La IA como proceso cíclico

Como afirma ^{Pelton (2010)} , las primeras ideas sobre IA nacieron, durante la década de 1940, en el campo de la dinámica de grupos. El psicólogo Kurt Lewin planteó el primer modelo de IA, que consistía en un proceso cíclico de planificación, búsqueda de hechos, acción, evaluación y reflexión, a lo que podía seguir otra planificación, búsqueda de hechos y revisión. Sin embargo, el modelo no se adoptó en educación hasta 1953, con la aparición de Action Research to Improve School Practices, de Stephen Coley.

Según ^{Dickens y Watkins (1999)} , Lewin veía un problema de integración entre la teoría social y su práctica, así que concibió una forma de combinar la construcción teórica con la investigación de problemas prácticos. La idea principal era que, sin colaboración, los profesionales de base desarrollaban una acción desinformada, mientras que los investigadores creaban teorías sin aplicación; de esta manera, ninguno de los dos grupos producía resultados consistentes. Mediante la utilización de la IA, Lewin pensó que la teoría se podía integrar en la práctica de una forma dinámica, produciendo así un conocimiento contextualizado y teóricamente fundado.

Desde sus inicios, esta metodología se desarrolló en el terreno práctico, ya que la investigación en educación pasaba por un modelo científico-experimental que la IA no podía ofrecer. Este hecho propició que la IA no acabara de consolidarse durante las décadas siguientes a su aparición. No sería hasta los trabajos de Lawrence Stenhouse, en 1970, cuando la comunidad educativa volvería a contemplar esta metodología como una forma de mejorar la educación. La idea del “docente como investigador” (^{Stenhouse, 1975}) implicaba el compromiso hacia un cuestionamiento sistemático del trabajo del propio profesor, con el fin de comprobar una teoría en la práctica educativa.

Como señala ^{Beck (2017)} , aunque la investigación-acción se puede definir de diversas formas existe un consenso absoluto en torno a dos ideas: la primera es que se trata de una investigación llevada a cabo por profesores en el contexto de la práctica docente con la intención de mejorarla; la segunda, que la IA no es una intervención puntual, sino que es cíclica.

La naturaleza cíclica de esta metodología hace que el punto final de investigación sea la resolución del problema expuesto inicialmente. En este sentido, ^{Pelton (2010)} habla de la IA, no como una reflexión sobre la acción, sino como una reflexión en la acción, es decir, un proceso en el que el docente considera el impacto de sus acciones mientras son implementadas, y no a posteriori. La Fig. 1 es una representación sencilla de esta idea.

Fuente: ^{Pelton, 2010}.

Figura 1.  Dinámica de la investigación-acción 

Si bien, como señala ^{Mertler (2009)} , existen muchos modelos diferentes de IA (^{Lewin, 1946}; ^{Calhoun, 1994}; ^{Bachmanm, 2001}; Piggot-Irvine, 2006; ^{Riel, 2007}, cit. en Mertler, 2009); aunque algunos de ellos presentan esquemas bastante complejos, todos tienen como base la idea del ciclo acción-análisis-reflexión-acción. Este modelo cíclico implica la comprensión de la IA como un proceso orgánico en permanente cambio. Por tanto, como afirman ^{Roy y Prévost (2013)} , no existen dos investigaciones-acción que reproduzcan de forma idéntica el enfoque de dos actores investigadores; de la misma forma, cada uno de los ciclos de acción-reflexión difiere inevitablemente de los otros, ya que la representación de la realidad estudiada evoluciona constantemente.

Validez en la IA y en la teoría educativa

A pesar de los avances que se han producido en el campo de la práctica docente y de la investigación, existen numerosas críticas al modelo de IA. El profesor-investigador debe ser conocedor de estas críticas a fin de entender las posibilidades de dicha metodología.

La imagen de la IA como metodología válida para mejorar el proceso educativo, cuenta con más apoyos dentro de la práctica que en el ámbito académico. Así lo constató ^{Ramos (2017)} , en un estudio con investigadores en educación musical, en el cual se encontraron diferencias significativas entre profesionales de educación obligatoria e investigadores universitarios frente a la afirmación “la investigación-acción es un método muy apropiado para mejorar la investigación en educación musical”.

^{Smith (2011)} afirma que uno de los pilares del proyecto neoliberal en educación es la noción de investigación basada en evidencias. En esencia, la idea que subyace a esta corriente es que sólo existe conocimiento cuando se ha legitimado mediante investigaciones experimentales controladas y con distribución aleatoria. Sin embargo, la complejidad organizativa de un centro educativo hace muy difícil coordinar experimentos con grupos de control en los que se distribuya a los alumnos de forma aleatoria.

Dada la complejidad de los sistemas educativos, muchos autores defienden que la IA resulta -de forma inherente- imprevisible y compleja (^{Spencer y Molina, 2017}). Se puede afirmar que los estudios de IA son débiles en validez externa (^{Fraenkel y Wallen, 2003}), por tanto, la IA -como metodología de la investigación- no es conclusiva: sus resultados son soluciones basadas en la observación y el análisis, y su objetivo es identificar las fortalezas y limitaciones de una práctica pedagógica concreta (^{Mertler, 2009}). Para ^{Phillips (2008)} , el hecho de que la finalidad de la IA no sea la generalización de los resultados hace que, en realidad, no exista tal amenaza a la validez externa.

Más allá de la problemática sobre la generalización de los resultados, una de las principales amenazas a la validez de la IA es que los resultados estén sesgados por la perspectiva del investigador. Parafraseando a ^{Kemmis (2009)} , si la IA es investigación dentro de la práctica, resulta evidente que ésta sólo podrá ser desarrollada por docentes, es decir, profesores que analizan su propio trabajo. Sin embargo, la IA admite la participación de personas ajenas al proceso de enseñanza-aprendizaje, las cuales pueden reducir este sesgo al mejorar la organización, la construcción de los materiales o el planteamiento teórico de la acción. Una de las formas más comunes y eficientes de colaboración es el trabajo entre profesores e investigadores universitarios.

La colaboración con académicos no sólo reduce el sesgo del profesor-investigador, sino que permite una integración de la metodología docente y de la teoría educativa. Esta unificación es muy importante ya que, en cualquier estudio, siempre tiende a predominar una de las dos facetas: la teoría, o la práctica. De ahí, señala ^{Hammersley (2004)} , que en muchos artículos de IA exista un déficit, ya sea en la teoría que sustenta la investigación, o en la definición de los procesos didácticos que se han llevado a cabo.

La investigación docente debe estar fundada en una teoría concreta, ya que es la clave para entender por qué unas estrategias funcionan y otras no. Como afirma ^{Berthoff (1987}, cit. en ^{Lankshear y Knobel, 2004}), la teoría puede ayudarnos a entender por qué algo funciona en la práctica y a determinar aquellas acciones que no conducirán al resultado deseado. Para ^{Fitzallen y Brown (2016)} , la investigación educativa genera conocimiento nuevo únicamente cuando está basada en una teoría previa, reconoce los límites propios de la teoría y los confronta con la realidad del aula.

La teoría permite al profesor-investigador desarrollar un proceso de reflexión alrededor de la práctica. En este sentido, ^{Satariyan y Reynolds (2016}) definen varias fases de la IA en las que el profesor-investigador reflexiona sobre la práctica y la teoría: identificación de un problema y reflexión (marco teórico); reflexión sobre el plan inicial (diseño a partir de la teoría); reflexión en la acción (mientras se implementa la práctica); reflexión después de la acción (evaluación); y reflexión para un nuevo ciclo de IA.

A pesar de la importancia de la teoría en el desarrollo de la IA, no debemos olvidar que se trata de conseguir resultados concretos: de mejorar la práctica. Para ^{Kemmis (1990)} , el “objeto” de la IA es la práctica educativa, la cual no es concebida por los investigadores como “fenómeno” (en analogía a los objetos de la ciencia física, cuya existencia es independiente de los investigadores), tampoco como “tratamiento” (como en la investigación técnica, en la que se trata de ver la eficacia de una técnica determinada), ni siquiera como expresión -única- de las intenciones y perspectivas de los docentes (en comparación con la investigación interpretativa): la IA es práctica comprometida.

Dicha práctica comprometida pasa, como señala ^{Elliot (2004)}, por la combinación de la “ciencia” (teoría) con el “arte” de enseñar. Así,

…educational action research is not the use of a fixed corpus of methods and procedures, or the use of a cumulative body of evidence generated outside the particular pedagogical context, but the need to get a clearer understanding of the complexities of a teaching situation in order to create more meaningful learning environments for students (2004: 286).

Diversidad de definiciones

Una de las características principales de la IA es la enorme cantidad de variaciones conceptuales que existen sobre el término (^{Cohen et al., 2007}); de la misma forma, el ABP tampoco posee una definición unificada dentro del mundo académico (^{Thomas, 2000}). Sin embargo, este hecho, lejos de ser un inconveniente, representa una oportunidad al permitir un marco metodológico flexible, tanto en el caso del diseño del proyecto como en el de la metodología de investigación.

La IA, desde los primeros trabajos de Lewin, no ha evolucionado como una teoría unificada, sino que ha acabado asumiendo diferentes definiciones y caracterizaciones. Para ^{Dickens y Watkins (1999)} , tenemos a nuestro alcance una gran variedad de aplicaciones, lo que, por un lado, permite a los profesionales escoger aquélla que más se ajuste a sus necesidades, aunque, por otro lado, dificulta una comprensión común de la metodología.

^{Cohen et al. (2007)} afirman que la IA puede encontrar resistencias en el medio escolar, ya que, mientras de que ésta es abierta, colaborativa, y tiende a eliminar barreras organizativas, la escuela posee una estructura jerárquica y burocratizada. En este sentido, podemos afirmar que el ABP también persigue una estructura orgánica que muchas veces choca con la rigidez del sistema educativo. No obstante, la ausencia de rigidez metodológica, tanto en la IA como en el ABP, hace que sea más fácil adaptarse a la dinámica estática del medio escolar.

Por ejemplo, ^{Hasni et al. (2016)} hablan de la dificultad de establecer un grupo de control en una investigación sobre APB. Para los autores, los proyectos se extienden durante un periodo largo de tiempo y tienen unas características muy concretas; es por ello muy difícil crear un grupo de control que trabaje el mismo material e, incluso, el mismo contenido. Ahora bien, si la investigación tradicional necesita de la existencia de un grupo de control, la IA, que no es tan rígida en sus condiciones, puede desarrollarse sin grupo de control, ya que la finalidad no es generalizar los resultados.

Otro ejemplo de cómo el sistema educativo dificulta la investigación científica es la disposición aleatoria de los participantes, algo prácticamente imposible en la educación obligatoria en España. De igual forma, para la IA la no disposición aleatoria del alumnado no es un problema, ya que la investigación persigue mejorar los resultados de un grupo concreto de alumnos, y no generalizar sus resultados.

La reflexibilidad en ambos procesos

La reflexibilidad es el proceso mediante el cual tomamos conciencia de algo que, en el campo educativo, sirve para reflexionar en torno a los procesos didácticos; de ahí que la reflexibilidad se mueva continuamente entre la teoría y la acción. En este sentido, tanto la IA como el ABP permiten reflexionar sobre el proceso de enseñanza-aprendizaje y mejorar la práctica docente.

Ambas metodologías requieren de una dinámica de continua reorganización del proceso. El ABP, según ^{Markham et al. (2003)} , debe ser organizado para que el proceso sea redefinido -prácticamente de forma diaria- en relación al alcance de los objetivos iniciales, las tareas planteadas y las posibles rutas para llegar a la pregunta inicial. ^{Boss y Krauss (2014)} afirman que si se trabaja de una forma iterativa, amoldando los objetivos de aprendizaje, las evidencias documentales y las actividades entre sí, se puede generar un plan cohesionado para el proyecto.

Por su parte, como indica ^{Mertler (2009)} , dado que la IA se basa en el análisis de la propia práctica, la reflexión es una parte esencial de la misma. La reflexión se puede definir como el acto de exploración crítica sobre la práctica, las decisiones tomadas y los factores que la han influido. Para que los profesores sean eficientes, deben ser participantes y, a la vez, observadores activos del proceso de enseñanza-aprendizaje. La enseñanza reflexiva -concluye el autor- es un proceso de evaluación docente que tiene en consideración la teoría educativa, la investigación previa y la experiencia práctica del profesor.

Para ^{Altrichter et al. (1993)} , la IA pasa por una racionalidad reflexiva. Este proceso se basa en tres asunciones: primera, que los problemas complejos prácticos demandan soluciones específicas; segunda, que estas soluciones sólo pueden ser desarrolladas dentro del contexto en el que surgen los problemas y en el que el profesor es un elemento esencial; tercera, las soluciones no pueden ser aplicadas con éxito a otros contextos, sino que deben ser accesibles a otros profesores en forma de hipótesis para ser comprobadas.

^{Elliott (2000)} define la IA como un proceso en el que los profesores se involucran en el desarrollo de una teoría crítica sobre sus propias prácticas mediante la contextualización de sus experiencias en un marco sociopolítico más amplio. Esta reflexibilidad puede extenderse al conjunto de un centro educativo: cuando a una escuela se le impulsa a cambiar y, a la vez, se le ofrecen las herramientas correctas para transformar su “cultura escolar”, se pueden producir cambios importantes (^{Finnan y Levin, 2000: 93} ).

Según ^{Wurdinger et al. (2007}) la reflexibilidad que se da en el proceso de investigación aparece también en el ABP. Uno de sus rasgos distintivos es la capacidad de modificar el plan inicial mientras se ejecuta el proyecto. Para estos autores, surgiría así el esquema problema-plan-análisis-reflexión, modelo muy parecido al de la IA. Es importante señalar que la modificación del plan inicial vendría motivada principalmente por el alumnado, y no por el profesor.

Si ambos procesos -la IA y el ABP- son reflexivos y cíclicos, surge una pregunta importante: ¿qué aporta la IA al trabajo por proyectos? La principal diferencia reside en que el ABP no trabaja con una teoría de base, mientras que la IA sí lo hace. La reflexibilidad del ABP es eminentemente práctica, y podríamos decir que su dinámica se basa en el binomio ensayo-error; por ejemplo, un proyecto puede tener como objetivo la realización de un cortometraje sobre los gustos musicales de los vecinos del barrio, así que las adaptaciones que haga el alumnado del plan inicial perseguirán la correcta ejecución de ese artefacto final (estas modificaciones responden a problemas que aparecen de forma inesperada durante el proyecto). La IA, por su parte, trabaja con teorías científicamente fundadas, en las cuales se enmarca el trabajo de aula; con una IA no sólo se trataría de que el artefacto final se ejecutase, sino de comprobar cómo funciona una determinada teoría (como podría ser una de las teorías de la motivación) a través de un proceso escolar (en este caso, la creación del documental).

El alumno como participante

El alumnado tiene un papel activo en el desarrollo del ABP y puede generar conocimiento nuevo a través de actividades reflexivas, como el enunciado de preguntas y la investigación (^{Boss y Krauss, 2014}). Para ^{Altrichter et al. (1993)} , involucrar al alumnado en el proceso de investigación puede llevar a pensar en soluciones de mejora de la acción más imaginativas y variadas. En el caso del ABP, la participación del alumnado en el diseño del proyecto es esencial:

You may have a well-planned project, but students may be able to implement the plan or shape it toward their particular interests. This can be done through whole-class discussion or through a structured activity that teaches them vital listening and planning skills (^{Markham et al., 2003: 99} ).

Además, mediante la toma de decisiones, el alumnado no sólo desarrolla la reflexibilidad, sino también su motivación, ya que ésta se incrementa ante una sensación mayor de autonomía (^{Deci y Ryan, 2000}).

En cuanto a la IA, John ^{Elliot (1978}, cit. en ^{McKernan, 1999}) defiende que esta metodología se valida en un intercambio sin restricciones con los participantes y que es necesario que exista un flujo de información entre los actores del proyecto. Para ^{Elden y Levin (1991)} , los participantes en un programa de IA no deben ser tratados como objetos, ni siquiera como sujetos, sino como “co-investigadores” involucrados en una participación “empoderadora” y en un diálogo “cogenerativo”. ^{Kember (2000)} destaca que, el hecho de convertir a los sujetos en participantes activos, supone una diferencia significativa de la IA respecto de otros paradigmas de investigación.

El hecho de ser dos procesos reflexivos en los que el alumnado tiene un papel especialmente activo, hace que el ABP y la IA sean metodologías que se pueden integrar en un mismo proyecto. Así lo constató ^{Lorente (2015)} , quien combinó un proyecto de ABP con IA en un programa de posgrado en artes escénicas en el que se trabajaron las nociones de dichas artes mediante el análisis y creación de una propuesta práctica. Según el autor, una de las mayores fortalezas del proyecto residía en que los participantes también tenían un papel activo en la investigación.

No obstante, desarrollar una IA a través de un ABP presenta ciertos problemas de base, problemas que hay que identificar antes de aventurarse a diseñar la intervención.

La problemática del tiempo

El principal problema al que se enfrenta el profesor-investigador es el tiempo. ^{McNiff y Whitehead (2016)} se preguntan de dónde puede sacar tiempo un profesor para investigar: se necesita tiempo para planificar, pensar, leer, almacenar información y dar sentido a todo ello con el fin de generar evidencias, hablar con colegas críticos y redactar los resultados. Todo este trabajo “extra” no es computado dentro del horario del profesor, por lo que existe un problema real de tiempo a la hora de acometer una investigación dentro del aula.

^{Altrichter et al. (1993)} también identifican la falta de tiempo -junto a la falta de energía- como uno de los principales problemas a los que se enfrenta el profesor-investigador. Por su parte, ^{Phillips (2008)} señala que, efectivamente, la IA genera, en las etapas de educación obligatoria, un problema de falta de tiempo en el profesor-investigador, pero que puede solucionarse con una investigación-acción colaborativa, en la que un agente externo -como un profesor universitario- guíe al docente en el diseño, las técnicas y la implementación de la investigación. No obstante, incluso en esta modalidad de IA, el docente investigador ve incrementada su carga de trabajo en un ambiente cada vez más burocratizado.

Cuando hablamos de IA y de ABP, la problemática del tiempo se maximiza, ya que esta última metodología conlleva una gran carga de trabajo por parte del profesor. Como señala ^{Valls (2016)} , el ABP es complejo, cubre muchas necesidades educativas y un equipo de profesionales tarda tiempo en planificarlo e implementarlo. Por su parte, la IA requiere que el análisis de los datos no se deje para el final de la intervención, por lo que el profesor-investigador debe recoger y analizar información constantemente. Por tanto, el docente que haga uso de la IA durante un ABP necesita tiempo para rediseñar el proyecto (ya que siempre es susceptible de cambio) y para evaluar su efectividad.

En este sentido, ^{Curtis et al. (2010)} señalan que el profesor que realiza una IA debe ser conciso en la recogida de datos por dos motivos principalmente: primero, los datos no pueden ser acumulados sin ser analizados, ya que sirven para la mejora de la práctica durante el proceso didáctico; segundo, una recogida de datos directa puede interferir el desarrollo de las clases. Por ejemplo, si hacemos que el alumnado realice una encuesta para nuestra investigación todas las semanas, estaremos restando tiempo a la programación didáctica.

Con el fin de paliar la falta de tiempo, muchos investigadores recurren al denominado análisis intermedio (^{Huberman y Miles, 1994}). Este proceso, que no requiere de la exhaustividad y sistematización de los tradicionales métodos de investigación científica, permite generar información fácilmente asimilable para el profesor con el fin de inyectarla de nuevo en el ciclo de la IA.

El acoplamiento entre los ciclos de investigación de la IA y las fases del proyecto

Como señala ^{Pelton (2010)} , los profesores pueden encontrar condiciones muy variadas durante el desarrollo de su labor docente, por ello, la IA es un proceso inherentemente flexible. Cada ciclo de investigación se adapta a las condiciones concretas de ese momento didáctico, por lo que ningún ciclo de IA es igual a otro.

Dado que cada ciclo de IA se fundamenta en la resolución de un problema en un momento determinado del proceso didáctico, resulta lógico que cada fase de un proyecto o de una secuencia didáctica genere problemas concretos. Por ejemplo, si la primera fase de un proyecto es que los alumnos, organizados en parejas, busquen en Internet una información determinada, y varias personas se quedan sin compañero -ya que existe un problema de socialización-, el ciclo de IA deberá resolver ese problema, surgido de ese contexto didáctico concreto. De igual forma, otras partes del proyecto generarán problemas cuya solución estará relacionada con su diseño y ejecución.

Aunque la implementación de un ABP requiere de cierta flexibilidad, para ^{Markham et al. (2003)} las fases del proyecto deben ser concretadas antes del comienzo del mismo. Es decir, se trabaja sobre una estructura estable divida en diferentes fases, por tanto, la aplicación de una IA a un ABP pasa por generar ciclos de investigación que se inserten en las diferentes fases del proyecto.

Para ^{Altrichter et al. (1993)} , si el profesor encuentra discrepancias entre sus expectativas y lo que sucede realmente en el aula, se debe iniciar un nuevo ciclo de IA. En este sentido, la duración de los ciclos de investigación no se puede calcular con total exactitud a priori, sino que deben ser modificados según las condiciones lo requieran. Según ^{Satariyan y Reynolds (2016)} , los profesores desarrollan los ciclos de IA de una forma muy variada, desde programaciones anuales enteras hasta acciones puntuales, e incluso pueden existir ciclos dentro de otros ciclos.

^{Williams (2017)} , por ejemplo, en un ABP con estudiantes universitarios desarrolló dos proyectos breves insertando un ciclo de IA en cada uno de ellos. Por su parte, ^{Iwamoto (2013)} , en el contexto universitario, desarrolló únicamente un ciclo de IA en el conjunto del proyecto; la ausencia de más ciclos dentro del mismo proyecto fue reconocido como un defecto de la investigación por este último autor, quien se justificó aludiendo a problemas de tiempo.

De esta forma, se trabajaría en un contexto dinámico -ya que las fases del proyecto pueden sufrir modificaciones- pero con una herramienta flexible, como son los ciclos de IA. Además, el hecho de que el ABP trabaje con secuencias más largas que la tradicional enseñanza por unidades didácticas, hace que se pueda introducir un mayor número de ciclos de IA.

La fusión de los métodos de la IA y del ABP

^{Lankshear y Knobel (2004)} se posicionan en contra de la idea, muy generalizada, de que la investigación docente es, esencialmente, cualitativa. Como señalan ^{Cohen et al. (2007)} , llevar a cabo una IA pasa por un eclecticismo metodológico en el que se puede emplear una gran cantidad de instrumentos de recogida de datos: cuestionarios, diarios, entrevistas, estudios de caso, notas de campo, fotografías, audios, vídeos, sociometrías, biografías, documentos de clase… en definitiva, toda la gama de técnicas disponibles en educación.

Ahora bien, dada la carga de trabajo del profesor-investigador, la calidad de los datos debe prevalecer frente a la cantidad (^{Koshy, 2005}). Según ^{Altrichter et al. (1993)} , cualquier método o concepto de IA debe ser rediseñado por el profesor-investigador teniendo en cuenta su propio contexto. La IA es un proceso que pasa por una adaptación constante a un medio dinámico por definición: el aula.

Este contexto dinámico se ve reforzado cuando se trabaja mediante ABP, ya que, al otorgar capacidad de decisión al alumnado, la estructura del proyecto puede variar. Por otra parte, el ABP tiene sus propios métodos, los cuales sirven para que el alumnado dirija el proceso y para realizar un seguimiento del trabajo en el aula. Se puede afirmar que el ABP tiene -aunque de manera informal- un componente de investigación educativa en sí mismo:

A formal or informal system is necessary to monitor student learning as the project progresses. Using a management system provides a means for breaking the project into separate components that allow for revisions on the fly, ensuring that the project outcomes will be met… (^{Markham et al., 2003: 100}).

Es decir, los métodos que el ABP utiliza para hacer un seguimiento del proyecto se parecen mucho a los métodos de la IA. Así, existe la posibilidad de unificar ambos métodos para, por un lado, realizar un seguimiento del proyecto y otorgar capacidad de decisión al alumnado y, por otro lado, investigar sobre aspectos concretos que se estén desarrollando en ese contexto didáctico.

De entre la gran variedad de métodos que podemos utilizar en una IA, algunos pueden resultar útiles cuando se trabaja con un ABP, por ejemplo, las tablas de planificación conjunta, el diario del profesor-investigador, el grupo focal o la técnica de grupo nominal (O’Neil y Jackson, 1982), entre otros. Todos ellos servirían, primero, para trazar el rumbo de la siguiente fase de ABP y, segundo, para analizar las actividades ya realizadas y generar un nuevo ciclo de IA.

Como señalan ^{Schaenen et al. (2012)} , se trata, por tanto, de utilizar las actividades y procesos generados en el aula como objetos didácticos y, a la vez, como objetos de investigación. Es decir, de unificar los métodos didácticos y los métodos de investigación, de forma que el profesor no tenga que interrumpir la dinámica de clase para recoger datos de investigación. Para ilustrar esta idea, podemos imaginar un proyecto que tenga como artefacto final la realización de una actuación escénica; durante las fases intermedias, el profesor puede grabar un ensayo en vídeo para, por un lado, poner una nota parcial a los alumnos mediante rúbricas y, por otro lado, ver si surgen problemas durante su ejecución y si son susceptibles de resolverse mediante un ciclo de IA.

Además de utilizar una misma técnica de recogida de información con dos fines diferentes, también se debe tener en cuenta la naturaleza de ésta si queremos ser más eficientes en nuestra labor didáctica y de investigación. Como afirma ^{Lázaro (2017)} , las nuevas tecnologías permiten ahorrar tiempo en el desarrollo de metodologías como el ABP. Herramientas como aplicaciones móviles de encuestas de opinión (tipo Kahoot), documentos compartidos en la nube, correo electrónico o encuestas online, entre otras, permiten una doble optimización: en primer lugar, el alumnado puede utilizarlas desde casa, por lo que no se reduce el tiempo lectivo y, en segundo lugar, el análisis posterior -ya sea para rediseñar el proyecto o para realizar un nuevo ciclo de IA- se realiza mucho más rápido.