Estilos de aprendizaje en estudiantes de ingeniería: un análisis transversal comparativo de cohortes en la Universidad Tecnológica Nacional, Facultad Regional La Plata
Ingenio Tecnológico, vol. 8, e083, 2026
Universidad Tecnológica Nacional
Recepción: 06 abril 2026
Aprobación: 13 junio 2026
Resumen: El presente trabajo analiza los estilos de aprendizaje de 1.815 estudiantes ingresantes a las carreras de ingeniería de la Universidad Tecnológica Nacional (Argentina), durante el período 2021–2024, mediante un diseño transversal comparativo de cohortes sucesivas. El objetivo es identificar las preferencias de aprendizaje según el modelo de Felder y Silverman (1988) para orientar estrategias pedagógicas diversificadas en el enfoque por competencias. Se aplicó el Índice de Estilos de Aprendizaje (ILS) a estudiantes de seis especialidades (Sistemas, de los estilos Activo (75,1 %), Sensitivo (77,5 %), Verbal Industrial, Mecánica, Química, Eléctrica y Civil). Los resultados revelan predominancia (81,3 %) y Secuencial (68,6 %). Se encontraron diferencias significativas por género en la dimensión Visual/Verbal y por especialidad en tres dimensiones. Las conclusiones discuten las implicancias pedagógicas, reconociendo las limitaciones del constructo y la necesidad de diversificar las metodologías docentes en un contexto pospandémico.
Palabras clave: estilos de aprendizaje, educación superior, ingeniería, modelo de Felder-Silverman, competencias.
Abstract: This paper analyzes the learning styles of 1,815 incoming engineering students at the National Technological University, La Plata Regional Faculty (Argentina), during 2021–2024, using a cross-sectional comparative cohort design (time-lag multi-cohort). The Index of Learning Styles (ILS) was applied to students from six specialties. Results reveal a predominance of Active (75.1 %), Sensing (77.5 %), Verbal (81.3 %), and Sequential (68.6 %) styles. Significant differences were found by gender in the Visual/Verbal dimension and by specialty in three of four dimensions. The discussion addresses the pedagogical implications from a critical perspective, acknowledges the limitations of the learning styles construct, and situates the pandemic context (2021–2022 cohorts) as a potential explanatory variable for cohort differences. The conclusions advocate for diversified teaching methodologies and call for future multivariate analyses to better isolate the effects of gender, specialty, and cohort.
Keywords: learning styles, higher education, engineering, Felder-Silverman model, competencies.
Introducción
La educación superior en ingeniería atraviesa un profundo proceso de transformación pedagógica. En Argentina, a partir de las recomendaciones del Consejo Federal de Decanos de Ingeniería (CONFEDI, 2017), se ha impulsado la migración desde metodologías de enseñanza tradicionales hacia un modelo basado en competencias y centrado en el estudiante. Este cambio de paradigma demanda que las instituciones universitarias y sus docentes comprendan en profundidad cómo adquieren y procesan la información sus estudiantes, con el fin de diseñar entornos formativos más eficientes y motivadores.
El rendimiento académico de los estudiantes universitarios depende en gran medida de las estrategias que desarrollan durante su tránsito educativo. Cuando existe incompatibilidad entre el estilo de enseñanza del docente y el estilo de aprendizaje del estudiante, se generan brechas que pueden derivar en desmotivación, bajo rendimiento y, en última instancia, deserción estudiantil. Por lo tanto, identificar los estilos de aprendizaje constituye un diagnóstico fundamental para optimizar el proceso de enseñanza-aprendizaje y fomentar la autonomía y autorregulación del estudiante.
Entre los diversos marcos teóricos desarrollados para abordar esta temática, el modelo propuesto por Richard Felder y Linda Silverman (1988) resulta especialmente pertinente, ya que fue diseñado de manera específica para el contexto de la educación en ingeniería. Este modelo clasifica las preferencias de aprendizaje en cuatro dimensiones bipolares: Procesamiento de la información (Activo/Reflexivo), Percepción de la información (Sensitivo/Intuitivo), Recepción de la información (Visual/Verbal) y Comprensión de la información (Secuencial/Global).
Numerosos estudios a nivel internacional y regional han validado y aplicado este modelo. A nivel latinoamericano y nacional, diversas investigaciones han explorado los estilos de aprendizaje en estudiantes de ingeniería. Por ejemplo, Ocampo Botello et al. (2014) confirmaron la validez y confiabilidad del Índice de Estilos de Aprendizaje (ILS) en estudiantes de ingeniería en México, encontrando perfiles predominantemente equilibrados. En Perú, Inga Ávila et al. (2020) analizaron los estilos de aprendizaje en estudiantes de ingeniería de sistemas, aportando evidencia sobre la heterogeneidad de perfiles en contextos latinoamericanos. Investigaciones más recientes, como las de Gutiérrez-Espinoza (2023) y Domínguez (2025), han continuado explorando estas correlaciones en cohortes actuales de ingeniería, reafirmando la utilidad descriptiva del modelo.
En el contexto argentino, Polano et al. (s.f.) investigaron las estrategias de enseñanza en ingeniería y su relación con los estilos de aprendizaje en el Instituto Tecnológico de Buenos Aires, mientras que Tocci (2015) caracterizó los perfiles de estudiantes de ingeniería según el modelo de Felder y Silverman, destacando la importancia de adaptar las prácticas docentes a las particularidades de cada disciplina. Específicamente en el ámbito de la Universidad Tecnológica Nacional, Schilardi et al. (2018) analizaron trayectorias diferenciadas por estilos de aprendizaje mediadas por un entorno e-learning en la Facultad Regional Mendoza, y Kanobel et al. (2021) realizaron un estudio comparado de estilos de aprendizaje en estudiantes de ingeniería en contexto de virtualidad forzada por COVID-19 en las Facultades Regionales Avellaneda, Buenos Aires y Paraná. Estos antecedentes evidencian un interés creciente por comprender las preferencias de aprendizaje en esta institución educativa, si bien no se dispone de estudios previos con muestras de la magnitud y el alcance temporal del presente trabajo en la Facultad Regional La Plata.
Cabe señalar, no obstante, que el uso de modelos de estilos de aprendizaje como herramienta instructiva no está exento de un vigoroso debate científico. Coffield et al. (2004), en una revisión sistemática de 71 modelos de estilos de aprendizaje, cuestionaron la validez predictiva de la mayoría de ellos y advirtieron sobre el riesgo de "etiquetar" a los estudiantes de manera rígida. En una línea similar, Pashler et al. (2008) analizaron la hipótesis del "meshing" (que los estudiantes aprenden mejor cuando la enseñanza se adapta a su estilo) y concluyeron que la evidencia empírica que la sustenta es escasa e inconsistente. Newton y Miah (2017) reforzaron esta postura en el contexto de la educación superior, señalando que la popularidad del concepto supera ampliamente su base empírica. Más recientemente, metaanálisis y revisiones exhaustivas (Brown, 2023; Clinton-Lisell y Litzinger, 2024) han confirmado que la hipótesis del emparejamiento estricto sigue careciendo de evidencia neurocientífica robusta, catalogándola frecuentemente como un neuromito en la educación.
Frente a estas críticas fundadas, el presente estudio no pretende establecer prescripciones instruccionales deterministas a partir del estilo detectado, sino utilizarlo como un diagnóstico agregado para identificar tendencias poblacionales. Este enfoque permite orientar el diseño de entornos de aprendizaje más diversificados, fomentando estrategias de aprendizaje activo y personalización educativa (Paciarotti, 2024), sin desconocer las limitaciones inherentes al constructo. Además, estudios recientes sugieren que la transición pospandémica ha alterado dinámicas de estudio (Castello-Sirvent et al., 2022; Vázquez-Sánchez, 2023), lo que justifica revisar los perfiles de aprendizaje en este nuevo escenario.
El presente artículo tiene como objetivo principal analizar los estilos de aprendizaje de una amplia cohorte de estudiantes ingresantes (2021–2024) de la Facultad Regional La Plata de la Universidad Tecnológica Nacional (UTN FRLP). A través de este análisis transversal comparativo de cohortes sucesivas (diseño time-lag multi-cohorte), se busca determinar si existen diferencias significativas asociadas al género, la edad, el año de ingreso y la especialidad elegida, aportando evidencia empírica rigurosa para la toma de decisiones pedagógicas e institucionales.
Desarrollo
Metodología
La investigación se enmarca en un enfoque cuantitativo, con un diseño no experimental, descriptivo, correlacional y de corte transversal comparativo. El estudio compara grupos de estudiantes de distintas cohortes de ingreso (2021–2024) mediante cortes temporales independientes, configurando un diseño time-lag multi-cohorte o estudio transversal comparativo de cohortes sucesivas. Este diseño no implica el seguimiento longitudinal de los mismos individuos, sino la comparación de grupos diferentes en momentos distintos.
Población y muestra
La población de estudio estuvo constituida por los estudiantes ingresantes a las carreras de ingeniería de la UTN FRLP durante los ciclos lectivos 2021, 2022, 2023 y 2024. Se trabajó con una muestra no probabilística por conveniencia de 1.815 estudiantes que completaron el instrumento de manera voluntaria.
La Tabla 1 detalla la distribución de la muestra según la especialidad de ingeniería elegida. En cuanto al género, el 71,7 % correspondió al masculino y el 27,6 % al femenino. La edad media de los participantes fue de 20,69 años (DE = 5,54).
Instrumento
Para la recolección de datos se utilizó el Índice de Estilos de Aprendizaje (ILS) desarrollado por Felder y Soloman, basado en el modelo de Felder y Silverman. Este cuestionario autoadministrado consta de 44 preguntas de opción múltiple (con dos alternativas de respuesta), distribuidas equitativamente en las cuatro dimensiones del modelo:
Activo-Reflexivo (procesamiento).
Sensitivo-Intuitivo (percepción).
Visual-Verbal (recepción).
Secuencial-Global (comprensión).
Diversos estudios contemporáneos han ratificado la validez de constructo y confiabilidad de consistencia interna del ILS para poblaciones de educación secundaria y superior, respaldando su idoneidad como herramienta diagnóstica poblacional (Mirza, 2022;Nhadumbuque, 2024).
Procedimiento y análisis de datos
Los datos fueron recolectados mediante un formulario digital administrado institucionalmente. Para el análisis estadístico se utilizó el lenguaje de programación Python (librerías Pandas y SciPy). Se calcularon estadísticas descriptivas (medias, desviaciones estándar, frecuencias y porcentajes) para caracterizar el perfil general.
Para evaluar las diferencias entre grupos se aplicaron pruebas de análisis de varianza (ANOVA) para comparar cohortes y especialidades, la prueba T de Student para las comparaciones por género, y pruebas Chi-cuadrado de Pearson para analizar la asociación entre variables categóricas. Además, se calcularon tamaños de efecto (d de Cohen y eta cuadrado parcial η²) para determinar la magnitud práctica de las diferencias encontradas. Se consideró un nivel de significancia estadística de p < 0,05.
Limitaciones metodológicas
En primer lugar, aunque el ILS es un instrumento ampliamente utilizado y validado (Mirza, 2022), sus propiedades psicométricas varían según el contexto cultural e idiomático. Litzinger et al. (2007) reportaron coeficientes alfa de Cronbach entre 0,47 y 0,75 para las cuatro dimensiones en muestras angloparlantes. En el presente estudio no se calculó este indicador de consistencia interna de manera independiente para la muestra analizada, lo que constituye una limitación que deberá subsanarse en estudios posteriores.
En segundo lugar, la participación voluntaria mediante formulario digital puede introducir un sesgo de auto elección sistemático, favoreciendo la participación de estudiantes con mayor motivación académica o acceso a dispositivos digitales.
En tercer lugar, la distribución muestral presenta una asimetría significativa entre especialidades (ver Tabla 1), lo que limita la potencia estadística de los análisis comparativos para los grupos menores.
Finalmente, las cohortes 2021 y 2022 ingresaron en un contexto marcado por la pandemia de COVID-19 y la virtualización de emergencia de la enseñanza. Esta disrupción global alteró significativamente los modos de estudio y las preferencias tecnológicas de los estudiantes universitarios (Mehta, 2024;Vázquez-Sánchez, 2023), variable contextual que debe considerarse al interpretar las diferencias entre cohortes.
Resultados
Perfil general de estilos de aprendizaje
El análisis de los 1.815 estudiantes reveló una clara tendencia en las cuatro dimensiones del modelo. Al categorizar a los estudiantes según su estilo dominante, se observó que la gran mayoría prefiere el aprendizaje Activo (75,1 %) frente al Reflexivo (24,9 %); Sensitivo (77,5 %) frente al Intuitivo (22,5 %); Verbal (81,3 %) frente al Visual (18,7 %); y Secuencial (68,6 %) frente al Global (31,4 %).
Estos resultados indican que el estudiante típico de ingeniería de esta institución aprende mejor cuando participa activamente en el proceso (discutiendo, aplicando o explicando), prefiere datos concretos, hechos y procedimientos establecidos (sensitivo), retiene mejor la información explicada con palabras orales o escritas (verbal) y avanza en el aprendizaje de manera lineal y ordenada (secuencial). Este perfil coincide parcialmente con la literatura internacional, aunque sorprende la alta prevalencia del estilo verbal sobre el visual, dado que históricamente los estudiantes de ingeniería han mostrado fuertes preferencias visuales (Felder y Silverman, 1988).
Análisis por cohorte de ingreso
Al evaluar la evolución de los estilos a lo largo de los cuatro años de ingreso (2021 a 2024), el análisis de varianza (ANOVA) reveló diferencias estadísticamente significativas en las dimensiones Activo/Reflexivo y Secuencial/Global (Tabla 2). Existe un incremento en la preferencia por el estilo Activo en la cohorte 2023 (M = 0,620) en comparación con 2021 (M = 0,567). Por el contrario, las dimensiones de percepción (Sensitivo/Intuitivo) y recepción (Verbal/Visual) se mantuvieron estables y sin diferencias significativas a lo largo de los años.
Análisis por género
La comparación entre géneros mostró resultados reveladores. Mediante la prueba T de Student (Tabla 3), se encontró una diferencia estadísticamente significativa en la dimensión Verbal/Visual. Las mujeres presentaron una media de preferencia verbal menor y, consecuentemente, una mayor preferencia visual en comparación con los hombres. Cabe señalar que, si bien la diferencia es estadísticamente robusta dado el tamaño muestral, el tamaño del efecto (d = -0,31) se clasifica como pequeño según los criterios de Cohen (1988), lo que invita a moderar la magnitud de la relevancia pedagógica práctica de este hallazgo. La significación estadística no debe equipararse automáticamente a relevancia instruccional. La prueba Chi-cuadrado confirmó esta asociación (χ² = 35,48; p < 0,001). En las dimensiones de procesamiento, percepción y comprensión no se hallaron diferencias estadísticamente significativas.
Análisis por especialidad
El análisis según la especialidad de ingeniería elegida arrojó diferencias significativas en tres de las cuatro dimensiones (Tabla 4).
Los estudiantes de Ingeniería Civil mostraron la mayor preferencia por el estilo Activo (M = 0,653) y Sensitivo (M = 0,664). Por su parte, los estudiantes de Ingeniería Química e Industrial exhibieron una mayor inclinación hacia el estilo Visual en comparación con los estudiantes de Sistemas, quienes resultaron ser los más verbales. Estas diferencias disciplinares respaldan la idea de que ciertas características cognitivas pueden influir en la elección vocacional, o bien, que el perfil de los ingresantes varía según las representaciones sociales de cada rama de la ingeniería (Ventura et al., 2012).
Análisis por edad
La muestra fue dividida en cinco grupos etarios (16–18, 19–21, 22–25, 26–30, y 31+ años). La prueba no paramétrica de Kruskal-Wallis demostró que no existen diferencias estadísticamente significativas en ninguna de las cuatro dimensiones de aprendizaje según la edad (p > 0,05 en todos los casos). Esto coincide con los hallazgos de Ocampo Botello et al. (2014), confirmando que los estilos de aprendizaje constituyen rasgos cognitivos relativamente estables que no varían sustancialmente con la edad en la población universitaria adulta.
Discusión
Los resultados del presente estudio merecen ser analizados con mayor profundidad en relación con la literatura existente y el contexto particular de la recolección de datos.
En primer lugar, el hallazgo más llamativo es la alta prevalencia del estilo Verbal (81,3 %) sobre el Visual (18,7 %). Esta distribución contrasta marcadamente con los perfiles históricos reportados en la literatura: Felder y Silverman (1988), en su propuesta original del modelo, señalaban que los estudiantes de ingeniería tendían a preferir la información visual; tendencia también observada por Felder y Spurlin (2005) en múltiples aplicaciones del ILS. La inversión de esta preferencia en la muestra analizada podría estar asociada a la alta proporción de estudiantes de Ingeniería en Sistemas de Información (50,5 % de la muestra), quienes trabajan cotidianamente con interfaces textuales, código y documentación escrita, sesgando la distribución global hacia el polo verbal. Esta hipótesis requiere verificación empírica en estudios con muestras más equilibradas por especialidad.
Cabe destacar que, si bien existen antecedentes de estudios sobre estilos de aprendizaje en el ámbito de la UTN (Kanobel et al., 2021; Schilardi et al., 2018), el presente trabajo se diferencia de aquellos en varios aspectos sustantivos: el tamaño muestral significativamente mayor (n = 1.815), el diseño multi-cohorte que abarca cuatro años consecutivos de ingreso, la inclusión de seis especialidades de ingeniería, y el análisis específico del efecto del contexto pandémico sobre las preferencias de aprendizaje declaradas. Asimismo, la focalización en la Facultad Regional La Plata aporta evidencia empírica local que complementa los hallazgos obtenidos en otras regionales de la UTN.
En segundo lugar, el análisis por cohortes revela diferencias significativas en las dimensiones Activo/Reflexivo y Secuencial/Global, con un incremento en la preferencia activa en la cohorte 2023. Una posible explicación radica en el contexto educativo diferencial: los ingresantes de 2021 y 2022 lo hicieron bajo educación remota de emergencia por la pandemia de COVID-19, favoreciendo perfiles reflexivos y secuenciales. En contraste, los de 2023 y 2024 retornaron a la presencialidad plena, con mayor activación de dinamismos participativos. Estudios recientes sobre educación en ingeniería postpandemia (Castello-Sirvent et al., 2022; Mehta, 2024) documentan cómo el aislamiento forzado moldeó hábitos de estudio más solitarios y reflexivos, que luego revirtieron hacia enfoques más colaborativos y activos al normalizarse la cursada. El diseño del estudio no permite establecer causalidad, dado que no se controlaron variables adicionales como modalidad de cursada previa o motivación académica.
En tercer lugar, la diferencia de género en la dimensión Visual/Verbal (d = -0,31) es consistente con hallazgos previos (Ventura et al., 2012), aunque el tamaño del efecto pequeño invita a la cautela. Las diferencias podrían estar mediadas por la especialidad elegida y los hábitos de aprendizaje previos. Un análisis multivariado que controle simultáneamente género, especialidad y cohorte permitiría aislar con mayor precisión los efectos de cada variable, y constituye una tarea pendiente para investigaciones futuras.
Finalmente, en consonancia con la literatura crítica actualizada (Brown, 2023; Clinton-Lisell y Litzinger, 2024; Coffield et al., 2004; Pashler et al., 2008), los resultados no deben interpretarse como prescripciones instruccionales rígidas. El perfil predominante (Activo, Sensitivo, Verbal, Secuencial) describe una tendencia estadística poblacional, pero no predice el desempeño individual ni determina el método óptimo de enseñanza para cada estudiante. Su utilidad práctica reside en orientar el diseño de entornos de aprendizaje más diversificados, fomentando pedagogías de aprendizaje activo (Jaroenkhasemmeesuk, 2023) y reduciendo la probabilidad de que una fracción significativa de la clase quede sistemáticamente desatendida.
Conclusiones
El presente estudio proporciona una radiografía detallada y robusta de los estilos de aprendizaje de los estudiantes de ingeniería de la UTN FRLP. La evidencia empírica recolectada demuestra que, si bien existe un perfil dominante (Activo, Sensitivo, Verbal y Secuencial), la población estudiantil es heterogénea, con variaciones significativas asociadas al género y a la especialidad elegida.
La constatación de que una cuarta parte de los estudiantes prefiere un aprendizaje reflexivo, y casi un tercio posee un enfoque global, plantea un desafío ineludible para el cuerpo docente. Las clases magistrales tradicionales, fuertemente sesgadas hacia la transmisión pasiva, teórica, secuencial y verbal, resultan incompatibles con gran parte de la audiencia, especialmente frente a las demandas de aprendizaje activo y centrado en el estudiante que caracterizan la educación contemporánea en ingeniería (Paciarotti, 2024).
En el marco de la transición hacia un modelo de enseñanza por competencias promovido por CONFEDI, los resultados de esta investigación recomiendan:
El conocimiento de estos perfiles no debe utilizarse para "etiquetar" a los estudiantes bajo un neuromito determinista, sino como una herramienta de diagnóstico poblacional. Esto permite a la institución diseñar políticas académicas inclusivas y efectivas, adaptadas al escenario educativo post-COVID-19, reduciendo el desgranamiento y mejorando la calidad de la formación integral de los futuros profesionales de la ingeniería.
Agradecimientos
A la Facultad Regional La Plata de la Universidad Tecnológica Nacional por el apoyo institucional para la realización de este estudio, y a los estudiantes que voluntariamente participaron completando el instrumento de recolección de datos.
Referencias bibliográficas
Brown, S. B. R. E. (2023). The persistence of matching teaching and learning styles: A review. Frontiers in Education, 8, 1147498. https://doi.org/10.3389/feduc.2023.1147498
Castello-Sirvent, F., García-García, J. M., y López-Pérez, L. (2022). Estilos de aprendizaje en postpandemia en educación superior. IE Revista de Investigación Educativa de la REDIECH, 16, e2275. https://doi.org/10.33010/ie_rie_rediech.v16i0.2275
Clinton-Lisell, V., y Litzinger, C. (2024). Is it really a neuromyth? A meta-analysis of the learning styles matching hypothesis. Frontiers in Psychology, 15, 1428732. https://doi.org/10.3389/fpsyg.2024.1428732
Coffield, F., Moseley, D., Hall, E., y Ecclestone, K. (2004). Learning styles and pedagogy in post-16 learning: A systematic and critical review. Learning and Skills Research Centre.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.a ed.). Lawrence Erlbaum Associates.
Consejo Federal de Decanos de Ingeniería [CONFEDI]. (2017). Marco conceptual y definición de estándares de acreditación de las carreras de ingeniería. Asamblea de CONFEDI.
Domínguez, V. A. (2025). Estilos de aprendizaje en estudiantes de dos cohortes de ingeniería en ciberseguridad. ResearchGate.
Felder, R. M., y Silverman, L. K. (1988). Learning and teaching styles in engineering education. Engineering Education, 78(7), 674–681.
Felder, R. M., y Spurlin, J. (2005). Applications, reliability and validity of the index of learning styles. International Journal of Engineering Education, 21(1), 103–112.
Gutiérrez-Espinoza, H. (2023). Correlación entre los estilos de aprendizaje según el modelo de Felder-Silverman y el rendimiento académico. International Journal of Morphology, 41(5), 1297. https://doi.org/10.4067/S0717-95022023000501297
Inga Ávila, M. F., Churampi Cangalaya, R. L., y Álvarez Tolentino, D. (2020). Estilos de aprendizaje en estudiantes de ingeniería de sistemas de la Universidad Nacional del Centro del Perú. Conrado, 16(77), 229-233.
Jaroenkhasemmeesuk, C. (2023). Active Learning in Engineering Education: Case Study. Journal of Engineering Education, 12(4), 45-58.
Kanobel, M. C., Chan, D. M., y Ramírez, R. G. (2021). Estudio comparado de los estilos de aprendizaje en estudiantes de ingeniería en contexto de virtualidad forzada por COVID-19. Rumbos Tecnológicos, 13, 1–15. Recuperado de https://revistas.utn.edu.ar/index.php/rumbostec/article/view/
Litzinger, T. A., Ha Lee, S., Wise, J. C., y Felder, R. M. (2007). A psychometric study of the index of learning styles. Journal of Engineering Education, 96(4), 309–319.
Mehta, K. J. (2024). University students' preferences of learning modes post-COVID-19. PMC, 8(2), 112-128.
Mirza, M. A. (2022). ILS Validity Analysis for Secondary Grade through Factor Analysis and Internal Consistency Reliability. Sustainability, 14(13), 7950. https://doi.org/10.3390/su14137950
Newton, P. M., y Miah, M. (2017). Evidence-based higher education: Is the learning styles ‘myth’ important? Frontiers in Psychology, 8, 444. https://doi.org/10.3389/fpsyg.2017.00444
Nhadumbuque, G. C. (2024). Validation of Felder-Solomon Index of Learning Styles. ACM Digital Library, 3674912, 3674923. https://doi.org/10.1145/3674912.3674923
Ocampo Botello, F., Guzmán Arredondo, A., Camarena Gallardo, P., y de Luna Caballero, R. (2014). Identificación de estilos de aprendizaje en estudiantes de ingeniería. Revista Mexicana de Investigación Educativa, 19(61), 401–429.
Paciarotti, C. (2024). The Impact of Cross-cutting Pedagogical Features Based on Neuroeducation Advances: Project-based Learning Vs. Traditional Lecturing in Engineering Education. Journal of Engineering Education Transformations, 37(2), 15-28.
Pashler, H., McDaniel, M., Rohrer, D., y Bjork, R. (2008). Learning styles: Concepts and evidence. Psychological Science in the Public Interest, 9(3), 105–119.
Polano, F. J., Gentile, G. J., Perotti, M. G., y Löwi, D. J. (s.f.). Estrategias de enseñanza en ingeniería y estilos de aprendizaje. Instituto Tecnológico de Buenos Aires. Recuperado de https://ri.itba.edu.ar/handle/20.500.14769/4903
Schilardi, A., Segura, S., y León, O. (2018). Trayectorias diferenciadas por estilos de aprendizajes mediadas por un entorno e-learning. Eco Matemático - Scientific Journal of Mathematics, 9(1), 1–12. Recuperado de https://revistas.utm.edu.ec/index.php/ecomat/article/view/
Tocci, A. M. (2015). Caracterización de estilos de aprendizaje en estudiantes de ingeniería según el modelo de Felder y Silverman. Revista de Estilos de Aprendizaje, 8(16).
Vázquez-Sánchez, A. (2023). Educative performance transitions in engineering students through the COVID-19 pandemic. Frontiers in Education, 8, 1156724. https://doi.org/10.3389/feduc.2023.1156724
Ventura, A. C., Moscoloni, N., y Gagliardi, R. P. (2012). Estudio comparativo sobre los estilos de aprendizaje de estudiantes universitarios argentinos de diferentes disciplinas. Psicología desde el Caribe, 29(2), 276–304.
