Uso de Youtube para la creación de videos

Con el uso de la opción: presentación de diapositivas de fotos de YouTube, resulta bastante sencillo la creación de videos con el uso de fotos. A continuación podrán visualizar un video realizado con esta herramienta.

Leer más...

Ventajas del HTML para la edición de documentos multimedia

A sabiendas de que HTML significa Hypertext Markup Languange o Lenguaje de Marca de Hipertexto, las posibilidades del mismo son infinitas, y de la misma forma sus ventajas. Estas pueden ser innumerables, pero en esta etapa nos concentraremos en las ventajas del mismo para la edición de documentos multimedia.

1. Con HTML podemos editar documentos que manejen video, audio e imágenes de una forma sencilla y fácil de usar.
2. Resulta ser una herramienta de muy fácil aprendizaje.
3. Junto con HTML se utilizan otras herramientas que le suman al lenguaje en si y hacen diverso su     formato, como el CSS.
4. Mediante una serie de etiquetas podemos introducir sonido, imagen y video en nuestras páginas. Estas etiquetas llevan una serie de atributos para indicar el archivo y las características que queremos incorporar.

Leer más...

Software para crear RA

Para crear la Realidad  Aumentada (RA),existen diferentes tipos de software, clasificados en dos grandes grupos: basados en reconocimiento y basados en localización.

Basados en reconocimiento

Este reconocimiento puede ser, a través de:

1. Códigos QR

Generadores de QR 
Son aquellos programas que generan el código QR, generalmente de un enlace o link en la Web.

• Unitag QR

          https://www.unitag.io/es/qrcode

• qrcode.es 

• Códigos-qr.com

             http://www.codigos-qr.com/generador-de-codigos-qr/

• QR-code Monkey

             http://www.qrcode-monkey.com/es/


Lectores de QR 
Son aquellos programas que leen el código QR generado anteriormente, abriendo una ventana para el enlace codificado.

• QR Droid 
• Beetag Reader 
• UpCode Reader 
• I.nigma Reader 
• QuickMark Reader 
• QRafter 
• RedLaser 
• Tingiz
• Scan 
• 1QR

2. Marcadores

Un marcador o patrón es una imagen que la computadora procesa, y de acuerdo a la programación definida para esa imagen, le incorpora objetos 3D, videos, gráficos, entre otros.

• ARcrowd 
• LearnAR 
• Aumentaty 
• AR-media plugin para Google 
• Sketchup 
• ARToolkit

3. Imágenes

Las imágenes funcionan igual que los marcadores, pero a diferencia de estos, la programación se encuentra en la imagen, la cual debe tener una alta resolución.

• Layar 
• ColAR Mix 
• Aurasma 
• Junaio GLUE 

           http://es.slideshare.net/tecnotic/junaio-glue-realidad-aumentada-nft-a-lo-fcil

• ChromVille 
• Daqri

          http://www.daqri.com

• Glogster 
• ChatterPix Kids 
• iMotion HD

Basados en localización

• EspiRA (Educared) 
• AumentaME 
• Mixare

Leer más...

Modelos Computacionales en Realidad Virtual

En Realidad Virtual existen tres tipos de modelos computacionales que permiten configurar la realidad virtual exitosamente:

1. Modelo geométrico 

Se encarga del nivel gráfico:
 
 Visualización de un EV3D 

• Tipos de formatos gráficos 
• Órdenes de dibujado

Basado en un conjunto de primitivas poligonales, líneas, superficies, texto, etc.

Hardware dedicado 

•       Dibujar millones de polígonos por seg.

Tecnología utilizada: 

Lenguaje de modelado VRML (Virtual Reality Modeling Language) 

• APIs (Application Programmer’s Interface) 
• Open GL-Performer 
• Open Inventor Java 3D

Actores 3D de aspecto humanoide 

Personajes o cuerpos articulados: Se diseñan, se modelan, y se integran en el EV3D. 

Permiten deformaciones geométricas asociadas a articulaciones. Gran coste computacional.

2. Modelo de comportamiento

Se encarga del comportamiento dinámico (cambios) de todos los objetos y actores 3D del EV3D: orientación, color, posición, etc. 

EV3D clásicos 

• El modelo de comportamiento es muy dependiente del modelo geométrico. 
• Problema: Los comportamientos de los objetos son independientes del estado de su entorno.

3. Modelo de interacción con el usuario

• El sistema registra posición, orientación y rutas de navegación del usuario, y la imagen es calculada desde su punto de vista. 
• Sólo puede interactuar con objetos que se encuentren dentro de su campo de visión. 
• A veces, los nodos del grafo de escena del usuario tienen poca representatividad, omitiendo información (posición de los ojos, del torso, de las manos, etc.) 

               - En VRML, el avatar del usuario tiene altura, anchura y longitud máxima de sus pasos.
               - En SVE, tiene manos, ojos, cabeza, etc.

Referencia:

Espinosa, Koldo (2016). Aplicaciones y servicios para educación 3D:

mundos virtuales y juegos pedagógicos. Máster de Investigación en Tecnología, Aprendizaje y Educación UPV / EHU. Madrid.

Leer más...

Evolución de la educación: una necesidad ??

En este mundo, todo evoluciona constantemente, y el área de la educación no se queda atrás. Así como las personas evolucionamos, presentamos cambios y transformaciones, en esa misma medida lo hace la educación.

Entre los motivos que provocan la evolución necesaria de la educación, se encuentran:

• Fracaso escolar

• El apoyo de las TICs

• El reto del proceso de Bolonia

• Aprendizaje basado en competencias: necesario nuevas metodologías

• El nuevo perfil de los jóvenes (interfaces de EV3D, avatares, aplicaciones de comunicación social)

• Daniel Goleman (su teoría de inteligencia emocional): juegos pedagógicos, con procedimientos emocionales.

Leer más...

CÓDIGOS QR CON KOLDO ESPINOSA

Lee el Código QR y podrás accesar mi blog

Leer más...

T3: ¿Realmente existe una interacción entre calificación, grupo y sexo?

A continuación, presento el procedimiento a seguir para la solución de la tarea T3, asignada por el profesor Oskar Casquero, para evaluar nuestras competencias en análisis estadístico.


Planteamiento:
Unos investigadores desarrollan un nuevo entorno virtual de aprendizaje basado en Google Apps. Para evaluar la incidencia de la utilización de este nuevo entorno en las calificaciones de los estudiantes, durante dos años se realiza un estudio de caso con dos grupos de estudiantes: un grupo de control que utiliza Moodle y un grupo experimental que utiliza Google Apps; el reparto de sujetos entre ambos grupos se realiza siguiendo un criterio de paridad de sexo.


Objetivos:

• Analizar si existen diferencias estadísticamente significativas en las calificaciones en función del grupo y del sexo. 
• Calcular si existe una interacción estadísticamente significativa entre las variables grupo y sexo. 

Hipótesis de investigación:
La calificación promedio de los estudiantes que usan Moodle es diferente a la calificación promedio de los estudiantes que usan Google Apps,en función del sexo.


Procedimiento
Primeramente descargamos desde Dropbox el archivo que contiene los datos a ser analizados,   Notas-2grupos-v3.csv. (Figura 1)

Figura 1

Ya que tenemos el archivo descargado, procedemos a importarlo en una hoja de trabajo de Excel (Figura 2).

Figura 2

Elegimos el archivo a importar, y luego especificamos si estará delimitado por un caracter y si el archivo incluye los encabezados de cada columna. (Figura 3)

Figura 3

Especificamos el tipo de caracter que está sirviendo como delimitador. En este caso, se usa el punto y coma (;). (Figura 4)

Figura 4

Establecemos el tipo de datos que se almacena en cada columna. Debido a que son tipos de datos diferentes, elegimos general, que aplica a cualquier tipo de dato.

Figura 5

Seleccionamos ahora donde colocar los datos importados, puede ser en la hoja de trabajo activa o en una nueva hoja de trabajo.

Figura 6

La siguiente imagen (Figura 7) muestra como aparecen los datos, organizados en filas y columnas. Como se puede ver, la tabla tiene 4 columnas o variables (sujeto, grupo, nota y sexo).

Figura 7

Observo y Reflexiono

Por simple observación, podríamos decir que es evidente la existencia de una distribución de datos con notoria diferencia significativa, donde las calificaciones varían tanto por sexo, como por grupo. Observo además, que el grupo que usó Google Apps, obtuvo mayores calificaciones, predominando los hombres con mayor calificación que las mujeres. Pero como la estadística, no es solo observación, sino análisis, procederemos a elaborar un gráfico de interacción entre las variables grupo y sexo, como variables independientes y notas, como variable dependiente.

Para esto, calculamos los promedios con las siguientes fórmulas, combinando las variables grupo y sexo, es decir: Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female, como se visualiza más abajo (Figura 8).

Figura 8

Dibujo el gráfico de interacción

Dibujamos un gráfico de interacción con las medias de las calificaciones obtenidas, y este es el resultado (Figura 9).

Figura 9

Al observar el gráfico, nos percatamos que debido a que los dos factores de la investigación (grupo y sexo) interactúan, esto nos dice que el efecto del factor grupo, depende del nivel del factor sexo. 

En otras palabras, que existe una relación de dependencia entre las variables grupo, sexo y nota y por eso ocurre tal interacción. Por tanto, los resultados que refleja el gráfico en cierta forma coincidieron con lo observado anteriormente, donde se denotó que las calificaciones de un grupo y un sexo determinado presentaban un mayor valor. Esto se muestra en el gráfico, donde con las medias obtenidas se visualiza que los hombres que usaron Moodle obtuvieron las notas más bajas de los cuatro grupos, mientras que los hombres que usaron Google Apps obtuvieron las más altas de los cuatro grupos. 

Por otro lado, las mujeres que usaron Moodle, a pesar de que no obtuvieron las notas más bajas de los cuatro grupos, obtuvieron una calificación menor que la obtenida por las mujeres que usaron Google Apps. Es decir, que usando Moodle, las mujeres obtienen mejores calificaciones, mientras que usando Google Apps, los hombres son los que obtienen las mayores calificaciones.

Figura 10

¿Qué les parece si verificamos si existen diferencias estadísticamente significativas en las calificaciones, en función del grupo y el sexo?

Iniciamos importando el conjunto de datos en la herramienta Rstudio, para habilitar las variables para su cálculo (Figura 11).

Figura 11

Realizamos las siguientes fórmulas con el objetivo de crear 4 subconjuntos en función del grupo y el sexo: grupomoodlem, grupomoodlef, grupogooglem y grupogooglef (Figura 12).

Figura 12

Usando el comando tapply, vamos a calcular las medias por grupo y sexo.

Figura 13

Ahora, calculamos la t de Student, para los subconjuntos que usaron Moodle y para los dos subconjuntos que usaron Google Apps (Figura 14). Es decir, verificaremos si los hombres que usaron Google Apps, efectivamente tienen mayores calificaciones, que las mujeres que también usaron Google Apps.  Del mismo modo, verificaremos si las mujeres que usaron Moodle, efectivamente tienen mayores calificaciones, que los hombres que también usaron Moodle. 

Figura 14

No se ustedes, pero yo estoy sorprendida, ya que, aunque los valores de las medias para los cuatro grupos es diferente, el p-value presenta el mismo valor (0.5 %). Por tanto, en ambos casos existen diferencias estadísticamente significativas en las calificaciones en función del grupo y el sexo         (p-value <  5%). Esto es midiendo la sgnificancia estadística en el mismo grupo, pero diferente sexo. 

Sin embargo, más interesante aún es observar que el p-value es igual en ambos casos, y creo que se debe a la interacción que existe entre las variables grupo, sexo y nota. Lo verificaré más adelante con la función AOV().

Vamos ahora hacer lo contrario, vamos a medir si existen diferencias estadísticamente significativas tomando en cuenta el mismo sexo, pero diferentes entornos. Es decir, comprobaremos si podemos afirmar que las mujeres que usaron Google Apps obtuvieron mejores calificaciones que aquellas que usaron Moodle, y lo mismo para los hombres (Figura 15).

Figura 15

Aquí observamos, contrario al caso anterior, que no podemos afirmar que las mujeres que usan Google Apps obtienen mejores notas que las que usan Moodle, debido a que p-value es igual a 10% (p-value > 5%). Sin embargo, el caso de los hombres es diferente, ya que ciertamente podemos afirmar que los hombres que usan Google Apps obtienen mejores calificaciones que aquellos que usan Moodle, con un p-value igual a 0.00002% (p-value < 5%), y casi igual a cero.

Ahora uso AOV() para verificar si además existe una interacción estadísticamente significativa entre las variables grupo y sexo (Figura 16).

Figura 16

Con los resultados de la fórmula AOV(), se puede concluir que existen evidencias suficientemente fuertes como para apoyar la afirmación de que existe una interacción estadísticamente significativa entre las variables grupo y sexo (p-value <  5%).

Al parecer puede haber un efecto principal del entorno de trabajo y del sexo como resultado de las calificaciones de los estudiantes. También parece que hay un efecto principal del entorno, los que usaron Google Apps obtuvieron mejores calificaciones. Sin embargo, el efecto de la variable del entorno depende del sexo (y viceversa): los de sexo masculino obtuvieron las mejores calificaciones, pero los de sexo femenino obtuvieron las calificaciones más bajas.

Leer más...