Uso guiado de inteligencia artificial generativa en la enseñanza de la programación: un estudio cuasi-experimental sobre resultados de aprendizaje
Guided use of generative Artificial Intelligence in programming education: a quasi-experimental study on learning outcomes
DOI:
https://doi.org/10.56712/latam.v7i4.6282Palabras clave:
inteligencia artificial generativa, pensamiento computacional, educación en programación, aprendizaje guiadoResumen
El uso de herramientas de inteligencia artificial (IA) generativa en la enseñanza de la programación ha generado un debate creciente respecto a su impacto en el aprendizaje significativo y el desarrollo del pensamiento computacional. Diversos estudios señalan que la IA puede mejorar la retroalimentación inmediata y el análisis de errores cuando se integra bajo principios pedagógicos adecuados. El presente estudio analiza el efecto del uso guiado de IA generativa sobre el desempeño académico y la progresión del aprendizaje en estudiantes de Ingeniería en Sistemas Computacionales mediante un diseño cuasi-experimental con grupo experimental y grupo control. Para este estudio se consideró al grupo de primer semestre de la carrera de Ingeniería en Sistemas Computacionales en la asignatura de Fundamentos de Programación del Instituto Tecnológico Superior de Nochistlán; se evaluaron a los estudiantes al inicio y al final de la asignatura. Los resultados fueron analizados mediante promedios normalizados (0–100) en tres dimensiones clave: Pensamiento Computacional (PC), Lógica de Programación (LOG) y Sintaxis y Análisis de Código en C++ (PRG). Asimismo, se calculó el Índice de Ganancia Normalizada de Hake (g) como indicador de efectividad del aprendizaje. Complementariamente, los resultados perceptivos evidencian una valoración positiva del uso de la IA como apoyo para la comprensión del código, el análisis crítico y la motivación ante el error, sin que los estudiantes la perciban como un sustituto del docente. Los resultados evidencian que el grupo experimental presentó una ganancia de aprendizaje superior (g = 0.27) en comparación con el grupo control (g = 0.02), destacando particularmente en la dimensión de Programación y Análisis de Código. Se concluye que el uso guiado de IA puede fortalecer el aprendizaje cuando se integra como herramienta de refuerzo cognitivo orientada a la comprensión y reflexión del código.
Descargas
Citas
Baker, R. S., & Siemens, G. (2021). Educational Data Mining and Learning Analytics. Cambridge University Press.
Becker, B. A., Denny, P., Luxton-Reilly, A., & Hanks, B. (2023a). Computing Education in the Era of Generative AI. Communications of the ACM, 66(10), 24–26.
Becker, B. A., Denny, P., Luxton-Reilly, A., & Hanks, B. (2023b). Generative AI in computing education: Understanding impacts on learning. En Proceedings of the 2023 ACM Conference on International Computing Education Research (ICER 2023).
Boguslawski, S., et al. (2024). [Título completo faltante]. [Revista], [volumen], [páginas]. https://doi.org/xxxx
Chi, M. T. H. (2009). Active–constructive–interactive: A conceptual framework. Topics in Cognitive Science, 1(1), 73–105.
Deci, E. L., & Ryan, R. M. (1985). Intrinsic Motivation and Self-Determination in Human Behavior. Springer.
Finnie-Ansley, J., Denny, P., Becker, B. A., Luxton-Reilly, A., & Prather, J. (2022). The effect of AI-based code generation tools on programming learning. En Proceedings of the 53rd ACM Technical Symposium on Computer Science Education (SIGCSE 2022).
García, M., & Rodríguez, L. (2021). AI technologies for education: Recent research & future directions. ScienceDirect.
Gómez, F., & Pérez, C. (2021). Collaborative learning and AI in education: Enhancing teamwork and critical thinking through code generators. Springer.
Groothuijsen, S. E. A., et al. (2024). [AI chatbots in programming education...]. Computers & Education: AI, 5, 100290. https://doi.org/10.1016/j.caeai.2024.100290
Grover, S., & Pea, R. (2018). Computational thinking: A competency whose time has come. Computer Science Education, 28(1), 19–38.
Hake, R. R. (1998). Interactive-engagement versus traditional methods: A six-thousand-student survey of mechanics test data for introductory physics courses. American Journal of Physics, 66(1), 64–74. https://doi.org/10.1119/1.18809
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education. Center for Curriculum Redesign.
Hsu, T.-C., Abelson, H., & Van Brummelen, J. (2023). Computational thinking and artificial intelligence: Synergies and challenges for 21st-century education. Computers & Education: Artificial Intelligence, 4, 100140. https://doi.org/10.1016/j.caeai.2023.100140
Ihantola, P., & Edwards, S. H. (2021). Adaptive rubrics for programming assessment. Computer Science Education, 31(3), 320–339.
Jonassen, D. H. (1996). Computers in the Classroom: Mindtools for Critical Thinking. Prentice Hall.
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson.
Luckin, R., et al. (2017). Ethics and AIED: Who cares? International Journal of Artificial Intelligence in Education, 27, 1–23.
Ma, L., et al. (2024). [Título completo faltante]. [Revista], [volumen], [páginas]. https://doi.org/xxxx
MacNeil, S., et al. (2022). Experiences from using code explanations generated by large language models. En Proceedings of the 53rd ACM Technical Symposium on Computer Science Education (SIGCSE 2022).
OECD. (2021). Artificial Intelligence in Education: Challenges and Opportunities. OECD Publishing.
Paiva, J. C., Leal, J. P., & Queirós, R. (2022). Automated assessment in computer science education: A systematic review. ACM Computing Surveys, 54(11s).
Piaget, J. (1950). The Psychology of Intelligence. Routledge.
Piaget, J. (1970). La epistemología de las ciencias de la educación. Siglo XXI Editores.
Pintrich, P. R., Smith, D. A. F., Garcia, T., & McKeachie, W. J. (1991). A Manual for the Use of the Motivated Strategies for Learning Questionnaire. University of Michigan.
Prather, J., et al. (2023). The robots are coming: Exploring the implications of OpenAI Codex. En Proceedings of the 54th ACM Technical Symposium on Computer Science Education (SIGCSE 2023).
Rahman, M. M., & Watanobe, Y. (2024). [Título completo faltante]. [Revista], [volumen], [páginas]. https://doi.org/xxxx
Rubin, M. J., Ihantola, P., & Edwards, S. H. (2022). Rubric-based assessment in introductory programming: A longitudinal study of consistency and fairness. ACM Transactions on Computing Education, 22(3), 1-25. https://doi.org/10.1145/3513140
Schunk, D. H., Pintrich, P. R., & Meece, J. L. (2014). Motivation in education: Theory, research, and applications. Pearson Higher Ed.
Selwyn, N. (2019). Should Robots Replace Teachers? Polity Press.
Shute, V. J., Sun, C., & Asbell-Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158.
Skinner, B. F. (1953). Science and Human Behavior. New York: Macmillan.
Sun, Y., et al. (2024). [Título completo faltante]. [Revista], [volumen], [páginas]. https://doi.org/xxxx
Sweller, J., Ayres, P., & Kalyuga, S. (2011). Altering element interactivity and intrinsic cognitive load. En Cognitive Load Theory. Springer.
Takerngsaksiri, W., et al. (2023). [Students' perspective on AI code completion...]. arXiv. https://doi.org/10.48550/arXiv.2311.00177
Voogt, J., Erstad, O., Dede, C., & Mishra, P. (2013). Challenges to learning and schooling in the digital networked world. Journal of Computer Assistant Learning, 29(5), 403–413.
Yilmaz, R., & Yilmaz, F. G. K. (2022). [The effect of generative AI...]. Computers & Education: AI, 3, 100171. https://doi.org/10.1016/j.caeai.2022.100171
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 J. Jesús Minero Guardado, Elvia Lara García, Angélica Avelar Vielmas
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
