Análisis del desarrollo del Pensamiento Computacional con generalización mediante retos de programación visual

Resumen

La Informática y la serie de habilidades que la componen tienen una importancia creciente en las últimas décadas, que ha trascendido al mundo profesional y a la educación especializada. Su evolución ha dado lugar al desarrollo del concepto del Pensamiento Computacional, que unido a la prevista carencia de profesionales tecnológicos, ha llevado a una necesidad internacional de definir mejor ese nuevo tipo de conocimiento e incorporarlo en la educación obligatoria reglada, promovido por la explosión de materiales y herramientas que lo facilitan. En esta investigación hemos diseñado y desarrollado una herramienta web específica, llamada Kodetu, orientada a aprendices jóvenes, que permite una experiencia autónoma de aprendizaje en forma de juego de niveles de dificultad creciente, resueltos en base a programación visual basada en bloques. Esta herramienta hace un registro detallado de las interacciones de los aprendices que nos permite estudiar con mucha precisión qué ocurre en los primeros minutos de contacto de una persona con los conceptos más elementales del Pensamiento Computacional. Además de su uso libre a través de Internet, hemos definido grupos experimentales controlados de escolares que han trabajado con esta herramienta de forma autónoma, en sesiones de cincuenta minutos. Hemos recogido más de 6.000 sesiones de aprendices controlados y más de 3.000 de aprendices libres, con más de 5 millones de interacciones con las que hemos podido desarrollar un estudio basado en analítica de aprendizaje. En paralelo, hemos diseñado y desarrollado una aplicación, llamada KodetuWin, que apoya en todas las fases del análisis: recoge todos los datos experimentales, permite hacer su limpieza y filtrado, calcula indicadores adicionales y genera tablas de datos y gráficos analíticos configurables. Las particularidades del aprendizaje del Pensamiento Computacional hacen posible simular la ejecución del código que el aprendiz modifica en cada interacción y que puedan generarse indicadores adicionales valiosos para el análisis del aprendizaje: tiempos, longitud de código, eficiencia de código, número de intentos, número de cambios hasta llegar a la solución, distancia al código exitoso, traza de código o código muerto. Estos indicadores aportan una visión más profunda de cómo ocurre el aprendizaje y proponemos que se utilicen en la construcción de la próxima generación de herramientas de aprendizaje del Pensamiento Computacional. En el transcurso de nuestro estudio, hemos propuesto una manera innovadora de trabajar un aspecto particular de este aprendizaje, la competencia de generalización. Para ello, se realiza una segunda versión de la herramienta web que combina pares de retos que deben ser resueltos con el mismo código. En el estudio comparativo de los aprendices de las dos versiones, descubrimos que la capacidad de enfrentarse a los niveles complejos es mejor cuando el aprendizaje ha ocurrido en la herramienta con generalización. Los aprendices encuentran más diversidad de soluciones, sus códigos se plantean de forma más generalizable y resuelven los retos en menos pasos. A cambio, el proceso es más lento y exigente, especialmente con los aprendices de edades menores o menor motivación. En base a nuestro experimento, proponemos el último ciclo de primaria (11 años) como el punto inicial en el que incorporar este tipo de trabajo. Proponemos la generalización como componente de influencia significativa en el desarrollo del Pensamiento Computacional y sugerimos que se tenga en cuenta en herramientas y contenidos escolares. Estudiamos cuatro características personales (sexo, edad, conocimiento previo de programación y afinidad tecnológica) y aparecen claras correlaciones entre el desempeño y la edad. Se observa un mejor comportamiento de los chicos que de las chicas en los retos más mecánicos y una inversión de esta tendencia en los retos más abstractos, al incorporarse y combinarse las distintas estructuras. El comportamiento con respecto al conocimiento previo de programación es el esperado, mejor para los que lo tenían. En cuanto a la afinidad con la tecnología, el mejor grupo no es el esperable con la afinidad alta, sino el de media-alta, con lo que no es un buen predictor de comportamiento. Las soluciones que los aprendices proponen para resolver los distintos niveles aportan mucha diversidad, a pesar de las evidentes limitaciones a las que les somete el sistema. En algunos niveles, la expresividad de código manifiesta largas colas que permiten analizar la originalidad de los aprendices y las relaciones entre esta creatividad y la eficiencia de código. Entendemos que estas herramientas tienen un gran potencial para el aprendizaje del Pensamiento Computacional, pudiendo además servir al doble objetivo de formar y evaluar. Proponemos que se incorporen cuadros de mando asociados para que profesorado e investigadores tengan acceso a los resultados de la actividad de los aprendices, tanto a nivel individual como agregado. Finalmente, a partir de nuestra experiencia hacemos una serie de recomendaciones para estos sistemas e indicamos aspectos clave a considerar para mejorar el aprendizaje: la incorporación de generalización, los límites de tiempo, los límites máximos de bloques, el registro fino de interacciones y los indicadores que pueden construirse y analizarse, la progresión de dificultad de los niveles y las estructuras de programación que se incorporan en cada uno, y la importancia de comprobar el comportamiento en esa progresión con experimentación en versiones preliminares.