La tecnología de seguimiento ocular se utiliza como una herramienta de apoyo en el estudio del comportamiento humano y se puede aplicar en distintos campos entre los que se encuentra el ámbito educativo (Tsai et al., 2022). Concretamente, en dicho entorno la tecnología de seguimiento ocular se puede utilizar para estudiar los niveles atencionales y su relación con los procesos cognitivos en los aprendices (Taub & Azevedo, 2019) durante la resolución de una tarea (Ollesch et al., 2021). Como ya se ha señalado, esta tecnología proporciona métricas estáticas y dinámicas. Las primeras incluyen diversos parámetros (duración, frecuencia, velocidad, número, en fijaciones y sacadas y dilatación de la pupila, etc.) (Merchie et al., 2022). El objetivo final del análisis de dichas métricas es detectar los patrones de conductas de interacción con el estímulo y, en función de los resultados de aprendizaje, determinar cuál de ellos es más efectivo (Chango et al., 2022). Concretamente, las ventajas que ofrecen las métricas estáticas en el ámbito educativo se relacionan con el conocimiento que proporcionan al profesorado sobre los niveles atencionales y de esfuerzo cognitivo que experimenta el estudiantado durante la resolución de distintos tipos de tareas (Prokop et al., 2020; Shojaeizadeh et al., 2019; Yang & Wang, 2023). Estos datos van a permitir al profesorado la adaptación del contenido y la estructura de las tareas de aprendizaje a las necesidades de cada estudiante, impulsando la personalización del aprendizaje (Chemerys & Ponomarenko, 2022; Ollesch et al., 2021).

También, la tecnología de seguimiento ocular registra métricas dinámicas, que hacen referencia al rastreo de la trayectoria espacial y temporal del recorrido visual mientras el estudiante resuelve una tarea (Diwanji, 2022; van-Marlen et al., 2018). El profesorado puede diferenciar dentro de los estímulos (elementos de los que consta una tarea de aprendizaje) las Áreas de Interés relevantes (AOI) (hacen referencia a la información más importante estimada por el docente) vs. no relevantes (refieren la información menos importante estimada). Una vez realizada la diferenciación de las AOI se pueden obtener los patrones de conducta del estudiantado dentro del estímulo de aprendizaje aplicado (Coskun & Cagiltay, 2022; Merchie et al., 2022; Tsai et al., 2022). Posteriormente, se podrá analizar la relación entre dichos patrones y los resultados de aprendizaje (McLeod et al., 2022; Ollesch et al., 2021) diferenciando los más eficaces (Feng & Law, 2021; McLeod et al., 2022; Merchie et al., 2022; Tsai et al., 2022; Yang & Wang, 2023). En síntesis, estos datos permitirán al profesorado realizar orientaciones pedagógicas específicas dirigidas especialmente al estudiantado con resultados menos satisfactorios (Molina et al., 2017; Sáiz-Manzanares et al., 2021b).

La tecnología de seguimiento ocular en la última década ha avanzado mucho en cuanto al manejo. En la actualidad, los equipos de seguimiento ocular pueden aplicarse en contextos naturales con más fluidez (Schweizer et al., 2022). Asimismo, esta tecnología se puede incorporar a dispositivos de realidad aumentada (Thees et al., 2022), realidad virtual (Chango et al., 2022; Mills et al., 2016; Rother & Spiliopoulou, 2022; Yang & Wang, 2023) o en dispositivos móviles (Kuhnel et al., 2018). Todas estas funcionalidades van a facilitar la aplicabilidad de dicha tecnología en la enseñanza habitual. No obstante, su utilización en el contexto educativo presenta retos importantes para el profesorado. En primer lugar, aunque los dispositivos de seguimiento ocular han reducido su volumen y pueden utilizarse en espacios fuera de un laboratorio siguen exigiendo una cualificación para su manejo.

El proceso de uso en el ámbito educativo implica: 1) el diseño de la tarea de aprendizaje; 2) la integración de dicha tarea en el dispositivo de seguimiento ocular; 3) la calibración del ajuste de la mirada del estudiantado a la pantalla; y 4) una vez realizada la tarea de aprendizaje hay que extraer, depurar, tratar e interpretar los datos registrados. Actualmente, la tecnología de seguimiento ocular ofrece de forma automática interpretaciones sencillas de los registros. No obstante, en estos dispositivos no se incluyen todas las posibilidades de tratamiento y análisis de los datos.

La dificultad en este punto estriba en el gran volumen de datos que dicha tecnología recoge (Sáiz-Manzanares et al., 2020). Esta funcionalidad es muy relevante, pero exige la aplicación de técnicas de «Educational Data Mining» (EDM) para el correcto análisis e interpretación de los resultados (Chango et al., 2022; Feng & Law, 2021). Dichas técnicas hacen referencia a la utilización de algoritmos de aprendizaje automático («Machine Learning») para el análisis de datos educativos (Bogarín et al., 2018). En síntesis, la utilización de la tecnología de seguimiento ocular en el contexto educativo es prometedora. Sin embargo, para su buen uso se precisa de un plan de formación del profesorado en los aspectos anteriormente indicados.

La tecnología de seguimiento ocular tiene la funcionalidad de poder incluir otros dispositivos de registro como son la medición de la respuesta psicogalvánica de la piel (GSR) (He et al., 2022), del registro electroencefalográfico (EEG) (Luo & Zhou, 2020; Scharinger et al., 2020), y de la grabación de la cara del aprendiz para un posterior análisis de las emociones durante la ejecución de una tarea. Esta tecnología, dependiendo del grado de sofisticación del equipo, también puede facilitar la integración de estas métricas en multirregistros. Estos permitirán una mayor fiabilidad en las interpretaciones sobre el proceso de aprendizaje de un estudiante (Alemdag & Cagiltay, 2018), si bien su aplicación se deberá hacer en entornos de laboratorio. Asimismo, hay que considerar que aportarán información sobre el procesamiento de la información del estudiantado durante la ejecución de distintos tipos de tareas (Giannakos et al., 2019). Como ya se ha indicado anteriormente, en este contexto, el diseño de la tarea es fundamental.

La razón es que dependiendo de la forma de aprender de cada aprendiz una presentación u otra de la misma tarea será más o menos efectiva en su proceso de aprendizaje. En esta línea, los estudios de análisis multicanal (Azevedo & Gašević, 2019; Taub et al., 2017) han concluido que las tareas que se ofrecen a través de un canal dual (visual y auditivo) incrementan la carga cognitiva en el procesamiento de la información (Souchet et al., 2022). Asimismo, las tareas que se presentan en vídeo y que exigen la aplicación de un conocimiento procedimental suponen una mayor carga cognitiva para el estudiante (Pi & Hong, 2016). De otro lado, parece que la inclusión de gráficos o de esquemas en las tareas disminuye la carga cognitiva y facilita la comprensión (Fiorella, 2022). No obstante, para la interpretación de estos resultados se precisa aplicar técnicas de EDM, seguidamente se describen las más significativas.

Las técnicas de EDM se pueden definir como la aplicación de técnicas de Minería de Datos (MD) en el ámbito educativo (Chango et al., 2022). Específicamente, las técnicas de MD utilizan parte de las técnicas de Aprendizaje Automático. Dentro de estas últimas se diferencian las supervisadas que incluyen las técnicas de predicción (Seinen et al., 2022) y las de clasificación (Díez-Pastor et al., 2014); y las técnicas no supervisadas, entre las que se encuentran las de «clustering» (Sáiz-Manzanares et al., 2021a). En la Tabla 2 se puede consultar una relación de las técnicas de EDM más significativas en el ámbito educativo.

Evidentemente el registro en el que se incluye la grabación de las ejecuciones del estudiantado durante la realización de tareas conlleva retos éticos. Estos se centran en la necesaria autorización por parte del estudiante para participar en este tipo de enseñanza. Esta autorización conlleva recelos añadidos, ya que se graba una ejecución y esta puede incluir también la imagen. Por ello, este procedimiento de trabajo podría producir sesgos respecto de la autorización de unos estudiantes sobre otros. La razón es que los estudiantes que participasen en esta propuesta docente recibirían una retroalimentación para mejorar su patrón de conductas de aprendizaje y los no participantes no. Este aspecto indudablemente generaría una situación de brecha de desigualdad en la intervención pedagógica. Esta podría conllevar un incremento en las diferencias de rendimiento académico de los estudiantes que no aceptasen participar en este tipo de propuesta docente.

En síntesis, la utilización de la tecnología de seguimiento ocular tiene una aplicabilidad prometedora en el ámbito educativo, ya que va a permitir al profesorado obtener registros sobre la forma de procesar información en sus estudiantes. Asimismo, en función del análisis de dichos registros, el docente podrá conocer los patrones de conducta durante el aprendizaje. Toda esta información previsiblemente ayudará al profesorado en la personalización del diseño de las tareas de aprendizaje, lo que facilitará una respuesta educativa adaptada a las necesidades de cada estudiante. Este aspecto facilitará la atención a la diversidad y previsiblemente fomentará una mayor inclusión académica. Atendiendo a lo anteriormente señalado, las preguntas de investigación (PI) de este trabajo fueron:

Se trabajó con una muestra no probabilística de conveniencia (fundamentada en la aceptación de la participación en el estudio) de 20 estudiantes universitarios de tres universidades: 7 de la Universidad de Burgos (UBU) (3 mujeres M_edad=22 años, DT_edad=2,00; 4 hombres M_edad=21 años, DT_edad=1,41) 11 de la Universidad de Valladolid (UVA) (8 mujeres M_edad=22,38 años, DT_edad=2,77; 3 hombres M_edad=24 años, DT_edad=1,00) y 2 de la Universidad de Miño en Portugal (UMINHO) (2 mujeres M_edad=21,50 años, DT_edad=0,70).

Se diferenció entre estudiantado con y sin conocimientos previos, dicha diferenciación se efectuó atendiendo a la rama de conocimiento del estudiantado. Se consideraron estudiantes con conocimientos previos a estudiantes que cursaban estudios de Historia del Arte (n=7) y estudiantes sin conocimientos previos a estudiantes que cursaban estudios de Psicología (n=5) y Educación (n=8).

a) Equipo Tobii Pro Lab versión 1.194.41215 y monitor de 15,6 pulgadas con una resolución de 1920 X 1080. En este estudio se aplicaron 64 Hz. En este estudio se utilizaron métricas estáticas que se analizaron con el paquete de software estadístico SPSS v. 28 (IBM, 2022). También, se hallaron métricas dinámicas a través del «gaze point» que ofrece Tobbi y se utilizó Orange 3.33.0 para la generación de gráficos de tipo mapa de calor.

b) Estímulos aplicados en la tecnología de seguimiento ocular. Se utilizó un vídeo autorregulado sobre la evolución de los monasterios en Europa. Una voz iba locutando la información haciendo inflexiones de voz sobre los datos más importantes. Asimismo, se incluyeron en el vídeo esquemas y gráficos que sintetizaban el contenido más relevante. La información para elaborar el vídeo se extrajo del «Kit de herramientas para la transferencia del proyecto SmartArt» esta documentación se puede consultar en https://bit.ly/3CPkEwq. El proyecto «SmartArt» fue cofinanciado por la Unión Europea (la información se puede consultar en http://bit.ly/3kLeF5J). Asimismo, el vídeo utilizado en este estudio está disponible en http://bit.ly/3VzdMd9. En dicho vídeo se diferenciaron las siguientes AOI: 1 AOI no relevante- AOI_NR1- (imagen de un avatar), y 3 AOI relevantes: AOI Relevante 1 -AOI R1- (esquema de los conceptos relevantes); AOI Relevante 2 -AOI R2- (síntesis del contenido más relevante locutado) y AOI Relevante 3 -AOI R3- (conceptos clave de la información locutada). Un ejemplo de la definición de las AOI se puede consultar en la Figura 1.

c) Prueba de conocimientos sobre los conceptos vistos en el vídeo. Esta prueba constaba de 9 preguntas sobre los conceptos más referenciales trabajados en el vídeo. Las preguntas se extrajeron del «Kit de herramientas para la transferencia del proyecto SmartArt». En concreto, se aplicaron las 9 primeras preguntas del «Cuestionario de autoevaluación 1. Nivel básico» (p. 63-64) que pueden consultarse en https://bit.ly/3CPkEwq.

Previamente a la realización del estudio se obtuvo el informe positivo del Comité de Bioética de la UBU (IR 27/2019). Seguidamente, se ofreció a estudiantes universitarios de la UBU, UVA y UMINHO la posibilidad de participar en este estudio. A continuación, el estudiantado que aceptó firmó un consentimiento informado de participación voluntaria sin compensación. La fase experimental se realizó de forma individualizada con cada participante en dos salas (una en la UBU y otra en la UVA) en las cuales se controlaron las condiciones de luminosidad y de ausencia de estímulos distractores. El experimento fue aplicado en todos los casos por la misma investigadora experta en el uso de esta tecnología.

Este trabajo se enmarca dentro de un estudio exploratorio. Para contrastar la PI1 dadas las características de la muestra se aplicó un diseño cuasiexperimental sin grupo control donde la variable independiente fue «conocimientos previos sobre Historia del Arte» y las variables dependientes fueron los parámetros de carga cognitiva y los resultados de aprendizaje. Asimismo, para contrastar las PI2 y PI3 se aplicó un diseño descriptivo (Campbell & Stanley, 2005).

Al utilizarse un muestreo no probabilístico de conveniencia y ser la muestra inferior a 30 participantes se utilizó para el contraste de las IP estadística no paramétrica. Para contrastar la PI1 se aplicó la prueba U de Mann-Whitney y se calculó el tamaño del efecto no paramétrico r tomando como puntos de corte: (a) hasta 0,30, bajo; (b) de 0,30 a 0,50 medio; y (c) superior a 0,50 alto. Para ello, se utilizó el paquete estadístico SPSS v. 28 (IBM Corp, 2022). Para contrastar la PI2 se aplicó la prueba de análisis de clústeres de k-means que se realizó con el paquete estadístico SPSS v. 28 (IBM Corp, 2022). También, se utilizaron técnicas de visualización de mapas de calor y de «clustering» para ello se utilizó el software de Aprendizaje Automático y de técnicas de visualización de datos Orange 3.33.0 (Demšar et al., 2013). Finalmente, para contrastar la PI3 se utilizó la visualización de análisis de patrones («gaze point») que ofrece Tobii Pro Lab versión 1.194.41215.