Mapa de ruta CLT4BP

Abstract

RESUMEN: Aprender a programar es un reto para la mayoría de los estudiantes, puesto que la programación es una competencia compleja que requiere el desarrollo de habilidades cognitivas y metacognitivas, lo que se traduce en altas tasas de fracaso (34% a nivel mundial, 40% en Latinoamérica), lo que representa problemas persistentes en la enseñanza de la programación. El aprendizaje efectivo requiere la integración de factores cognitivos, motivacionales y de diferenciación individual, que los enfoques instruccionales tradicionales suelen pasar por alto. Para apoyar en el proceso de enseñanza - aprendizaje de la programación, este estudio presenta el diseño, creación y validación del modelo instruccional mapa de ruta CLT4BP (Cognitive Load Theory For Basic Programming). Un modelo integral de diseño instruccional que incorpora la Teoría de la Carga Cognitiva (TCC) con marcos y teorías de aprendizaje complementarios como el modelo ARCS, el modelo 4C/ID, estrategias de instrucción diferenciadas y protocolos verbales. Para la implementación del modelo se realizó una investigación piloto cuasi-experimental con 99 estudiantes universitarios matriculados en un curso introductorio de programación en C++ (grupo experimental n=56 y grupo control n=43). El grupo control recibió formación tradicional, mientras que el grupo experimental recibió instrucción utilizando el modelo CLT4BP. Se utilizaron pruebas de recuerdo y comprensión para evaluar los objetivos de aprendizaje, así como cuestionarios sobre carga cognitiva, motivación y estrategias cognitivas. Hallazgos: El grupo experimental obtuvo mejores resultados en las pruebas de comprensión tras ajustar las diferencias iniciales (d de Cohen = 0,41, lo que indica una mejora del 10,1 %, p = 0,044). La carga cognitiva no mostró diferencia significativa entre los grupos. Los factores motivacionales podrían mediar la relación entre los resultados del aprendizaje y el tratamiento instruccional. Los niveles de ansiedad fueron mayores en el grupo experimental, lo que indica que el método estructurado podría causar problemas de adaptación a corto plazo. Los resultados obtenidos de la implementación del modelo CLT4BP demuestran la importancia de un diseño instruccional integral que aborde simultáneamente las diferencias individuales, la motivación y la cognición. Además, se demostró la importancia de la evaluación orientada al proceso, la personalización mejorada con tecnología y la diferenciación basada en la evaluación. Sumado al modelo, se diseñó y desarrollo una herramienta de software donde se trasladó el modelo a una plataforma web, la cual sigue todo el proceso propuesto por el modelo en un sistema automatizado apoyando al instructor en el desarrollo del material instruccional. La propuesta novedosa de esta herramienta es la integración con una API de IA, la cual es entrenada con el modelo propuesto y sus teorías base para la generación de material instruccional que el instructor puede utilizar en los procesos de enseñanza.

ABSTRACT: Learning to program is a challenge for most students, as programming is a complex skill requiring the development of cognitive and metacognitive abilities, resulting in high failure rates (34% worldwide, 40% in Latin America). This represents a persistent problem in programming education. Effective learning requires the integration of cognitive, motivational, and individual differences, factors that traditional instructional approaches often overlook. To support the teaching and learning process of programming, this study presents the design, creation, and validation of the CLT4BP instructional roadmap model. This comprehensive instructional design model incorporates Cognitive Load Theory (CLT) with complementary learning frameworks and theories such as the ARCS model, the 4C/ID model, differentiated instructional strategies, and verbal protocols. To implement the model, a quasi-experimental pilot study was conducted with 99 university students enrolled in an introductory C++ programming course (experimental group n=56 and control group n=43). The control group received traditional training, while the experimental group received instruction using the CLT4BP model. Recall and comprehension tests were used to assess learning objectives, along with questionnaires on cognitive load, motivation, and cognitive strategies. Findings: The experimental group performed better on the comprehension tests after adjusting for initial differences (Cohen’s d = 0.41, indicating a 10.1% improvement, p = 0.044). Cognitive load did not differ significantly between the groups. Motivational factors may mediate the relationship between learning outcomes and the instructional treatment. Anxiety levels were higher in the experimental group, suggesting that the structured method could cause short-term adjustment problems. The results obtained from implementing the CLT4BP model demonstrate the importance of a comprehensive instructional design that simultaneously addresses individual differences, motivation, and cognition. Furthermore, the importance of process-oriented assessment, technology-enhanced personalization, and assessment-based differentiation was demonstrated. In addition to the model, a software tool was designed and developed to translate it into a web platform. This platform follows the entire process proposed by the model in an automated system, supporting the instructor in developing instructional materials. The innovative aspect of this tool is its integration with an AI API, which is trained on the proposed model and its underlying theories to generate instructional materials that the instructor can use in their teaching processes.