Módulo · Virtualización

De la API al Insight

Análisis colaborativo de datos públicos con Python para proyectos Big Data

Paula Wustner Monsalve · Carlos Zepeda Díaz
Big Data — Ingeniería en Informática (Plan Continuidad) · Instituto Profesional Santo Tomás
Magíster en Docencia para la Educación Superior
Universidad Central de Chile · Sede Región de Coquimbo
Junio 2026

Planificación didáctica

Contexto de la Actividad

ÁREA

Área o tema elegido

Big Data · Integración de fuentes de datos externas mediante APIs públicas y Python

EST.

Público objetivo

Estudiantes de Ingeniería en Informática, Plan de Continuidad · IP Santo Tomás

PROB.

Problema o necesidad formativa

Participación desigual en el AVA: alta pasividad fuera del horario sincrónico, limitando la construcción colectiva del conocimiento

JUS.

Justificación pedagógica

Diseño activo que integra diagnóstico, interacción y evidencias trazables, transformando el AVA en un espacio dialógico (Biggs & Tang, 2011; Moore, 1989)

Propósito formativo

Resultado de Aprendizaje

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 su pertinencia técnica en el AVA.

Objetivo general

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

Objetivos específicos

01

Analizar el funcionamiento de una API pública y su relación con el ecosistema Big Data, distinguiendo componentes, formatos y criterios de evaluación.

02

Aplicar instrucciones básicas en Python para conectarse a una API, ejecutar una solicitud HTTP y visualizar datos iniciales en un notebook ejecutable.

03

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

Recursos digitales seleccionados

Herramientas Web Utilizadas

PA

Py Arena

Competencias de programación gamificadas en tiempo real entre estudiantes

Motiva la participación activa y permite evaluar desempeño técnico con ranking visible y analíticas para el docente

GC

Google Colab

Demostración práctica del docente y evidencia colaborativa ejecutable

Replica el flujo profesional de análisis de datos; ejecuta Python en el navegador sin instalación ni costo

AVA

Moodle

Eje organizador transversal: recursos, entregas, foros, cuestionarios y analíticas

Integra todos los componentes de la secuencia en un entorno trazable con seguimiento docente en tiempo real

WEB

Presentación Web

Presentación interactiva de la propuesta didáctica, navegable desde cualquier dispositivo con conexión a internet

Permite compartir la planificación completa con estudiantes y pares de forma estructurada, accesible y sin necesidad de software adicional

Estructura temporal

Estructura de la Clase · 90 minutos

Etapa	Tiempo	Actividad docente	Actividad estudiante	Herramienta	Evidencia
Presentación e inicio	10 min	Presenta propósito, RA y secuencia	Accede al AVA y revisa la consigna	Moodle	Registro de acceso
Diagnóstico de conocimientos	10 min	Aplica instrumento diagnóstico	Responde encuesta sobre APIs y Python	Presentación Web	Respuestas exportables
Presentación teórica interactiva	15 min	Explica API, HTTP, JSON y Big Data	Interactúa con preguntas	Presentación Web	Avance en H5P
Demostración práctica	15 min	Modela: endpoint, requests, DataFrame, gráfico	Observa y replica fragmentos en Colab	Google Colab	Notebook del docente
Trabajo colaborativo grupal	20 min	Orienta equipos y monitorea en el AVA	Analiza API asignada y documenta hallazgos	Colab + Moodle	Notebook grupal
Competencia Py Arena	8 min	Crea desafío y modera el ranking	Resuelve reto de código Python	Py Arena	Puntaje y soluciones
Evaluación posterior	7 min	Habilita cuestionario de salida	Responde cuestionario y reflexiona	Presentación Web	Resultados del quiz
Cierre metacognitivo	5 min	Sistematiza aprendizajes colectivos	Publica reflexión individual en el foro	Foro Moodle	Reflexión individual

Evaluación diagnóstica de entrada

Levantamiento de Conocimientos Iniciales

Formulario diagnóstico — Presentación Web — 10 minutos

Dimensión	Pregunta	Formato
Conceptual	¿Cuál opción describe mejor una API?	Selección múltiple
Conceptual	¿Qué formato de respuesta es más frecuente al consultar una API?	Selección múltiple
Procedimental	En Python, ¿qué biblioteca se usa para solicitudes HTTP?	Selección múltiple
Autopercepción	Nivel de seguridad para conectarse a una API desde Python	Likert 1–5
Autopercepción	Nivel de comprensión sobre la relación APIs y Big Data	Likert 1–5
Autopercepción	Experiencia previa con Google Colab o Jupyter Notebook	Likert 1–5
Aplicación	¿Cuál es un ejemplo de dato obtenible desde una API pública?	Selección múltiple

Uso de los resultados: Los resultados orientan tres decisiones en tiempo real: profundidad de la explicación inicial, nivel de guía del notebook entregado y conformación de equipos heterogéneos.

paulawustner.carloszepeda.cl/vote

Estrategia de enseñanza

Traspaso de Conocimientos

01

Presentación — 15 min

Presentación web interactiva: definición de API, estructura HTTP, JSON y criterios Big Data. Preguntas de verificación con retroalimentación inmediata.

02

Demostración en Google Colab — 15 min

Notebook demo_api_bigdata.ipynb: endpoint Open-Meteo, requests, JSON, DataFrame, visualización pronóstico 7 días. Disponible para que los estudiantes lo repliquen y adapten.

03

Competencia en Py Arena — 8 min

Desafío cronometrado de código Python. Ranking visible en tiempo real. El docente visualiza soluciones y errores frecuentes desde el panel de control.

04

Participación en el AVA

Foro de reflexión asincrónico en Moodle. Los equipos publican síntesis de hallazgos y comentan el notebook de otro grupo con criterios explícitos.

Medición del aprendizaje

Evaluación Posterior

Cuestionario de salida en Moodle — mismas dimensiones que el diagnóstico inicial

LOG

Porcentaje de logro

Porcentaje de respuestas correctas en el quiz final versus el diagnóstico inicial

PAR

Participación activa

Número de estudiantes que completaron todas las etapas de la secuencia

EVI

Desempeño práctico

Calidad del notebook grupal: código funcional, análisis e interpretación de datos

ARN

Rendimiento en Py Arena

Puntaje obtenido y porcentaje de soluciones correctas en la competencia de código

REF

Calidad de la reflexión

Profundidad y pertinencia de la reflexión individual publicada en el foro del AVA

Comparación diagnóstico → final: Moodle compara automáticamente el cuestionario inicial y el cuestionario final, generando un reporte de progresión individual y grupal visible para docente y estudiantes.

Diseño del entorno virtual

Organización en el AVA (Moodle)

A

Inicio

Consigna de la actividad, resultado de aprendizaje y criterios de evaluación

B

Material teórico

Recurso H5P interactivo y presentación descargable en PDF

C

Actividad práctica

Enlace al notebook Colab del docente y acceso directo a Py Arena

D

Evaluación

Cuestionario diagnóstico de entrada y cuestionario de salida

E

Evidencias

Tarea grupal: entrega del notebook (.ipynb) con análisis completo

F

Retroalimentación

Foro de reflexión individual y comentarios del docente sobre los notebooks

Indicadores de logro

Criterios de Éxito

01

Participación activa

80% o más de los estudiantes completa todas las etapas de la secuencia en el tiempo asignado

02

Uso correcto de herramientas

El notebook ejecuta sin errores y contiene código Python funcional que consulta una API real

03

Mejora diagnóstico a final

Incremento igual o superior al 20% en respuestas correctas entre el quiz inicial y el cuestionario de salida

04

Entrega de evidencia práctica

Notebook grupal en Moodle con análisis de API, interpretación de datos y justificación de pertinencia Big Data

05

Reflexión final documentada

Publicación en el foro que evidencia conexión entre el procedimiento técnico y el aprendizaje personal logrado

Referencias en formato APA 7

Bibliografía

Area Moreira, M. (2009). Introducción a la tecnología educativa. Universidad de La Laguna.

Biggs, J., & Tang, C. (2011). Teaching for quality learning at university (4.ª ed.). McGraw-Hill / Open University Press.

Boud, D., & Molloy, E. (2013). Feedback in higher and professional education. Routledge.

García Aretio, L. (2014). Bases, mediaciones y futuro de la educación a distancia en la sociedad digital. Síntesis.

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education. Center for Curriculum Redesign.

Moodle HQ. (2025). Moodle documentation. https://docs.moodle.org

Moore, M. G. (1989). Three types of interaction. The American Journal of Distance Education, 3(2), 1–6.

Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning. Studies in Higher Education, 31(2), 199–218.

Prensky, M. (2001). Digital game-based learning. McGraw-Hill.

Reflexión final

Síntesis y Cierre

Síntesis de la propuesta

Actividad alineada constructivamente: diagnóstico, conceptualización, práctica, evaluación y reflexión

El AVA como espacio activo, trazable e intencionalmente pedagógico

Tres tipos de interacción articulados en 90 minutos: estudiante–contenido, estudiante–estudiante, estudiante–docente

Valor pedagógico de las herramientas

Py Arena

Gamificación del aprendizaje técnico: motivación intrínseca, competencia colaborativa y evaluación auténtica del desempeño en código.

Google Colab

Evidencia práctica ejecutable: replica el flujo profesional de análisis de datos sin barreras de instalación ni costo para los estudiantes.

Gracias por su atención

Consultas del curso