CONGRESO INTERNACIONAL: LA

INVESTIGACIÓN EN EL POSGRADO
MAESTRÍA EN INFORMÁTICA Y
TECNOLOGÍAS COMPUTACIONALES

Uso del efecto de auto-explicación como apoyo en el aprendizaje

de la programación, aplicando la teoría de carga cognitiva.

P R E S E N TA : I. C . C A R L O S S A N D O VA L M E D IN A

C O MI T É T U TO R A L :
T U TO R : D R . C A R L O S A R G E L I O A R É VA L O ME R C A D O
C O T U TO R : D R A . E S T E L A L IZ B E T H M U Ñ O Z A N D R A D E
A S E S O R : M . C . J U L I O R AY M U N D O D E N A G A R Z A
Contenido
Introducción
Estado del arte
Problema de investigación
Marco teórico
Metodología
Resultados
Conclusiones
 Introducción
 Parte fundamental de los procesos de
negocio.
 Tendencia de crecimiento

 Programación: proceso base.

 Alta demanda de programadores.

¿Se están generando en las

universidades los profesionistas
suficientes/necesarios para cubrir esta
demanda?
Introducción
Resultados estudios de situación en las universidades en el área de programación a nivel
mundial:

75.00%
Reprobación Aprobación

73.00%
67.70%
67.00%

53.00%

50.30%
49.70%
47.00%
33.00%

32.30%

27.00%
25.00%
B e nne dse n & Wa t son & L i, 2014 B elt r á n et a l. , Juá r es et a l. , 20 16 Simon e t a l. , 20 19 B e nne dse n &
Ca spe r se n, 2 00 7 (2015) Ca spe r se n, 20 19
Introducción
Reporte índices de reprobación en materias de programación en la Universidad Autónoma de
Aguascalientes periodo 2017-2019:
39.07% 45.65% 27.15%

31.62% 30.19% 30.43% 34.67%

28.48% 28.26% 16.28%
23.81%
10.26%

2017 2019
2018
Programación I Programación científica
Programación I Programación I
Programación II
Lógica de Programación Programación Estructurada
Lógica de Programación
Programación Estructurada
Programación Estructurada
Algoritmos Computacionales
Estructuras de datos

Graficas elaboradas de la información publicada por el departamento de estadística de la UAA:

http://dei.dgpd.uaa.mx/estudios/mrep.php
 Estado del arte
 Aprendizaje de la programación.

 Herramientas de apoyo en el
aprendizaje de la programación.
 Teorías de aprendizaje.

 Ciencias cognitivas.
Problema de investigación
La mayoría de los estudiantes de las carreras afines a las ciencias computacionales presentan
dificultades en el aprendizaje de la programación, lo que provoca índices de reprobación y
abandono significativos. Lo anterior se ha traducido en una búsqueda constante de soluciones
en materia educativa al problema o dificultad que representa el aprendizaje de la programación
para la mayoría de los estudiantes.
 Problema de investigación
Objetivo general:
Diseñar, desarrollar, probar y medir la efectividad de material instruccional para el aprendizaje de la programación de
estudiantes universitarios de ciencias computacionales, utilizando elementos de diseño indicados por el efecto de auto-
explicación de la teoría de carga cognitiva.
Objetivos específicos:
1. Identificar los conceptos de programación a enseñar (objetivos de aprendizaje).
2. Diseñar material didáctico para el aprendizaje de la programación basado en los lineamientos instruccionales
recomendados por el efecto de auto-explicación de la Teoría de Carga Cognitiva.
3. Identificar instrumentos de medición de carga cognitiva apropiados para el estudio del efecto de auto-explicación.
4. Realizar estudios piloto para refinar el material instruccional diseñado y depurar el diseño experimental.
5. Medir la efectividad del material instruccional con enfoque en los objetivos de aprendizaje.
6. Medir la carga cognitiva de los estudiantes del grupo de control que se aplicó el material instruccional, así como de los
estudiantes que se aplicó material instruccional tradicional.
Problema de investigación
Justificación:
Con el desarrollo este material instruccional se pretende contribuir con material pedagógico
basado en la teoría de carga cognitiva mediante el efecto instruccional de auto-explicación con
resultados verificados empíricamente, en busca de:
◦ Mejorar el problema académico y social de reprobación en las materias de programación de las
carreras de sistemas.
◦ Proporcionar evidencia confirmatoria de la validez de los efectos de la teoría de carga cognitiva
utilizados.
◦ Aportar pautas de diseño instruccional para la creación de material didáctico basado en el efecto de
auto-explicación, que ayuden a los profesores de cursos de programación en su proceso de enseñanza.
Teoría de carga
Memoria de trabajo Esquemas
cognitiva (Limitada a 5 a 7 elementos (Grupos de elementos
(Sweller, et. al., Simultáneos. 5 a 10 segundos) almacenados como uno solo)
1980)
Memoria de Largo Plazo
(Sin límites conocidos)
Carga Cognitiva Intrínseca
(Inherente al material
a aprender. “Necesaria”)

Carga Cognitiva Extrínseca

Carga
(Relacionada con la forma
Cognitiva de enseñar. “Mala”)
Total

Crear y almacenar esquemas

(mediante práctica deliberada)
Carga Cognitiva
Pertinente
(Impuesta por el
proceso de aprendizaje. Recuperar esquemas
“Buena”) (mediante automatización)

Olvido
Sobrecarga cognitiva
(fuera de los límites de la
memoria de trabajo)
Adaptado de: Cognitive Load Theory in Computing (teachcomputing.org)
El efecto de
auto-
explicación.

El efecto de auto-explicación es un proceso mental en el cual el estudiante al estar

estudiando un ejemplo resuelto debe establecer la(s) relación(es) de este con el
conocimiento previo adquirido mediante la auto-explicación
(generación/imaginación de una explicación o solución), reforzando los
conocimientos previos ya existentes y monitorear el grado de comprensión de los
mismos, apalancando la creación de esquemas cognitivos en la memoria de largo
plazo, y además mediante la práctica continua favorecer la automatización de los
esquemas (J. Sweller et al., 2011).
Metodología (Estudio piloto)
(Noviembre – Diciembre 2020)
Población
◦ Estudiantes de carreras afines a las ciencias computacionales de la UAA
◦ Muestra:
◦ Grupo, 1º B ISC, grupo experimental, n= 35
◦ Grupo, 1º A ISC, grupo de control, n=49
Diseño
◦ Diseño cuasiexperimental, no aleatorizado, con grupos experimental y de control. Recolección de datos 2ª semana de noviembre y primera de
diciembre de 2020.
Variables
◦ Dependiente
◦ Aprendizaje de arreglos, matrices y ciclos (ordenación y búsquedas en arreglos, sumatoria matriz, serie Fibonacci, factorial y ciclos anidados).
◦ Independientes (método de aprendizaje)
◦ Tratamiento experimental, práctica con ejercicios de auto-explicación.
◦ Instrucción tradicional basada en ejemplos-ejercicios de práctica.
Medición de carga cognitiva: cuestionario NASA-TLX adaptado para programación (Morrison et al., 2014)
Diseño experimental (Estudio piloto)
Tratamiento
* 2 semanas
* Ejercicios Opcionales /
Pre-Test: Obligatorios Post-Test:

Ejercicios basados en
Grupo Teoría de Carga
Experimental X X
Cognitiva

Grupo de
Control X --- X
Metodología segundo estudio
Segundo estudio (Abril 2021)
Población
◦ Estudiantes de carreras afines a las ciencias computacionales de la UAA
◦ Muestra:
◦ Grupo, 2º A ISC, grupo experimental (auto-explicación), n= 50
◦ Grupo, 2º B ISC, grupo de control, n=46
◦ Grupo, 2º C ISC, grupo experimental (auto-explicación + ejemplo resuelto[videos]), n=49
Diseño
◦ Diseño cuasiexperimental, no aleatorizado, con 2 grupos experimental y 1 de control. Recolección de datos, ultima semana de Abril
de 2021.
Variables
◦ Dependiente
◦ Aprendizaje de cadenas de caracteres (comparar cadenas, invertir cadena, longitud y copiar cadenas).
◦ Independientes
◦ Tratamiento experimental, práctica con ejercicios de auto-explicación de cadenas grupo experimental 1 y práctica con ejercicios
de auto-explicación + ejemplo resuelto (videos) grupo experimental 2.
◦ Instrucción tradicional basada en ejemplos-ejercicios de práctica.
Medición de carga cognitiva con el cuestionario NASA-TLX adaptado para programación Morrison et al., (2014).
Diseño experimental segundo estudio
Tratamiento
* 1 semana
* Ejercicios Opcionales /
Pre-Test: Obligatorios Post-Test:

Ejercicios basados en
Grupo Teoría de Carga
Experimental 1 X Cognitiva (Auto- X
explicación)

Grupo de
Control X --- X

Ejercicios basados en
Grupo Teoría de Carga
Experimental 2 X X
Cognitiva (Auto-
explicación + ejemplo
resuelto[videos])
Metodología
Medición de la carga cognitiva

La medición de la carga cognitiva se

realizó para ambos estudios utilizando
el cuestionario NASA-TLX adaptado
para programación Morrison et al.,
(2014). El cual se diseño para su
aplicación en línea utilizando la
herramienta Forms de Microsoft Office.
 Estudio piloto

Resultados

Los resultados del estudio piloto

arrojaron un incremento de 0.6 puntos
en el promedio de calificaciones del Segundo estudio
grupo experimental, el resultado de la
prueba t de muestras relacionadas arroja ….
un valor p de 0.025.
Los resultados del segundo estudio
arrojan un incremento de 1.7 puntos para
el grupo experimental 1, y de 2.4 puntos
para el grupo experimental 2. La prueba t ….
de muestras relacionadas arroja un valor
p de 0.000 para ambos grupos.
Lo anterior indica que existe diferencias
significativas entre las mediciones pre y
post, posiblemente debido al tratamiento
experimental.
….
Conclusiones
En base a los resultados obtenidos existen indicios para afirmar que la utilización de material instruccional
diseñado utilizando la teoría de carga cognitiva como base, para este estudio específicamente el efecto de
auto-explicación, tiene un impacto positivo en el aprendizaje de los alumnos el cual se refleja en los
resultados obtenidos en los promedios de las calificaciones.
Además, puede confirmarse que la combinación de efectos de la teoría de carga cognitiva como el ejemplo
resuelto y problema por completar, con el efecto de auto-explicación producen resultados más efectivos.
En lo que respecta a los resultados de la medición de carga cognitiva, no se puede afirmar que exista una
diferencia de carga cognitiva entre los estudiantes de metodología tradicional y estudiantes que utilizaron
el material instruccional diseñado, puesto que la participación de los estudiantes en el proceso de medición
de carga cognitiva fue muy pobre. Con lo que se concluye que la medición de carga cognitiva requiere
realizarse con instrumentos más precisos, y con mayor inmediatez al tratamiento.
Referencias
Andrade-Lotero, L. A. (2012). Cognitive load theory, design and multimedia learning: A state of the art. Magis: Revista Internacional de
Investigación En Educación, 5(10), 75–92.
Renkl, A., Atkinson, R. K., Maier, U. H., & Staley, R. (2002). From example study to problem solving: Smooth transitions help learning. The
Journal of Experimental Education, 70(4), 293–315.
Sweller, J., Ayres, P., & S., K. (2011). Cognitive Load Theory. In Springer Science+Business Media, LLC 2013.
http://www.springer.com/series/8640
Sweller, John. (2016). Cognitive Load Theory and Computer Science Education. 1–1.
https://doi.org/10.1145/2839509.2844549
Sweller, John, van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive Architecture and Instructional Design: 20 Years
Later. Educational Psychology Review, 31(2), 261–292. https://doi.org/10.1007/s10648-019-09465-5
Morrison, B. B., Dorn, B., & Guzdial, M. (2014). Measuring cognitive load in introductory CS. 131–138.
https://doi.org/10.1145/2632320.2632348
Zavgorodniaia, A., Duran, R., Hellas, A., Seppala, O., & Sorva, J. (2020). Measuring the Cognitive Load of Learning
to Program: A Replication Study. 3–9. https://doi.org/10.1145/3416465.3416468
….
¡Gracias por su atención!