Modelización del Aprendizaje en la asignatura de Dirección Estratégica y su aplicación en diferentes ámbitos: Impacto del Apoyo Docente y la Autonomía Temática del Estudiante

1. INTRODUCCIÓN

Los retos inherentes al sistema educativo español demandan un análisis profundo sobre la calidad del proceso de enseñanza-aprendizaje (Coronel, 2025). En campos como la economía, la empresa y la administración pública, es crucial que los estudiantes desarrollen la capacidad de aplicar los conceptos fundamentales de la Dirección Estratégica, así como las habilidades de búsqueda y gestión de información, y de trabajo colaborativo, para fomentar una mayor autonomía en su aprendizaje (Rodríguez Crespo y Suárez-Varela, 2022; de Lucas-Santos, 2017). Esta combinación de metodologías de enseñanza y la asimilación de competencias técnicas es clave para mitigar la escasez de talento y alinear la oferta educativa con la demanda laboral, siendo fundamental para la gestión eficiente de los complejos sistemas organizacionales, en cualquier ámbito. La aplicación de los principios de Dirección Estratégica trasciende la esfera privada. En el ámbito de la Economía Pública y la Administración, los conceptos de gestión estratégica son cruciales. Entidades como universidades, centros de salud u organismos reguladores operan en entornos complejos y de recursos limitados, donde la toma de decisiones estratégica es clave para optimizar la eficiencia, la asignación del gasto público y la calidad del servicio. Por lo tanto, la capacidad de los futuros profesionales para analizar y modelizar estos desafíos es una necesidad formativa de primer orden. Este estudio, al promover la investigación con Libertad de Selección del Tema (LST), se convierte en un marco ideal para que el alumnado aborde y aplique la Dirección Estratégica a las problemáticas reales de la gestión y la política públicas, justificando así la relevancia de esta modelización para el campo de la Economía en general.

Cuando las condiciones pedagógicas lo permiten, el proceso de enseñanza-aprendizaje puede cultivar estudiantes con un alto nivel de compromiso, transformándolos en pensadores independientes, críticos y creativos (Monasterio, 2006). En esta línea, Don Finkel, citado por Ruiz-Huerta (2009:50), describe la excelencia docente como la capacidad del profesor para inspirar y servir de modelo, transmitiendo entusiasmo y dominio de la materia. Esta perspectiva se alinea con la creciente evidencia de que el apoyo a la autonomía estudiantil por parte del profesorado cataliza una mayor motivación intrínseca, curiosidad y deseo de asumir desafíos (Deci, Nezlek y Sheinman, 1981; Ryan y Grolnick, 1986). La autonomía es un factor fundamental para mantener la motivación intrínseca, un constructo que refleja la propensión natural del ser humano a aprender y asimilar, aunque su interacción con la motivación extrínseca puede variar significativamente en su grado de autorregulación (Ryan y Deci, 2000).

La evaluación del rendimiento en el ámbito universitario, a menudo centrada en exámenes a corto plazo, puede priorizar la motivación extrínseca sobre la intrínseca, relegando el proceso de aprendizaje en sí. Sin embargo, la evaluación debe reflejar fielmente las competencias específicas y genéricas que se espera que los alumnos adquieran. Como mencionan Gallardo y Montolio (2011), "dime cómo evalúas y te diré cómo aprenden tus estudiantes". Una enseñanza que promueve la investigación activa mejora significativamente la retención de conocimientos en comparación con el aprendizaje memorístico (Getachew, 2018; Monasterio, 2006). Esta aproximación fomenta un aprendizaje profundo, donde los estudiantes asumen el desafío de dominar la materia, comprendiéndola en su complejidad y desarrollando una percepción propia, en contraste con el aprendizaje superficial o puramente estratégico (Monasterio, 2006: 1, aludiendo a Ken Bain).

La presente investigación modeliza el proceso de enseñanza-aprendizaje en la asignatura de Dirección Estratégica Empresarial (DEE) de 4º de ADE de la Universidad de Alcalá. Específicamente, se analiza un enfoque pedagógico que promueve la construcción, autonomía y colaboración del estudiante a través de un trabajo de investigación. Este proceso pedagógico se caracteriza por la Libertad de Selección del Tema (LST) por parte del estudiante. Este enfoque, que busca aumentar la relevancia percibida del tema, ofrece un amplio margen para explorar cualquier ámbito organizativo (público o privado), lo que valida la aplicabilidad de los conceptos de Dirección Estratégica en un espectro amplio de entidades.

Este trabajo se estructura de la siguiente forma: la sección segunda aborda la metodología y los datos. La sección tercera presenta los resultados de la modelización. La sección cuarta analiza los resultados de la evaluación de los estudiantes. Finalmente, la sección quinta recoge las principales conclusiones.

2. METODOLODÍA Y DATOS

           2.1. METODOLOGÍA

La presente investigación emplea un enfoque sistémico para modelizar el proceso de enseñanza-aprendizaje. Para ello, se utilizan herramientas de análisis de redes (yEd y Gephi) y Mapas Cognitivos Difusos (MCD, o Fuzzy Cognitive Maps - FCMs), como LOOPY y Mental Modeler, junto con el análisis temático y la codificación axial de datos cualitativos. El pensamiento sistémico (Jordan et al 2023) es una capacidad para reconocer y comprender las relaciones entre la estructura y la función de los sistemas complejos y la capacidad de calificar esta comprensión a través de la representación gráfica o semántica, la definición y la explicación.

LOOPY es una herramienta desarrollada por Nicky Case que permite la simulación cualitativa de cómo los cambios en los nodos (conceptos del modelo) se propagan a través de un sistema. Su interfaz intuitiva facilita la visualización de la estructura del mapa y la comprensión de las interconexiones. Aunque LOOPY solo permite indicar la dirección de la influencia (+ o -) y no maneja valores de pertenencia difusos para la magnitud, es útil para identificar elementos clave del sistema, establecer conexiones causales, visualizar bucles de retroalimentación y explorar patrones de comportamiento del sistema.

El parámetro λ (lambda) en las funciones sigmoide o tangente controla la pendiente de la curva, influyendo en la rapidez con la que un concepto reacciona a los cambios. Este proceso iterativo continúa hasta que el sistema alcanza un estado de equilibrio (punto fijo), un ciclo límite (los valores de los conceptos se repiten en un patrón), o un caos (los valores fluctúan sin patrón).

2.2 DATOS

El proceso de enseñanza-aprendizaje modelizado se llevó a cabo con un total de 71 alumnos/as en la asignatura de Dirección Estratégica Empresarial curso 2025 (aunque con una experiencia de hace algo más de una década), lo que representa el 88.74% de los matriculados. La coordinación de trabajos se organizó en 19 grupos, con 9 trabajos en el turno de mañana y 10 en el turno de tarde.

En cuanto a la tipología de los trabajos, se observó que 10 de los 19 trabajos (52.62%) estaban relacionados con el sector público, el debate público-privado, género o sociedad. Este enfoque fue particularmente acentuado en el turno de tarde, donde 7 de los 10 trabajos (77.7%) se concentraron en estas temáticas.

La Tabla 1 detalla las características principales de los trabajos realizados por el turno de tarde con temáticas del sector público, social y de género. La primera columna indica el ámbito geográfico (nacional o regional). Estos proyectos representan una validación empírica de la aplicabilidad de los conceptos de Dirección Estratégica a diferentes ámbitos de la gestión, como por ejemplo los relativos al sector público. La segunda columna muestra el número de observaciones por año, y la tercera, el periodo temporal de análisis de los datos. Las últimas tres columnas describen el tema específico, el campo de estudio y la metodología de investigación utilizada. El resto de los trabajos del turno de tarde se centraron en el sector privado, como el análisis de casos de empresas (ej., Nvidia) u organizaciones deportivas. Respecto al turno de mañana, tres trabajos se vincularon al sector público (Puertos y Universidades) y de género, mientras que el resto abordaron temáticas del sector privado (ej., energético, compañías aéreas), compartiendo características metodológicas y muestrales similares a las mencionadas en la Tabla 1.

Tabla 1. Características de los trabajos del turno de tarde

Fuente: Elaboración propia

3. RESULTADOS

El proceso de modelización con MCD se desarrolló en cuatro fases: 1) Identificación y conceptualización de factores (nodos) y sus interacciones, 2) Elaboración y análisis estructural de la red causal para determinar la importancia de los nodos, 3) Simulación cualitativa con LOOPY, y 4) Simulación cuantitativa y análisis dinámico del modelo con Mental Modeler. El análisis estructural inicial de la red reveló que los Resultados del Aprendizaje del Estudiante (RAE) y su Motivación Intrínseca (MIE) son los conceptos de mayor relevancia, actuando como elementos centrales en la dinámica de enseñanza-aprendizaje modelizada. A continuación, se detallan las fases de construcción y análisis del modelo que conducen a estos hallazgos.

3.1 FASE 1: IDENTIFICACIÓN DE CONCEPTOS Y RELACIONES

En esta primera fase, se identificaron 15 conceptos clave (nodos) que representan los factores más relevantes en el proceso de enseñanza-aprendizaje analizado. Estos conceptos se derivan tanto de una exhaustiva revisión de la literatura académica como del análisis de las afirmaciones cualitativas recopiladas de los estudiantes. Para facilitar su manejo en el modelo, se asignó un acrónimo a cada uno. La Tabla 2 detalla la lista completa de estos conceptos y sus respectivos acrónimos.

Tabla 2. Relación de conceptos identificados en la literatura

Fuente: Elaboración propia

Posteriormente, se establecieron las relaciones e influencias causales entre estos 15 conceptos, basándose también en la literatura científica que respalda la dirección (positiva o negativa) y, en algunos casos, la fuerza de estas interacciones. La Tabla 3 presenta estas relaciones identificadas, detallando la conexión causal y los autores que la respaldan. Estas conexiones forman la estructura fundamental de los MCDs utilizados en las fases de modelización.

Tabla 3. Relaciones e Influencias Causales entre Nodos (Conceptos)

Fuente: Elaboración propia

3.2 FASE 2: CONFIGURACIÓN DE LA RED E IMPORTANCIA DE LOS CONCEPTOS

En esta fase, se elaboró la red de interacciones entre los conceptos identificados, revelando su configuración estructural y la importancia relativa de cada nodo. La Figura 1 muestra los resultados de la visualización de esta red, donde el tamaño de los nodos se ajusta según su valor de PageRank, una métrica de centralidad ampliamente reconocida en la literatura para evaluar la influencia y relevancia dentro de una red.

El análisis del PageRank reveló que el concepto de Resultados del Aprendizaje del Estudiante (RAE) presenta la mayor relevancia en la red, con un valor de 1.0. Le sigue de cerca la MIE, con un PageRank de 0.75. A una distancia considerable, se sitúan el AP con 0.32 y la CPA con 0.27, destacando su importancia, aunque menor, en el flujo de influencia dentro del modelo.

Figura 1. Red de conceptos identificados en la literatura

Fuente: Elaboración propia

3.3 FASE 3: MODELIZACIÓN CUALITATIVA Y SIMULACIONES CON LOOPPY

En esta fase se realizó la modelización cualitativa del proceso de enseñanza-aprendizaje y se llevaron a cabo simulaciones utilizando la herramienta LOOPY. Esto permitió una visualización intuitiva de cómo los cambios en conceptos clave se propagan a través del sistema, identificando los flujos causales de manera visual.

La Figura 2.1 presenta la estructura general del modelo. La subfigura 2.1(a) muestra la red completa de conceptos y sus influencias, donde el tamaño de los círculos interiores de cada nodo refleja la importancia relativa (PageRank) calculada en la Fase 2. La subfigura 2.1(b) ilustra la interfaz previa a la simulación, donde se seleccionan los nodos a activar y la dirección de su influencia (aumento o disminución).

Figura 2.1. Modelo

Fuente: Elaboración propia

Posteriormente, se realizaron las simulaciones para comprender la dinámica del modelo ante cambios en factores críticos. La Figura 2.2 muestra el proceso de simulación al activar el AP.

• Activación de AP (+): Al aumentar el AP, se observa una rápida activación MIE y la IEP. Con un flujo causal progresivo, las HIE también se activan, aunque a un ritmo ligeramente más lento. Finalmente, todos estos efectos convergen para activar completamente los RAE. Es notable que la CPA se desactiva por completo en este escenario, lo que sugiere que un mayor apoyo del profesor reduce significativamente la percepción de dificultad.

Figura 2.2. Simulación con AP (+ y -)

Fuente: Elaboración propia

• Desactivación de AP (-): Al disminuir el apoyo del profesor, la simulación revela un efecto inverso y negativo. En los diferentes instantes del proceso, tanto la MIE como los RAE decrecen progresivamente hasta desaparecer, mientras que la CPA aumenta hasta alcanzar su nivel máximo de activación.
• Cuando la simulación se realiza a partir de LST (+), este afecta directamente sobre la motivación MIE y la RPT lo que influye sobre la activación máxima de RAE, aunque CPA no queda inactivado. Con LST (-), CPA se activa al máximo y RAE se desactiva (no se muestra para ahorrar espacio).

Finalmente, se exploró el efecto combinado de la LST y el AP. Como se muestra en la figura 2.3 la activación genera la propagación por la RPT, y por MIE e HIE con AP.

Figura 2.3 simulación AP y LST

Fuente: Elaboración propia

3.4 FASE 4: SIMULACIONES CUANTITATIVAS CON MENTAL MODELER

Para realizar simulaciones cuantitativas más precisas, se utilizó Mental Modeler, que permite asignar una fuerza de relación entre -1 y 1 a las conexiones. Ante la imposibilidad de emplear un método Delphi para incorporar el conocimiento de expertos en la asignación de estos valores, se optó por una estrategia fundamentada en: 1) la revisión de la literatura, que a menudo proporciona indicaciones sobre la fuerza de las correlaciones o la significancia de los efectos; 2) la argumentación lógica basada en modelos teóricos, como por ejemplo la fuerte relación entre autonomía y motivación intrínseca; y 3) la realización de análisis de sensibilidad probando diferentes magnitudes de las relaciones. Inicialmente, se asignaron valores moderados (+0.5 o -0.5) a todas las conexiones para centrar el análisis en la estructura del modelo y la propagación de influencias, más que en predicciones cuantitativas exactas. Esto permitió una exploración robusta de los bucles de retroalimentación y las dinámicas cualitativas del sistema.

La Figura 3 muestra el modelo implementado en la plataforma Mental Modeler y los resultados de los escenarios simulados.

• Escenario #1: Activación de los Resultados de Aprendizaje (RAE)

Este escenario identifica un punto crítico para la emergencia positiva de los RAE. Se observó que RAE se activa de manera significativa solo cuando los valores de la LST alcanzan al menos 0.65 y el AP llega a 0.75 (subfigura 3a). Por debajo de estos umbrales, la activación de RAE es mínima o nula. Esto subraya la necesidad de un esfuerzo considerable en el apoyo docente y un amplio grado de discrecionalidad en la elección del tema por parte de los alumnos para lograr resultados de aprendizaje óptimos. En este escenario, la RPT y la MIE experimentan un aumento, mientras que la CPA se reduce.

Figura 3 Modelo con Mental Modeler y escenarios

Fuente: Elaboración propia

• Escenario #2: Impacto del Apoyo del Profesor (AP) al máximo

Al situar el AP en su valor máximo, se observa que la RPT y los RAE se mantienen constantes en sus niveles elevados (subfigura 3b). Sin embargo, el resto de los factores del modelo se incrementan. Una posible explicación para el comportamiento no esperado de RAE constante podría estar relacionada con una curva de aprendizaje que, si bien evoluciona favorablemente, se ralentiza o estanca en niveles muy altos. Esto puede deberse a que, a medida que el alumno percibe sus logros, también se vuelve más consciente de las dificultades inherentes a la hora de mejorar la calidad de su trabajo, especialmente en aspectos como la conexión de la literatura y posterior narrativa necesaria y la comprensión profunda de los resultados metodológicos.

• Escenario #3: Impacto de la libertad de elección (LST) al máximo

En este escenario el valor máximo de LST, aumenta tanto MIE como especialmente RPT, mostrando la fuerte implicación de la selección del tema del trabajo. Así mismo CPA disminuye considerablemente.

4. ANÁLISIS DE LA EVALUACIÓN DE LA ASIGNATURA

Esta sección presenta el análisis de la evaluación del proceso de enseñanza-aprendizaje realizada por los estudiantes, abarcando una muestra del 60% del alumnado. La recolección de datos se llevó a cabo mediante un cuestionario que combinaba preguntas oficiales de la institución con preguntas adicionales. De particular interés fue la pregunta abierta: "Describe tu experiencia con esta asignatura (por favor, esfuérzate en la respuesta)", cuyo análisis cualitativo es el foco central de esta sección. En cuanto a las preguntas cerradas, la satisfacción global con la docencia obtuvo una puntuación media de 8.44 (desviación estándar 0.60), en una escala de 5 a 10.

4.1. METODOLOGÍA DE ANÁLISIS CUALITATIVO

Para extraer conclusiones de las 36 afirmaciones cualitativas recogidas, se empleó una combinación de análisis temático y codificación axial, un enfoque robusto para identificar patrones y relaciones en datos textuales. Este proceso fue asistido por inteligencia artificial (Gemini) en la fase de agrupación de categorías, facilitando la transición de una gran cantidad de texto a un conjunto manejable de conceptos, idóneos para el posterior análisis de red.

El análisis temático se centró en la identificación de patrones y temas recurrentes a través de un proceso iterativo que incluyó:

• Familiarización con los datos: Lectura exhaustiva de todas las afirmaciones para una comprensión global de las experiencias expresadas por los estudiantes.
• Generación de códigos iniciales: Identificación de frases o segmentos de texto que encapsulaban ideas importantes, considerándose cada afirmación como una unidad de significado inicial.
• Búsqueda de temas: Agrupación de estos códigos iniciales en torno a ideas más amplias que representaban aspectos significativos de la experiencia de los alumnos. Por ejemplo, afirmaciones como "Profesor siempre disponible para resolver dudas" y "Trato profesor satisfactorio" se agruparon bajo el tema del rol docente.

Complementariamente, la codificación axial permitió establecer relaciones entre los códigos y categorías generadas, explorando las propiedades y dimensiones de cada concepto. Este proceso implicó:

• Identificación del fenómeno central: Definir la experiencia o concepto principal (por ejemplo, "la dificultad de la asignatura").
• Condiciones causales: Determinar qué factores llevaron a la percepción del fenómeno (por ejemplo, "Nunca había hecho trabajos así").
• Contextos: Establecer dónde y cuándo se manifestó la experiencia (por ejemplo, "Al principio, el choque inicial").

Estrategias de interacción/respuesta: Analizar cómo los alumnos respondieron a la situación (por ejemplo, "Con esfuerzo y constancia se puede conseguir").

Ejemplo ilustrativo con el concepto "Complejidad & Reto": La categoría "Complejidad & Reto" surgió de la conexión de afirmaciones como "Trabajo complejo al principio", "Asignatura complicada", "Ha sido un gran reto", o "Con esfuerzo se puede conseguir". El análisis no solo capturó la percepción directa de la dificultad, sino también las condiciones iniciales (por ejemplo, "Al principio me sentía perdida") y, crucialmente, las estrategias de afrontamiento y superación de dicha dificultad. Esto enriqueció la categoría al reflejar tanto el desafío como la resolución.

4.2. ANÁLISIS DE RED DE LA EVALUACIÓN ESTUDIANTIL

El resultado del proceso de análisis temático y codificación axial se visualiza en la Figura 4, que muestra la red de interacciones entre las categorías identificadas a partir de las afirmaciones de los estudiantes. Esta red permite distinguir grandes bloques de categorías que reflejan la percepción global de la asignatura. A continuación, se detallan los nodos que integran estas categorías, presentados en orden de importancia según la medida de centralidad de PageRank:

Figura 4. Análisis de red de la evaluación de la asignatura sobre el proceso enseñanza-aprendizaje

Fuente: elaboración propia

Las categorías Principales y su Importancia fueron las siguientes: i) Fortalezas/Percepciones Positivas que se estructuran en 9 nodos, donde el nodo Satisfacción_Evaluación_Positiva es el de mayor representatividad, ii) Neutras/Proceso con dos nodos donde el nodo Complejidad & Reto es el de mayor representatividad, iii) Más Específicas / Menos Frecuentes que mantiene niveles de importancia similares.

• Fortalezas / Percepciones Positivas:
  • Satisfacción_Evaluación_Positiva: (Agrupa la satisfacción general, el interés, el enriquecimiento personal y el orgullo asociado al trabajo y la experiencia).
  • Novedad Asignatura: (Enfatiza el carácter distintivo, novedoso y diferente de la asignatura respecto a otras).
  • Aprendizaje & Competencias: (Incluye la adquisición de metodologías, conceptos, habilidades de investigación y redacción).
  • Rol Profesor: (Agrupa la disponibilidad, ayuda, orientación, preocupación y trato del profesor).
  • Utilidad Asignatura: (Refiere a la percepción de la asignatura como útil, necesaria, valiosa y aplicable al futuro laboral).
  • Trabajo Investigación: (Se enfoca en la preparación para el Trabajo de Fin de Grado (TFG), las bases para investigar y el desarrollo de madurez científica).
  • Uso Herramientas: (Incluye el valor percibido en el uso de software profesional, tecnología y programas útiles).
  • Trabajo en Grupo: (Cubre la oportunidad y el valor intrínseco de la colaboración en equipo).
  • Enfoque Práctico: (Destaca la utilidad de las clases prácticas, la aplicación de la teoría y el carácter no meramente teórico de la asignatura).
• Neutras / De Proceso:
  • Complejidad & Reto: (Recoge la percepción de dificultad, intensidad y desafío, así como la experiencia de su superación).
  • Metodología & Estructura: (Engloba aspectos como la temática y metodología libre, la estructura general de la asignatura y la calidad de los materiales proporcionados y explicaciones).
• Más Específicas / Menos Frecuentes:
  • Curva de Aprendizaje: (Describe la dificultad o el choque inicial, la adaptación y el perfeccionamiento a lo largo del curso).
  • Madurez Personal: (Refiere a la madurez y transformación personal experimentada por el alumno).
  • Críticas / Mejoras: (Identifica puntos débiles o áreas de mejora señaladas por los estudiantes, como la claridad o el uso de ciertos métodos).
  • Dinámicas Trabajo: (Agrupa recomendaciones para el trabajo, como llevarlo al día, aprovechar el tiempo o elegir un tema que facilite el proceso).
  • Tópicos Específicos: (Otras menciones muy puntuales con baja frecuencia de aparición).

En resumen, las categorías más prominentes y valoradas positivamente giran en torno a la “Satisfacción y Novedad de la Asignatura”, el “Aprendizaje y Competencias adquiridas”, y fundamentalmente, el “Rol del Profesor” y la “Utilidad de la Asignatura”. Conceptos como la “Complejidad y el Reto” del trabajo autónomo también emergieron como factores centrales, indicando que, aunque percibidos como difíciles, fueron aspectos de superación y aprendizaje. En conjunto, este análisis cualitativo valida la importancia de un diseño pedagógico que fomenta la autonomía, la investigación y el apoyo docente, confirmando la conexión entre las metodologías implementadas y la experiencia positiva de los alumnos.

5. CONCLUSIONES

El presente trabajo ha abordado la modelización del proceso de enseñanza-aprendizaje en la asignatura de Dirección Estratégica Empresarial (DEE) de 4º de ADE de la Universidad de Alcalá, utilizando un enfoque pedagógico que promueve la construcción, autonomía y colaboración del conocimiento a través de un trabajo de investigación. La complejidad inherente a los sistemas educativos y la diversidad temática de la asignatura —abarcando desde la administración pública hasta el sector privado, la sociedad o el género— exige herramientas sofisticadas para comprender las dinámicas que influyen en el aprendizaje.

En este sentido, el modelo desarrollado con Mapas Cognitivos Difusos (MCDs), mediante las herramientas LOOPY y Mental Modeler, ofrece una radiografía detallada de las interacciones entre variables pedagógicas y la experiencia del estudiante. Los hallazgos de este estudio poseen quizás una clara aplicabilidad a la docencia en diversos ámbitos, incluso más allá del contexto universitario, por las siguientes razones:

• Enfoque pedagógico adaptable: La metodología de aprendizaje investigada (construcción autónoma, colaboración, apoyo docente) es fundamental en la modernización de la formación. El modelo ilustra la eficacia de estas variables en un contexto universitario, lo que hace que sus conclusiones sean directamente replicables a programas de capacitación y desarrollo de competencias en la gestión pública y privada. El modelo ilustra el mecanismo causal mediante el cual el apoyo docente (AP) y la autonomía (LST) potencian los RAE y la MIE, siendo sus conclusiones relevantes para la gestión del cambio y la planificación estratégica en el sector público o privado.
• Relevancia temática emergente: Resulta significativo que una elevada proporción de los trabajos de investigación, concretamente el 70% de los del turno de tarde, se decantara voluntariamente por temáticas de interés público, social o de género. Este hallazgo valida que un modelo que enfatiza la Libertad de Selección del Tema es un mecanismo pedagógico efectivo para canalizar la Motivación Intrínseca del alumnado hacia el análisis de políticas, la gestión de recursos públicos y el estudio de la competitividad, subrayando la pertinencia de este enfoque para la formación de futuros gestores y analistas en el ámbito de la Economía.
• Análisis integral de la experiencia del estudiante: La investigación sobre la relevancia percibida del tema, el apoyo docente y la gestión del reto, factores clave en el modelo, son elementos universales para cualquier proceso educativo. Comprender cómo estos factores interactúan es crucial para mejorar la calidad de la docencia en cualquier esfera. Además, el modelo no solo conceptualiza el proceso de enseñanza-aprendizaje, sino que se valida y enriquece con la evaluación directa y cualitativa de los propios estudiantes. Las afirmaciones analizadas, agrupadas en categorías robustas, reflejan la experiencia real y las percepciones de los alumnos, proporcionando un respaldo empírico fundamental a las interconexiones del modelo y demostrando el impacto tangible de los factores pedagógicos estudiados.

Entre las limitaciones de este estudio, cabe mencionar el tamaño y el carácter de la muestra. Al basarse en un solo curso de 4º de ADE de la Universidad de Alcalá la generalización de los hallazgos a otras asignaturas, universidades o contextos educativos puede verse comprometida. Además, la muestra de alumnos fue por conveniencia (no aleatoria), y la participación en la evaluación fue voluntaria y condicionada por la dinámica de la asignatura, lo que podría introducir un sesgo de selección si los estudiantes con opiniones más marcadas fueron más propensos a participar.

Finalmente, la implementación del proceso de Bolonia, especialmente en lo relativo al fomento del aprendizaje colaborativo, proactivo y autónomo, a menudo enfrenta una limitación significativa de recursos. Esta problemática no solo abarca la escasez de medios materiales —agravada por la reducción presupuestaria en las universidades públicas— sino, fundamentalmente, la necesidad crítica de contar con un profesorado suficiente, adecuadamente preparado y dispuesto a afrontar las exigencias de este modelo pedagógico (De Jorge-Moreno, 2021). Este desafío resalta la importancia de invertir en el desarrollo docente para asegurar el éxito de las metodologías innovadoras y el autoaprendizaje.

Agradecimientos

El autor desea agradecer a sus alumnos/as el apoyo y la colaboración. También a Milagros H. De Lucas, por su ayuda en el desarrollo del trabajo.

REFERENCIAS

Astin, A. W. (1993). What matters in college? Four critical years revisited. Jossey-Bass.

Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7-74.

Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215.

Barr, R. B., & Tagg, J. (1995). From teaching to learning—A new paradigm for undergraduate education. Change: The Magazine of Higher Learning, 27(6), 12-26.

Csikszentmihalyi, M. (1990). Flow: The psychology of optimal experience. Harper & Row.

Cordova, D. I., & Lepper, M. R. (1996). Intrinsic motivation and the process of learning: Beneficial effects of contextualization, personalization, and choice. Journal of Educational Psychology, 88(4), 715-730.

Coronel, V(2025). Recensión de “Economía de la Educación” de Antonio Cabrales e Ismael Sanz (coordinadores). 1, 39-47

Deci, E.L Nezlek,J. & Sheinman, L (1981). Characteristics of the Rewarder and Intrinsic Motivation of the Rewardee. Journal of personality and social psychology, 40, (1) 1-10.

Ryan, R.M. &  Deci, E. L. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268.

Ryan, R. M., & Deci, E. L. (2000). Intrinsic and extrinsic motivations: Classic definitions and new directions. Contemporary Educational Psychology, 25(1), 54-67.

Deci, E. L., Koestner, R., & Ryan, R. M. (1999). A meta-analytic review of experiments examining the effects of extrinsic rewards on intrinsic motivation. Psychological Bulletin, 125, 627-668.

De Jorge-Moreno, J (2021). Experiencia docente semivirtual de la asignatura Dirección Estratégica Empresarial durante el confinamiento por la covid-19, desde un enfoque de sistemas dinámicos. Dirección y Organización. 75, 74-88.

de Lucas-Santos, S. (2017). El uso de las TIC para el desarrollo de competencias con metodologías activas en Estadística Descriptiva del grado de ADE. REDU: Revista de docencia universitaria. 15, 245-256.

Felder, R. M., & Brent, R. (2009). Active learning: An introduction. ASQ Higher Education Brief, 2(4), 1-9.

Fullan, M. (2001). The new meaning of educational change. Teachers College Press.

Gallardo, E. & Montolio, D. (2011). ¿Existe relación entre la evaluación continua y los resultados de los alumnos? Revista electrónica sobre la enseñanza de la Economía Publica. (e.pública) 8, 63-79.

Getachew, B.(2018). Factors Affecting Student’s Academic Performance in Ahuntegen General Secondary School, North Wollo Zone, Ethiopia. Journal of Education and Learning, 12, 198-206.

Guthrie, J. T., Wigfield, A., Metsala, J. L., & Cox, K. E. (1999). Motivational and cognitive predictors of text comprehension and reading amount. Scientific Studies of Reading, 3(3), 231-256

Jordan RC, Gray S, Boyse-Peacor, A., Sorensen AE, Frantz CM., Jauernig J, Brehm P., Shammin,M.R. & Petersen, J. (2023) Promoting systems thinking through perspective taking when using an online modeling tool. Frontier Education.

Hativa, N. (2000). Teaching for effective learning in higher education. Springer-Science+Business Media, B.V.

Hattie, J. (2009). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.

Hattie, J., & Timperley, H. (2007). The Power of Feedback. Review of Educational Research, 77(1), 81–112.

Hidi, S. (2006). Interest: A unique motivational variable. Educational Research Review, 1(2), 69-82.

Hmelo-Silver, C. E. (2004). Problem-based learning: What and how do students learn? Educational Psychology Review, 16(3), 235-266. Kember.

Kember, D. (2004). Interpreting student workload and the factors which influence it. Studies in Higher Education, 29(1), 165-184.

Krapp, A. (2002). An educational-psychological theory of interest and its relation to academic achievement. Learning and Instruction, 12(1), 5–29.

Monasterio, C. (2006). Lo que hacen los mejores profesores universitarios Publicaciones de la Universidad de Valencia, 2005.1, Revista electrónica sobre la enseñanza de la Economía Pública 66-69.

Pintrich, P. R., & De Groot, E. V. (1990). Motivational and self-regulated learning components of classroom academic performance. Journal of Educational Psychology, 82(1), 33-40.

Rodríguez Crespo, E y Suárez-Varela, M. (2022). Sugerencias para la mejora docente en economía pública: lecciones transversales del aprendizaje basado en proyectos implementado en la asignatura Estructura Económica Mundial y de España. Revista electrónica sobre la enseñanza de la Economía Pública. 31, 1-17

Ruiz-Huerta (2009). Dar clase con la boca cerrada de Don Finkel. Revista electrónica sobre la enseñanza de la economía pública, 6, 49-60

Ryan, R. M., & Grolnick, W. (1986). Origins and Pawns in the Classroom: Self-Report and Projective Assessment of Individual Differences in Children’s Perceptions. Journal of Personality and Social Psychology, 50, 550-558.

Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78.

Schunk, D. H., Pintrich, P. R., & Meece, J. L. (2008). Motivation in education: Theory, research, and applications. Pearson/Merrill Prentice Hall.

Wigfield, A., & Eccles, J. S. (2000). Expectancy–value theory of achievement motivation. Contemporary Educational Psychology, 25(1), 68-81.

Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100.

Umbach, P. D., & Wawrzynski, M. R. (2005). Faculty do matter: The role of college faculty in student learning and engagement. Research in Higher Education, 46(2), 153-184.

Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13-40). San Diego, California: Academic Press