Impacto del juez automático LearnSQL en el aprendizaje de las bases de datos relacionales

• Enrique Martín ^[1] ; Manuel Montenegro ^[1] ; Adrián Riesco ^[1] ; Rubén Rubio ^[1] ; Fernando Sáenz ^[1]
  1. [1] Universidad Complutense de Madrid

     Universidad Complutense de Madrid

     Madrid, España

     
• Localización: IV Jornada «Aprendizaje Eficaz con TIC en la UCM» / coord. por José Luis Ayala Rodrigo , 2025, ISBN 978-84-669-3921-8, págs. 43-54
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • Las bases de datos son un tema clave en muchas titulaciones técnicas universitarias. Dado su marcado carácter práctico, los estudiantes necesitan resolver numerosos ejercicios antes de dominar los distintos aspectos involucrados, como la consulta y modificación de la base de datos, la escritura de código procedural (funciones y procedimientos) y la definición de disparadores, entre otros. En este contexto, es fundamental contar con un número significativo de ejercicios disponibles, pero también con una retroalimentación oportuna que permita detectar y corregir errores. Por ello, los jueces automáticos en línea, que ejecutan las soluciones de los estudiantes y generan una retroalimentación inmediata, constituyen herramientas valiosas para la práctica docente.

    En este artículo evaluamos el impacto real del uso del juez automático LearnSQL para la práctica libre en un curso de bases de datos a lo largo de cuatro años académicos. Para ello, comparamos las calificaciones obtenidas en un curso académico en el que no se utilizó el juez automático con las de los tres años posteriores, en los que sí se hizo uso de esta herramienta. Los resultados muestran que las calificaciones finales son estadísticamente más altas en los años en los que los estudiantes utilizaron el juez automático, lo que evidencia un impacto positivo en el aprendizaje de bases de datos. Asimismo, los datos reflejan que cuanto mayor es el uso del juez automático por parte del alumnado, mejores son sus calificaciones finales. Además de estos hallazgos, hemos estudiado si el impacto del juez automático es homogéneo entre los grupos de estudiantes con mejor rendimiento académico, concluyendo que esta herramienta es menos efectiva para mejorar el aprendizaje en aquellos estudiantes con un desempeño sobresaliente y alta motivación en el curso de bases de datos.

• Referencias bibliográficas
  • Anderson, Lorin W., y David R. Krathwohl. 2001. A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational...
  • Brita-Paja, José Luis, Carlos Gregorio, Luis Llana, Cristóbal Pareja, y Adrián Riesco. 2019. «Introducing MOOC-like methodologies in a face-to-face...
  • CC2020 Task Force. «Computing Curricula» Computing Curricula 2020: Paradigms for Global Computing Education. Diciembre de 2020. https://doi.org/10.1145/3467967.
  • Martin-Martin, Enrique, Manuel Montenegro, Adrián Riesco, y Rubén Rubio. 2022. «Improving Database Learning with an Automatic Judge.» Editado...
  • Mitrovic, Antonija, y Stellan Ohlsson. 2016. «Implementing CBM: SQL-Tutor After Fifteen Years.» Int. J. Artif. Intell. Educ. 26: 150–159.
  • Sadiq, Shazia Wasim, Maria E. Orlowska, Wasim Sadiq, y Joe Y.-C. Lin. 2004. «SQLator: an online SQL learning workbench.» Editado por Roger...
  • Sáenz-Pérez, Fernando. 2011. «DES: A Deductive Database System.» Electron. Notes Theor. Comput. Sci. (Elsevier Science Publishers B. V.) 271...