Esta estructura escalonada de aprendizaje permite asegurar que los estudiantes dominen
gradualmente cada aspecto de los resultados de aprendizaje del programa, fomentando un
desarrollo integral de competencias. Al avanzar desde la comprensión hasta la evaluación, los
estudiantes están mejor preparados para enfrentar desafíos del mundo real, integrando tanto el
conocimiento teórico como la habilidad práctica y el pensamiento crítico en sus soluciones. Esta
metodología asegura un enfoque pedagógico completo, que responde a las demandas de un
entorno tecnológico y social cada vez más complejo.
16.3. Resultados de aprendizaje del ciclo de Tecnología únicamente
La siguiente tabla muestra los resultados de aprendizaje para el ciclo de Tecnología en
Sistematización de Datos únicamente y al igual que la tabla anterior se muestran niveles de
comprensión, aplicación, análisis y evaluación. Por ejemplo, para el caso del resultado de
aprendizaje de procesar datos, se tienen las siguientes cuatro etapas:
1) Comprensión de Principios y Métodos Básicos: En el primer nivel, el estudiante se enfoca en
comprender los principios y métodos básicos utilizados en el procesamiento de datos. Esto implica
aprender los fundamentos teóricos sobre cómo se estructuran, almacenan y manipulan los datos. A
este nivel, se adquieren conocimientos clave sobre los tipos de datos, las herramientas básicas de
procesamiento, y los principios de calidad y seguridad de los datos.
2) Aplicación de Técnicas y Herramientas para Procesar Grandes Volúmenes de Datos: Una vez que
el estudiante ha comprendido los principios, el siguiente paso es aplicar técnicas y herramientas
específicas para gestionar grandes volúmenes de datos. Aquí, el estudiante utiliza software y
métodos prácticos para organizar, limpiar y manipular datos en cantidades significativas, como
puede ocurrir en bases de datos o conjuntos de datos de Big Data. En esta fase, es común que el
estudiante trabaje con herramientas de software específicas para procesamiento y análisis, como
SQL para bases de datos relacionales o bibliotecas de Python como Pandas para el manejo de datos.
3) Análisis y Selección de Técnicas para Conjuntos de Datos Complejos: En el nivel de análisis, el
estudiante desarrolla la habilidad de evaluar diferentes conjuntos de datos complejos y determinar
las técnicas y herramientas más adecuadas para su procesamiento. Esto requiere no solo un
conocimiento técnico, sino también un criterio crítico para decidir qué métodos ofrecerán la mejor
eficiencia y precisión en función del tipo de datos y el objetivo del análisis. En este nivel, se analizan
estructuras de datos, patrones, y relaciones que puedan sugerir el uso de técnicas avanzadas de
análisis, como minería de datos o aprendizaje automático.
4) Integración y Diseño de Flujos de Trabajo Eficientes: Finalmente, en el nivel de evaluación e
integración, el estudiante debe ser capaz de combinar múltiples fuentes y tipos de datos para crear
flujos de trabajo que optimicen el procesamiento de datos. Esto implica diseñar y gestionar procesos
en los que los datos se extraen, transforman y cargan de manera continua y eficiente, integrando
fuentes internas y externas. Además, este nivel requiere un entendimiento profundo de cómo estos
flujos afectan la toma de decisiones y cómo optimizar cada etapa del flujo de trabajo para aumentar
la velocidad y la confiabilidad del procesamiento de datos.