hajishirzi; Ali, “A Diagram Is Worth A Dozen Images,” 2016. doi: 10.48550/ARXIV.1603.07396.
12. B. Castellano, “PySceneDetect,” https://www.scenedetect.com/api/.
13. “Surya OCR Implementation,” https://lightning.ai/mehta/studios/surya-ocr-implementation?view=public&section=featured.
14. Y. Tian, Q. Ye, and D. Doermann, “YOLOv12: Attention-Centric Real-Time Object Detectors,” Feb. 2025.