MODALIDADES DE APRENDIZAJE Y
RENDIMIENTO ACADÉMICO EN ASIGNATURAS
FUNDAMENTALES DE INGENIERÍA EN EL
ESCENARIO COVID-19
LEARNING MODALITIES AND ACADEMIC PERFORMANCE IN CORE
ENGINEERING SUBJECTS WITHIN THE COVID-19 SCENARIO
Patricia Eulalia Guevara Vallejo
Universidad de las Fuerzas Armadas – ESPE – Ecuador
Emma Claudina Guevara Vallejo
Universidad de las Fuerzas Armadas – ESPE - Ecuador
Nury Gabriela Ortiz
Universidad de las Fuerzas Armadas – ESPE – Ecuador
Zuñiga Godoy Raquel Jemima
Universidad de las Fuerzas Armadas – ESPE – Ecuador
Mena López Vanessa Mariela
Universidad Central del Ecuador - Ecuador
pág. 6440
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22754
Modalidades de aprendizaje y rendimiento académico en asignaturas
fundamentales de ingeniería en el escenario Covid-19
Patricia Eulalia Guevara Vallejo1
peguevara@espe.edu.ec
https://orcid.org/0000-0002-2408-2018
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Emma Claudina Guevara Vallejo
ecguevara@espe.edu.ec
https://orcid.org/0009-0001-8190-2369
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Nury Gabriela Ortiz
ngortiz1@espe.edu.ec
https://orcid.org/0000-0003-0761-3494
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Zuñiga Godoy Raquel Jemima
peguevara@espe.edu.ec
https://orcid.org/0009-0007-7015-8822
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Mena López Vanessa Mariela
vmmena@uce.edu.ec
https://orcid.org/0000-0002-9248-4684
Universidad Central del Ecuador
Ecuador
RESUMEN
En el contexto de la pandemia por COVID-19, las instituciones de educación superior con modalidad
presencial en Ecuador implementan abruptamente la modalidad virtual, por lo que resulta interesante
analizar el rendimiento académico de estudiantes de ingeniería en tres tratamientos clave que combinan
la modalidad de estudios y el periodo: antes (presencial), durante (virtual) y después de la pandemia
(presencial). Para ello se aplica un diseño cuantitativo, transversal y explicativo con estudiantes
matriculados entre 2019 y 2024 en Cálculo Diferencial e Integral, Estadística, Física I y Química I. La
prueba no paramétrica de Kruskal -Wallis (α = 0.05) en cada asignatura determina diferencias
significativas (p < 0.001) con respecto a los tres tratamientos. Las pruebas post hoc Dunn confirman
diferencias en las comparaciones de pares de medias, excepto en Estadística entre los periodos antes y
después de la pandemia (p = 0.108). En comparaciones unilaterales (Wilcoxon), la modalidad virtual
presenta calificaciones promedio más altas que la modalidad presencial. Al retornar a la presencialidad,
se incrementan las tasas de reprobación, alcanzando un 55% en Cálculo y un 16% en Estadística. Se
evidencia el impacto de la transición de modalidad sobre el rendimiento académico en asignaturas
fundamentales para estudiantes de ingeniería.
Palabras clave:ingeniería; rendimiento académico; modalidad; pandemia
1 Autor principal.
Correspondencia: peguevara@espe.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22754
Modalidades de aprendizaje y rendimiento académico en asignaturas
fundamentales de ingeniería en el escenario Covid-19
Patricia Eulalia Guevara Vallejo1
peguevara@espe.edu.ec
https://orcid.org/0000-0002-2408-2018
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Emma Claudina Guevara Vallejo
ecguevara@espe.edu.ec
https://orcid.org/0009-0001-8190-2369
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Nury Gabriela Ortiz
ngortiz1@espe.edu.ec
https://orcid.org/0000-0003-0761-3494
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Zuñiga Godoy Raquel Jemima
peguevara@espe.edu.ec
https://orcid.org/0009-0007-7015-8822
Universidad de las Fuerzas Armadas – ESPE
Ecuador
Mena López Vanessa Mariela
vmmena@uce.edu.ec
https://orcid.org/0000-0002-9248-4684
Universidad Central del Ecuador
Ecuador
RESUMEN
En el contexto de la pandemia por COVID-19, las instituciones de educación superior con modalidad
presencial en Ecuador implementan abruptamente la modalidad virtual, por lo que resulta interesante
analizar el rendimiento académico de estudiantes de ingeniería en tres tratamientos clave que combinan
la modalidad de estudios y el periodo: antes (presencial), durante (virtual) y después de la pandemia
(presencial). Para ello se aplica un diseño cuantitativo, transversal y explicativo con estudiantes
matriculados entre 2019 y 2024 en Cálculo Diferencial e Integral, Estadística, Física I y Química I. La
prueba no paramétrica de Kruskal -Wallis (α = 0.05) en cada asignatura determina diferencias
significativas (p < 0.001) con respecto a los tres tratamientos. Las pruebas post hoc Dunn confirman
diferencias en las comparaciones de pares de medias, excepto en Estadística entre los periodos antes y
después de la pandemia (p = 0.108). En comparaciones unilaterales (Wilcoxon), la modalidad virtual
presenta calificaciones promedio más altas que la modalidad presencial. Al retornar a la presencialidad,
se incrementan las tasas de reprobación, alcanzando un 55% en Cálculo y un 16% en Estadística. Se
evidencia el impacto de la transición de modalidad sobre el rendimiento académico en asignaturas
fundamentales para estudiantes de ingeniería.
Palabras clave:ingeniería; rendimiento académico; modalidad; pandemia
1 Autor principal.
Correspondencia: peguevara@espe.edu.ec
pág. 6441
Learning modalities and academic performance in core engineering subjects
within the Covid-19 scenario
ABSTRACT
In the context of the COVID-19 pandemic, higher education institutions in Ecuador abruptly
implemented online learning modalities. Therefore, it is interesting to analyze the academic performance
of engineering students across three key treatment periods that combine the study modality and
timeframe: before (in-person), during (online), and after the pandemic (in-person). A quantitative, cross-
sectional, and explanatory design was applied to students enrolled between 2019 and 2024 in
Differential and Integral Calculus, Statistics, Physics I, and Chemistry I. The non-parametric Kruskal-
Wallis test (α = 0.05) in each subject determined significant differences (p < 0.001) across the three
treatment periods. Dunn's post-hoc tests confirmed differences in pairwise comparisons of means,
except in Statistics between the periods before and after the pandemic (p = 0.108). In one-sided
comparisons (Wilcoxon), the online modality shows higher average grades than the in-person modality.
Upon returning to in-person instruction, failure rates increase, reaching 55% in Calculus and 16% in
Statistics. The impact of the modality transition on academic performance in fundamental subjects for
engineering students is evident.
Keywords: engineering; academic performance; mode; pandemic
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
Learning modalities and academic performance in core engineering subjects
within the Covid-19 scenario
ABSTRACT
In the context of the COVID-19 pandemic, higher education institutions in Ecuador abruptly
implemented online learning modalities. Therefore, it is interesting to analyze the academic performance
of engineering students across three key treatment periods that combine the study modality and
timeframe: before (in-person), during (online), and after the pandemic (in-person). A quantitative, cross-
sectional, and explanatory design was applied to students enrolled between 2019 and 2024 in
Differential and Integral Calculus, Statistics, Physics I, and Chemistry I. The non-parametric Kruskal-
Wallis test (α = 0.05) in each subject determined significant differences (p < 0.001) across the three
treatment periods. Dunn's post-hoc tests confirmed differences in pairwise comparisons of means,
except in Statistics between the periods before and after the pandemic (p = 0.108). In one-sided
comparisons (Wilcoxon), the online modality shows higher average grades than the in-person modality.
Upon returning to in-person instruction, failure rates increase, reaching 55% in Calculus and 16% in
Statistics. The impact of the modality transition on academic performance in fundamental subjects for
engineering students is evident.
Keywords: engineering; academic performance; mode; pandemic
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
pág. 6442
INTRODUCCIÓN
La pandemia por COVID-19 generó una disrupción sin precedentes en la educación superior a nivel
global, afectando de manera generalizada los sistemas universitarios en más de 150 países. Instituciones
de todos los continentes enfrentaron cierres abruptos, transiciones forzadas a entornos virtuales y
limitaciones severas en sus funciones fundamentales de enseñanza, investigación y vinculación. Según
el informe de la International Association of Universities (IAU), esta crisis impactó no solo la
continuidad académica, sino también la equidad en el acceso, la sostenibilidad financiera institucional
y la movilidad internacional, consolidándose como uno de los mayores desafíos contemporáneos para
la educación superior (Aguilera-Hermida, 2020). Un metaanálisis realizado por Betthauser et al. (2023)
(Betthäuser et al., 2023), compila 42 estudios, encontró un efecto negativo generalizado en el
rendimiento académico durante la pandemia, con especial incidencia en el área de matemáticas y
ciencias, siendo los estudiantes universitarios uno de los grupos más afectados, ya sea por la interrupción
de rutinas escolares, la escasa interacción presencial y las desigualdades en el acceso a tecnologías; lo
que evidenciaría posibles dificultades en el retorno a la presencialidad (Hammerstein et al., 2021).
El contexto universitario ecuatoriano durante la pandemia por COVID-19 también enfrentó estos
desafíos; en muchos casos, la transición ocurrió sin contar con la planificación, infraestructura ni
estándares de calidad necesarios. La suspensión o limitación de las actividades presenciales
comprometió el desarrollo de competencias disciplinares esenciales. Muchas universidades no estaban
preparadas para garantizar la continuidad académica en entornos virtuales, evidenciando desigualdades
tecnológicas y económicas, debilidades en la formación docente para la virtualidad y dificultades en la
evaluación. Estudios desarrollados en contextos europeos destacan que la educación superior tuvo que
adaptarse a un marco de enseñanza remota de emergencia, alterando fundamentalmente los métodos
tradicionales de aprendizaje (Garmpis A. et al., 2026).
Diversos estudios señalan que la transición de modalidad no siempre garantiza el logro de los resultados
de aprendizaje en áreas de alta complejidad cognitiva como las ciencias naturales, matemáticas y
estadística. La implementación de la educación virtual emergente expuso brechas tecnológicas,
pedagógicas y socioemocionales (Aguilera-Hermida, 2020). Los universitarios enfrentaron limitaciones
de conectividad, disponibilidad de dispositivos y adecuación de espacios de estudio en entornos
INTRODUCCIÓN
La pandemia por COVID-19 generó una disrupción sin precedentes en la educación superior a nivel
global, afectando de manera generalizada los sistemas universitarios en más de 150 países. Instituciones
de todos los continentes enfrentaron cierres abruptos, transiciones forzadas a entornos virtuales y
limitaciones severas en sus funciones fundamentales de enseñanza, investigación y vinculación. Según
el informe de la International Association of Universities (IAU), esta crisis impactó no solo la
continuidad académica, sino también la equidad en el acceso, la sostenibilidad financiera institucional
y la movilidad internacional, consolidándose como uno de los mayores desafíos contemporáneos para
la educación superior (Aguilera-Hermida, 2020). Un metaanálisis realizado por Betthauser et al. (2023)
(Betthäuser et al., 2023), compila 42 estudios, encontró un efecto negativo generalizado en el
rendimiento académico durante la pandemia, con especial incidencia en el área de matemáticas y
ciencias, siendo los estudiantes universitarios uno de los grupos más afectados, ya sea por la interrupción
de rutinas escolares, la escasa interacción presencial y las desigualdades en el acceso a tecnologías; lo
que evidenciaría posibles dificultades en el retorno a la presencialidad (Hammerstein et al., 2021).
El contexto universitario ecuatoriano durante la pandemia por COVID-19 también enfrentó estos
desafíos; en muchos casos, la transición ocurrió sin contar con la planificación, infraestructura ni
estándares de calidad necesarios. La suspensión o limitación de las actividades presenciales
comprometió el desarrollo de competencias disciplinares esenciales. Muchas universidades no estaban
preparadas para garantizar la continuidad académica en entornos virtuales, evidenciando desigualdades
tecnológicas y económicas, debilidades en la formación docente para la virtualidad y dificultades en la
evaluación. Estudios desarrollados en contextos europeos destacan que la educación superior tuvo que
adaptarse a un marco de enseñanza remota de emergencia, alterando fundamentalmente los métodos
tradicionales de aprendizaje (Garmpis A. et al., 2026).
Diversos estudios señalan que la transición de modalidad no siempre garantiza el logro de los resultados
de aprendizaje en áreas de alta complejidad cognitiva como las ciencias naturales, matemáticas y
estadística. La implementación de la educación virtual emergente expuso brechas tecnológicas,
pedagógicas y socioemocionales (Aguilera-Hermida, 2020). Los universitarios enfrentaron limitaciones
de conectividad, disponibilidad de dispositivos y adecuación de espacios de estudio en entornos
pág. 6443
domésticos. Estas restricciones afectaron la dimensión técnica del aprendizaje, la motivación, el
compromiso académico y la salud mental, e influyeron en el rendimiento estudiantil (Casiano et al.,
2022). El estudio realizado por Arteaga et al., (2024) (Hernández Arteaga et al., 2024) encontraron
diferencias estadísticamente significativas en los promedios obtenidos por estudiantes universitarios en
distintas modalidades, siendo más altos en la virtualidad (89.35) sobre la semipresencial (84.54) y la
presencial (79.58); sin considerar otros aspectos del contexto académico.
Un estudio postpandemia sobre el rendimiento académico de estudiantes de ingeniería reportó que los
promedios obtenidos durante la modalidad virtual fueron superiores a los registrados en la etapa
presencial (Alarcon et al., 2021); no obstante, advierten que el rendimiento disminuyó
significativamente al retornar a la presencialidad, y sugiere que las competencias técnicas y prácticas,
especialmente en asignaturas del campo de conocimiento de ciencias naturales, matemáticas y
estadística, pudieron verse limitadas durante la etapa de virtualidad extendida (Valdivia et al., 24 C.E.),
donde el desarrollo de competencias técnicas y prácticas requiere de los contenidos teóricos, y de
actividades presenciales, laboratorios con una interacción pedagógica constante. En diversas
investigaciones se ha comprobado que, los entornos virtuales con poca supervisión propician conductas
académicamente deshonestas con calificaciones infladas, dando lugar a discrepancia entre las
calificaciones y el dominio real de los contenidos (Eshet et al., 2021).
Considerando los antecedentes expuestos, este estudio se desarrolla en el contexto de la educación
superior ecuatoriana y tiene como objetivo analizar el rendimiento académico de estudiantes
universitarios de las carreras de ingeniería en asignaturas fundamentales (Cálculo Diferencial e Integral,
Estadística, Física I y Química I), tomando como factor el periodo y la modalidad de estudios en tres
momentos clave: antes de la pandemia con la modalidad de estudios presencial, durante la pandemia
con la modalidad de estudios virtual y después de la pandemia con el retorno a la presencialidad. El
diseño metodológico es cuantitativo, transversal y explicativo, se busca aportar evidencia empírica sobre
el impacto real de la modalidad de estudio en el aprendizaje en contextos tecnológicamente mediados,
proporcionando insumos para la toma de decisiones institucionales en escenarios de transformación
educativa.
domésticos. Estas restricciones afectaron la dimensión técnica del aprendizaje, la motivación, el
compromiso académico y la salud mental, e influyeron en el rendimiento estudiantil (Casiano et al.,
2022). El estudio realizado por Arteaga et al., (2024) (Hernández Arteaga et al., 2024) encontraron
diferencias estadísticamente significativas en los promedios obtenidos por estudiantes universitarios en
distintas modalidades, siendo más altos en la virtualidad (89.35) sobre la semipresencial (84.54) y la
presencial (79.58); sin considerar otros aspectos del contexto académico.
Un estudio postpandemia sobre el rendimiento académico de estudiantes de ingeniería reportó que los
promedios obtenidos durante la modalidad virtual fueron superiores a los registrados en la etapa
presencial (Alarcon et al., 2021); no obstante, advierten que el rendimiento disminuyó
significativamente al retornar a la presencialidad, y sugiere que las competencias técnicas y prácticas,
especialmente en asignaturas del campo de conocimiento de ciencias naturales, matemáticas y
estadística, pudieron verse limitadas durante la etapa de virtualidad extendida (Valdivia et al., 24 C.E.),
donde el desarrollo de competencias técnicas y prácticas requiere de los contenidos teóricos, y de
actividades presenciales, laboratorios con una interacción pedagógica constante. En diversas
investigaciones se ha comprobado que, los entornos virtuales con poca supervisión propician conductas
académicamente deshonestas con calificaciones infladas, dando lugar a discrepancia entre las
calificaciones y el dominio real de los contenidos (Eshet et al., 2021).
Considerando los antecedentes expuestos, este estudio se desarrolla en el contexto de la educación
superior ecuatoriana y tiene como objetivo analizar el rendimiento académico de estudiantes
universitarios de las carreras de ingeniería en asignaturas fundamentales (Cálculo Diferencial e Integral,
Estadística, Física I y Química I), tomando como factor el periodo y la modalidad de estudios en tres
momentos clave: antes de la pandemia con la modalidad de estudios presencial, durante la pandemia
con la modalidad de estudios virtual y después de la pandemia con el retorno a la presencialidad. El
diseño metodológico es cuantitativo, transversal y explicativo, se busca aportar evidencia empírica sobre
el impacto real de la modalidad de estudio en el aprendizaje en contextos tecnológicamente mediados,
proporcionando insumos para la toma de decisiones institucionales en escenarios de transformación
educativa.
pág. 6444
METODOLOGÍA
Esta investigación es de tipo cuantitativa, transversal y con un alcance explicativo. Se analizan las
calificaciones en los periodos académicos agrupados y asociados con la modalidad de estudios, además
de la promoción estudiantil (Aprobado, Reprobado) utilizando métodos no paramétricos para el análisis
estadístico. Es transversal, porque se toman tres grupos de estudiantes independientes, uno por cada
periodo agrupado asociado con la modalidad de estudios en torno a la pandemia por Covid-19. Es
explicativo, cuando se busca explicar la relación entre el periodo agrupado y la promoción.
La población está conformada por estudiantes matriculados en las asignaturas fundamentales como son
Cálculo Diferencial e Integral, Estadística, Física I, Química I las que se dictan en las carreras de
ingeniería de una Universidad ecuatoriana, durante doce periodos académicos entre los años 2019 y
2024, ligados a la modalidad de estudios que definen al factor de la siguiente forma: Tratamiento 1
(APMP): Antes de la pandemia, modalidad de estudios presencial con dos periodos académicos en el
año 2019; Tratamiento 2 (DPMV): Durante la pandemia, modalidad virtual con dos periodos
académicos en cada año 2020, 2021, 2022; y Tratamiento 3 (PPMP): Postpandemia, modalidad
presencial con dos periodos académicos en los años 2023, 2024. Se realizan cuatro análisis, uno por
cada asignatura. En la Tabla 1, se observa el numérico de estudiantes por asignatura.
Tabla 1. Número de estudiantes matriculados por asignatura
Cálculo Diferencial e integral Estadística Física I Química I
5996 5582 3861 5299
Las asignaturas se han seleccionado con los siguientes criterios: son comunes en las carreras de
ingenierías, tienen el mayor número de estudiantes matriculados, están vigentes y cada estudiante
pertenece a un solo periodo académico para garantizar la independencia de los grupos. Los datos de
calificaciones de cada asignatura se toman de los reportes institucionales. Estos datos censales
garantizan la veracidad de los registros académicos, eliminando errores de cobertura y contenido propios
de muestreos parciales (Biemer & Lyberg, 2003). El enfoque censal es apropiado para disminuir sesgos
de selección de datos (Zhao, 2021). Las características de selección de la población permiten extrapolar
los resultados a otras cohortes similares (Hernández-Sampieri et al., 2018).
METODOLOGÍA
Esta investigación es de tipo cuantitativa, transversal y con un alcance explicativo. Se analizan las
calificaciones en los periodos académicos agrupados y asociados con la modalidad de estudios, además
de la promoción estudiantil (Aprobado, Reprobado) utilizando métodos no paramétricos para el análisis
estadístico. Es transversal, porque se toman tres grupos de estudiantes independientes, uno por cada
periodo agrupado asociado con la modalidad de estudios en torno a la pandemia por Covid-19. Es
explicativo, cuando se busca explicar la relación entre el periodo agrupado y la promoción.
La población está conformada por estudiantes matriculados en las asignaturas fundamentales como son
Cálculo Diferencial e Integral, Estadística, Física I, Química I las que se dictan en las carreras de
ingeniería de una Universidad ecuatoriana, durante doce periodos académicos entre los años 2019 y
2024, ligados a la modalidad de estudios que definen al factor de la siguiente forma: Tratamiento 1
(APMP): Antes de la pandemia, modalidad de estudios presencial con dos periodos académicos en el
año 2019; Tratamiento 2 (DPMV): Durante la pandemia, modalidad virtual con dos periodos
académicos en cada año 2020, 2021, 2022; y Tratamiento 3 (PPMP): Postpandemia, modalidad
presencial con dos periodos académicos en los años 2023, 2024. Se realizan cuatro análisis, uno por
cada asignatura. En la Tabla 1, se observa el numérico de estudiantes por asignatura.
Tabla 1. Número de estudiantes matriculados por asignatura
Cálculo Diferencial e integral Estadística Física I Química I
5996 5582 3861 5299
Las asignaturas se han seleccionado con los siguientes criterios: son comunes en las carreras de
ingenierías, tienen el mayor número de estudiantes matriculados, están vigentes y cada estudiante
pertenece a un solo periodo académico para garantizar la independencia de los grupos. Los datos de
calificaciones de cada asignatura se toman de los reportes institucionales. Estos datos censales
garantizan la veracidad de los registros académicos, eliminando errores de cobertura y contenido propios
de muestreos parciales (Biemer & Lyberg, 2003). El enfoque censal es apropiado para disminuir sesgos
de selección de datos (Zhao, 2021). Las características de selección de la población permiten extrapolar
los resultados a otras cohortes similares (Hernández-Sampieri et al., 2018).
pág. 6445
La variable independiente es una variable de factor definida como “Periodo” alrededor de la pandemia,
descrita anteriormente. Cada asignatura es un caso, con variable dependiente “Calificación” con una
escala de valoración entre 0 y 20 puntos, sin embargo, los resultados se consolidan en una sola tabla que
resumen el procedimiento. Para el análisis comparativo de las calificaciones en los tres periodos, se
utiliza el análisis de la varianza ANOVA de un factor, cuya validez está condicionado al cumplimiento
de supuestos sobre los residuos, como son normalidad, homocedasticidad e independencia (Montgomery
& Runger, 2011). El supuesto de independencia se cumple por la forma de selección de los datos. El
supuesto de normalidad de residuos se verifica con la prueba de Kolmogorov-Smirnov por contar con
más de 500 observaciones (Habibzadeh, 2024). Para verificar el supuesto de homocedasticidad se utiliza
la prueba de Levene, que es robusta ante problemas de normalidad y con diseños no equilibrados
(Cardeña, 2021)(Kim & Cribbie, 2018). Cuando se cumplen los supuestos del ANOVA, se debe verificar
la hipótesis de igualdad de promedios y si esta prueba es significativa, se recomienda aplicar la prueba
de Tukey HSD (Honestly Significant Difference) que controla eficazmente el error tipo I (Juarros-
Basterretxea et al., 2024).
El incumplimiento de los supuestos sobre los residuos implica aplicar otros procedimientos, como la
prueba no paramétrica desarrollada por William Kruskal y W. Allen Wallis en 1952. “La prueba de
Kruskal-Wallis puede considerarse, como una prueba de igualdad de rangos medios de los tratamientos”
(Montgomery, 2001), lo que garantiza la robustez de los hallazgos, no obstante, esta prueba evalúa si
existen diferencias estadísticamente significativas entre las distribuciones de la variable de respuesta
que en este caso son las calificaciones en cada tratamiento (periodo-modalidad de estudios. El rechazo
de la hipótesis nula de igualdad de rangos medios conlleva a realizar las pruebas post-hoc en el contexto
no paramétrico, y se recomienda la prueba de Dunn, la misma que utiliza los mismos rangos generados
por la prueba de Kruskal-Wallis mediante correcciones como Bonferroni o Holm dando como resultado
un ajuste adecuado para el error tipo I (Dinno, 2015).
Para el segundo análisis estadístico, es decir, para evaluar la significancia estadística entre la Promoción
estudiantil (Aprobado: Calificación mayor o igual que 14 puntos, Reprobado: Menor que 14 puntos) y
el periodo académico se utiliza la prueba chi cuadrado de independencia, que es una prueba es robusta
para el análisis de variables categóricas donde se exige la independencia entre observaciones. Las
La variable independiente es una variable de factor definida como “Periodo” alrededor de la pandemia,
descrita anteriormente. Cada asignatura es un caso, con variable dependiente “Calificación” con una
escala de valoración entre 0 y 20 puntos, sin embargo, los resultados se consolidan en una sola tabla que
resumen el procedimiento. Para el análisis comparativo de las calificaciones en los tres periodos, se
utiliza el análisis de la varianza ANOVA de un factor, cuya validez está condicionado al cumplimiento
de supuestos sobre los residuos, como son normalidad, homocedasticidad e independencia (Montgomery
& Runger, 2011). El supuesto de independencia se cumple por la forma de selección de los datos. El
supuesto de normalidad de residuos se verifica con la prueba de Kolmogorov-Smirnov por contar con
más de 500 observaciones (Habibzadeh, 2024). Para verificar el supuesto de homocedasticidad se utiliza
la prueba de Levene, que es robusta ante problemas de normalidad y con diseños no equilibrados
(Cardeña, 2021)(Kim & Cribbie, 2018). Cuando se cumplen los supuestos del ANOVA, se debe verificar
la hipótesis de igualdad de promedios y si esta prueba es significativa, se recomienda aplicar la prueba
de Tukey HSD (Honestly Significant Difference) que controla eficazmente el error tipo I (Juarros-
Basterretxea et al., 2024).
El incumplimiento de los supuestos sobre los residuos implica aplicar otros procedimientos, como la
prueba no paramétrica desarrollada por William Kruskal y W. Allen Wallis en 1952. “La prueba de
Kruskal-Wallis puede considerarse, como una prueba de igualdad de rangos medios de los tratamientos”
(Montgomery, 2001), lo que garantiza la robustez de los hallazgos, no obstante, esta prueba evalúa si
existen diferencias estadísticamente significativas entre las distribuciones de la variable de respuesta
que en este caso son las calificaciones en cada tratamiento (periodo-modalidad de estudios. El rechazo
de la hipótesis nula de igualdad de rangos medios conlleva a realizar las pruebas post-hoc en el contexto
no paramétrico, y se recomienda la prueba de Dunn, la misma que utiliza los mismos rangos generados
por la prueba de Kruskal-Wallis mediante correcciones como Bonferroni o Holm dando como resultado
un ajuste adecuado para el error tipo I (Dinno, 2015).
Para el segundo análisis estadístico, es decir, para evaluar la significancia estadística entre la Promoción
estudiantil (Aprobado: Calificación mayor o igual que 14 puntos, Reprobado: Menor que 14 puntos) y
el periodo académico se utiliza la prueba chi cuadrado de independencia, que es una prueba es robusta
para el análisis de variables categóricas donde se exige la independencia entre observaciones. Las
pág. 6446
variables pueden ser dicotómicas o con múltiples categorías y proporcionar información sobre la
contribución de cada categoría grupo al valor del estadístico (McHugh, 2013).
Para el análisis estadístico se usa principalmente el lenguaje de programación R con su interfaz R Studio,
para visualizar, identificar tendencias y realizar inferencias. Se incorporaron aplicativos de Inteligencia
Artificial Generativa (IA-G) para optimizar la automatización, limpieza de datos, validación del código
estadístico favoreciendo eficiencia de los análisis de datos. Aplicativo que es usado también para la
búsqueda de literatura (Madanchian & Taherdoost, 2025).
RESULTADOS
Un análisis descriptivo de las calificaciones promedio a nivel general en los tres periodos agrupados
representados en la Tabla 2, da como resultado una diferencia de aproximadamente medio punto.
Tabla 2. Promedio estudiantil sin restricciones
PERIODO APMP DPMV PPMP
Promedio 15.39 15.96 15.55
Si al factor periodo se agrega el factor departamento en el análisis de las calificaciones promedio, se
obtiene la Tabla 3, donde el departamento de ciencias exactas presenta las calificaciones promedio más
bajas.
Tabla 3. Promedio estudiantil por departamento
Departamento APMP DPMV PPMP
Ciencias Administrativas 16.1 16.9 16.4
Ciencias Humanas 16.3 17.0 16.6
Ciencias de la computación 15.3 15.5 16.0
Ciencias de la vida 15.9 16.4 15.6
Eléctrica y Electrónica 14.7 14.9 14.6
Energía y Mecánica 14.8 15.2 14.7
variables pueden ser dicotómicas o con múltiples categorías y proporcionar información sobre la
contribución de cada categoría grupo al valor del estadístico (McHugh, 2013).
Para el análisis estadístico se usa principalmente el lenguaje de programación R con su interfaz R Studio,
para visualizar, identificar tendencias y realizar inferencias. Se incorporaron aplicativos de Inteligencia
Artificial Generativa (IA-G) para optimizar la automatización, limpieza de datos, validación del código
estadístico favoreciendo eficiencia de los análisis de datos. Aplicativo que es usado también para la
búsqueda de literatura (Madanchian & Taherdoost, 2025).
RESULTADOS
Un análisis descriptivo de las calificaciones promedio a nivel general en los tres periodos agrupados
representados en la Tabla 2, da como resultado una diferencia de aproximadamente medio punto.
Tabla 2. Promedio estudiantil sin restricciones
PERIODO APMP DPMV PPMP
Promedio 15.39 15.96 15.55
Si al factor periodo se agrega el factor departamento en el análisis de las calificaciones promedio, se
obtiene la Tabla 3, donde el departamento de ciencias exactas presenta las calificaciones promedio más
bajas.
Tabla 3. Promedio estudiantil por departamento
Departamento APMP DPMV PPMP
Ciencias Administrativas 16.1 16.9 16.4
Ciencias Humanas 16.3 17.0 16.6
Ciencias de la computación 15.3 15.5 16.0
Ciencias de la vida 15.9 16.4 15.6
Eléctrica y Electrónica 14.7 14.9 14.6
Energía y Mecánica 14.8 15.2 14.7
pág. 6447
Ciencias Exactas 13.0 13.9 12.7
Seguridad y Defensa 16.4 16.7 16.7
El resultado de ciencias exactas obliga a describir las asignaturas fundamentales; representadas en la
tabla 4 y como se observa en la Tabla 4, mostrando promedios más altos en la virtual, con diferencias
que oscilan entre 0.3 y 2.26 puntos.
Tabla 4. Calificación Promedio por asignatura y periodo agrupado
Asignatura APMP DPMV PPMP
Cálculo Diferencial e Integral 12.57 13.06 10.80
Estadística 14.75 15.69 14.45
Física I 13.36 13.78 13.32
Química I 13.45 14.00 12.84
La Figura 1 visualiza una mayor variabilidad en la asignatura de Cálculo Diferencial e Integral y menor
variabilidad en Estadística.
Figura 1. Gráfico consolidado de cajas de cada asignatura.
Ciencias Exactas 13.0 13.9 12.7
Seguridad y Defensa 16.4 16.7 16.7
El resultado de ciencias exactas obliga a describir las asignaturas fundamentales; representadas en la
tabla 4 y como se observa en la Tabla 4, mostrando promedios más altos en la virtual, con diferencias
que oscilan entre 0.3 y 2.26 puntos.
Tabla 4. Calificación Promedio por asignatura y periodo agrupado
Asignatura APMP DPMV PPMP
Cálculo Diferencial e Integral 12.57 13.06 10.80
Estadística 14.75 15.69 14.45
Física I 13.36 13.78 13.32
Química I 13.45 14.00 12.84
La Figura 1 visualiza una mayor variabilidad en la asignatura de Cálculo Diferencial e Integral y menor
variabilidad en Estadística.
Figura 1. Gráfico consolidado de cajas de cada asignatura.
pág. 6448
Para determinar si existen diferencias significativas entre las calificaciones promedio se realizó la prueba
ANOVA de un factor en cada asignatura, con variable de respuesta la calificación y factor el periodo
ligado a la modalidad de estudios con tres tratamientos; sin embargo, no se cumplieron los supuestos, y
se debió aplicar la prueba no paramétrica de Kruskal-Wallis.
La prueba de Kruskal-Wallis determina que existen diferencias estadísticamente significativas entre los
rangos de la variable de respuesta calificación respecto al factor periodo (periodo - modalidad de
estudios). Los resultados de las cuatro pruebas se presentan en la Tabla 5. donde los valores de
probabilidad (p-valor) son menores que 2.2e-16, y a la vez menores que cualquier valor habitual de
significancia (desde 0.01 a 0.05), por ende, se debe rechazar la hipótesis nula de igualdad, y aceptar la
hipótesis alternativa de que al menos uno de los grupos del periodo recodificado difiere
significativamente de los otros en cuanto al rendimiento (calificaciones). Es decir, la modalidad de
estudios ligada al periodo académico (antes, durante y después de la pandemia) influye
significativamente en el rendimiento académico de los estudiantes en las cuatro asignaturas (cálculo
diferencial, Estadística, Física I y Química I).
Tabla 5. Estadísticos y p-valor en las pruebas de Kruskal-Wallis
ASIGNATURA / Estadísticos Estadístico H p-valor
Cálculo Diferencia e Integral 280.12 0
Estadística 387.52 < 2.2e-16
Física I 52.1565 0
Química I 147.879 0
Por lo expuesto, se procede a aplicar la prueba robusta post-hoc Dunn con la corrección mediante
Bonferroni en las cuatro asignaturas. Los resultados se presentan en la Tabla 6, donde se observa que,
al realizar las tres posibles comparaciones en cada asignatura, se determina que todos los grupos son
diferentes con respecto a la calificación de su asignatura; a excepción de la asignatura de Estadística,
donde la variable calificación tiene el mismo comportamiento en el contraste Antes de la pandemia con
modalidad presencial versus Post pandemia presencial, da como resultado un p-valor = 0.1087, es decir
Para determinar si existen diferencias significativas entre las calificaciones promedio se realizó la prueba
ANOVA de un factor en cada asignatura, con variable de respuesta la calificación y factor el periodo
ligado a la modalidad de estudios con tres tratamientos; sin embargo, no se cumplieron los supuestos, y
se debió aplicar la prueba no paramétrica de Kruskal-Wallis.
La prueba de Kruskal-Wallis determina que existen diferencias estadísticamente significativas entre los
rangos de la variable de respuesta calificación respecto al factor periodo (periodo - modalidad de
estudios). Los resultados de las cuatro pruebas se presentan en la Tabla 5. donde los valores de
probabilidad (p-valor) son menores que 2.2e-16, y a la vez menores que cualquier valor habitual de
significancia (desde 0.01 a 0.05), por ende, se debe rechazar la hipótesis nula de igualdad, y aceptar la
hipótesis alternativa de que al menos uno de los grupos del periodo recodificado difiere
significativamente de los otros en cuanto al rendimiento (calificaciones). Es decir, la modalidad de
estudios ligada al periodo académico (antes, durante y después de la pandemia) influye
significativamente en el rendimiento académico de los estudiantes en las cuatro asignaturas (cálculo
diferencial, Estadística, Física I y Química I).
Tabla 5. Estadísticos y p-valor en las pruebas de Kruskal-Wallis
ASIGNATURA / Estadísticos Estadístico H p-valor
Cálculo Diferencia e Integral 280.12 0
Estadística 387.52 < 2.2e-16
Física I 52.1565 0
Química I 147.879 0
Por lo expuesto, se procede a aplicar la prueba robusta post-hoc Dunn con la corrección mediante
Bonferroni en las cuatro asignaturas. Los resultados se presentan en la Tabla 6, donde se observa que,
al realizar las tres posibles comparaciones en cada asignatura, se determina que todos los grupos son
diferentes con respecto a la calificación de su asignatura; a excepción de la asignatura de Estadística,
donde la variable calificación tiene el mismo comportamiento en el contraste Antes de la pandemia con
modalidad presencial versus Post pandemia presencial, da como resultado un p-valor = 0.1087, es decir
pág. 6449
no se encuentra una diferencia significativa entre estos dos grupos sobre sus calificaciones, pero si en
los otros dos contrastes de esta asignatura.
Tabla 6. P-valor de las tres comparaciones post-hoc en cada asignatura.
Asignatura APMP DPMV PPMP
Cálculo Diferencial e Integral 3.75e-06 1.68e-14 3.54e-63
Estadística 1.71e-25 0.10870 5.55e-75
Física I 5.00e-05 0.00852 7.48e-13
Química I 0.00038 0.00937 1.97e-33
En la Tabla 4 que los promedios en las cuatro asignaturas de ciencias exactas disminuyen con el cambio
de la virtualidad a la presencialidad, por tanto, se analizan las diferencias solamente entre estos dos
periodos durante y post pandemia; y ante el incumplimiento de la normalidad de los datos [22] se aplica
la prueba de rangos con signo de Wilcoxon de tipo unilateral superior para las calificaciones, cuyos
estadísticos y p-valor se muestran en la Tabla 7, evidenciando que las calificaciones durante la pandemia
con la modalidad virtual son superiores a las calificaciones al retorno de la pandemia con la modalidad
presencial. Esta diferencia es estadísticamente significativa al nivel de significancia de 0.05, lo que
respalda la hipótesis de que la modalidad virtual se asoció a un mejor desempeño académico en ese
periodo.
Tabla 7. Pruebas unilaterales de tipo superior para el contraste durante y postpandemia
ASIGNATURA / Estadísticos Estadístico: W p-valor
Cálculo Difer. E Integral 3871406 < 2.2e-16
Estadística 4101038 < 2.2e-16
Física I 1218379 3.25e-13
no se encuentra una diferencia significativa entre estos dos grupos sobre sus calificaciones, pero si en
los otros dos contrastes de esta asignatura.
Tabla 6. P-valor de las tres comparaciones post-hoc en cada asignatura.
Asignatura APMP DPMV PPMP
Cálculo Diferencial e Integral 3.75e-06 1.68e-14 3.54e-63
Estadística 1.71e-25 0.10870 5.55e-75
Física I 5.00e-05 0.00852 7.48e-13
Química I 0.00038 0.00937 1.97e-33
En la Tabla 4 que los promedios en las cuatro asignaturas de ciencias exactas disminuyen con el cambio
de la virtualidad a la presencialidad, por tanto, se analizan las diferencias solamente entre estos dos
periodos durante y post pandemia; y ante el incumplimiento de la normalidad de los datos [22] se aplica
la prueba de rangos con signo de Wilcoxon de tipo unilateral superior para las calificaciones, cuyos
estadísticos y p-valor se muestran en la Tabla 7, evidenciando que las calificaciones durante la pandemia
con la modalidad virtual son superiores a las calificaciones al retorno de la pandemia con la modalidad
presencial. Esta diferencia es estadísticamente significativa al nivel de significancia de 0.05, lo que
respalda la hipótesis de que la modalidad virtual se asoció a un mejor desempeño académico en ese
periodo.
Tabla 7. Pruebas unilaterales de tipo superior para el contraste durante y postpandemia
ASIGNATURA / Estadísticos Estadístico: W p-valor
Cálculo Difer. E Integral 3871406 < 2.2e-16
Estadística 4101038 < 2.2e-16
Física I 1218379 3.25e-13
pág. 6450
Química I 3481027 < 2.2e-16
Finalmente, para establecer el tipo de relación entre las variables periodo – modalidad (Antes de
pandemia - modalidad presencial, Durante la pandemia – modalidad virtual, Postpandemia – modalidad
presencial) y la promoción estudiantil (Aprobado, Reprobado) se presenta el gráfico de barras apiladas
con la capa asignatura (Figura 2) que permite explicar descriptivamente que, la asignatura de Estadística
presenta el menor porcentaje de reprobados en cada combinación de periodo y modalidad, Antes de
pandemia - modalidad presencial: 8%, Durante la pandemia – modalidad virtual: 6% y Postpandemia –
modalidad presencial: 16%; mientras que, en la asignatura de Cálculo diferencial e Integral, los
porcentajes de reprobados se distribuyen respectivamente en 32%, 33% y 55%.
Figura 2. Promoción (Aprobados, Reprobados) por asignatura y periodo-modalidad de estudios
La asociación entre la promoción estudiantil y los tres periodos se determina mediante la prueba de
hipótesis chi-cuadrado de independencia con 2 grados de libertad. En las pruebas de las cuatro
asignaturas se determina un p-valor inferior a 2.2e-16 e inferior a significancias usuales (0.01 y 0.05),
por lo tanto, existe evidencia estadísticamente significativa de asociación entre la promoción estudiantil
y el periodo (antes-presencial, durante-virtual, postpandemia-presencial) como se observa en los
resultados:
Química I 3481027 < 2.2e-16
Finalmente, para establecer el tipo de relación entre las variables periodo – modalidad (Antes de
pandemia - modalidad presencial, Durante la pandemia – modalidad virtual, Postpandemia – modalidad
presencial) y la promoción estudiantil (Aprobado, Reprobado) se presenta el gráfico de barras apiladas
con la capa asignatura (Figura 2) que permite explicar descriptivamente que, la asignatura de Estadística
presenta el menor porcentaje de reprobados en cada combinación de periodo y modalidad, Antes de
pandemia - modalidad presencial: 8%, Durante la pandemia – modalidad virtual: 6% y Postpandemia –
modalidad presencial: 16%; mientras que, en la asignatura de Cálculo diferencial e Integral, los
porcentajes de reprobados se distribuyen respectivamente en 32%, 33% y 55%.
Figura 2. Promoción (Aprobados, Reprobados) por asignatura y periodo-modalidad de estudios
La asociación entre la promoción estudiantil y los tres periodos se determina mediante la prueba de
hipótesis chi-cuadrado de independencia con 2 grados de libertad. En las pruebas de las cuatro
asignaturas se determina un p-valor inferior a 2.2e-16 e inferior a significancias usuales (0.01 y 0.05),
por lo tanto, existe evidencia estadísticamente significativa de asociación entre la promoción estudiantil
y el periodo (antes-presencial, durante-virtual, postpandemia-presencial) como se observa en los
resultados:
pág. 6451
• Cálculo diferencial e Integral, 𝑋2 = 272.44, p-valor < 2.2e-16.
• Estadística, 𝑋2 = 272.44, con p-valor < 2.2e-16
• Física I, 𝑋2 = 99.67, con p-valor < 2.2e-16
• Química I, 𝑋2 = 145.17 = 145.17, con p-valor < 2.2e-16
Además del análisis de calificaciones estudiantiles, se aplicaron encuestas estructuradas a docentes de
las asignaturas de Cálculo Diferencial e Integral, Estadística, Física I y Química I. El objetivo fue
identificar factores contextuales que pueden influir en el rendimiento académico durante la transición
entre modalidades presencial, virtual y postpandemia. El instrumento incluyó ítems relacionados con:
1. Nivel de preparación en el uso de herramientas virtuales, medido en una escala Likert,
con valoraciones del 1 al 5, siendo 1 el nivel más bajo y 5 el nivel más alto.
2. Percepción del impacto de la virtualidad en el aprendizaje estudiantil.
3. Principales limitaciones en los procesos de evaluación en línea.
Los resultados de la Figura 3 reflejaron un 50% de los docentes se percibió con preparación insuficiente
en competencias digitales y solo el 13.2% indicaron estar muy preparados.
Figura 3. Preparación de Docentes en el uso de herramientas virtuales
Respecto a la percepción del impacto de la virtualidad en el aprendizaje estudiantil que se presenta en
la Figura 4, el 40% de los docentes afirma una mejora en el aprendizaje, el 22% no encuentra mejoría
en el aprendizaje y el 37% que es un porcentaje considerable menciona un retroceso en el logro de
aprendizajes.
Figura 4. Percepción del impacto de la virtualidad en el aprendizaje estudiantil
7,4% 13,2%
29,4%
36,8%
13,2%
1 2 3 4 5
¿Qué tan preparado (a) se sentía al inicio de la pandemia para
usar herramientas virtuales para el proceso de enseñanza
aprendizaje?
• Cálculo diferencial e Integral, 𝑋2 = 272.44, p-valor < 2.2e-16.
• Estadística, 𝑋2 = 272.44, con p-valor < 2.2e-16
• Física I, 𝑋2 = 99.67, con p-valor < 2.2e-16
• Química I, 𝑋2 = 145.17 = 145.17, con p-valor < 2.2e-16
Además del análisis de calificaciones estudiantiles, se aplicaron encuestas estructuradas a docentes de
las asignaturas de Cálculo Diferencial e Integral, Estadística, Física I y Química I. El objetivo fue
identificar factores contextuales que pueden influir en el rendimiento académico durante la transición
entre modalidades presencial, virtual y postpandemia. El instrumento incluyó ítems relacionados con:
1. Nivel de preparación en el uso de herramientas virtuales, medido en una escala Likert,
con valoraciones del 1 al 5, siendo 1 el nivel más bajo y 5 el nivel más alto.
2. Percepción del impacto de la virtualidad en el aprendizaje estudiantil.
3. Principales limitaciones en los procesos de evaluación en línea.
Los resultados de la Figura 3 reflejaron un 50% de los docentes se percibió con preparación insuficiente
en competencias digitales y solo el 13.2% indicaron estar muy preparados.
Figura 3. Preparación de Docentes en el uso de herramientas virtuales
Respecto a la percepción del impacto de la virtualidad en el aprendizaje estudiantil que se presenta en
la Figura 4, el 40% de los docentes afirma una mejora en el aprendizaje, el 22% no encuentra mejoría
en el aprendizaje y el 37% que es un porcentaje considerable menciona un retroceso en el logro de
aprendizajes.
Figura 4. Percepción del impacto de la virtualidad en el aprendizaje estudiantil
7,4% 13,2%
29,4%
36,8%
13,2%
1 2 3 4 5
¿Qué tan preparado (a) se sentía al inicio de la pandemia para
usar herramientas virtuales para el proceso de enseñanza
aprendizaje?
pág. 6452
Finalmente, sobre las principales dificultades en la evaluación en línea, los resultados de la encuesta
aplicada a docentes se presentan en la Figura 5 y determina que las mayores dificultades de los docentes
al momento de evaluar en línea fueron la falta de control de plagio en 30% de los casos, y en igual
porcentaje refieren a la falta supervisión en tiempo real; así como un 22% afirma haber tenido
limitaciones de acceso a la conectividad.
Figura 5 Principales limitaciones en los procesos de evaluación en línea
DISCUSIÓN
La asignatura de Estadística presenta menor variación entre periodos, lo que se explica por la integración
de recursos tecnológicos en su enseñanza (software estadístico, tutorías en línea, acceso a datos), en
contraste con asignaturas como Cálculo Diferencial e Integral, donde la interacción presencial y el uso
de la pizarra siguen siendo recursos esenciales. La caída significativa de promedios en esta última
asignatura al retornar a la presencialidad refleja la importancia de revisar los prerrequisitos y del
37%
22%
40%
Creo que hubo un retroceso en el logro del
aprendizaje
No, percibí que haya mejorado el aprendizaje
Sí, el aprendizaje mejoró significativamente
Percepción del aprendizaje en la modalidad virtual durante la pandemia
30%
22%
14%
30%
4%
FALTA DE APLICACIONES TECNOLÓGICAS PARA
SUPERVISAR A LOS ESTUDIANTES EN TIEMPO
REAL
LIMITACIÓN DE ACCESO A CONECTIVIDAD
LIMITACIÓN DE ACCESO A DISPOSITIVOS
NO SE CONTÓ CON HERRAMIENTAS PARA
PREVENIR EL PLAGIO O EL USO DE FUENTES NO
AUTORIZADAS
OTRA
¿Qué dificultades enfrentó sobre el control durante las evaluaciones en línea?
Finalmente, sobre las principales dificultades en la evaluación en línea, los resultados de la encuesta
aplicada a docentes se presentan en la Figura 5 y determina que las mayores dificultades de los docentes
al momento de evaluar en línea fueron la falta de control de plagio en 30% de los casos, y en igual
porcentaje refieren a la falta supervisión en tiempo real; así como un 22% afirma haber tenido
limitaciones de acceso a la conectividad.
Figura 5 Principales limitaciones en los procesos de evaluación en línea
DISCUSIÓN
La asignatura de Estadística presenta menor variación entre periodos, lo que se explica por la integración
de recursos tecnológicos en su enseñanza (software estadístico, tutorías en línea, acceso a datos), en
contraste con asignaturas como Cálculo Diferencial e Integral, donde la interacción presencial y el uso
de la pizarra siguen siendo recursos esenciales. La caída significativa de promedios en esta última
asignatura al retornar a la presencialidad refleja la importancia de revisar los prerrequisitos y del
37%
22%
40%
Creo que hubo un retroceso en el logro del
aprendizaje
No, percibí que haya mejorado el aprendizaje
Sí, el aprendizaje mejoró significativamente
Percepción del aprendizaje en la modalidad virtual durante la pandemia
30%
22%
14%
30%
4%
FALTA DE APLICACIONES TECNOLÓGICAS PARA
SUPERVISAR A LOS ESTUDIANTES EN TIEMPO
REAL
LIMITACIÓN DE ACCESO A CONECTIVIDAD
LIMITACIÓN DE ACCESO A DISPOSITIVOS
NO SE CONTÓ CON HERRAMIENTAS PARA
PREVENIR EL PLAGIO O EL USO DE FUENTES NO
AUTORIZADAS
OTRA
¿Qué dificultades enfrentó sobre el control durante las evaluaciones en línea?
pág. 6453
acompañamiento docente en competencias de alta complejidad cognitiva (Schraeder et al., 2019)
(Gafoor & Sarabi, 2015).
Un mejor desempeño académico durante la virtualidad puede explicarse con el desarrollo de habilidades
de autogestión en los estudiantes para asumir un rol más activo en la organización de su tiempo y
responsabilidades dentro de su proceso de formación en el entorno virtual (Xu et al., 2022) (Cheng et
al., 2023). La flexibilidad académica, expresada en metodologías y criterios de evaluación más
adaptables, redujo la presión sobre los estudiantes y permitió un mejor equilibrio entre sus realidades
personales y académicas (UNESCO, 2020) (Marinoni et al., 2020) (García-Peñalvo et al., 2020). Otro
aspecto importante fue la eliminación de barreras logísticas y económicas, los estudiantes no usaron su
tiempo ni recursos en traslados, favoreciendo un entorno de aprendizaje menos estresante (Rodríguez et
al., 2021). A esto se suma el acceso sin restricción a recursos digitales, para fortalecer el aprendizaje
colaborativo e investigativo mediante el uso de plataformas, foros y herramientas de comunicación
académica (García-Chitiva, 2021).
Desde la perspectiva docente, la pandemia impulsó el uso innovador de estrategias didácticas,
favoreciendo la integración de tecnologías y metodologías activas que enriquecieron la experiencia de
enseñanza-aprendizaje (Ortega, 2024) (Romero et al., 2022). A nivel institucional, se implementaron
criterios más permisivos, como prórrogas en la entrega de trabajos, flexibilidad en la asistencia y, en
algunos casos, aprobación automática de asignaturas, contribuyendo a mejores resultados numéricos
observados (UNESCO, 2020).
Las encuestas aplicadas a docentes de la institución respaldan otros estudios estadísticos, donde el déficit
de competencias digitales por pate de los docentes se tradujo en dificultades para guiar adecuadamente
el aprendizaje y garantizar procesos evaluativos rigurosos. En consecuencia, la educación virtual no
logró sustituir plenamente a la presencialidad, lo que derivó en aprendizajes percibidos como limitados
o fragmentados. Por otro lado, la evaluación en línea representó uno de los mayores retos. La falta de
control en las pruebas, sumada a los problemas de conectividad y a las desigualdades en el acceso a
dispositivos, deterioró la equidad académica. Los docentes señalaron que algunos estudiantes
aprovecharon las debilidades del sistema, mientras que otros se vieron en desventaja por factores
externos a su desempeño académico. Esta evidencia permite afirmar que los problemas estructurales de
acompañamiento docente en competencias de alta complejidad cognitiva (Schraeder et al., 2019)
(Gafoor & Sarabi, 2015).
Un mejor desempeño académico durante la virtualidad puede explicarse con el desarrollo de habilidades
de autogestión en los estudiantes para asumir un rol más activo en la organización de su tiempo y
responsabilidades dentro de su proceso de formación en el entorno virtual (Xu et al., 2022) (Cheng et
al., 2023). La flexibilidad académica, expresada en metodologías y criterios de evaluación más
adaptables, redujo la presión sobre los estudiantes y permitió un mejor equilibrio entre sus realidades
personales y académicas (UNESCO, 2020) (Marinoni et al., 2020) (García-Peñalvo et al., 2020). Otro
aspecto importante fue la eliminación de barreras logísticas y económicas, los estudiantes no usaron su
tiempo ni recursos en traslados, favoreciendo un entorno de aprendizaje menos estresante (Rodríguez et
al., 2021). A esto se suma el acceso sin restricción a recursos digitales, para fortalecer el aprendizaje
colaborativo e investigativo mediante el uso de plataformas, foros y herramientas de comunicación
académica (García-Chitiva, 2021).
Desde la perspectiva docente, la pandemia impulsó el uso innovador de estrategias didácticas,
favoreciendo la integración de tecnologías y metodologías activas que enriquecieron la experiencia de
enseñanza-aprendizaje (Ortega, 2024) (Romero et al., 2022). A nivel institucional, se implementaron
criterios más permisivos, como prórrogas en la entrega de trabajos, flexibilidad en la asistencia y, en
algunos casos, aprobación automática de asignaturas, contribuyendo a mejores resultados numéricos
observados (UNESCO, 2020).
Las encuestas aplicadas a docentes de la institución respaldan otros estudios estadísticos, donde el déficit
de competencias digitales por pate de los docentes se tradujo en dificultades para guiar adecuadamente
el aprendizaje y garantizar procesos evaluativos rigurosos. En consecuencia, la educación virtual no
logró sustituir plenamente a la presencialidad, lo que derivó en aprendizajes percibidos como limitados
o fragmentados. Por otro lado, la evaluación en línea representó uno de los mayores retos. La falta de
control en las pruebas, sumada a los problemas de conectividad y a las desigualdades en el acceso a
dispositivos, deterioró la equidad académica. Los docentes señalaron que algunos estudiantes
aprovecharon las debilidades del sistema, mientras que otros se vieron en desventaja por factores
externos a su desempeño académico. Esta evidencia permite afirmar que los problemas estructurales de
pág. 6454
la virtualidad incidieron de manera directa en el bajo rendimiento general reportado al retornar a la
presencialidad. Un resultado similar lo presenta el estudio de Ivanec, (2022) (Ivanec, 2022)
evidenciando que la falta de interacciones académicas y sociales durante la educación en línea generó
dificultades en los estudiantes universitarios al retornar a la modalidad presencial, tales como problemas
de concentración, motivación y ajuste social dentro de las aulas, impactando directamente en el
rendimiento académico.
CONCLUSIONES
El análisis del rendimiento académico de estudiantes de ingeniería en asignaturas fundamentales
(Cálculo Diferencial e Integral, Estadística, Física I y Química I) en tres momentos ligados a la
modalidad de estudios: antes-presencial, durante-virtual y después de la pandemia-presencial en torno
al COVID-19 determina que las calificaciones promedio fueron significativamente más altas durante el
periodo de virtualidad, lo cual puede atribuirse a la flexibilización de criterios de evaluación y el acceso
ampliado a recursos digitales. Al retornar a la presencialidad, se evidenció un marcado descenso en el
rendimiento académico, especialmente en Cálculo Diferencial e Integral, donde la tasa de reprobación
aumentó. Este retroceso refleja que los incrementos en las calificaciones durante la virtualidad no se
tradujeron en un aprendizaje profundo y sostenible. En tanto que, en la asignatura de Estadística, el
contraste no mostró diferencias significativas, dando lugar a un rendimiento académico más estable
frente a la transición de modalidades; debido a que el proceso de enseñanza-aprendizaje de Estadística
se apoya fuertemente en el uso de software especializado, laboratorios y aulas virtuales de aprendizaje
(Razak et al., 2025) (Maryati, 2024), siendo estas condiciones de aprendizaje similares a las utilizadas
en la virtualidad, garantizando un desempeño más homogéneo en los estudiantes en cualquier modalidad
de estudios.
Los resultados de las encuestas aplicadas a los docentes fortalecen esta interpretación con respectivo a
tres de las cuatro asignaturas, al evidenciar limitaciones en la preparación digital inicial y en la
evaluación en línea, así como percepciones de retroceso en el aprendizaje. Sin embargo, también se
reconocieron aportes positivos de la virtualidad, como el desarrollo de competencias de autogestión. En
consonancia con estudios previos (UNESCO, 2020) (Virella & Cobb, 2021) se concluye que la
virtualidad constituyó una estrategia de emergencia eficaz para sostener la continuidad educativa,
la virtualidad incidieron de manera directa en el bajo rendimiento general reportado al retornar a la
presencialidad. Un resultado similar lo presenta el estudio de Ivanec, (2022) (Ivanec, 2022)
evidenciando que la falta de interacciones académicas y sociales durante la educación en línea generó
dificultades en los estudiantes universitarios al retornar a la modalidad presencial, tales como problemas
de concentración, motivación y ajuste social dentro de las aulas, impactando directamente en el
rendimiento académico.
CONCLUSIONES
El análisis del rendimiento académico de estudiantes de ingeniería en asignaturas fundamentales
(Cálculo Diferencial e Integral, Estadística, Física I y Química I) en tres momentos ligados a la
modalidad de estudios: antes-presencial, durante-virtual y después de la pandemia-presencial en torno
al COVID-19 determina que las calificaciones promedio fueron significativamente más altas durante el
periodo de virtualidad, lo cual puede atribuirse a la flexibilización de criterios de evaluación y el acceso
ampliado a recursos digitales. Al retornar a la presencialidad, se evidenció un marcado descenso en el
rendimiento académico, especialmente en Cálculo Diferencial e Integral, donde la tasa de reprobación
aumentó. Este retroceso refleja que los incrementos en las calificaciones durante la virtualidad no se
tradujeron en un aprendizaje profundo y sostenible. En tanto que, en la asignatura de Estadística, el
contraste no mostró diferencias significativas, dando lugar a un rendimiento académico más estable
frente a la transición de modalidades; debido a que el proceso de enseñanza-aprendizaje de Estadística
se apoya fuertemente en el uso de software especializado, laboratorios y aulas virtuales de aprendizaje
(Razak et al., 2025) (Maryati, 2024), siendo estas condiciones de aprendizaje similares a las utilizadas
en la virtualidad, garantizando un desempeño más homogéneo en los estudiantes en cualquier modalidad
de estudios.
Los resultados de las encuestas aplicadas a los docentes fortalecen esta interpretación con respectivo a
tres de las cuatro asignaturas, al evidenciar limitaciones en la preparación digital inicial y en la
evaluación en línea, así como percepciones de retroceso en el aprendizaje. Sin embargo, también se
reconocieron aportes positivos de la virtualidad, como el desarrollo de competencias de autogestión. En
consonancia con estudios previos (UNESCO, 2020) (Virella & Cobb, 2021) se concluye que la
virtualidad constituyó una estrategia de emergencia eficaz para sostener la continuidad educativa,
pág. 6455
aunque sus efectos estuvieron condicionados por desigualdades tecnológicas, criterios institucionales
más permisivos y limitaciones en los procesos de evaluación.
Las implicaciones de estos hallazgos refuerzan la necesidad de diseñar políticas institucionales para
fortalecer la formación digital docente, garanticen evaluaciones más transparentes y promuevan
modelos híbridos que combinen lo mejor de la presencialidad con las ventajas de la virtualidad (Rubio
et al., 2025). Además, se plantea la importancia de generar estrategias diferenciadas según la naturaleza
de cada asignatura incorporando el uso de software aplicado para mejorar las habilidades en dicha área.
REFERENCIAS BIBLIOGRÁFICAS
Aguilera-Hermida, P. (2020). College students’ use and acceptance of emergency online learning due to
COVID-19. International Journal of Educational Research Open, 1.
https://doi.org/10.1016/j.ijedro.2020.100011
Alarcon, R., Aquino, J., Bravo, J., & Valdivia, C. (2021). Correlational analysis of incident factors in
the academic performance of university higher education students under the context of COVID-
19. Proceedings of the 2021 IEEE 1st International Conference on Advanced Learning
Technologies on Education and Research, ICALTER 2021.
https://doi.org/10.1109/ICALTER54105.2021.9675086
Betthäuser, B. A., Bach-Mortensen, A., & Engzell, P. (2023). A systematic review and meta-analysis of
the evidence on learning during the COVID-19 pandemic. Nature Human Behaviour, 7.
https://doi.org/10.1038/s41562-022-01506-4
Biemer, P., & Lyberg, L. (2003). Introduction to survey quality (Wiley, Ed.). John Wiley & Sons.
Cardeña, C. (2021). Levene’s Test for Verifying Homoscedasticity Between Groups in Quasi-
Experiments in Social Sciences. South Eastern European Journal of Public Health.
https://doi.org/10.11576/seejph-4791
Casiano, D., Cueva, E., Zumaeta Barrientos, M. R., & Casiano Inga, C. (2022). Impacto de la covid-19
en el desempeño académico universitario. Un análisis comparativo para la Universidad Nacional
Toribio Rodríguez de Mendoza, en Amazonas (UNTRM-A). Actualidades Pedagógicas, 1(77).
https://doi.org/https://doi.org/10.19052/ap.vol1.iss77.2
aunque sus efectos estuvieron condicionados por desigualdades tecnológicas, criterios institucionales
más permisivos y limitaciones en los procesos de evaluación.
Las implicaciones de estos hallazgos refuerzan la necesidad de diseñar políticas institucionales para
fortalecer la formación digital docente, garanticen evaluaciones más transparentes y promuevan
modelos híbridos que combinen lo mejor de la presencialidad con las ventajas de la virtualidad (Rubio
et al., 2025). Además, se plantea la importancia de generar estrategias diferenciadas según la naturaleza
de cada asignatura incorporando el uso de software aplicado para mejorar las habilidades en dicha área.
REFERENCIAS BIBLIOGRÁFICAS
Aguilera-Hermida, P. (2020). College students’ use and acceptance of emergency online learning due to
COVID-19. International Journal of Educational Research Open, 1.
https://doi.org/10.1016/j.ijedro.2020.100011
Alarcon, R., Aquino, J., Bravo, J., & Valdivia, C. (2021). Correlational analysis of incident factors in
the academic performance of university higher education students under the context of COVID-
19. Proceedings of the 2021 IEEE 1st International Conference on Advanced Learning
Technologies on Education and Research, ICALTER 2021.
https://doi.org/10.1109/ICALTER54105.2021.9675086
Betthäuser, B. A., Bach-Mortensen, A., & Engzell, P. (2023). A systematic review and meta-analysis of
the evidence on learning during the COVID-19 pandemic. Nature Human Behaviour, 7.
https://doi.org/10.1038/s41562-022-01506-4
Biemer, P., & Lyberg, L. (2003). Introduction to survey quality (Wiley, Ed.). John Wiley & Sons.
Cardeña, C. (2021). Levene’s Test for Verifying Homoscedasticity Between Groups in Quasi-
Experiments in Social Sciences. South Eastern European Journal of Public Health.
https://doi.org/10.11576/seejph-4791
Casiano, D., Cueva, E., Zumaeta Barrientos, M. R., & Casiano Inga, C. (2022). Impacto de la covid-19
en el desempeño académico universitario. Un análisis comparativo para la Universidad Nacional
Toribio Rodríguez de Mendoza, en Amazonas (UNTRM-A). Actualidades Pedagógicas, 1(77).
https://doi.org/https://doi.org/10.19052/ap.vol1.iss77.2
pág. 6456
Cheng, Z., Zhang, Z., Xu, Q., Maeda Y, & Gu, P. (2023). A meta-analysis addressing the relationship
between self-regulated learning strategies and academic performance in online higher education.
J Comput High Educ., 195–224. https://doi.org/10.1007/s12528-023-09390-1
Dinno, A. (2015). Nonparametric pairwise multiple comparisons in independent groups using Dunn’s
test. In The Stata Journal (Vol. 15, Number 1). https://doi.org/10.1177/1536867X1501500203
Eshet, Y., Steinberger, P., & Grinautsky, K. (2021). Relationship between statistics anxiety and academic
dishonesty: A comparison between learning environments in social sciences. Sustainability
(Switzerland), 13(3), 1–18. https://doi.org/10.3390/su13031564
Gafoor, A., & Sarabi, K. &. (2015). Nature of Mathematics that Impacts Difficulties in learning it: A
Comparison of Student Perspectives on Learning School Subjects from Kerala.
García-Chitiva, M. (2021). Aprendizaje colaborativo, mediado por internet, en procesos de educación
superior. Revista Electrónica Educare, 25(2), 1–19. https://doi.org/10.15359/ree.25-2.23
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande, M. (2020). Online assessment in higher
education in the time of COVID-19. Education in the Knowledge Society, 21.
https://doi.org/10.14201/eks.23013
Garmpis A., Garmpis S., Halkiopoulos C., Panagiotarou A., & Antonopoulou H. (2026). Student
Attitudes and Experiences with Distance Learning During COVID-19: A Framework for Hybrid
Education. Societies, 1. https://doi.org/https://doi.org/10.3390/soc16010024
Habibzadeh, F. (2024). Data Distribution: Normal or Abnormal? Journal of Korean Medical Science,
39(3). https://doi.org/10.3346/jkms.2024.39.e35
Hammerstein, S., König, C., Dreisörner, T., & Frey, A. (2021). Effects of COVID-19-Related School
Closures on Student Achievement-A Systematic Review. In Frontiers in Psychology (Vol. 12).
https://doi.org/10.3389/fpsyg.2021.746289
Hernández Arteaga, L., Arias, M., Cárdenas, L., Arias, J., & Hernández, B. (2024). ISRG
PUBLISHERS. Journal of Multidisciplinary Studies. https://doi.org/10.5281/zenodo.12706437
Hernández-Sampieri, R., Fernández, C., & Baptista, M. (2018). Metodología de la investigación
(McGraw-Hill, Ed.; 7a ed.).
Cheng, Z., Zhang, Z., Xu, Q., Maeda Y, & Gu, P. (2023). A meta-analysis addressing the relationship
between self-regulated learning strategies and academic performance in online higher education.
J Comput High Educ., 195–224. https://doi.org/10.1007/s12528-023-09390-1
Dinno, A. (2015). Nonparametric pairwise multiple comparisons in independent groups using Dunn’s
test. In The Stata Journal (Vol. 15, Number 1). https://doi.org/10.1177/1536867X1501500203
Eshet, Y., Steinberger, P., & Grinautsky, K. (2021). Relationship between statistics anxiety and academic
dishonesty: A comparison between learning environments in social sciences. Sustainability
(Switzerland), 13(3), 1–18. https://doi.org/10.3390/su13031564
Gafoor, A., & Sarabi, K. &. (2015). Nature of Mathematics that Impacts Difficulties in learning it: A
Comparison of Student Perspectives on Learning School Subjects from Kerala.
García-Chitiva, M. (2021). Aprendizaje colaborativo, mediado por internet, en procesos de educación
superior. Revista Electrónica Educare, 25(2), 1–19. https://doi.org/10.15359/ree.25-2.23
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande, M. (2020). Online assessment in higher
education in the time of COVID-19. Education in the Knowledge Society, 21.
https://doi.org/10.14201/eks.23013
Garmpis A., Garmpis S., Halkiopoulos C., Panagiotarou A., & Antonopoulou H. (2026). Student
Attitudes and Experiences with Distance Learning During COVID-19: A Framework for Hybrid
Education. Societies, 1. https://doi.org/https://doi.org/10.3390/soc16010024
Habibzadeh, F. (2024). Data Distribution: Normal or Abnormal? Journal of Korean Medical Science,
39(3). https://doi.org/10.3346/jkms.2024.39.e35
Hammerstein, S., König, C., Dreisörner, T., & Frey, A. (2021). Effects of COVID-19-Related School
Closures on Student Achievement-A Systematic Review. In Frontiers in Psychology (Vol. 12).
https://doi.org/10.3389/fpsyg.2021.746289
Hernández Arteaga, L., Arias, M., Cárdenas, L., Arias, J., & Hernández, B. (2024). ISRG
PUBLISHERS. Journal of Multidisciplinary Studies. https://doi.org/10.5281/zenodo.12706437
Hernández-Sampieri, R., Fernández, C., & Baptista, M. (2018). Metodología de la investigación
(McGraw-Hill, Ed.; 7a ed.).
pág. 6457
Ivanec, T. (2022). The Lack of Academic Social Interactions and Students’ Learning Difficulties during
COVID-19 Faculty Lockdowns in Croatia: The Mediating Role of the Perceived Sense of Life
Disruption Caused by the Pandemic and the Adjustment to Online Studying. Social Sciences,
11(2). https://doi.org/10.3390/socsci11020042
Juarros-Basterretxea, J., Aonso-Diego, G., Postigo, Á., Montes-Álvarez, P., Menéndez-Aller, Á., &
García-Cueto, E. (2024). Post-Hoc Tests in One-Way ANOVA: The Case for Normal Distribution.
Methodology, 20(2), 84–99. https://doi.org/10.5964/meth.11721
Kim, Y., & Cribbie, R. (2018). ANOVA and the variance homogeneity assumption: Exploring a better
gatekeeper. British Journal of Mathematical and Statistical Psychology, 71(1), 1–12.
https://doi.org/10.1111/bmsp.12103
Madanchian, M., & Taherdoost, H. (2025). The impact of artificial intelligence on research efficiency.
Results in Engineering, 26, 104743. https://doi.org/10.1016/j.rineng.2025.104743
Marinoni, G., Van’t Land, H., & Jensen, T. (2020). The Impact of COVID-19 on Higher Education
Around the World: IAU Global Survey Report. 2020. https://www.iau-aiu.net/IAU-Global-
Survey-Report-The-Impact-of-COVID-19-on-Higher-Education
Maryati, I. (2024). Statistical Literacy Ability of Students through Virtual Learning Environment Based
on Moodle-Learning Management System. International Journal of Information and Education
Technology, 14(1), 99–106. https://doi.org/10.18178/ijiet.2024.14.1.2029
McHugh, M. (2013). The Chi-square test of independence. Biochemia Medica, (3), 143–149.
https://doi.org/10.11613/bm.2013.018
Montgomery, D. (2001). Diseño y análisis de experimentos (Limusa Wiley, Ed.; 2nd ed.).
Montgomery, D., & Runger, G. (2011). Applied Statistics and Probability for Engineers (Inc. John
Wiley & Sons, Ed.; 5ta. Ed.).
Myles Hollander, Douglas Wolfe, & Eric Chicken. (2014). Nonparametric Statistical Methods (). Wiley.
• Páginas relevantes: Capítulo 6 (pp. 241–250) (Wiley Series in Probability and Statistics, Ed.;
3rd ed.).
Ivanec, T. (2022). The Lack of Academic Social Interactions and Students’ Learning Difficulties during
COVID-19 Faculty Lockdowns in Croatia: The Mediating Role of the Perceived Sense of Life
Disruption Caused by the Pandemic and the Adjustment to Online Studying. Social Sciences,
11(2). https://doi.org/10.3390/socsci11020042
Juarros-Basterretxea, J., Aonso-Diego, G., Postigo, Á., Montes-Álvarez, P., Menéndez-Aller, Á., &
García-Cueto, E. (2024). Post-Hoc Tests in One-Way ANOVA: The Case for Normal Distribution.
Methodology, 20(2), 84–99. https://doi.org/10.5964/meth.11721
Kim, Y., & Cribbie, R. (2018). ANOVA and the variance homogeneity assumption: Exploring a better
gatekeeper. British Journal of Mathematical and Statistical Psychology, 71(1), 1–12.
https://doi.org/10.1111/bmsp.12103
Madanchian, M., & Taherdoost, H. (2025). The impact of artificial intelligence on research efficiency.
Results in Engineering, 26, 104743. https://doi.org/10.1016/j.rineng.2025.104743
Marinoni, G., Van’t Land, H., & Jensen, T. (2020). The Impact of COVID-19 on Higher Education
Around the World: IAU Global Survey Report. 2020. https://www.iau-aiu.net/IAU-Global-
Survey-Report-The-Impact-of-COVID-19-on-Higher-Education
Maryati, I. (2024). Statistical Literacy Ability of Students through Virtual Learning Environment Based
on Moodle-Learning Management System. International Journal of Information and Education
Technology, 14(1), 99–106. https://doi.org/10.18178/ijiet.2024.14.1.2029
McHugh, M. (2013). The Chi-square test of independence. Biochemia Medica, (3), 143–149.
https://doi.org/10.11613/bm.2013.018
Montgomery, D. (2001). Diseño y análisis de experimentos (Limusa Wiley, Ed.; 2nd ed.).
Montgomery, D., & Runger, G. (2011). Applied Statistics and Probability for Engineers (Inc. John
Wiley & Sons, Ed.; 5ta. Ed.).
Myles Hollander, Douglas Wolfe, & Eric Chicken. (2014). Nonparametric Statistical Methods (). Wiley.
• Páginas relevantes: Capítulo 6 (pp. 241–250) (Wiley Series in Probability and Statistics, Ed.;
3rd ed.).
pág. 6458
Ortega, F. (2024). Digital Transformation of Higher Education During the Pandemic: Impact on
Academic Management and Educational Quality. Nexus Científico, 2, 1–11.
https://orcid.org/0009-0004-1329-763X
Razak, M. R., Ismail, N. Z., & Zainal Abidin, S. R. (2025). LEARNING STATISTICS COURSES IN
HIGHER EDUCATION: A SYSTEMATIC REVIEW. International Journal of Education,
Psychology and Counseling, 10(58), 506–526. https://doi.org/10.35631/IJEPC.1058034
Rodríguez, A., Garcia, J., & Castrillón, M. (2021). La transformación digital, un desafío inmediato
ocasionado por la pandemia de Covid-19 para las entidades del sector de educación superior.
Revista Boletín Redipe, 10(6). https://doi.org/10.36260/rbr.v10i6.1328
Romero, M., Romeu, T., Guitert, M., & Baztán, P. (2022). La transformación digital en la educación
superior: el caso de la UOC. RIED-Revista Iberoamericana de Educación a Distancia, 26(1).
https://doi.org/10.5944/ried.26.1.33998
Rubio, M., Palacios, A., Cabero, J., & Fernández, M. V. (2025). Digital Teaching Competence Regarding
Foreign Languages and Learning Modes at Official Language Schools in Andalusia (Spain).
Societies, 15(4), 99. https://doi.org/10.3390/soc15040099
Schraeder, M., Pyzdrowski, L., & Miller, D. (2019). The Impact of Prior Exposure to Calculus. American
Journal of Educational Research, 7(3), 237–243. https://doi.org/10.12691/education-7-3-8
UNESCO. (2020). COVID-19 educational disruption and response.
https://www.unesco.org/en/articles/covid-19-educational-disruption-and-response
Valdivia, E. M., Garay Martínez, L. E., Cárdenas, C. M., & Venegas Ruiz, B. (24 C.E.).
PERFORMANCE OF ENGINEERING STUDENTS. Revista Electrónica ANFEI Digital.
https://doi.org/https://doi.org/10.63136/read162024968pp370
Virella, P., & Cobb, C. (2021). Leveraging the Crisis for Equity and Access in the Long Term: A Brief
Research Report. Frontiers in Education, 6. https://doi.org/10.3389/feduc.2021.618051
Xu, L., Duan, P., Padua, S. A., & Li, C. (2022). The impact of self-regulated learning strategies on
academic performance for online learning during COVID-19. Frontiers in Psychology,
13(1047680). https://doi.org/10.3389/fpsyg.2022.1047680
Zhao, Y. (2021). The changes we need: Education post COVID-19. Journal of Educational Change,
Ortega, F. (2024). Digital Transformation of Higher Education During the Pandemic: Impact on
Academic Management and Educational Quality. Nexus Científico, 2, 1–11.
https://orcid.org/0009-0004-1329-763X
Razak, M. R., Ismail, N. Z., & Zainal Abidin, S. R. (2025). LEARNING STATISTICS COURSES IN
HIGHER EDUCATION: A SYSTEMATIC REVIEW. International Journal of Education,
Psychology and Counseling, 10(58), 506–526. https://doi.org/10.35631/IJEPC.1058034
Rodríguez, A., Garcia, J., & Castrillón, M. (2021). La transformación digital, un desafío inmediato
ocasionado por la pandemia de Covid-19 para las entidades del sector de educación superior.
Revista Boletín Redipe, 10(6). https://doi.org/10.36260/rbr.v10i6.1328
Romero, M., Romeu, T., Guitert, M., & Baztán, P. (2022). La transformación digital en la educación
superior: el caso de la UOC. RIED-Revista Iberoamericana de Educación a Distancia, 26(1).
https://doi.org/10.5944/ried.26.1.33998
Rubio, M., Palacios, A., Cabero, J., & Fernández, M. V. (2025). Digital Teaching Competence Regarding
Foreign Languages and Learning Modes at Official Language Schools in Andalusia (Spain).
Societies, 15(4), 99. https://doi.org/10.3390/soc15040099
Schraeder, M., Pyzdrowski, L., & Miller, D. (2019). The Impact of Prior Exposure to Calculus. American
Journal of Educational Research, 7(3), 237–243. https://doi.org/10.12691/education-7-3-8
UNESCO. (2020). COVID-19 educational disruption and response.
https://www.unesco.org/en/articles/covid-19-educational-disruption-and-response
Valdivia, E. M., Garay Martínez, L. E., Cárdenas, C. M., & Venegas Ruiz, B. (24 C.E.).
PERFORMANCE OF ENGINEERING STUDENTS. Revista Electrónica ANFEI Digital.
https://doi.org/https://doi.org/10.63136/read162024968pp370
Virella, P., & Cobb, C. (2021). Leveraging the Crisis for Equity and Access in the Long Term: A Brief
Research Report. Frontiers in Education, 6. https://doi.org/10.3389/feduc.2021.618051
Xu, L., Duan, P., Padua, S. A., & Li, C. (2022). The impact of self-regulated learning strategies on
academic performance for online learning during COVID-19. Frontiers in Psychology,
13(1047680). https://doi.org/10.3389/fpsyg.2022.1047680
Zhao, Y. (2021). The changes we need: Education post COVID-19. Journal of Educational Change,
pág. 6459
22(1), 3–12. https://doi.org/https://doi.org/10.1007/s10833-021-09417-3
22(1), 3–12. https://doi.org/https://doi.org/10.1007/s10833-021-09417-3