Pensamiento computacional unplugged en EGB: diseño y evidencia de aprendizaje
DOI:
https://doi.org/10.64747/166bex17Palabras clave:
pensamiento computacional unplugged, Matemáticas, EGB rural, fidelidad de implementación, transferenciaResumen
Este estudio evaluó la efectividad de un programa de pensamiento computacional (PC) unplugged integrado a la asignatura de Matemáticas en Educación General Básica (EGB) media, implementado en escuelas fiscales rurales de la parroquia Tenguel (Guayas, Ecuador). Se diseñó un cuasi-experimento con asignación por conglomerados (secciones), mediciones pretest–postest y subestudio cualitativo. La intervención duró 10 semanas (dos sesiones semanales de 40–50 min) y articuló prácticas de PC (descomposición, patrones, abstracción, diseño y verificación) con contenidos matemáticos por grado (proporcionalidad, grafos y rutas, combinatoria/probabilidad, aritmética modular). Se emplearon pruebas paralelas A/B de Matemáticas (30 ítems) y PC unplugged (24 ítems), rúbrica de fidelidad de implementación (FI) y escala breve de actitudes. Participaron 430 estudiantes en Intervención y 420 en Control. Las ganancias pre–post fueron superiores en Intervención tanto en Matemáticas (+9,5 puntos) como en PC (+9,2), frente a Control (+3,4 en ambos). Los tamaños de efecto en postest fueron moderados (Hedges g≈0,53 para Matemáticas; g≈0,54 para PC). Se observó correlación moderada entre Matemáticas y PC en Intervención (r≈0,46), respaldando la transferencia cercana de prácticas algorítmicas al razonamiento matemático. La FI≥80% se asoció a mayores mejoras. Se concluyó que el enfoque unplugged mejoró el desempeño matemático y las competencias de PC en un contexto con brecha digital, al reducir fricción logística y concentrar la actividad cognitiva en estructuras y procedimientos. La propuesta es escalable, de bajo costo y alineada con la priorización curricular en Matemáticas y competencias digitales; constituye una estrategia puente mientras avanza la conectividad escolar. Futuras investigaciones deberían incorporar diseños por oleadas (stepped-wedge), seguimiento longitudinal y modelos de medición más finos (IRT) para consolidar comparabilidad entre cohortes y estimar costo-efectividad.
Referencias
Álvarez Guamán, D. L., Fuentes Cabrera, E. M., Guamán Pilataxi, N. I., & Verdezoto Paredes, P. R. (2025). Prácticas inclusivas y su impacto en el aprendizaje de estudiantes con discapacidad en instituciones fiscales. Horizonte Científico International Journal, 3(2), 1–11. https://doi.org/10.64747/stkywx58
Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
Bell, T., Witten, I., & Fellows, M. (2015). Computer Science Unplugged (rev. ed.). University of Canterbury. (Para artículos derivados, ver capítulos con DOIs específicos).
Brackmann, C. P., Román-González, M., Robles, G., Moreno-León, J., Casali, A., & Barone, D. (2017). Development of computational thinking skills through unplugged activities in primary school. In Proceedings of the 12th Workshop on Primary and Secondary Computing Education (WiPSCE ’17) (pp. 65–72). ACM. https://doi.org/10.1145/3137065.3137069
Brackmann, C., Román-González, M., Robles, G., Moreno-León, J., Casali, A., & Barone, D. (2017). Computational thinking: Study of an educational intervention. 2017 IEEE Global Engineering Education Conference (EDUCON), 1–8. https://doi.org/10.1109/EDUCON.2017.7942874
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Caicedo Sevilla, B. G., Flores De la Cruz, Y. A., Flores Morán, A. de los A., & Vallejo Andrade, C. G. (2025). Inclusión educativa en la educación general básica: estrategias y desafíos para garantizar la equidad escolar en Guayaquil. Horizonte Científico International Journal, 3(2), 1–13. https://doi.org/10.64747/5ksbzy71
Calderón, M. E. T. (2025). Desempeño académico y formación técnica en Guayaquil: un análisis desde la educación básica hasta el bachillerato técnico. Horizonte Científico International Journal, 3(2), 1–13. https://doi.org/10.64747/tk2xjq24
Chen, P., Gao, L., Ma, Q., Chen, X., & Wang, F. (2023). Fostering computational thinking through unplugged activities: A systematic review and meta-analysis. Disciplinary and Interdisciplinary Science Education Research, 5, 15. https://doi.org/10.1186/s40594-023-00434-7
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
del Olmo-Muñoz, J., Cózar-Gutiérrez, R., & González-Calero, J. A. (2020). Computational thinking through unplugged activities in early years of Primary Education. Computers & Education, 150, 103832. https://doi.org/10.1016/j.compedu.2020.103832
García Cabrera, V. A., Guaman Chimbo, M. E., Rea Minchalo, C. B., & Vega Pérez, J. A. (2025). Impacto de los medios tecnológicos en el aprendizaje de estudiantes de educación básica media en contextos urbanos de Ecuador. Horizonte Científico International Journal, 3(2), 1–10. https://doi.org/10.64747/zvkjx362
Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t‑tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Li, F., Li, Y., & Jin, Y. (2022). The effectiveness of unplugged activities and programming exercises in computational thinking education: A meta-analysis. Education and Information Technologies, 27, 11363–11393. https://doi.org/10.1007/s10639-022-10915-x
Merino-Armero, J. M., Espigares, M. J., & Navas-Parejo, M. R. (2022). Unplugged activities in cross-curricular teaching: Effect on engagement and achievement. Multimodal Technologies and Interaction, 6(2), 13. https://doi.org/10.3390/mti6020013
Papavlasopoulou, S., Giannakos, M., & Jaccheri, L. (2019). Empirical studies on children’s attitudes and motivations during coding activities: A meta-analysis. Computers in Human Behavior, 93, 250–277. https://doi.org/10.1016/j.chb.2018.12.038
Relkin, E., de Ruiter, L. E., & Bers, M. U. (2021). TechCheck: Development and validation of an unplugged assessment of computational thinking in early childhood education. Journal of Science Education and Technology, 30, 139–153. https://doi.org/10.1007/s10956-020-09831-x
Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428. https://doi.org/10.1037/0033-2909.86.2.420
Sun, C., Wang, H., & Chen, W. (2024). Debugging in computational thinking: A meta-analysis on interventions. Journal of Educational Computing Research, 62(8), 1389–1416. https://doi.org/10.1177/07356331241227793
Virtanen, P., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L., & Wilensky, U. (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology, 25(1), 127–147. https://doi.org/10.1007/s10956-015-9581-5
Whitehead, A. L., Julious, S. A., Cooper, C. L., & Campbell, M. J. (2016). Estimating the sample size for a pilot RCT to minimise the overall trial sample size. Statistical Methods in Medical Research, 25(3), 1057–1073. https://doi.org/10.1177/0962280215588241
