A Competitive Platform for Automated Evaluation of Optimization Algorithms in Computing Education

Sergio Cavero, Javier Yuste, J. Manuel Colmenar, Eduardo García Pardo

julio, 2026

Resumen

Gamification and competitive learning are widely recognized in computing education as effective strategies to increase engagement and promote a deeper understanding of complex topics. Previous research highlights the benefits of integrating competitions into programming courses. However, existing tools lack mechanisms for scalable, quality-based evaluation and immediate feedback, which are critical elements for optimization-focused courses. This paper reports on the design and deployment of a novel competitive platform for the course Algoritmos de Búsqueda II of the Grado en Inteligencia Artificial (Search Algorithms II and Artificial Intelligence degree, respectively) at Universidad Rey Juan Carlos that addresses the aforementioned gaps. Unlike previously used systems, which primarily support code submission and correctness checks, our platform introduces several innovative features rarely combined in the literature: proportional scoring based on solution quality, automated constraints validation, and real-time leaderboards. These capabilities enable instructors to create contests, define validation mechanisms, and manage user roles, while students can submit solutions and monitor rankings dynamically, fostering autonomy and motivation, competing to provide better solutions than other students. The automated platform introduced in the 2025–2026 academic year substantially increased student engagement compared to the previous manual, spreadsheet-based approach used in 2024–2025. With similar enrollment numbers (30 students versus 29), active participation increased from 34.3% to 76.5%. Students also demonstrated greater engagement, submitting an average of 5.1 solutions, representing a 142% increase over the previous year’s average of 2.1 submissions per student. Furthermore, 56% of these activities occurred outside of scheduled laboratory sessions, highlighting the effectiveness of the platform in fostering autonomous and self-directed learning within a competitive and gamified environment.

Tipo

Artículo de conferencia

Publicación

Proceedings of the 31st ACM Conference on Innovation and Technology in Computer Science Education V. 1

Sergio Cavero

Doctor en Inteligencia Artificial

Sergio Cavero nació en Madrid (España) el 24 de septiembre de 1997. Se graduó en Ingeniería del Software por la Universidad Politécnica de Madrid en 2019. Durante sus estudios de grado realizó una estancia en la Universidad de Bradford (Reino Unido). Además, fue galardonado en dos ocasiones con la Beca de Excelencia de la Comunidad de Madrid, así como con el premio al Mejor Proyecto Fin de Carrera. Posteriormente, realizó un Máster en Inteligencia Artificial en la misma universidad (UPM) obteniendo los premios al Mejor Expediente Académico (‘Premio José Cuena’) y al Mejor Trabajo Fin de Máster. Sus resultados académicos le permitieron ser beneficiario de una de las ‘Ayudas para la Formación de Profesorado Universitario (FPU)’, financiadas por el Gobierno español. Actualmente realiza su tesis doctoral en la Universidad Rey Juan Carlos, dirigida por los profesores Abraham Duarte y Eduardo G. Pardo. Sus principales intereses de investigación se centran en la interfaz entre las Ciencias de la Computación, la Inteligencia Artificial y la Investigación Operativa. La mayoría de sus publicaciones tratan sobre el desarrollo de procedimientos metaheurísticos para problemas de optimización modelados por grafos.