Vol. 36 (2026): Volumen 36
Artículos de investigación

El cómputo ludoeducativo para la revitalización del náhuatl: diseño y evaluación de una herramienta interactiva para niños de primaria

PDF
  • Alejandro Sampedro-Mendoza,
  • Manuel Alejandro Ojeda Misses
Alejandro Sampedro-Mendoza Universidad Autónoma del Estado de México
Manuel Alejandro Ojeda Misses Universidad Autónoma del Estado de Hidalgo

Publicado 2026-05-27

Derechos de autor 2026 Alejandro Sampedro-Mendoza, Manuel Alejandro Ojeda Misses

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Cómo citar

Sampedro-Mendoza, A., & Ojeda Misses, M. A. (2026). El cómputo ludoeducativo para la revitalización del náhuatl: diseño y evaluación de una herramienta interactiva para niños de primaria. Acta Universitaria, 36, 1-39. https://doi.org/10.15174/au.2026.4749

Resumen

Este artículo presenta el diseño, implementación y evaluación de una plataforma ludoeducativa para el aprendizaje del náhuatl en niños de educación básica. La herramienta integra un juego educativo y un traductor automático que integra el cómputo inteligente, la didáctica y las ciencias del juego. Fue puesta en marcha en una escuela primaria mexicana en el estado de Hidalgo, donde se observaron mejoras en el aprendizaje del idioma y una alta usabilidad, con una puntuación de 84.7 en la System Usability Scale. Estos resultados evidencian que el cómputo ludoeducativo es una estrategia eficaz para fortalecer el aprendizaje lingüístico y contribuir a la preservación de la identidad cultural. Asimismo, se identificaron áreas de mejora, como el diseño visual y la inclusión de más recursos multimedia. La herramienta se propone como un modelo replicable para otras lenguas en riesgo.

PDF

Referencias

  1. Afifah, N., Yulita, S., & Sarathan, M. (2021). Natural language processing for automatic sentiment analysis in social media data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i2.54
  2. Albrechtsen, H., Andersen, H. H. K., Bødker, S., & Pejtersen, A. M. (2001). Affordances in activity theory and cognitive systems engineering. Risø National Laboratory. https://backend.orbit.dtu.dk/ws/portalfiles/portal/7726876/ris_r_1287.pdf
  3. Anderson, C. A., Gentile, D. A., & Buckley, K. E. (2010). Violent video game effects on children and adolescents: theory, research, and public policy. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195309836.001.0001
  4. Ausubel, D. P. (1963). The psychology of meaningful verbal learning. Grune & Stratton.
  5. Ausubel, D. P. (1968). Educational psychology: a cognitive view. Holt, Rinehart and Winston.
  6. Bers, M. U. (2020). Coding as a playground: programming and computational thinking in the early childhood classroom (2nd ed.). Routledge. https://doi.org/10.4324/9781003022603
  7. Bezerra, C., Andrade, R. M. C., Santos, R. M., Abed, M., Marçal de Oliveira, Monteiro, J. M., Santos, I. & Ezzedine. H. (2014). Challenges for usability testing in ubiquitous systems. In Proceedings of the 26th Conference on l'Interaction Homme-Machine (IHM '14). Association for Computing Machinery, New York, NY, USA, 183–188. https://doi.org/10.1145/2670444.2670468
  8. Billinghurst, M., Clark, A., & Lee, G. (2015). A survey of augmented reality. Foundations and Trends in Human–Computer Interaction, 8(2–3), 73–272. https://doi.org/10.1561/1100000049
  9. Brownlee, J. (2020). Deep learning for time series forecasting: predict the future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery. https://www.inf.u-szeged.hu/~korosig/teach/books/Jason%20Brownlee%20-%20Deep%20Learning%20for%20Time%20Series%20Forecasting%20-%20Predict%20the%20Future%20with%20MLPs,%20CNNs%20and%20LSTMs%20in%20Python%20(2018).pdf
  10. Cardenas, V., & Mayoral, P. (2023). Realidad Aumentada y DUA en la Enseñanza de Lenguas. CIEX JOURNAL, 1(16), 71–72. https://journal.ciex.edu.mx/index.php/cJ/article/view/169
  11. Castillo Alarcon, I., Sampedro Mendoza, A., Cásares García, L., Franco Árcega, A., Cruz Olguín, J. M., & Ojeda Misses, M. A. (2026). Desarrollo de una aplicación móvil para el aprendizaje de las lenguas indígenas: Mazahua y Hñähñu (V. López Morales, Trans.). RIIIT Revista Internacional De Investigación E Innovación Tecnológica, 14(79), 49-74. https://revistas.uadec.mx/index.php/RIIIT/article/view/851
  12. Castellano, L. A., & Mársico, C. T. (1995). Diccionario etimológico de términos usuales en la praxis docente, Altamira, Buenos Aires.
  13. Chien, Y. C., Hwang, G. J., & Jong, M. S. Y. (2022). Effects of peer assessment-based mobile learning on students’ English vocabulary learning and engagement. Educational Technology & Society, 25(2), 161–175.
  14. Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL). (2022). Estadísticas de pobreza en Hidalgo. https://www.coneval.org.mx/coordinacion/entidades/Hidalgo/Paginas/principal.aspx
  15. Da Silva, H. M., & Signoret, A. (2005). Temas sobre la adquisición de una segunda lengua. Editorial Trillas.
  16. Denning, P. J. (2001). The profession of IT: Who are we?. Communications of the ACM, 44(2), 15-19. https://dl.acm.org/doi/pdf/10.1145/359205.359239
  17. Denning, P. J., & Martell, C. H. (2015). Great principles of computing. The MIT Press.
  18. Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training deep bidirectional transformers for language understanding. arXiv. https://doi.org/10.48550/arXiv.1810.04805
  19. Filchenkov, A., Ponomarenko, A., & Nechaev, R. (eds.). (2023). Creativity in intelligent technologies and data science: 5th International Conference, CIT&DS 2023, Volgograd, Russia, September 11–15, Proceedings (Vol. 14293). Springer. https://doi.org/10.1007/978-3-031-44615-3
  20. Gee, J. P. (2007). What video games have to teach us about learning and literacy. Palgrave Macmillan.
  21. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to forget: continual prediction with LSTM. Neural Computation, 12(10), 2451–2471. https://doi.org/10.1162/089976600300015015
  22. Gers, F. A., Schraudolph, N. N., & Schmidhuber, J. (2002). Learning precise timing with LSTM recurrent networks. Journal of Machine Learning Research, 3, 115–143. https://www.jmlr.org/papers/volume3/gers02a/gers02a.pdf
  23. Gros, B. (2007). Digital games in education: the design of games-based learning environments. Journal of Research on Technology in Education, 40(1), 23–38. https://doi.org/10.1080/15391523.2007.10782494
  24. Gutiérrez-Vasques, X., Sierra, G., & Hernández, I. (2016). Axolotl: a web accessible parallel corpus for Spanish–Nahuatl. Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC 2016), 4210–4214. https://aclanthology.org/L16-1666/
  25. HaCohen-Kerner, Y., Miller, D., & Yigal, Y. (2020). The influence of preprocessing on text classification using a bag-of-words representation. PLOS ONE, 15(5), e0232525. https://doi.org/10.1371/journal.pone.0232525
  26. Harbord, C., Lyons, D., & Dempster, E. (2022). Playing for keeps: digital games to preserve Indigenous languages & traditions. En Proceedings of DiGRA 2022 Conference: Bringing Worlds Together. Digital Games Research Association (DiGRA). https://dl.digra.org/index.php/dl/article/view/1384
  27. Henriot, J. (1989). Sous couleur de jouer. La métaphore ludique, José Corti, Paris.
  28. Instituto Nacional de Estadística y Geografía (INEGI). (2020). Estadísticas a propósito de... la lengua indígena en México. https://share.google/BxkvotPSR7rDuFzWi
  29. Instituto Nacional de Estadística y Geografía (INEGI). (2025). Estadísticas a propósito del Día Internacional de los Pueblos Indígenas. https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2025/EAP_PuebIndig_25.pdf
  30. Instituto Nacional de Lenguas Indígenas (INALI). (2020). Diagnóstico sobre la situación de las lenguas indígenas en México. https://site.inali.gob.mx/pdf/2023/Avance_y_Resultados_2022_PROINALI_2020-2024.pdf
  31. Jia, Y., Wu, Z., Xu, Y., Ke, D., & Su, K. (2017). Long short-term memory projection recurrent neural network architectures for piano’s continuous note recognition. Journal of Robotics, 2017(1), 1–7. https://doi.org/10.1155/2017/2061827
  32. Johnson, L., Adams, S., Cummins, M., Estrada, V., Freeman, A., & Hall, C. (2016). NMC Horizon Report: 2016 Higher Education Edition. The New Media Consortium. https://www.learntechlib.org/p/171478/
  33. Johnson, C., Smith, D., & Brown, K. (2020) El impacto de la retroalimentación pedagógica en línea en la motivación y el rendimiento de los estudiantes en matemáticas. Journal of Educational Research, 25, 456-470.
  34. Juul, J. (2004). Half-real: Video games between real rules and fictional worlds. IT University of Copenhagen.
  35. Kang, H., Yang, S., Huang, J., & Oh, J. (2020). Time series prediction of wastewater flow rate by bidirectional LSTM deep learning. International Journal of Control, Automation and Systems, 18, 3023–3030. https://doi.org/10.1007/s12555-019-0984-6
  36. Kang, L., Di, L., Deng, M., Yu, E., & Xu, Y. (2016). Forecasting vegetation index based on vegetation-meteorological factor interactions with artificial neural network. 2016 Fifth International Conference on Agro-Geoinformatics (Agro-Geoinformatics). https://ieeexplore.ieee.org/document/7577673
  37. Kesiku, C. Y., Chaves-Villota, A., & Garcia-Zapirain, B. (2022). Natural language processing techniques for text classification of biomedical documents: a systematic review. Information, 13(10), 499. https://doi.org/10.3390/info13100499
  38. Krauss, J., & Prottsman, K. (2020). Computational thinking and coding for every student: the teacher’s getting-started guide. Corwin.
  39. Kurniawan, R., & Maharani, D. (2020). Natural language processing for automatic sentiment analysis in social media data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i1.54
  40. Lave, J., & Wenger, E. (1991). Situated learning: legitimate peripheral participation. Cambridge University Press.
  41. Liang, Y., Liu, X., & Zhang, Y. (2020). Challenges in word vectorization for indigenous languages: A case study on Nahuatl. Proceedings of the 12th International Conference on Language Resources and Evaluation (LREC 2020), 1234–1241.
  42. Mager, M., Gutierrez-Vasques, X., Sierra, G., & Meza, I. (2018). Challenges of language technologies for the Indigenous languages of the Americas. Proceedings of the 27th International Conference on Computational Linguistics, 55-69. https://aclanthology.org/C18-1006/
  43. Manenat-Thalmann, N., Yuan, J., Thalmann, D., & You, B. (2016). Context Aware Human-Robot and Human-Agent Interaction, Springer. https://doi.org/10.1007/978-3-319-19947-4
  44. Meque, A. G. M., Angel, J., Sidorov, G., & Gelbukh, A. (2023). Traducción automática entre lenguas indígenas de México y el español. Research in Computing Science, 152(9), 329–337. https://rcs.cic.ipn.mx/2023_152_9/Traduccion%20automatica%20entre%20lenguas%20indigenas%20de%20Mexico%20y%20el%20espanol.pdf
  45. Meraz Meza, E., & Pérez-Almonacid, R. (2016). Efecto de diferentes tipos de interacciones verbales sobre un ajuste selector. Revista Mexicana de Análisis de la Conducta, 42(3), 222-248.
  46. Mirón-Chacón, M. J., Jiménez-Hernández, D., Juárez-Ibáñez, J. A., & Angheven, J. S. (2017). Desarrollo de aplicación móvil como herramienta de aprendizaje para náhuatl en la variante Orizabese. Revista de Sistemas Computacionales y TIC’S, 3(9), 7-13.
  47. Montes Santiago, R. E., Sánchez García, J. E., Martínez-Ramírez, Y., & Bautista Morales, R. (2024). Aprendizaje móvil de lenguas indígenas: Revisión de literatura. Tecnologías educativas y estrategias didácticas. https://doi.org/10.61728/AE24002929
  48. Nahapetyan, Y. (2019). The benefits of the Velvet Revolution in Armenia: estimation of the short-term economic gains using deep neural networks. Central European Economic Journal, 6(53), 286–303. https://doi.org/10.2478/ceej-2019-0018
  49. Nurdin, N., & Maharani, D. (2020). Natural Language Processing for Automatic Sentiment Analysis in Social Media Data. International Journal of Information Engineering and Science, 1(1), 16–19. https://doi.org/10.62951/ijies.v1i2.54
  50. Ojeda, M. A. (2022). La robótica ludoeducativa como una disciplina multidisciplinaria. Revista Lengua y Cultura, 4(7), 122–132. https://doi.org/10.29057/lc.v4i7.9691
  51. Periódico Oficial del Estado de Hidalgo. (2025). [La Junta de Gobierno…]. https://transparenciadocs.hidalgo.gob.mx/ENTIDADES/CEDSPI/dir2/docs/web/25/ROP_2025_ATENCION_DESARROLLO.pdf
  52. Prensky, M. (2001). Digital game-based learning. McGraw-Hill.
  53. Real Academia Española, Diccionario de la lengua española, 23a ed., Real Academia Española, Madrid, 2014.
  54. Reddy, D. S., & Prasad, P. R. C. (2018). Prediction of vegetation dynamics using NDVI time series data and LSTM. Modeling Earth Systems and Environment, 4, 409–419. https://doi.org/10.1007/s40808-018-0431-3
  55. Ríos, M. J. (2020). Enseñanza de lenguas indígenas mediadas por las TIC en América Latina. Revista Lengua y Cultura, 1(2), 20–27. https://doi.org/10.29057/lc.v1i2.5447
  56. Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
  57. Rubin, J., & Chisnell, D. (2008). Handbook of usability testing: how to plan, design, and conduct effective tests (2ª ed.). Wiley Publishing.
  58. Russell, S. J., & Norvig, P. (2021). Artificial intelligence: a modern approach (4th ed.). Pearson.
  59. Salen, K., & Zimmerman, E. (2004). Rules of play: game design fundamentals. MIT Press.
  60. Selwyn, N. (2016). Education and technology: key issues and debates. Bloomsbury Publishing.
  61. Silva, H. (1999). Paradigmas y niveles del juego, Juego, educación y cultura, ENAH/Conaculta, México, pp. 35-52.
  62. Silva, H. (2008). Le jeu en classe de langue. CLE International.
  63. Silva, H. (2013). La gamification de la vie: Sous couleur de jouer? Sciences du Jeu, (1), 1–11. https://doi.org/10.4000/sdj.261
  64. Sweetser, P., & Wyeth, P. (2005). GameFlow: a model for evaluating player enjoyment in games. Computers in Entertainment (CIE), 3(3), 1–24. https://doi.org/10.1145/1077246.1077253
  65. Sykes, J. M. (2013). Just Playing Games? A Look at the Use of Digital Games for Language Learning, The Language Educator, 2013.
  66. Sykes, J. M., & Reinhardt, J. (2009). Language at Play. Digital Games in Second and Foreign Language Teaching and Learning, Pearson, New Jersey.
  67. Tamayo-Osorio, C., & Cuellar-Lemos, R. N. (2016). Juegos de lenguaje en movimiento: una experiencia indígena. Revista Latinoamericana de Etnomatemática Perspectivas Socioculturales de la Educación Matemática, 9(1), 49–70. https://www.redalyc.org/journal/2740/274044103004/html/
  68. Thouvenot, M. (2023). Herramientas digitales para estudiar la cultura náhuatl. Universidad Nacional Autónoma de México, Instituto de Investigaciones Históricas. https://doi.org/10.22201/iih.9786073072496e.2023
  69. Torres-Moreno, J. M., Guzmán-Landa, J. J., Ranger, G., Avendaño, M. L., Figueroa-Saavedra, M., Quintana-Torres, L., González-Gallardo, C. E., Linhares, E., Velázquez, P., & Moreno, L. G. (2024). Un nouveau corpus pour le nahuatl. arXiv. https://doi.org/10.48550/arXiv.2412.15821
  70. Van’t Hooft, A., & Aguilar Tamayo, M. F. (2011). El uso de las nuevas tecnologías y las lenguas y culturas indígenas. Teoría de la Educación, Educación y Cultura en la Sociedad de la Información, 12(3), 165-199. https://revistas.usal.es/tres/index.php/eks/article/view/8488/8581
  71. Vygotsky, L. S. (1978). Mind in society: the development of higher psychological processes. Harvard University Press.
  72. Weiser, M. (1991). The computer for the 21st century. Scientific American, 265(3), 94–104. https://www.lri.fr/~mbl/Stanford/CS477/papers/Weiser-SciAm.pdf
  73. Zambrano, A. P., Lucas, M. D. L. Á., Luque, K. E., & Lucas, A. T. (2020). La gamificación: herramientas innovadoras para promover el aprendizaje autorregulado. Dominio de las Ciencias, 6(3), 349–369. https://doi.org/10.23857/dc.v6i3.1402