Propuesta de un modelo de visión por computadora para estimar la concentración estudiantil en entornos virtuales

Abstract

El presente proyecto propone el diseño de un sistema basado en visión por computadora capaz de estimar en tiempo real el nivel de atención de estudiantes en entornos de educación virtual. A partir de la identificación del problema de la pérdida de concentración—acentuado por factores como la multitarea digital, la falta de autorregulación y la ausencia de señales no verbales propias de la educación presencial—se desarrolló una solución que integra captura de video, análisis facial y comparación de patrones mediante descriptores SIFT. La metodología combinó un enfoque mixto, incorporando un análisis técnico de algoritmos de visión por computadora y una encuesta aplicada a estudiantes y docentes de la Universidad EAN para identificar variables visuales y no verbales asociadas a los estados atencionales. Se construyó un prototipo funcional empleando OpenCV, PyQt6 y el dataset FER-2013 para clasificar emociones relacionadas con la concentración. Los resultados evidencian la viabilidad técnica de un sistema no intrusivo que aporte retroalimentación objetiva y permita a docentes y estudiantes identificar disminuciones en la atención durante las sesiones virtuales. Finalmente, se plantea su potencial impacto en el fortalecimiento de la participación, la autorregulación y la calidad del aprendizaje en modalidades digitales.

This project proposes the design of a computer vision–based system capable of estimating, in real time, the level of student attention in virtual education environments. Based on the identification of the problem of loss of concentration—exacerbated by factors such as digital multitasking, lack of self-regulation, and the absence of non-verbal cues typical of face-to-face education—a solution was developed that integrates video capture, facial analysis, and pattern comparison using SIFT descriptors. The methodology combined a mixed approach, incorporating a technical analysis of computer vision algorithms and a survey administered to students and faculty at Universidad EAN to identify visual and non-verbal variables associated with attentional states. A functional prototype was built using OpenCV, PyQt6, and the FER-2013 dataset to classify emotions related to concentration. The results demonstrate the technical feasibility of a non-intrusive system that provides objective feedback and enables both instructors and students to identify decreases in attention during virtual sessions. Finally, the project highlights its potential impact on strengthening participation, self-regulation, and the quality of learning in digital learning modalities.