Sistema de Detección de Atención en Estudiantes 'EMA'
Índice de la presentación
1. Introducción: Planteamiento, justificación, objetivos e hipótesis.
2. Marco Teórico y 3. Metodología de investigación aplicada.
4. Cronograma de actividades y desarrollo del proyecto.
5. Estado del arte, conclusiones y referencias bibliográficas.
03
¿Qué es el sistema EMA? Emoción, Mirada y Atención en el aula.
Preguntar '¿tienen dudas?' apenas genera información real. El silencio o la afirmación automática de los alumnos ocultan a menudo la falta de comprensión. Esta dinámica crea un impacto emocional negativo, donde el docente desconoce su alcance y el estudiante se pierde en un ciclo de frustración invisible.
El espejismo del aula: ¿Por qué fallan los métodos tradicionales?
La distracción en el aula representa uno de los mayores desafíos educativos actuales, manifestándose de formas radicalmente distintas según el nivel académico del estudiante.
En niveles superiores, la tecnología se convierte en un filtro de atención. Los estudiantes universitarios conviven con el celular y el acceso constante a redes sociales. El consumo de videos cortos y reels ha transformado profundamente el procesamiento de información, favoreciendo interrupciones constantes que fragmentan la capacidad de concentración profunda.
En la educación básica, el desafío es estructural; la distracción surge de la gestión de grupos numerosos, a menudo de treinta o más alumnos. Resulta prácticamente imposible para un docente atender la atención individual de cada estudiante simultáneamente. Este escenario resulta en una distracción acumulada que impide captar gran parte del contenido académico.
+ info
Accesibilidad y democratización: el impacto social del sistema EMA.
La accesibilidad de EMA radica en su capacidad para operar sin hardware adicional. Al utilizar herramientas gratuitas y robustas como OpenCV y MediaPipe, el sistema se vuelve una solución viable para escuelas públicas mexicanas con presupuestos limitados. Esta tecnología permite a los docentes, quienes gestionan grupos numerosos con pocos recursos, ajustar la dinámica de clase en tiempo real. Así, democratizamos el acceso a herramientas de apoyo pedagógico.
+ info
Definiendo el rumbo: Objetivos e hipótesis de nuestra investigación.
Objetivo General: Desarrollar un sistema de detección de atención para potenciar la mediación docente
El propósito técnico de EMA es implementar un sistema de visión artificial capaz de procesar, en tiempo real, variables biométricas críticas: rostro, ojos, dirección de la mirada y postura. Mediante el uso de cualquier cámara estándar, esta herramienta traduce señales visuales en datos procesables sobre el estado atencional del estudiante. Al ofrecer al docente una perspectiva objetiva y cuantitativa del aula, el sistema permite ajustar estrategias pedagógicas al instante, transformando la percepción cualitativa en una base de datos firme. Esta tecnología busca eliminar la brecha entre la observación intuitiva y la realidad del aprendizaje, fomentando un entorno educativo más sensible, atento y adaptable a las necesidades de cada grupo.
+ info
Fases técnicas del sistema EMA
Desarrollo de módulos de captura y procesamiento de video en tiempo real mediante el uso de OpenCV y MediaPipe.
Análisis biométrico de rasgos faciales, incluyendo la dirección de mirada y el cálculo del EAR (Eye Aspect Ratio) para párpados.
Clasificación automatizada de estados: atención plena, distracción o ausencia del estudiante en el entorno educativo.
Implementación de una interfaz de tipo semáforo, intuitiva y accesible, diseñada específicamente para el monitoreo docente.
H1
Si observamos al estudiante, podemos estimar su atención mediante análisis multimodal.
Hipótesis de trabajo (H1): Estimación de atención en tiempo real
Variables clave: mirada, postura y expresión facial analizadas por EMA.
02
Marco Teórico: Fundamentos y conceptos base.
Cuatro pilares de observación conductual
1) Dirección de la mirada: determina si el estudiante mantiene el enfoque visual en la pantalla o se distrae con elementos externos.
3) Orientación de la cabeza: monitorea ángulos de giro (Yaw, Pitch, Roll) para identificar si el alumno desvía su atención de forma consistente.
Tecnología orientada al análisis preciso de la conducta humana en el entorno educativo.
4) Postura corporal: identifica anomalías, como estudiantes recostados o ausentes del encuadre, que sugieren falta de compromiso.
2) Estado de los párpados: evalúa la somnolencia mediante el Eye Aspect Ratio (EAR) para detectar cierres oculares prolongados.
Medición objetiva del estado atencional basada en métricas físicas validadas.
MediaPipe 0.10
Stack Técnico
Python & NumPy
Lógica y Cálculos
Captura y Visión
Procesamiento IA
Python 3.11 orquesta el stack tecnológico, mientras NumPy 1.26 ejecuta los cálculos matriciales necesarios para el EAR y la estimación de pose.
Utiliza Face Mesh con 468 landmarks faciales y el módulo Pose para el rastreo preciso de 33 puntos corporales clave.
OpenCV 4.9 gestiona la ingesta de fotogramas mediante VideoCapture, optimizando el flujo de datos visuales en tiempo real.
03
Metodología: Un proceso experimental enfocado en la accesibilidad.
03
02
01
Fase 3: Validación. Calculamos la exactitud y precisión del modelo, contrastando los resultados obtenidos con los datos etiquetados inicialmente.
El flujo metodológico integra cada etapa: desde la ingesta de información hasta el despliegue del sistema para garantizar resultados fiables.
Fase 1: Recolección. Obtenemos datos esenciales mediante encuestas a docentes y estudiantes, complementadas con secuencias de video e imágenes de referencia.
Optimizamos el flujo de captura de video para garantizar un análisis de alta precisión en tiempo real.
Pipeline técnico
Cada fotograma es sometido a un pre-procesamiento riguroso para maximizar la eficiencia del modelo. Este ciclo garantiza la estabilidad en la inferencia mediante el redimensionamiento, la adaptación de espacios de color, la reducción de ruido mediante filtros gaussianos y una normalización precisa de los datos de entrada.
Conversión de BGR a RGB para compatibilidad nativa con MediaPipe.
Flujo de inferencia
Pre-procesamiento de Fotogramas
Aplicación de filtros gaussianos (3x3) y normalización [0, 1] para suavizar la señal y mejorar la precisión del modelo.
Redimensionamiento a 640 x 480 para uniformar el tiempo de inferencia.
Lógica de clasificación de atención
Cómo el sistema procesa datos visuales para definir estados de atención mediante reglas precisas.
15
Tamaño de la ventana deslizante en fotogramas para suavizar la detección de estados.
El sistema aplica una lógica de etiquetas basada en variables biométricas: la combinación de EAR normal, mirada centrada y postura presente indica alta atención. La somnolencia se identifica con un EAR bajo, mientras que la ausencia se registra al perder el rostro del encuadre. Para asegurar la estabilidad en la medición, utilizamos una ventana deslizante de 15 fotogramas, asignando la categoría que representa la clase mayoritaria.
0.20
Umbral crítico de EAR
Junio: Estructuración metodológica y entrega del proyecto final.
Línea de tiempo: 2026
Mayo: Desarrollo detallado del marco teórico de la investigación.
Febrero: Elección del tema, redacción de la introducción y planteamiento.
Marzo y abril: Definición de objetivos, hipótesis y estado del arte.
La presente investigación se fundamenta en un marco teórico multidisciplinar que integra el aprendizaje afectivo, la detección temprana del TDAH y el uso de técnicas avanzadas de visión computacional.
Para robustecer la propuesta se han seleccionado las siguientes referencias clave:
- Singh et al. (2025): MMSAD – A multi-modal student attentive-ness detection para el monitoreo de la atención.
- Zheng et al. (2025): LightNet: a lightweight head pose estimation model, esencial para la optimización técnica.
Adicionalmente, se incluyen fuentes fundamentales para el contexto pedagógico y clínico:
- Gegenfurtner et al. (2021): Affective Learning in Digital Education, que aborda la dimensión emocional del aprendizaje.
- Andújar Avilés (2025): Recomendaciones para la detección y evaluación del TDAH, proporcionando los criterios clínicos necesarios.
+ info
Gracias por su compromiso con la innovación educativa y la mejora del aprendizaje.
Atención sostenida en EMA
La atención sostenida se define como la capacidad del sistema nervioso para mantener el enfoque cognitivo durante períodos prolongados. En el ecosistema EMA, esta aptitud es fundamental, ya que permite identificar de forma precisa la disposición del estudiante para procesar contenidos complejos sin perder el hilo conductor de la sesión.
- Esfuerzo mental prolongado en clases expositivas.
- Base para la resolución efectiva de problemas.
- Medición mediante indicadores conductuales directos.
- Sustento para la detección de fatiga cognitiva.
- Factor crítico para el aprendizaje significativo.
30 FPS
Volumen de interacciones analizadas con precisión biométrica.
El crecimiento sostenido del sector EdTech refleja la transición hacia aulas inteligentes, donde la analítica de aprendizaje impulsa resultados.
+25%
Incremento anual en la adopción de herramientas de analítica.
Criterios de rigor científico
La selección bibliográfica sigue criterios rigurosos de actualidad y relevancia, enfocándose exclusivamente en literatura publicada entre 2021 y 2026 para asegurar la vigencia tecnológica.
- Bases de datos: Publicaciones indexadas en IEEE, MDPI, SAGE y repositorios como arXiv.
- Calidad científica: Inclusión prioritaria de estudios con validación empírica en entornos reales.
- Priorización de hardware convencional: Descarte de sensores EEG o cámaras de profundidad para garantizar escalabilidad.
- Criterio de accesibilidad: Filtrado de investigaciones alineadas con las capacidades técnicas estándar.
Sistema EMA: Visión Artificial para el Aula
Alvaro De La Rosa Flores
Created on June 11, 2026
Explora el sistema EMA, una herramienta de visión por computadora para detectar la atención estudiantil. Analiza su metodología, fundamentos teóricos y el impacto potencial de los datos objetivos en la mejora del rendimiento académico docente.
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Startup Presentation
View
Black and White Presentation
View
Marketing Presentation
View
Dynamic Visual Presentation
View
Corporate Christmas Presentation
View
Customer Service Manual
View
Business Results Presentation
Explore all templates
Transcript
Sistema de Detección de Atención en Estudiantes 'EMA'
Índice de la presentación
1. Introducción: Planteamiento, justificación, objetivos e hipótesis.
2. Marco Teórico y 3. Metodología de investigación aplicada.
4. Cronograma de actividades y desarrollo del proyecto.
5. Estado del arte, conclusiones y referencias bibliográficas.
03
¿Qué es el sistema EMA? Emoción, Mirada y Atención en el aula.
Preguntar '¿tienen dudas?' apenas genera información real. El silencio o la afirmación automática de los alumnos ocultan a menudo la falta de comprensión. Esta dinámica crea un impacto emocional negativo, donde el docente desconoce su alcance y el estudiante se pierde en un ciclo de frustración invisible.
El espejismo del aula: ¿Por qué fallan los métodos tradicionales?
La distracción en el aula representa uno de los mayores desafíos educativos actuales, manifestándose de formas radicalmente distintas según el nivel académico del estudiante.
En niveles superiores, la tecnología se convierte en un filtro de atención. Los estudiantes universitarios conviven con el celular y el acceso constante a redes sociales. El consumo de videos cortos y reels ha transformado profundamente el procesamiento de información, favoreciendo interrupciones constantes que fragmentan la capacidad de concentración profunda.
En la educación básica, el desafío es estructural; la distracción surge de la gestión de grupos numerosos, a menudo de treinta o más alumnos. Resulta prácticamente imposible para un docente atender la atención individual de cada estudiante simultáneamente. Este escenario resulta en una distracción acumulada que impide captar gran parte del contenido académico.
+ info
Accesibilidad y democratización: el impacto social del sistema EMA.
La accesibilidad de EMA radica en su capacidad para operar sin hardware adicional. Al utilizar herramientas gratuitas y robustas como OpenCV y MediaPipe, el sistema se vuelve una solución viable para escuelas públicas mexicanas con presupuestos limitados. Esta tecnología permite a los docentes, quienes gestionan grupos numerosos con pocos recursos, ajustar la dinámica de clase en tiempo real. Así, democratizamos el acceso a herramientas de apoyo pedagógico.
+ info
Definiendo el rumbo: Objetivos e hipótesis de nuestra investigación.
Objetivo General: Desarrollar un sistema de detección de atención para potenciar la mediación docente
El propósito técnico de EMA es implementar un sistema de visión artificial capaz de procesar, en tiempo real, variables biométricas críticas: rostro, ojos, dirección de la mirada y postura. Mediante el uso de cualquier cámara estándar, esta herramienta traduce señales visuales en datos procesables sobre el estado atencional del estudiante. Al ofrecer al docente una perspectiva objetiva y cuantitativa del aula, el sistema permite ajustar estrategias pedagógicas al instante, transformando la percepción cualitativa en una base de datos firme. Esta tecnología busca eliminar la brecha entre la observación intuitiva y la realidad del aprendizaje, fomentando un entorno educativo más sensible, atento y adaptable a las necesidades de cada grupo.
+ info
Fases técnicas del sistema EMA
Desarrollo de módulos de captura y procesamiento de video en tiempo real mediante el uso de OpenCV y MediaPipe.
Análisis biométrico de rasgos faciales, incluyendo la dirección de mirada y el cálculo del EAR (Eye Aspect Ratio) para párpados.
Clasificación automatizada de estados: atención plena, distracción o ausencia del estudiante en el entorno educativo.
Implementación de una interfaz de tipo semáforo, intuitiva y accesible, diseñada específicamente para el monitoreo docente.
H1
Si observamos al estudiante, podemos estimar su atención mediante análisis multimodal.
Hipótesis de trabajo (H1): Estimación de atención en tiempo real
Variables clave: mirada, postura y expresión facial analizadas por EMA.
02
Marco Teórico: Fundamentos y conceptos base.
Cuatro pilares de observación conductual
1) Dirección de la mirada: determina si el estudiante mantiene el enfoque visual en la pantalla o se distrae con elementos externos.
3) Orientación de la cabeza: monitorea ángulos de giro (Yaw, Pitch, Roll) para identificar si el alumno desvía su atención de forma consistente.
Tecnología orientada al análisis preciso de la conducta humana en el entorno educativo.
4) Postura corporal: identifica anomalías, como estudiantes recostados o ausentes del encuadre, que sugieren falta de compromiso.
2) Estado de los párpados: evalúa la somnolencia mediante el Eye Aspect Ratio (EAR) para detectar cierres oculares prolongados.
Medición objetiva del estado atencional basada en métricas físicas validadas.
MediaPipe 0.10
Stack Técnico
Python & NumPy
Lógica y Cálculos
Captura y Visión
Procesamiento IA
Python 3.11 orquesta el stack tecnológico, mientras NumPy 1.26 ejecuta los cálculos matriciales necesarios para el EAR y la estimación de pose.
Utiliza Face Mesh con 468 landmarks faciales y el módulo Pose para el rastreo preciso de 33 puntos corporales clave.
OpenCV 4.9 gestiona la ingesta de fotogramas mediante VideoCapture, optimizando el flujo de datos visuales en tiempo real.
03
Metodología: Un proceso experimental enfocado en la accesibilidad.
03
02
01
Fase 3: Validación. Calculamos la exactitud y precisión del modelo, contrastando los resultados obtenidos con los datos etiquetados inicialmente.
El flujo metodológico integra cada etapa: desde la ingesta de información hasta el despliegue del sistema para garantizar resultados fiables.
Fase 1: Recolección. Obtenemos datos esenciales mediante encuestas a docentes y estudiantes, complementadas con secuencias de video e imágenes de referencia.
Optimizamos el flujo de captura de video para garantizar un análisis de alta precisión en tiempo real.
Pipeline técnico
Cada fotograma es sometido a un pre-procesamiento riguroso para maximizar la eficiencia del modelo. Este ciclo garantiza la estabilidad en la inferencia mediante el redimensionamiento, la adaptación de espacios de color, la reducción de ruido mediante filtros gaussianos y una normalización precisa de los datos de entrada.
Conversión de BGR a RGB para compatibilidad nativa con MediaPipe.
Flujo de inferencia
Pre-procesamiento de Fotogramas
Aplicación de filtros gaussianos (3x3) y normalización [0, 1] para suavizar la señal y mejorar la precisión del modelo.
Redimensionamiento a 640 x 480 para uniformar el tiempo de inferencia.
Lógica de clasificación de atención
Cómo el sistema procesa datos visuales para definir estados de atención mediante reglas precisas.
15
Tamaño de la ventana deslizante en fotogramas para suavizar la detección de estados.
El sistema aplica una lógica de etiquetas basada en variables biométricas: la combinación de EAR normal, mirada centrada y postura presente indica alta atención. La somnolencia se identifica con un EAR bajo, mientras que la ausencia se registra al perder el rostro del encuadre. Para asegurar la estabilidad en la medición, utilizamos una ventana deslizante de 15 fotogramas, asignando la categoría que representa la clase mayoritaria.
0.20
Umbral crítico de EAR
Junio: Estructuración metodológica y entrega del proyecto final.
Línea de tiempo: 2026
Mayo: Desarrollo detallado del marco teórico de la investigación.
Febrero: Elección del tema, redacción de la introducción y planteamiento.
Marzo y abril: Definición de objetivos, hipótesis y estado del arte.
La presente investigación se fundamenta en un marco teórico multidisciplinar que integra el aprendizaje afectivo, la detección temprana del TDAH y el uso de técnicas avanzadas de visión computacional.
Para robustecer la propuesta se han seleccionado las siguientes referencias clave:
Adicionalmente, se incluyen fuentes fundamentales para el contexto pedagógico y clínico:
+ info
Gracias por su compromiso con la innovación educativa y la mejora del aprendizaje.
Atención sostenida en EMA
La atención sostenida se define como la capacidad del sistema nervioso para mantener el enfoque cognitivo durante períodos prolongados. En el ecosistema EMA, esta aptitud es fundamental, ya que permite identificar de forma precisa la disposición del estudiante para procesar contenidos complejos sin perder el hilo conductor de la sesión.
30 FPS
Volumen de interacciones analizadas con precisión biométrica.
El crecimiento sostenido del sector EdTech refleja la transición hacia aulas inteligentes, donde la analítica de aprendizaje impulsa resultados.
+25%
Incremento anual en la adopción de herramientas de analítica.
Criterios de rigor científico
La selección bibliográfica sigue criterios rigurosos de actualidad y relevancia, enfocándose exclusivamente en literatura publicada entre 2021 y 2026 para asegurar la vigencia tecnológica.