Módulo · Virtualización del AVA

De la API al Insight

Análisis colaborativo de datos públicos
con Python para proyectos Big Data

Asignatura: Big Data — IP Santo Tomás
Docente: Carlos Zepeda Díaz
Magíster en Docencia para la Educación Superior
Universidad Central de Chile · Junio 2026

Planificación didáctica

Objetivos de la Clase

Resultado de aprendizaje Analizar una API pública como fuente de datos para un proyecto Big Data, aplicando procedimientos básicos de conexión mediante Python, interpretando la información obtenida y justificando colaborativamente su pertinencia técnica en el AVA.

Objetivo general Diseñar una experiencia práctica, colaborativa y evaluable que permita aplicar conceptos de APIs, Python y Big Data mediante el análisis de fuentes públicas de datos.

Objetivos específicos

1

Analizar el funcionamiento de una API pública y su relación con el ecosistema Big Data.

2

Aplicar instrucciones básicas en Python para conectarse a una API y visualizar datos en un notebook.

3

Evaluar la pertinencia, estructura y calidad de los datos obtenidos considerando criterios técnicos y éticos.

4

Construir una evidencia colaborativa en formato notebook con hallazgos, interpretación y justificación.

5

Comunicar reflexivamente los aprendizajes mediante foros asincrónicos del AVA.

Estructura temporal

Secuencia de Clase · 90 minutos

Etapa 01 10 min

🎯

Presentación e inicio

Moodle

Etapa 02 10 min

📋

Diagnóstico de conocimientos previos

Google / Microsoft Forms

Etapa 03 15 min

📚

Presentación teórica interactiva

Moodle + H5P

Etapa 04 15 min

💻

Demostración práctica

Google Colab / Jupyter

Etapa 05 20 min

🤝

Trabajo colaborativo grupal

Colab + Moodle

Etapa 06 8 min

📌

Socialización de hallazgos

Padlet / Miro / Mentimeter

Etapa 07 7 min

✅

Evaluación posterior

Moodle (cuestionario)

Etapa 08 5 min

💬

Cierre metacognitivo

Foro Moodle

Recursos digitales

Herramientas Web Implementadas

🏫

Moodle AVA

Transversal

Organización, entrega, evaluación y analíticas de aprendizaje.

Levantamiento de conocimientos previos con visualización inmediata.

Contenido interactivo con preguntas incrustadas y retroalimentación.

→ Abrir herramienta

🐍

Google Colab / Jupyter

Demostración y práctica

Notebook ejecutable con código Python, texto y visualizaciones.

→ Abrir herramienta

🗂️

Padlet / Miro / Mentimeter

Socialización

Mural colaborativo para síntesis visual de hallazgos por equipo.

→ Abrir herramienta

⚔️

Py Arena

Competencia / Gamificación

Plataforma propia para competencias de programación entre estudiantes.

→ Abrir herramienta

Aplicación propia · Gamificación

⚔️ Py Arena

Plataforma de competencias de programación diseñada por el docente

Py Arena es una aplicación web desarrollada para motivar a los estudiantes a través de la gamificación del aprendizaje de Python. Permite crear desafíos de código, competir en tiempo real y visualizar un ranking dinámico.

⚔️

Desafíos en tiempo real

Los estudiantes compiten resolviendo problemas de código dentro de un tiempo límite.

🏆

Ranking dinámico

Tablero de posiciones actualizado en tiempo real para incentivar la participación.

🛠️

Editor integrado

Editor de código con ejecución segura directamente en el navegador.

📊

Analíticas docentes

El docente visualiza soluciones, errores frecuentes y progreso de cada estudiante.

⚔️ Abrir Py Arena

⚔️

Captura de Py Arena Coloca py_arena_screenshot.png
en assets/images/

Demostración práctica en clase

🐍 Jupyter Notebook · Demostración en clase

El docente modela en vivo la conexión a una API pública, el procesamiento de datos y la visualización usando Python. El notebook queda disponible para que los estudiantes lo repliquen y adapten.

1

Revisar documentación de la API

2

Conexión y solicitud HTTP

import requests url = "https://api.open-meteo.com/v1/forecast" params = { "latitude": -29.9027, "longitude": -71.2519, "current_weather": True } response = requests.get(url, params=params) print(response.status_code) data = response.json()

3

Transformación a DataFrame

import pandas as pd df = pd.json_normalize(data) df.head()

4

Visualización de datos

import matplotlib.pyplot as plt # Temperatura a lo largo del tiempo plt.figure(figsize=(10, 4)) plt.plot(df.columns, df.values[0], marker='o') plt.title('Datos obtenidos desde la API') plt.tight_layout() plt.show()

📓 Abrir Google Colab

📓

Captura del Notebook Coloca jupyter_demo.png
en assets/images/

Fundamentos pedagógicos

Marco Pedagógico

Magíster en Docencia para la Educación Superior

📐

Alineamiento constructivo

Biggs & Tang (2011)

Cada etapa conecta objetivo, actividad y evidencia evaluable.

🔄

Tres tipos de interacción

Moore (1989)

Est.–contenido, Est.–Est., Est.–docente articulados en la secuencia.

💡

Aprendizaje activo

Area Moreira (2009)

H5P, Colab y Padlet reemplazan la recepción pasiva por producción activa.

📊

Retroalimentación formativa

Nicol & Macfarlane-Dick (2006)

Diagnóstico inicial y cuestionario de salida generan datos para decisión docente.

🌐

AVA como espacio pedagógico

García Aretio (2014)

Moodle trasciende el repositorio y se convierte en entorno de interacción trazable.

¡Gracias por su atención!

Contacto: carlosandres.zepedadiaz@gmail.com

Magíster en Docencia para la Educación Superior

Universidad Central de Chile · Módulo Virtualización del AVA