Pilar: Plataforma Intuitiva, Libre y Analítica para el Registro, Gestión y Análisis de Calificaciones
DOI:
https://doi.org/10.37843/rted.v19i1.800
Contenido principal del artículo
Resumen
La práctica educativa contemporánea se encuentra atravesada por procesos de transformación digital que ofrecen oportunidades para optimizar la enseñanza, la evaluación y la toma de decisiones pedagógicas. El estudio tuvo como objetivo diseñar, desarrollar e implementar una herramienta digital gratuita, ligera e intuitiva, denominada Pilar, orientada a automatizar la gestión de procesos evaluativos mediante analíticas visuales e inmediatas. La investigación se desarrolló bajo un paradigma tecnológico, con el método de ciencia del diseño, enfoque cuantitativo-descriptivo en la fase de validación, diseño tecnológico, tipo aplicado y corte transversal. La muestra estuvo conformada por 31 docentes universitarios voluntarios de áreas como las ciencias agrarias, la ingeniería y las ciencias sociales, con entre 5 y 25 años de experiencia docente. Se emplearon como técnicas la revisión documental, la ingeniería de software, las pruebas funcionales y la encuesta de validación; como instrumentos, se utilizaron una matriz de requerimientos, pruebas de funcionalidad y un cuestionario de 20 ítems, de los cuales 16 fueron reactivos cerrados con escala Likert. Los resultados evidenciaron que Pilar integró módulos para el registro académico, la configuración de rubros, el cálculo automatizado de promedios, la visualización de datos y la generación de reportes. Las pruebas funcionales mostraron estabilidad operativa en la mayoría de las funciones, mientras que la validación docente reflejó una alta valoración de la utilidad, la facilidad de uso y la eficiencia percibida. Se concluyó que Pilar constituyó una alternativa tecnológica viable para optimizar la gestión evaluativa y apoyar la toma de decisiones pedagógicas basadas en datos.
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Aquellos autores que tengan publicaciones en nuestra revista aceptan los términos siguientes:
- En el momento en que una obra es aceptada para su publicación, el autor conserva los derechos de reproducción, distribución de su artículo para su explotación en todos los países del mundo en el formato proporcionado por nuestra revista, así como en cualquier otro soporte magnético, óptico y digital.
- Los autores conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)) que permite a terceros copiar y redistribuir el material en cualquier medio o formato, Bajo las condiciones siguientes: Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace. NoComercial — No puede utilizar el material para una finalidad comercial. SinObraDerivada — Si remezcla, transforma o crea a partir del material, no puede difundir el material modificado. No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales, repositorios, bibliotecas, o en su página web), lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
- El retiro de un artículo se solicitará por escrito al Editor, haciéndose efectivo luego de respuesta escrita de este. Para tal efecto, el o los autores enviarán correspondencia vía E-mail: [email protected].
- El autor no recibirá compensación económica por la publicación de su trabajo.
- Todas las publicaciones de la Revista Docentes 2.0, están bajo la plataforma Open Journal System (OJS) en dirección: https://ojs.docentes20.com/
Citaciones del Artículo
Citas
Amarasinghe, I., Michos, K., Crespi, F., & Hernández-Leo, D. (2024). Learning analytics support to teachers' design and orchestrating tasks. Journal of Computer Assisted Learning, 40(6), 2416–2431. https://doi.org/10.1111/jcal.12711
Banihashem, S. K., Noroozi, O., van Ginkel, S., Macfadyen, L. P., & Biemans, H. J. A. (2022). A systematic review of the role of learning analytics in enhancing feedback practices in higher education. Educational Research Review, 37, Artículo 100489. https://doi.org/10.1016/j.edurev.2022.100489
Barradas-Arenas, U. D., Cocón-Juárez, J. F., Pérez-Cruz, D., & Vázquez-Aragón, M. R. (2023). El impacto de los simuladores en el aprendizaje de los sistemas digitales. Revista Tecnológica-Educativa Docentes 2.0, 16(1), 67-76. https://doi.org/10.37843/rted.v16i1.350
Basogain-Urrutia, J. X. (2021). Evaluación en línea: Herramientas, limitaciones y alternativas en un contexto de pandemia. Revista Tecnológica-Educativa Docentes 2.0, 10(2), 30-41. https://doi.org/10.37843/rted.v10i2.243
Cohenour, C., & Hilterbran, A. (2016). Automated grading of Excel® workbooks using Matlab®. En ASEE's 123rd Annual Conference & Exposition. New Orleans, LA.
Dada, I. D., Akinwale, A. T., & Tunde-Adeleke, T.-J. (2025). A Structured Dataset for Automated Grading: From Raw Data to Processed Dataset. Data, 10(6), 87. https://doi.org/10.3390/data10060087
Doak, H. (2023). Front-end for a semi-automated grading tool. Wellington Faculty of Engineering Symposium. https://ojs.victoria.ac.nz/wfes/article/view/8396
Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6), 304-317. https://doi.org/10.1504/ijtel.2012.051816
Gomathy, C. K., Neethi, A. T., & Krishna, S. S. (2025). Automating student performance analysis using machine learning. Singaporean Journal of Scientific Research, 17(1), 62-70. https://doi.org/10.54216/JISIoT.170231
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2020). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Education.
Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design Science in Information Systems Research. MIS Quarterly, 28, 75-105. https://doi.org/10.2307/25148625
Langove, S. A., & Khan, A. (2024). Automated grading and feedback systems: Reducing teacher workload and improving student performance. Journal of Advanced Data Science, 13(4). https://doi.org/10.62345/jads.2024.13.4.16
Liow, H. J. K., Yau, P. C. Y., Tang, L. M., Seow, C. K., & Cao, Q. (2024). Peer-assessed (evaluated) automated grading system: A comprehensive exploration with emphasis on batch processing data visualization and rigorous peer evaluation. En Proceedings of the 2024 International Conference on Artificial Intelligence and Teacher. Association for Computing Machinery. https://doi.org/10.1145/3702386.3702404
Parojenog, R. C. (2023). Modified automated grading tool for senior high school advisers. International Journal of Scientific Engineering and Science, 7(11), 49-52. https://go.docentes20.com/bezc
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45-77. https://doi.org/10.2753/MIS0742-1222240302
Rivas-Huaman, R. G., Zarate-Custodio, D. M., Calderón-Gutiérrez, J. P., & Chávez-Farro, R. R. (2025). Análisis de la docencia universitaria a nivel mundial. Revista Tecnológica-Educativa Docentes 2.0, 18(2), 165-175. https://doi.org/10.37843/rted.v18i2.682
Ruth, B., & Hott, J. R. (2025). Auto-grading in Computing Education: Perceptions and Use. In Proceedings of the 56th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE TS 2025) (pp. 276–282). Association for Computing Machinery. https://doi.org/10.1145/3641554.3701900
Selwyn, N. (2016). Is technology good for education?. Polity Press.
Suniaga, A. (2019). Metodologías Activas: Herramientas para el empoderamiento docente. Revista Docentes 2.0, 7(1), 65–80. https://doi.org/10.37843/rted.v7i1.27
Tejaswi, D., Sravanthi, B. L., Devi, S. N., Sri, M. N. S., & Jahnavi, M. (2025). AI-based automated grading system and personalized feedback in higher education. International Advanced Research Journal in Science, Engineering and Technology, 12(4). https://doi.org/10.17148/IARJSET.2025.12460
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2018). The current landscape of learning analytics in higher education. Computers in Human Behavior, 89, 98–110. https://doi.org/10.1016/j.chb.2018.07.027
Weegar, R., & Idestam-Almquist, P. (2023). Reducing workload in short answer grading using machine learning. International Journal of Artificial Intelligence in Education, 34, 247–273. https://doi.org/10.1007/s40593-022-00322-1
Wieringa, R. J. (2014). Design science methodology for information systems and software engineering. Springer. https://doi.org/10.1007/978-3-662-43839-8
Wong, B. T. M., Li, K. C., & Liu, M. (2025). The role of learning analytics in evaluating course effectiveness. Sustainability, 17(2), 559. https://doi.org/10.3390/su17020559