Resumen:
SQL es un lenguaje fundamental para la gestión de bases de datos relacionales, ampliamente utilizado tanto en la industria como en el ámbito académico. Sin embargo, la enseñanza de SQL en la educación secundaria presenta diversos desafíos, especialmente para estudiantes sin formación previa en Ciencias de la Computación. Entre ellos, la rigidez sintáctica del lenguaje resulta particularmente problemática: un error mínimo de escritura impide la ejecución de la consulta y desplaza la atención del estudiante desde la comprensión del problema hacia la corrección de la forma. En este contexto, se vuelve necesario desarrollar herramientas educativas que permitan a los estudiantes interactuar con contenidos conceptuales sin requerir un dominio completo de la sintaxis de SQL, facilitando así su comprensión y aplicación práctica. En SQLBloques, un estudiante puede construir consultas mediante bloques visuales encastrables, visualizar el esquema de su base de datos y ejecutar las consultas directamente desde el navegador, sin necesidad de escribir código.
Este trabajo se basa en la propuesta de Martín Salazar, quien desarrolló una herramienta web denominada SQLBloques para la construcción de consultas SQL mediante bloques visuales. Tomando dicha versión como base práctica, esta tesis propone un rediseño completo del modelo y de la funcionalidad de la herramienta. La nueva versión no solo amplía el conjunto de operaciones soportadas —incorporando consultas sobre múltiples tablas como JOIN y UNION—, sino que también mejora la experiencia de uso, la modularidad y la escalabilidad del sistema. Asimismo, se incorpora una visualización gráfica del esquema de la base de datos, lo cual permite comprender mejor las relaciones entre tablas y facilita el armado de consultas complejas.
El objetivo principal de este proyecto es diseñar e implementar una nueva versión de  SQLBloques  que permita a los estudiantes construir y ejecutar consultas SQL mediante programación visual con bloques, en un entorno accesible y libre de errores sintácticos. Para ello, la herramienta fue reimplementada bajo un modelo cliente-servidor, con un frontend desarrollado en React y un backend en Node.js utilizando SQLite. Se integró la biblioteca Blockly para representar la lógica de las consultas a través de bloques visuales encastrables, y se desarrolló un analizador sintáctico personalizado para traducir estas estructuras en sentencias SQL ejecutables. Además, se incorporó un módulo de gestión de conexiones que permite trabajar con múltiples bases de datos definidas por el usuario.

Como resultado, se obtuvo una herramienta más robusta y escalable, que amplía las capacidades de la versión original y mejora significativamente su usabilidad y organización interna. Esta nueva iteración de  SQLBloques  sienta las bases para su implementación en contextos educativos reales, brindando apoyo tanto a docentes como a estudiantes en el aprendizaje de conceptos fundamentales de SQL desde una perspectiva visual y exploratoria.

En conclusión, esta tesis no solo presenta una solución técnica funcional, sino que también responde a una necesidad pedagógica concreta en el ámbito de la educación secundaria. La herramienta desarrollada contribuye a reducir la carga cognitiva asociada al aprendizaje de la sintaxis de SQL, facilita la transición hacia consultas textuales y promueve una comprensión semántica de las operaciones sobre bases de datos. Finalmente, gracias a su diseño modular y a la adopción de tecnologías modernas,  SQLBloques  se consolida como una plataforma abierta y extensible, con potencial para su evolución futura e integración en propuestas curriculares de enseñanza de bases de datos.

Defendida: 20 de abril de 2026

Tesista: José Raúl Tapia

Directora: Nadina Martínez Carod

Defendida: 20 de febrero de 2026

Tesista: Germán Kiessling

Directoras: Viviana Sánchez – Carina Fracchia

Defendida: 9 de diciembre de 2025

Tesista: Manuel Latorre

Directores:  Javier Balladini – Rodrigo Cañibano

Defendida: 28 de octubre de 2025

Tesista: Adriano Mauricio Lusso

Directores:  Christian N. Gimenez – Alejandro Mata Ali

Desde sus orígenes, la computación ha evolucionado tanto en sus fundamentos teóricos como en sus capacidades tecnológicas, permitiendo abordar problemas cada vez más  complejos. No obstante, ciertos desafíos, como los que plantea la optimización combinatoria, continúan siendo inecientes de resolver dentro del paradigma clásico. En este contexto, la computación cuántica, y en particular algoritmos como el Algoritmo Cuántico de Optimización Aproximada (QAOA), surgen como alternativas prometedoras. Esta tesis estudia la aplicabilidad de QAOA al Problema de Reasignación de Puestos de Trabajo (JRP), un problema con relevancia industrial directa que ha sido escasamente abordado en el ámbito de la investigación desde la perspectiva de la computación cuántica. La propuesta consiste en implementar el JRP mediante QAOA y realizar simulaciones en entornos cuánticos sin ruido. Se dene un conjunto de hiperparámetros para el algoritmo y se genera una muestra representativa de 105 instancias del JRP. Luego, se establecen métricas de rendimiento para evaluar la calidad de las soluciones obtenidas y la robustez del algoritmo ante distintos escenarios. Los datos recopilados son posteriormente analizados y comparados. La motivación para explorar QAOA en este contexto es doble. Por un lado, aplicar este al- goritmo a problemas combinatorios clásicos como los de asignación permite estudiar su de- sempeño y escalabilidad bajo restricciones realistas, propias de los dispositivos NISQ (Cuánticos Ruidosos y de Escala Intermedia): cantidad limitada de bit cuánticos, circuitos poco profundos y restricciones en la cantidad de iteraciones de optimización. Por otro lado, si bien las formulaciones clásicas de JRP pueden resolverse de forma eciente, en la práctica industrial suelen abordarse con restricciones blandas, lo que complejiza el problema y reduce drásticamente la efectividad de los solucionadores clásicos. En contraste, en QAOA este tipo de restricciones pueden integrarse de manera natural gracias a su estructura variacional, evitando así los costos computacionales signicativos que enfrentan los métodos clásicos. Los resultados obtenidos muestran que QAOA es capaz de generar soluciones aproximadas de alta calidad para el JRP, alcanzando razones de aproximación promedio cercanas a 0, 9 y mejoras de ganancia de hasta un 12 %. Se observó una relación consistente entre el incremento del parámetro de profundidad p y el aumento del rendimiento, lo cual también implica una mayor cantidad de iteraciones del optimizador clásico embebido dentro de QAOA. Además, los experimentos destacan la inuencia del desbalance entre trabajadores y puestos vacantes, la efectividad de la inicialización basada en TQA, y el potencial del aprendizaje por transferencia para reducir los tiempos de optimización sin comprometer la calidad de las soluciones.

Defendida: 25 de agosto de 2025

Tesista: Alejandro Karim Younes Mhanna

Directores: Gerardo Parra – Daniel Dolz

• Visualización Paso a Paso de Algoritmos: Los usuarios observan la construcción incremental de estados LR(1), clausuras y transiciones, con resaltado dinámico de producciones, símbolos y acciones de análisis activas.
• Fusión de Estados LALR(1): Un flujo de trabajo visual demuestra cómo se fusionan estados con núcleos comunes, reduciendo el tamaño de las tablas sin sacrificar capacidad de análisis.
• Integración con JFLAP: La extensión mantiene compatibilidad con las funcionalidades existentes de JFLAP, permitiendo analizar gramáticas derivadas de autómatas u otras estructuras mediante los nuevos métodos.

La implementación emplea Graphviz a través de bibliotecas JavaScript para graficar grafos de estados e integra controles interactivos para analizar cadenas de entrada, mostrando derivaciones como árboles o tablas. Al descomponer algoritmos complejos —como la generación de colecciones canónicas de ítems LR(1) o la obtención de símbolos de lookahead— en pasos discretos y guiados visualmente, la herramienta mitiga la curva de aprendizaje pronunciada asociada a estos temas. Las conclusiones destacan el potencial de la herramienta para mejorar los resultados pedagógicos, permitiendo a los estudiantes validar cálculos manuales, depurar conflictos y comparar comportamientos entre los analizadores LR(1) y LALR(1). Trabajos futuros incluyen ampliar el soporte para interfaces multilingües, despliegue web e integración de algoritmos de análisis adicionales. Esta extensión no solo enriquece la utilidad educativa de JFLAP, sino que también sirve como modelo para integrar conceptos avanzados de compiladores en entornos de aprendizaje enriquecidos.

Tesista: Mariano Conchillo

Directores:  Javier Balladini – Rodrigo Cañibano

Fecha de la defensa: 18 de junio de 2025