2.1 Pensamiento computacional en la educación superior

Diversos autores manifiestan la importancia y beneficios del pensamiento computacional en la educación superior, resaltan la habilidad de abstracción y el pensamiento algorítmico en el fortalecimiento de competencias en comprensión lectora y en la resolución de problemas complejos siguiendo métodos algorítmicos (^{Alegre et al., 2020}; ^{da Silva et al., 2020}; ^{Harangus & Kátai, 2020}); también, señalan que la programación ayuda a comprender y desarrollar actividades de matemáticas y otras disciplinas que pueden resultar abstractos o complejos; esto implica desarrollar programas mediante la computadora para resolver problemas de matemáticas u otras áreas, que involucra técnicas de gamificación que ayudan a mejorar competencias en programación (^{Morales et al., 2021}; ^{Picie-Alcaraz et al., 2021}); así, también señalan el uso de herramientas basado en programación por bloques y hardware, generan interés y motivación en los estudiantes; así, como, trabajo en equipo y resolución de problemas mediante habilidades de abstracción, descomposición y pensamiento algorítmico. También, relacionan directamente el desarrollo de las habilidades comunes a través de la programación creativa y la innovación (^{Fang et al., 2017}). Finalmente, ^{Kules (2016}) adiciona el pensamiento crítico como una forma de razonamiento e intercambio de ideas previo a la resolución problemas a través de las habilidades del pensamiento computacional. Con respecto a las habilidades claves del PC, la mayoría de los investigadores consideran a la abstracción, descomposición, diseño algorítmico, generalización y la evaluación (^{Bordignon & Iglesias, 2018}; ^{Selby, 2015}). La abstracción es el proceso de decidir o ignorar los detalles o características de una cosa; la descomposición es el proceso de descomponer un problema complejo en partes mucho más pequeñas y factibles; la generalización incluye descubrir similitudes o patrones en cualquier problema complejo o problema descompuesto; el diseño algorítmico es un conjunto de reglas o instrucciones bien planteadas, ordenadas secuencialmente y finitas, que permite realizar o ejecutar una tarea siguiendo pasos establecidos sucesivamente de manera segura, para llegar a la solución de un problema identificado; y la evaluación para reconocer y determinar los alcances de realizar procesos, en términos de eficiencia y uso de recursos.

2.2 Resolución de problemas

La resolución de problemas o resolver un problema es un proceso cognitivo para obtener un objetivo para el individuo que lo resuelve. La resolución de problemas, en sus procesos está conformado por los factores cognitivos: la planificación, una habilidad de pensar, ser críticos y contar con argumentos propios para tomar decisiones (^{Mayoral et al., 2015}).

En la literatura científica, se han contextualizado la problemática y las técnicas o métodos de resolución de problemas; donde, cada problema tiene su particularidad por lo que no existe un procedimiento único que garantice su solución, sino varios procedimientos que indican los pasos o fases a seguir para resolver un problema (^{Iversen et al., 2018}; ^{Iwata et al., 2020}; ^{Kwon et al., 2021}; ^{Neo et al., 2021}; ^{Svarre & Burri, 2019}). Se ha evidenciado en las diferentes investigaciones por lo general, en la solución de cualquier problema se pueden identificar cuatro etapas, fases o procesos: comprensión del problema, elaboración del plan, ejecución del plan y revisión de la solución (^{Molina et al., 2020}; ^{Polya, 1945}); estos cuatros fases permiten resolver de manera secuencial la problemática identificada; las ventajas de utilizar el método de Pólya en la resolución de problemas, permite en los alumnos a mejorar la capacidad analítica y comprensión de la problemática; fortalecer habilidades para plantear estrategias de manera ordenada y secuencial en la resolución de problemas; emplear estrategias para ejecutar de manera acertada un plan de actividades elaborados en la fase anterior; finalmente fortalecer la capacidad crítica para evaluar las funcionalidades del producto y su respectiva validación.

2.3 Pensamiento computacional y resolución de problemas

^{Wing (2006}) definió el pensamiento computacional, como la resolución de problemas, el diseño de los sistemas y la comprensión del comportamiento humano haciendo uso de los conceptos fundamentales de las ciencias de la computación. Diversos autores, también contribuyeron en la definición, señalando que una de las razones fundamentales del pensamiento computacional es la resolución de problemas, y para resolver problemas se debe seguir un conjunto de procesos o fases para llegar a la solución; también, al pensamiento computacional se suman otros enfoques de aprendizaje basado en problemas, que fortalecen el pensamiento crítico, considerado como una fase previa al pensamiento computacional; además, estos enfoques fortalecen las habilidades de comunicación al presentar los resultados de los proyectos; asimismo, pueden brindar oportunidades para trabajar en equipo, buscar, analizar, sintetizar materiales de investigación y aprender a lo largo de la vida (^{Marais & Bradshaw, 2015}; ^{Sáez-López et al., 2021}; Wing, 2006). Recientemente, ^{Román-González (2022}) define “el pensamiento computacional es la capacidad (humana) de resolver problemas y expresar ideas haciendo uso de conceptos, prácticas y perspectivas propias de las Ciencias de la Computación”. También, ^{Rabiee & Tjoa (2017}) manifiesta que la aplicabilidad del pensamiento computacional debe ser visto en la práctica como un concepto universal y una herramienta de resolución de problemas del mundo real.

Como tal enfoque, el pensamiento computacional ha ganado popularidad y se ha enfatizado como un medio eficaz para comprender y resolver problemas complejos mediante el uso de conceptos y técnicas de las ciencias de la computación (^{Wing, 2008}). Como proceso de cómputo, el pensamiento computacional comienza confrontándose con problemas, cuya solución implica el uso de las habilidades de descomposición, generalización, abstracción, automatización, algoritmos y evaluación (^{Barr & Stephenson, 2011}; Wing, 2008). Con base en la similitud entre las habilidades del pensamiento computacional y las fases de resolución de problemas, que también ha sido reconocida en la investigación de ^{Voogt et al.(2015}), se afirma que el pensamiento computacional es una forma específica de resolución de problemas; donde cada habilidad del pensamiento computacional está ubicado dentro de un proceso o fase de resolución de problemas, pero también proporciona una descripción más específica para los procesos de aprendizaje que reflejan técnicas y conceptos de las ciencias de la computación. Desde tal perspectiva, un alumno involucrado en el pensamiento computacional también puede considerarse involucrado en las fases de resolución de problemas (^{Kale & Yuan, 2021}). Para conocer la relación existente entre las habilidades del pensamiento computacional y las fases de resolución de problemas, se han analizado los diferentes estudios de los investigadores, cuyos resultados se muestran en la Tabla 1; donde, las abreviaciones de las habilidades del pensamiento computacional son: ABS (Abstracción), DESC (Descomposición), GEN (Generalización), ALG (Diseño algorítmico) y EVA (Evaluación); con respecto a las fases de resolución de problemas, se ha observado que los autores coinciden con la mayoría de las fases.

De los resultados obtenidos de la Tabla 1, se han encontrado aproximadamente 30 fases que indican los pasos o fases a seguir para resolver un problema; los demás fases fueron mencionados con diferentes vocabularios (sinónimos) por los autores; por lo tanto, en cualquier problema se pueden identificar cuatro etapas o fases: comprensión del problema, elaboración del plan, ejecución del plan y revisión de la solución; señalado también estas cuatro fases en otras investigaciones (^{Molina et al., 2020}; ^{Polya, 1945}; ^{Voogt et al., 2015}). Para cada una de las cuatro fases de resolución de problemas existen similitud o equivalencias identificadas en el estudio; por ejemplo, la fase de comprensión del problema es similar o equivalente a la fase de “comprensión/definición”, “reconocimiento del problema”, “simplificación del problema”, “decisión sobre el objeto”, “comprensión del problema”, “identificación/comprensión del problema” e “identificación del problema”; la fase de elaboración del plan es similar a la fase de “planificación”, “desarrollo de estrategias de solución”, “división del problema en partes más pequeñas/lista de pasos para resolver”, “formulación de la solución/división de problemas complejos”, “plan y monitoreo”, “desglose del problema principal” y “selección de estrategias”; la fase de ejecución del plan es similar o equivalente a la fase de “diseño y codificación”, “diseño paso a paso para resolver el problema”, “ejecución”, “desarrollo de soluciones/ implementación” y “ejecución de estrategias”; mientras la fase de revisión de la solución es equivalente a la fase de “evaluación”, “evaluación de la solución”, “identificación para corregir errores”, “verificación/reflexión”, “validación” y “revisión de los resultados”. En la Tabla 2 se muestra el resumen de la relación entre las cuatro fases de resolución de problemas y las cinco habilidades claves del pensamiento computacional.

4.1 Estrategia educativa mediante propuesta de proyectos tecnológicos

Ante de asignar los proyectos tecnológicos al grupo de alumnos, al inicio de los semestres o periodos académicos 2021-II y 2022-I se aplicaron un test inicial en base a 5 reactivos para conocer las habilidades preliminares del pensamiento computacional en los alumnos de reciente ingreso a la universidad. En la Tabla 3 se muestran los proyectos tecnológicos propuestos a los alumnos de acuerdo a los resultados obtenidos en el test inicial; esta forma de distribución de los proyectos tecnológicos, es con la finalidad de que los integrantes de cada grupo inicien con las mismas competencias (ritmos, estilos y procesos de aprendizaje), para que así puedan tener las mismas oportunidades de ejecutar las actividades de los proyectos; así, también, el docente pueda utilizar diversas estrategias educativas para satisfacer las necesidades académicas de cada grupo. Los proyectos tecnológicos están relacionados con la problemática del contexto de los estudiantes.

Tabla 3 Propuesta de proyectos tecnológicos 

La ejecución de los proyectos tecnológicos se desarrolló durante 16 semanas en el aula, siguiendo las cuatro fases de resolución de problemas, para ambos semestres. Las actividades de la fase de comprensión del problema, se distribuyó en 5 semanas; en esta fase el docente de aula ha desarrollado ejercicios sobre abstracción; los alumnos presentaron el planteamiento del problema de sus proyectos a través de organizadores visuales. Las actividades de la fase de elaboración del plan, tuvo una duración de 2 semanas; en esta fase el docente ha desarrollado ejercicios de descomposición y generalización; los alumnos identificaron actividades de otros proyectos para utilizarlo en sus proyectos, donde presentaron un conjunto de actividades para solucionar el problema identificado. Las actividades de la fase de ejecución del plan, tuvo una duración de 5 semanas; en esta fase el docente ha desarrollado ejercicios prácticos sobre diseño algorítmico aplicado a las tareas comunes de las personas (^{Bordignon & Iglesias, 2018}); así también ejercicios utilizando el entorno de programación mBlock, placa Arduino y usos de sensores (temperatura, humedad, ultrasonido, luz, obstáculo, etc.); los alumnos presentaron avance de sus proyectos, donde han mostrado programas en mBlock, implementaciones de circuitos, programación de microcontroladores y sensores. Las actividades de la fase de revisión de la solución, tuvo una duración de 1 semana; los alumnos evaluaron el funcionamiento de sus prototipos; el docente realizó retroalimentación para mejorar el funcionamiento de sus prototipos. En la Figura 1 se muestran los resultados de los proyectos tecnológicos ejecutados identificados por su ID, que consisten en prototipos desarrollados por los alumnos en el semestre 2021-II y 2022-I, que incluyen componentes de hardware y software.

Figura 1 Resultados de los proyectos tecnológicos ejecutados en el periodo 2021-II y 2022-I 

4.2. Evaluación del pensamiento computacional y resolución de problemas

En el semestre 2021-II, los datos recolectados de las habilidades del pensamiento computacional y las fases de resolución de problemas corresponden a 37 alumnos de la carrera de ingeniería industrial; mientras, para el semestre 2022-I los datos recolectados corresponden a 49 alumnos de la carrera de ingeniería de sistemas. En la Tabla 4 se muestran la confiabilidad según el alfa de Cronbach de los datos recolectados en relación al pensamiento computacional y resolución de problemas.

La evaluación de las habilidades del pensamiento computacional se realizó a través de test de ^{Román-Gonzalez (2015}); donde, las habilidades están relacionadas con los 28 ítems del test (^{Puhlmann, 2017}; ^{Viale & Deco, 2019}): abstracción (1-3, 7, 11-15, 21-23 y 25-28), descomposición (4-7, 10-13, 15, 21-23 y 25-28), generalización (4-6, 8-12, 14, 15, 17-18, 20, 22, 23 y 25-28), diseño algorítmico (1-28) y evaluación (3, 7, 10, 11, 15, 16, 19, 20 y 23-28). En la Figura 2 se muestran los promedios de los porcentajes acertados de la cantidad de ítems de las habilidades de pensamiento computacional en el semestre 2021-II y 2022-I; en este último semestre los alumnos acertaron más del 60% de habilidades; se observa también, en el periodo 2021-II, el mayor porcentaje de habilidad acertada es abstracción, seguido de diseño algorítmico, generalización, descomposición y evaluación; mientras para el semestre 2022-I, el mayor porcentaje de habilidad acertada es diseño algorítmico, seguido de generalización, evaluación, abstracción y descomposición

Figura 2 Promedios de los porcentajes acertados del pensamiento computacional 

Para la evaluación de las fases de resolución de problemas, se recolectaron datos según la escala de Likert, donde un 1 es un “no” y un 5 es un “si”; mientras los valores intermedios tomando los valores según el grado de acuerdo o desacuerdo. En la Tabla 5 se muestran los promedios valorados para cada fase de resolución de problemas por los alumnos en el semestre 2021-II y 2022-I; las fases de resolución de problemas están abreviadas: PRO=Comprensión del problema, ELA=Elaboración del plan, EJE=Ejecución del plan y REV=Revisión de la solución. Para el periodo 2021-II, la fase de comprensión del problema es la que presenta mejor valoración, seguido de la revisión de solución, ejecución del plan y elaboración del plan; con respecto a la desviación estándar, la fase de comprensión del problema tiene el menor valor (0.73152), seguido de elaboración del plan (0.87987), revisión de la solución (0.91321) y ejecución del plan (0.91936). Para el periodo 2022-I; la fase de ejecución del plan es la que presenta mejor valoración por los alumnos, seguido de comprensión del problema, revisión de solución y elaboración del plan; con respecto a la desviación estándar, la fase de revisión de la solución tiene el menor valor (0.68461), seguido de comprensión del problema (0.68602), ejecución del plan (0,69586) y elaboración del plan (0.74024). Se observa que para los semestres 2021-II y 2022-I, el promedio de las fases de resolución de problemas son casi homogéneos en su valoración según la escala de Likert.

4.3 Evaluación de la correlación de Pearson entre la resolución de problemas y el pensamiento computacional

En la Tabla 6 se muestran los resultados de la prueba estadística de correlación de Pearson entre las habilidades del pensamiento computacional y las fases de resolución de problemas. Para el periodo 2021-II, se observa que existe correlación moderada positiva entre la fase de ejecución del plan y la habilidad de diseño algorítmico; entre la fase de revisión de la solución y la habilidad de evaluación existe una correlación débil positiva; entre la fase de comprensión del problema y la habilidad de abstracción existe una correlación débil positiva; entre la fase de elaboración del plan y las habilidades de descomposición y generalización no existen correlación. Para el periodo 2021-II, se observa que existe correlación moderada positiva entre la fase de ejecución del plan y la habilidad de diseño algorítmico; entre la fase de revisión de la solución y la habilidad de evaluación existe una relación débil positiva; entre la fase de comprensión del problema y la habilidad de abstracción existe una relación débil positiva; entre la fase de elaboración del plan y las habilidades de descomposición y generalización existen una correlación débil positiva.

Tabla 6 Correlación de Pearson 

**. La correlación es significativa en el nivel 0.01 (bilateral).*. La correlación es significativa en el nivel 0.05 (bilateral).