Prácticas de modelación matemática: un estudio de la actividad neuronal usando instrumentos de electroencefalograma – EEG.

Vista sencilla de ítem
dc.contributor.advisorCamelo Bustos , Francisco Javier
dc.contributor.authorSánchez Trujillo, Jesús Alejandro
dc.contributor.authorGualteros Solorza, Iván Camilo
dc.contributor.orcidCamelo Bustos, Francisco Javier [0000-0002-8627-4816]
dc.date.accessioned2025-10-01T19:30:47Z
dc.date.available2025-10-01T19:30:47Z
dc.date.created2025-08-22
dc.descriptionEl siguiente reporte de investigación, desarrollado en el marco de la formación posgradual en educación matemática de la Maestría en Educación de la Universidad Distrital, se inscribe en la confluencia entre neurociencia y didáctica, una apuesta que propone un abordaje inédito para el análisis del aprendizaje matemático y la investigación en educación matemática. A partir de los avances en la comprensión del tejido neuronal y sus implicaciones para los procesos cognitivos (Gardner, 1993; Llinás, 2003), se diseñó un estudio novel orientado a explorar la actividad cerebral de futuros profesores de matemáticas durante la realización de tareas de modelación. Para ello, se utilizaron dispositivos de electroencefalografía (EEG), que permitieron registrar en tiempo real, patrones de actividad neural vinculados a distintos momentos un ambiente de modelación matemático. El estudio se llevó a cabo mediante ambientes de aprendizaje centrados en la resolución de problemas contextualizados en uno de los seminarios del programa de Licenciatura en Matemáticas de la Universidad Distrital. Los registros permiten identificar variables y condiciones que inciden en la fluctuación de los niveles de actividad neuronal, particularmente aquellos asociados con aprendizajes y registros en la memoria a corto y largo plazo. Esta investigación presenta evidencia empírica, reciente y rigurosa sobre las relaciones entre modelación matemática y activación cerebral, además se plantean nuevas perspectivas para el diseño pedagógico desde una comprensión neuro educativa del aprendizaje. En consecuencia, se ofrece un marco conceptual contemporáneo y concienzudo, que invita a la comunidad interesada en la educación matemática a dar un vistazo a nuestro enfoque y a repensar la enseñanza de las matemáticas desde el dialogo entre la reciente neurociencia y la didáctica de las matemáticas.
dc.description.abstractThis research report, developed within the framework of postgraduate training in mathematics education under the Master’s in Education program at Universidad Distrital, is situated at the intersection of neuroscience and didactics—an approach that proposes an unprecedented perspective for analyzing mathematical learning and conducting research in mathematics education. Drawing on advances in the understanding of neural networks and their implications for cognitive processes (Gardner, 1993), a study was designed to explore the brain activity of prospective mathematics teachers while engaging in mathematical modeling tasks. To this end, electroencephalography (EEG) devices were used to record real-time neural activation patterns associated with different stages of a math modelling environment. The study was carried out in learning environments focused on the resolution of contextualized problems within a seminar of the Mathematics Teacher Education Program at Universidad Distrital. The results made it possible to identify variables and conditions that influence fluctuations in neural activity levels, particularly those related to short- and long-term memory processes. This research provides recent, rigorous empirical evidence on the relationship between mathematical modeling and brain activation, while also offering new perspectives for pedagogical design based on a neuroeducational understanding of learning. Consequently, it proposes a contemporary and thoughtful conceptual framework that invites the mathematics education community to engage with our approach and to reconsider the teaching of mathematics through a dialogue between emerging neuroscience and mathematics didactics.
dc.format.mimetypepdf
dc.identifier.urihttp://hdl.handle.net/11349/99400
dc.language.isospa
dc.publisherUniversidad Distrital Francisco José de Caldas
dc.publisherCentro ACACIA Universidad Distrital Francisco José de Caldas
dc.relation.referencesAcuña, F. P., Rojas, A. S., Babb, A. P. y Rocha, A. O. (2023). Comparación de Tendencias sobre la Modelización Matemática entre Latinoamérica y el Resto del Mundo: Una Revisión Bibliográfica. En Bolema: Boletim de Educação Matemática (Vol. 37, Issue 76, pp. 532-554). FapUNIFESP (SciELO).
dc.relation.referencesAl-Kaf, H., Khandoker, A., Khalaf, K. y Jelinek, H. F. (2020). NeuroSky Mindwave Mobile Headset 2 as an Intervention for Reduction of Stress and Anxiety Measured With Pulse Rate Variability. Computing in Cardiology, Rimini, Italy, 1-4.
dc.relation.referencesÁlvarez Encinoso, R. (2020). Montaje, prueba y calibración de sistemas de encefalografía EEG OPEN-BCI.
dc.relation.referencesAnderson, P. (2002). Assessment and Development of Executive Function (EF) During Childhood. Child Neuropsychology, 8 (2),71 - 82.
dc.relation.referencesAnsari, D. (2008). Effects of development and enculturation on number representation in the brain. Nature Reviews Neuroscience, 9(4), 278–291.
dc.relation.referencesAnsari, D. (2016). Number Symbols in the Brain. In: Development of Mathematical Cognition. Neural Substrates and Genetic Influences.
dc.relation.referencesArtigue, M. (2009). Didáctica de las matemáticas: Enseñar y aprender matemáticas en la escuela secundaria. Editorial Graó.
dc.relation.referencesBassanezi, R. (1999). Modelling as a teaching - Learning Strategy. For the learning of mathematics 14 (2), 31-35.
dc.relation.referencesBerch, D., Geary, D. y Mann, K. (2016). How the Study of Neurobiological and Genetic Factors Can Enhance Our Understanding of Mathematical Cognitive Development. In Berch, D., Geary, D. y Mann, K (Eds), Development of Mathematical Cognition. Neural Substrates and Genetic Influences (1-24). Elseiver Inc.
dc.relation.referencesBishop, A. (1991). Mathematical Enculturación. A Cultural Perspective on Mathematics Education. Kluwer Academic Publishers.
dc.relation.referencesBishop, A. (1998). El papel de los juegos en educación matemática. Revista de Didáctica de las matemáticas UNO, 18, 9 – 19.
dc.relation.referencesBlum, B. y Borromeo, R. (2009). Mathematical modelling: Can it be taught and learnt? Journal of mathematical modelling and application, 1(1), 45-58.
dc.relation.referencesBlum, W. y Leiss, D. (2007). How do students and teachers deal with mathematical modelling problems? Theoretical reflections and empirical evidence from the project Mathreal. ZDM Mathematics Education, 39(6), 431-44.
dc.relation.referencesBoaler, J. (2016). Mathematical mindsets: Unleashing students' potential through creative math, inspiring messages and innovative teaching. Jossey-Bass.
dc.relation.referencesBright, G., Harvey, J. y Wheeler, M. (1985). Learning and mathematics games. Journal For Research in Mathematics Education, Monograph Number 1. The National Council of Teachers of Mathematics, INC.
dc.relation.referencesBrousseau, G. (1986). Teoría de las situaciones didácticas. Grupal Logística y Distribución. ISBN9875990353, 9789875990357. Paris.
dc.relation.referencesBruner, J. (1983). El habla del niño. Cognición y desarrollo humano. Ediciones Paidós Ibérica S.A. Barcelona.
dc.relation.referencesButterworth, B. (1999). The Mathematical Brain. Ed. Macmillan.
dc.relation.referencesButterworth, B. (2002). Mathematics and the Brain. [Opening Address to The Mathematical Association].
dc.relation.referencesButterworth, B. (2005). The development of arithmetical abilities. Journal of Child Psichology and Psychiatry. 6 (1), 3-18.
dc.relation.referencesCalderón, D. y León, O. (2015). Elementos para una didáctica del lenguaje y las matemáticas en estudiantes sordos de niveles iniciales. Serie Investigaciones No. 5. Ed. Universidad Distrital Francisco José de Caldas.
dc.relation.referencesCalvo, A., Alonso, C., Freire, M., Martínez, I., y Fernández, B. (2019). Game Learning Analytics, Facilitating the Use of Serious Games in the Class. IEEE-RITA 14 (4), 168-176.
dc.relation.referencesCárdenas, C. (2018). Una exploración de la incidencia de patrones corporales en la determinación de estados de aprendizaje matemático con el juego de la escalera. [Trabajo de grado para título de Licenciatura en Educación Básica con Énfasis en Matemáticas]. Universidad Distrital Francisco José de Caldas. Bogotá. Colombia.
dc.relation.referencesCastro Villalobos, S., Casar Espino, L. y García Martínez, A. (2019). Reflexiones sobre la enseñanza inclusiva del inglés apoyada por tecnologías emergentes. Revista Cubana de Educación Superior, 38(1).
dc.relation.referencesCBL Systems. (2003). Procedimientos iniciales del sistema CBL 2™ (Actividad 2, pp. 41-48).
dc.relation.referencesCevikbas, M., Kaiser, G. y Schukajlow, S. (2022). A systematic literature review of the current discussion on mathematical modelling competencies: State-of-the-art developments in conceptualizing, measuring, and fostering. Educational Studies in Mathematics, 109(2), 205-236.
dc.relation.referencesCoronado-Hijón, A. (2015). Construcción de una lista de cotejo (checklist) de dificultades de aprendizaje del cálculo aritmético. Revista española de pedagogía, 260, 91 – 104.
dc.relation.referencesDavis, N. (2013). Technology in education: A framework for evaluating the effectiveness of technology integration in schools. Journal of Educational Technology Systems, 41(1), 41–62.
dc.relation.referencesDehaene, S. (2011). The number sense: How the mind creates mathematics. Oxford University Press.
dc.relation.referencesDehaene, S. (2016). El Cerebro Matemático. Cómo nacen, viven y a veces mueren los números en nuestra mente. Ed. Siglo XXI. Serie Mayor: Ciencia que ladra. Argentina.
dc.relation.referencesDehaene, S. (2019). ¿Cómo aprendemos? Los cuatro pilares con los que la educación puede potenciar los talentos de nuestro cerebro. Ed. Siglo XXI. Serie Mayor: Ciencia que ladra. Argentina.
dc.relation.referencesDewey, John. (1998). Democracia y Educación. Una introducción a la filosofía de la educación. Ediciones Morata. Madrid.
dc.relation.referencesFeixas, G., De la Fuente, M. y Soldevila, J. (2003). La técnica de la rejilla como instrumento de evaluación y formulación de hipótesis clínicas. Revista de Psicopatología y Psicología Clínica 8 (2), 153-172.
dc.relation.referencesFernández, T., Harmony, T., Fernández, A., Silva, J., Herrera, W., Rodríguez, S. y Sánchez, L. (2002). Sources of EEG Activity in Learning Disabled Children. Clinical electroencephalographic 33 (4), 160-164.
dc.relation.referencesFonseca, L., Tedrus, G., Chiodi, M., Cerqueira, J., y Tonelotto, J. (2006). Quantitative EEG in children with learning disabilities. Analysis of band power. Arq Neuropsiquiatr. 64 (2-B), 376-381.
dc.relation.referencesGallistel, C. y Gelman, R. (1992). Preverbal and verbal counting and computation. Cognition, 44, 43-74.
dc.relation.referencesGarcía, L. (2017). Control del robot IRB120 mediante el casco de electroencelografía Neurosky Mindwave. [Trabajo de grado Ingeniería Electrónica y Automática Industrial]. Universidad de Alcalá. Escuela Politécnica Superior. Madrid.
dc.relation.referencesGonzález, A., Noguez, J., Neru, L. y Robleda, V. (2015). Predictive Models to Enhance Learning Based on Student Profiles Derived from Cognitive and Social Constructs. [International Conference on Interactive Collaborative and Blended Learning (ICBL)]. México.
dc.relation.referencesGonzález, E. y Palomá, N. (2014). El desarrollo de procesos del lenguaje y las matemáticas con incorporación tecnológica. Una apuesta a la diversidad. [Tesis de Licenciatura en Educación Básica con Énfasis en Matemáticas]. Universidad Distrital Francisco José de Caldas. Bogotá. Colombia.
dc.relation.referencesGoswami, U. (2008). Learning difficulties and the brain. Wiley-Blackwell.
dc.relation.referencesHaier, R. J. (2023). The neuroscience of intelligence. Cambridge University Press.
dc.relation.referencesHasson, U., Nir, Y., Levy, I., Fuhrmann, G., & Malach, R. (2004). Intersubject synchronization of cortical activity during natural vision. Science, 303(5664), 1634–1640.
dc.relation.referencesHernández, R., Fernández, C. y Baptista, P. (2014). Metodología de la investigación. 6ta. Edición. Mc. Graw Hill Education.
dc.relation.referencesKüchemann, D. (2010) Using patterns generically to see structure. Pedagogies: An International Journal, 5 (3), 233-250.
dc.relation.referencesLarsen, E. (2011). Classification of EEG Signals in a Brain Computer Interface System. Norwegian University of Science and Technology.
dc.relation.referencesLebedev, M. A. y Nicolelis, M. A. L. (2006). Brain–computer interfaces: Past, present and future. Trends in Neurosciences, 29(9), 536-546.
dc.relation.referencesLedezma, C., Breda, A. y Font, V. (2024). Prospective teachers’ reflections on the inclusion of mathematical modelling during the transition period between the face-to-face and virtual teaching contexts. International Journal of Science and Mathematics Education, 22(5), 1057-1081.
dc.relation.referencesLeón, O. y Romero, J. (2020). Ambientes de aprendizaje accesibles que fomentan la afectividad en contextos universitarios. Universidad Distrital Francisco José de Caldas.
dc.relation.referencesLeón, O., Bonilla, M., Romero, J., Gil, D., Correal, M., Ávila, C., Bacca, J., Cavanzo, G., Guevara, J., Saiz, M., García, R., Saiz, B., Rojas, N., Peralta, M., Flores, W., y Márquez, H. (2014).
dc.relation.referencesLesh, R. y Doerr, H. M. (2003). Beyond constructivism: A models and modeling perspective on teaching, learning, and problem solving in mathematics education. Mahwah, NJ: Lawrence Erlbaum Associates.
dc.relation.referencesLlinás, R. R. (2003). El cerebro y el mito del yo: el papel de las neuronas en el pensamiento y el comportamiento humanos. Editorial Norma. Educational Psychology, 76 (5).
dc.relation.referencesLuckin, R., Holmes, W., Griffiths, M. y Forcier, L. B. (2016). Intelligence Unleashed: An argument for AI in Education. Pearson Education.
dc.relation.referencesMarlair, C., Crollen, V. y Lochy, A. (2022). A shared numerical magnitude representation evidenced by the distance effect in frequency-tagging EEG. Scientific Reports 12 (14599).
dc.relation.referencesMarshall, S. P. (1995). Schemas in problem solving. Cambridge University Press.
dc.relation.referencesMartínez, M. y Guardiola, G. (2006). Conceptos Básicos de Electroencefalografía. Revista de la Facultad de Ciencias de la Salud 3 (1), 18-23. Fondo Editorial Universidad del Magdalena.
dc.relation.referencesMayer, R. E. (2008). Learning and instruction (2nd ed.). Pearson/Merrill Prentice Hall.
dc.relation.referencesMaza, C. (2010). Aritmética y representación. De la comprensión del texto al uso de los materiales. Editorial Paidós. Barcelona.
dc.relation.referencesMazzocco, M., Yun-Chen Chan, J. y Sera, M. (2016). Contextual Sensitivity and the Large Number Word Bias: When Is Bigger Really More? In Kenik, A. (Ed). Continuous Issues in Numerical Cognition How Many Or How Much. Ed. Elseiver Inc.
dc.relation.referencesMéndez Reina, M. (2020). Caracterización de ambientes y tareas de modelación matemática en la formación de docentes de matemáticas.
dc.relation.referencesMolano, G., Méndez, J. y Villanueva, A. (2016). Estado del Arte Ambientes de Aprendizaje Accesibles. ACACIA. Bogotá: Corporación Universitaria Iberoamericana-CUI.
dc.relation.referencesMoreno, J., Mireles, J., Morales, O., y Urriolagoitia, G. (2021). Sistema computacional para determinar la eficiencia de terapias asistidas por delfines. Computación y Sistemas 24 (4), 1471–1482.
dc.relation.referencesMorshad, S., Mazumder, Md., y Ahmed, F. (2020). Analysis of BrainWave Data Using Neurosky Mindwave Mobile. [International Conference on Computing Advancements] (ICCA 2020).
dc.relation.referencesMullen, T. R., Kothe, C. A., Chi, Y. M., Ojeda, A., Kerth, T., Makeig, S., ... y Cauwenberghs, G. (2015). Real-time neuroimaging and cognitive monitoring using wearable dry EEG. IEEE Transactions on Biomedical Engineering, 62(11), 2553–2567.
dc.relation.referencesNavarro, R. (2012). Instrumentación Biomédica. Universidad de Alcalá. España.
dc.relation.referencesNunes, T. y Sutherland, R. (2009). Mathematics education and language: Interpreting research from classrooms. Routledge.
dc.relation.referencesObrador, S., Larramendi, M. y Rábano, A. (1949). Sobre el valor clínico de la electroencefalografía en el diagnóstico neurológico. Revista Clínica Española, 35 (4), 221-232. Editorial Científico-Médica.
dc.relation.referencesOpenBCI. (2020). OpenBCI Documentation.
dc.relation.referencesPáez, J., Cobos, J., Aguirre, D., Molina, R., y Lievano, L. (2022). Learning analytics: Exploring the hypothetical learning trajectories through mathematical games. [International conference in methodologies and intelligent systems for techhnology enhanced learning] 156–165.
dc.relation.referencesPalomá, N. (2018). Una trayectoria real del juego la escalera vinculada a hipótesis que potencian el Aprendizaje de las funciones desde poblaciones Diversas. [Tesis Maestría]. Universidad Distrital Francisco José de Caldas. Bogotá. Colombia.
dc.relation.referencesPinzón, N. (2021). Exploración de relaciones entre las ondas electroencefalográficas (EEG) y la trayectoria de aprendizaje de patrones a través del juego la escalera. [Tesis Maestría].
dc.relation.referencesRodríguez, G. (2018). El juego la escalera como dispositivo para la formulación de patrones aritméticos. [Tesis Maestría]. Universidad Distrital Francisco José de Caldas. Bogotá. Colombia.
dc.relation.referencesRohrer, D., Taylor, K., & Sholar, B. (2010). Tests enhance the transfer of learning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 36(1), 233–239.
dc.relation.referencesSaenz-Ludlow, A. (2006). Classroom Interpreting Games with an Ilustration. Educational Studies in Mathematics 61, 183-218.Springer.
dc.relation.referencesSaenz-Ludlow, A. (2006b). Learning Mathematics: Increasing the Value of Initial Mathematical Wealth. Revista Latinoamericana de Investigación en Matemática Educativa, RELIME. 225-245.
dc.relation.referencesSaenz-Ludlow, A. (2007). Signs and the process of interpretation: sign as an object and as a process. Studies in Philosophy and Education 26, 205-233. Springer.
dc.relation.referencesSalas, R. E. M. y Pavón, P. R. R. (2022). Retos y desafíos en la Educación Superior: una mirada desde la percepción de los docentes. Education in the knowledge society, 23, e264020.
dc.relation.referencesSánchez, J. (2015). La transformación del contexto escolar hacia una educación inclusiva. [Tesis Doctoral]. Universidad Autónoma de Madrid.
dc.relation.referencesSánchez, V. A. A. y de Mejía, F. R. (2025). Autismo, neuronas espejo y ser-en-el-mundo: una aproximación de la neurofisiología a la neurofenomenología. Ánfora: Revista Científica de la Universidad Autónoma de Manizales, 32(58), 45-70.
dc.relation.referencesSarraipa, J., Jardim-Goncalves, R. y Steiger-Garcao, A. (2019). Interoperability in education: Smart environments and learning ecosystems. Procedia Computer Science, 164, 137–142. https://doi.org/10.1016/j.procs.2019.12.164.
dc.relation.referencesSarraipa, J., et al., (2019). Manual de diadema MindWave by NeuroSky.
dc.relation.referencesSawyer, K. (2014). The Cambridge Handbook of the Learning Sciences. (2nd. Ed). Cambridge University Press. New York.
dc.relation.referencesSchendan, H. E., Searl, M. M., Melrose, R. J., & Stern, C. E. (2003). An fMRI study of the role of the medial temporal lobe in implicit and explicit sequence learning. Neuron, 37(6), 1013–1025.
dc.relation.referencesSemetsky, I. (2014). Taking the edusemiotic turn: A body mind approach to education. Journal of Philosophy of Education, 48 (3), 490–506.
dc.relation.referencesShulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational Researcher, 15(2), 4–14.
dc.relation.referencesSimon, M. y Tzur, R. (2004). Explicating the Role of Mathematical Tasks in Conceptual Learning: An Elaboration of the Hypothetical Learning Trajectory. Mathematical Thinking and Learning, 6 (2). Lawrence Erlbaum Associates, Inc.
dc.relation.referencesSporns, O. (2011). Networks of the Brain. MIT Press.
dc.relation.referencesSoto Aparicio, F. (2004). Las fronteras del alma (No. 2). Universidad Militar Nueva Granada.
dc.relation.referencesSoto Aparicio, F. (2002). Cartilla para mejorar el mundo (1.ª ed., Colección Montaña mágica, vol. 74). Magisterio.
dc.relation.referencesThibault, R. T., Lifshitz, M. y Raz, A. (2016). The self-regulating brain and neurofeedback: Experimental science and clinical promise. Cortex, 74, 247–261.
dc.relation.referencesTripero, A. (2008). La imagen del cerebro que aprende. Nuevas perspectivas para la Psicología del Desarrollo desde las bases neuronales del aprendizaje y la cognición. Revista de psicología y educación, 3, 141-148.
dc.relation.referencesUrgilés, D. y Vásquez, G. (2017). Implementación de un sistema BCI para el análisis del comportamiento de bioseñales neurológicas. [Trabajo de grado para la obtención del título de Ingeniero Electrónico]. Universidad de Azuay. Facultad de Ciencia y Tecnología.
dc.relation.referencesVasco, C. (2003). El pensamiento variacional y la modelación matemática. Aniis electrónicos CIAEM. Conferencia Interamericana de Educación Matemática, s. p.
dc.relation.referencesVilla-Ochoa, J. A., Castrillón-Yepes, A., & Sánchez-Cardona, J. (2017). Tipos de tareas de modelación para la clase de matemmatica. Espaço Plural, 18(36), 219-251.
dc.relation.referencesVygotsky, L. (1986). Thought and Language. Kozulin, A. (Trad y Ed). The Massachusetts Institute of Technology.
dc.relation.referencesZaldívar Rojas, J. D., Quiroz Rivera, S. A. y Medina Ramírez, G. (2017). La modelación matemática en los procesos de formación inicial y continua de docentes. IE Revista de Investigación Educativa de la REDIECH, 8(15), 87-110.
dc.rights.accesoAbierto (Texto Completo)
dc.rights.accessrightsOpenAccess
dc.subjectModelación matemática
dc.subjectModelos matemáticos
dc.subjectFormación docentes
dc.subjectElectroencefalografía
dc.subjectProcesos cognitivos
dc.subject.keywordMathematics modelling
dc.subject.keywordMathematical models
dc.subject.keywordTeacher education
dc.subject.keywordElectroencephalography
dc.subject.keywordCognitive processes
dc.subject.lembMaestría en Educación -- Tesis y disertaciones académicas
dc.subject.lembModelación matemática
dc.subject.lembNeurociencia cognitiva
dc.subject.lembElectroencefalografía
dc.subject.lembMatemáticas -- Estudio y enseñanza
dc.titlePrácticas de modelación matemática: un estudio de la actividad neuronal usando instrumentos de electroencefalograma – EEG.
dc.title.alternativeAcercamiento a la noción de educación neuro matemática
dc.title.titleenglishMathematical modeling practices: a study of neuronal activity using electroencephalogram (eeg) instruments.
dc.typemasterThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.degreeInvestigación-Innovación
dc.type.driverinfo:eu-repo/semantics/masterThesis

Archivos

Bloque original

Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
SancheztrujilloJesusalejandro2025.zip
Tamaño:
2.34 MB
Formato:
Descargar
No hay miniatura disponible
Nombre:
Licencia de uso y publicacion.pdf
Tamaño:
210.11 KB
Formato:
Adobe Portable Document Format
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
7 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Educación
Universidad Distrital Francisco José de Caldas - Biblioteca UDFJC

Institución de Educación Superior sujeta a inspección y vigilancia por el Ministerio de Educación Nacional | Acuerdo de creación N° 10 de 1948 del Concejo de Bogotá | Acreditación Institucional de Alta Calidad - Resolución N° 23096 del 15 de diciembre del 2016.

Contáctenos
  • Calle 13 No. 31 - 75 Bogotá D.C. - República de Colombia
  • (+57 601) 3239300
  • Lunes a viernes de 8 a.m. a 5 p.m.
  • repositorio@udistrital.edu.co
Síguenos en redes sociales

Software DSpace copyright © 2002-2026 LYRASIS