Roman Gonzalez Marcos Tesis

TESIS DOCTORAL
2016
CODIGOALFABETIZACIÓN Y PENSAMIENTO
COMPUTACIONAL EN EDUCACIÓN PRIMARIA Y
SECUNDARIA: VALIDACIÓN DE UN
INSTRUMENTO Y EVALUACIÓN DE PROGRAMAS
MARCOS ROMÁN GONZÁLEZ
MÁSTER UNIVERSITARIO EN INNOVACIÓN E

INVESTIGACIÓN EN EDUCACIÓN
PROGRAMA DE DOCTORADO EN EDUCACIÓN
Directora:
DRA. CARMEN JIMÉNEZ FERNÁNDEZ
Codirector:
DR. JUAN CARLOS PÉREZ GONZÁLEZ
TESIS DOCTORAL
2016
CODIGOALFABETIZACIÓN Y PENSAMIENTO
COMPUTACIONAL EN EDUCACIÓN PRIMARIA Y
SECUNDARIA: VALIDACIÓN DE UN
INSTRUMENTO Y EVALUACIÓN DE PROGRAMAS
MARCOS ROMÁN GONZÁLEZ
MÁSTER UNIVERSITARIO EN INNOVACIÓN E

INVESTIGACIÓN EN EDUCACIÓN
PROGRAMA DE DOCTORADO EN EDUCACIÓN
Directora:
DRA. CARMEN JIMÉNEZ FERNÁNDEZ
Codirector:
DR. JUAN CARLOS PÉREZ GONZÁLEZ
AGRADECIMIENTOS
Esta tesis doctoral ha sido posible gracias a la contribución y estímulo de múltiples personas e
instituciones. A todas ellas, mi más profundo agradecimiento.
Gracias a mi directora, Dra. Carmen Jiménez Fernández, y a mi codirector, Dr. Juan Carlos Pérez
González, por no haber puesto techo a esta tesis, y por haber tenido el arrojo de adentrarse en las
nuevas líneas de investigación que pretende abrir.
Gracias a mi departamento, MIDE I, por su apoyo incondicional durante el proceso de realización de

esta tesis: apoyo económico para la adquisición de las pruebas psicométricas utilizadas, y para mi
estancia internacional de investigación en Reino Unido; apoyo académico a través de la confianza
continua depositada en mi persona y proyectos a lo largo de estos últimos cuatro años.
Gracias a mi universidad, la UNED, y a su Facultad de Educación, que ya es la mía, por haberme

formado como licenciado primero, como máster después, y como doctor finalmente. Ha sido un
largo recorrido lleno de aprendizaje y satisfacción que ahora se ve colmado.
Gracias a la Universidad de Sussex (Reino Unido), y a sus profesoras Dra. Kate Howland y Dra.
Judith Good, por acogerme durante el verano de 2015 y demostrarme que el código no tiene
fronteras, ni entre territorios ni entre géneros.
Gracias a los colegas de la Universidad Rey Juan Carlos, Dr. Gregorio Robles y futuro Dr. Jesús
Moreno, por enseñarme el valor de la investigación interdisciplinar y en equipo.
Gracias a todos los centros educativos, profesores y alumnos, que han colaborado en los estudios
empíricos de esta tesis doctoral. En especial a los institutos públicos de la Comunidad Valenciana
pertenecientes a la red de innovación ‘IT Teaching’ por su profundo y continuado compromiso con
las investigaciones que se relatan a continuación
Gracias a mis amigos, por seguir ahí, por recordarme que la cumbre de la montaña permanecería
intacta, esperándonos hasta cuando yo finalizara las páginas que siguen. Por ser mis más duros y
leales críticos.
Gracias a mis padres, Juan de Dios y Elvira, y a mi hermana, Elvira. Son la materia prima del
esfuerzo, la constancia, la lucha perseverante, que me han permitido llegar a la meta
Y, sobre todo, gracias a mi mujer, Nuria, por ocuparse de todo aquello mientras yo me ocupaba de
todo esto; en especial de lo más preciado que hay en mi vida, mis hijos Irene y Pablo.
Marcos Román González, 20 de febrero de 2016.

ÍNDICE
Pág.
INTRODUCCIÓN……………………………………………………………………………. 13
I. PARTE TEÓRICA 16
CAPÍTULO 1:
APROXIMACIÓN INICIAL AL PROBLEMA DE INVESTIGACIÓN DESDE LAS
ALTAS CAPACIDADES……………………………………………………………………. 17
1.1. Criterio 1: Adecuación………………………………………………………………... 19
1.2. Criterio 2: Viabilidad…………………………………………………………………. 24
1.2.1. Un ejemplo de plataforma en línea para los más capaces: Khan Academy…… 28
1.2.2. Una metodología emergente para los más capaces: la ‘flipped classroom’…… 37
1.3. Criterio 3: Relevancia………………………………………………………………… 48
1.4. Enunciación inicial de hipótesis directivas…………………………………………… 56
1.5. Revisión sistemática…………………………………………………………………... 59
1.5.1. Proceso de fijación de los parámetros de búsqueda……………………………. 59
1.5.2. Criterios de inclusión y de exclusión…………………………………………... 62
1.5.3. Procedimiento de tabulación…………………………………………………… 63
1.5.4. Resultados……………………………………………………………………… 64
1.5.5. Discusión………………………………………………………………………. 69
1.5.5.1. ¿Altas capacidades digitales?................................................................... 72
1.6. Conclusiones parciales………………………………………………………………... 75

CAPÍTULO 2:
CODIGOALFABETIZACIÓN……………………………………………………………… 76
2.1. Algunas definiciones previas…………………………………………………………. 76
2.2. Ampliación del foco de investigación………………………………………………… 78
2.2.1. Hacia una inteligencia digital………………………………………………….. 78
2.2.1.1. Implicaciones para la generación ‘app’………………………………... 84
2.2.2. Código y nuevos alfabetismos en la era digital: hacia la sociedad 3.0………… 86
2.2.3. El movimiento ‘code literacy’…………………………………………………. 89
2.2.3.1. Un evento a escala mundial: ‘The Hour of Code’……………………... 93
2.2.4. Delimitación final del problema de investigación……………………………... 98
2.3. Adecuación: el porqué de la codigoalfabetización…………………………………… 99
2.3.1. Estudios clásicos sobre efectos del aprendizaje del ‘coding’………………….. 99
2.3.2. Estudios recientes sobre efectos del aprendizaje del ‘coding’…………………. 102
2.4. Viabilidad: el cómo de la codigoalfabetización………………………………………. 106
2.4.1. Taxonomía de recursos para la enseñanza-aprendizaje del ‘coding’…………... 107
2.4.2. Currículos educativos para la enseñanza-aprendizaje del ‘coding’……………. 116
2.4.2.1. Un ejemplo internacional: el currículo de Reino Unido……………….. 120
2.4.2.2. Un ejemplo nacional: el currículo de la Comunidad de Madrid……….. 122
2.5. Relevancia: el para qué de la codigoalfabetización…………………………………... 124
2.5.1. Productos digitales derivados del ‘coding’…………………………………….. 125
2.5.2. Análisis crítico del sujeto codigoalfabetizado: ‘hackers’ y ‘makers’………….. 129
2.5.2.1. Breve aproximación desde la perspectiva de género…………………... 136
2.6. Enunciación final de hipótesis directivas……………………………………………... 140
2.7. Síntesis: del ‘Learn to code’ al ‘Code to learn’………………………………………. 140

CAPÍTULO 3:
PENSAMIENTO COMPUTACIONAL……………………………………………………. 143
3.1. Concepto……………………………………………………………………………… 144
3.1.1. Definiciones genéricas…………………………………………………………. 144
3.1.2. Definiciones operativas………………………………………………………... 146
3.1.3. Definiciones psicológico-cognitivas…………………………………………… 147
3.1.4. Definiciones educativo-curriculares…………………………………………… 153
3.1.5. Una definición propia del dominio muestral del constructo…………………… 163
3.2. Desarrollo……………………………………………………………………………... 164
3.2.1. Modelos de desarrollo del pensamiento computacional……………………….. 164
3.2.2. Experiencias y recursos para el desarrollo del pensamiento computacional…... 182
3.2.2.1. Un ejemplo de integración ‘online-unplugged’: el curso ‘K-8 Intro to

Computer Science’ de Code.org…………………………………………… 192
3.3. Evaluación…………………………………………………………………………….. 205
3.3.1. Modelos de evaluación del pensamiento computacional………………………. 205
3.3.2. Instrumentos de medida del pensamiento computacional……………………... 209
3.3.2.1. El Concurso Internacional Bebras……………………………………... 218
3.3.2.2. Un caso particular: Dr. Scratch………………………………………… 222
3.4. Síntesis: hacia una consolidación del pensamiento computacional como constructo
psicopedagógico………………………………………………………………………. 225
II. PARTE EMPÍRICA 226
CAPÍTULO 4
OBJETIVOS Y METODOLOGÍA………………………………………………………….. 227
4.1. Objetivos……………………………………………………………………………… 227

4.1.1. Generales………………………………………………………………………. 227
4.1.2. Específicos……………………………………………………………………... 227
4.2. Metodología…………………………………………………………………………... 228
4.2.1. Plan de análisis de datos……………………………………………………….. 230
CAPÍTULO 5
PRIMER ESTUDIO: LA HORA DEL CÓDIGO EN ESPAÑA………………………….. 232
5.1. Antecedentes………………………………………………………………………….. 232
5.2. Objetivos específicos…………………………………………………………………. 232
5.3. Método………………………………………………………………………………... 234
5.3.1. Muestra………………………………………………………………………… 235
5.3.1.1. Muestra de centros……………………………………………………... 235
5.3.1.2. Muestra de profesores………………………………………………….. 242
5.3.1.3. Muestra de estudiantes…………………………………………………. 243
5.3.2. Instrumentos…………………………………………………………………… 248
5.3.2.1. Cuestionario pre para profesores………………………………………. 248
5.3.2.2. Cuestionario post para profesores……………………………………… 249
5.3.2.3. Cuestionario para estudiantes………………………………………….. 249
5.3.3. Procedimiento………………………………………………………………….. 250
5.4. Resultados…………………………………………………………………………….. 251
5.4.1. Relativos a las características de los centros…………………………………... 251
5.4.2. Relativos al cuestionario pre para profesores………………………………….. 255
5.4.3. Relativos al cuestionario post para profesores…………………………………. 267
5.4.4. Relativos al cuestionario para estudiantes……………………………………... 271
5.5. Discusión y conclusiones parciales…………………………………………………… 334

CAPÍTULO 6
SEGUNDO ESTUDIO: EL TEST DE PENSAMIENTO COMPUTACIONAL (TPC)…. 350
6.1. Antecedentes………………………………………………………………………….. 350
6.2. Objetivos específicos…………………………………………………………………. 350
6.3. Fase I: Diseño y validación de contenido…………………………………………….. 352
6.3.1. Método…………………………………………………………………………. 358
6.3.1.1. Muestra………………………………………………………………… 359
6.3.1.2. Instrumentos……………………………………………………………. 360
6.3.1.3. Procedimiento………………………………………………………….. 361
6.3.2. Resultados……………………………………………………………………… 362
6.4. Fase II: Virtualización y validación aparente…………………………………………. 374
6.5. Fase III: Puesta en servicio y aplicación……………………………………………… 376
6.5.1. Método…………………………………………………………………………. 376
6.5.1.1. Muestra………………………………………………………………… 376
6.5.1.2. Instrumentos……………………………………………………………. 380
6.5.1.3. Procedimiento………………………………………………………….. 386
6.5.2. Resultados……………………………………………………………………… 387
6.5.2.1. Descriptivos……………………………………………………………. 388
6.5.2.1.1. Análisis de ítems……………………………………………….. 397
6.5.2.2. Fiabilidad………………………………………………………………. 401
6.5.2.2.1. Consistencia interna……………………………………………. 401
6.5.2.2.2. Estabilidad……………………………………………………… 403
6.5.2.3. Validez…………………………………………………………………. 404
6.5.2.3.1. Validez criterial………………………………………………… 404
6.5.2.3.1.1. Concurrente…………………………………………….. 404

6.5.2.3.1.2. Predictiva……………………………………………….. 413
6.5.2.3.2. Validez discriminante………………………………………….. 420
6.5.2.3.3. Validez convergente……………………………………………. 422
6.5.2.3.3.1. Con tareas Bebras………………………………………. 423
6.5.2.3.3.2. Con Dr. Scratch………………………………………… 425
6.5.2.3.4. Validez factorial………………………………………………... 427
6.6. Discusión y conclusiones parciales…………………………………………………… 436
CAPÍTULO 7
TERCER ESTUDIO: EVALUACIÓN DE PROGRAMAS DE
CODIGOALFABETIZACIÓN Y DESARROLLO DEL PENSAMIENTO
COMPUTACIONAL……………............................................................................................ 455
7.1. Evaluación principal: el curso ‘K-8 Intro to Computer Science’ de Code.org……….. 455
7.1.1. Antecedentes…………………………………………………………………… 455
7.1.2. Hipótesis específicas…………………………………………………………… 456
7.1.3. Método…………………………………………………………………………. 457
7.1.3.1. Muestra………………………………………………………………… 458
7.1.3.1.1. Muestra de estudiantes…………………………………………. 458
7.1.3.1.2. Muestra de profesores………………………………………….. 459
7.1.3.2. Instrumentos……………………………………………………………. 460
7.1.3.3. Procedimiento………………………………………………………….. 461
7.1.4. Resultados……………………………………………………………………… 464
7.1.5. Discusión y conclusiones parciales……………………………………………. 488
7.2. Evaluación complementaria: el curso ‘K-5 Computer Science Fundamentals (Course

2)’ de Code.org………………………………………………………………………... 495
7.2.1. Antecedentes…………………………………………………………………… 495

7.2.2. Hipótesis específicas…………………………………………………………… 497
7.2.3. Método…………………………………………………………………………. 497
7.2.3.1. Muestra………………………………………………………………… 498
7.2.3.2. Instrumentos……………………………………………………………. 498
7.2.3.3. Procedimiento………………………………………………………….. 498
7.2.4. Resultados……………………………………………………………………… 499
7.3. Estudio de casos de alta capacidad computacional en el curso ‘Computer

Programming’ de Khan Academy……………………………………………………. 502
7.3.1. Antecedentes…………………………………………………………………… 502
7.3.2. Objetivos específicos…………………………………………………………... 503
7.3.3. Método…………………………………………………………………………. 504
7.3.3.1. Muestra………………………………………………………………… 504
7.3.3.2. Instrumentos……………………………………………………………. 504
7.3.3.3. Procedimiento………………………………………………………….. 504
7.3.4. Resultados……………………………………………………………………… 505
CAPÍTULO 8
CONCLUSIONES, IMPLICACIONES, LIMITACIONES Y SUGERENCIAS………… 511
8.1. Conclusiones………………………………………………………………………….. 511
8.1.1. Con respecto al primer objetivo general……………………………………….. 511
8.1.2. Con respecto al segundo objetivo general……………………………………... 512
8.1.3. Con respecto al tercer objetivo general………………………………………... 515
8.1.4. Con respecto al cuarto objetivo general………………………………………... 518

8.1.5. Con respecto al quinto objetivo general……………………………………….. 519
8.1.6. Con respecto al sexto objetivo general………………………………………… 520
8.2. Respuesta al problema general de investigación……………………………………… 520
8.3. Implicaciones…………………………………………………………………………. 521
8.3.1. En el marco de la directiva de adecuación…………………………………….. 521
8.3.2. En el marco de la directiva de viabilidad……………………………………… 522
8.3.3. En el marco de la directiva de relevancia……………………………………… 522
8.4. Limitaciones y sugerencias…………………………………………………………… 523
REFERENCIAS…………………………………………………………………………….... 526
ÍNDICE DE FIGURAS Y TABLAS………………………………………………………… 559
LISTA DE SÍMBOLOS, ABREVIATURAS Y SIGLAS………………………………….. 582
RESUMEN / ABSTRACT…………………………………………………………………… 586
ANEXOS……………………………………………………………………………………… 588
A. CSEW: Cuestionario para profesores/as (previo)……………………………………... 588
B. CSEW: Cuestionario para profesores/as (post)………………………………………... 592
C. CSEW: Cuestionario para estudiantes…………………………………………………. 594
D. Figuras y Tablas complementarias al Capítulo 5……………………………………… 599
E. Test de Pensamiento Computacional (versión 1.0)……………………………………. 629
F. Test de Pensamiento Computacional (versión 2.0)……………………………………. 670

G. Instrucciones, ejemplos y autoevaluación añadidos al TPC durante su virtualización... 699
H. Tareas Bebras utilizadas para la validación convergente del TPC…………………….. 702
I. Correo para el profesor con las instrucciones de aplicación del TPC…………………. 712
J. Cuestionario para profesores sobre la implantación del Curso K-8 de Code.org……... 713
K. Cuestionario de satisfacción para estudiantes sobre el Curso K-8 de Code.org………. 716
L. Testimonios gráficos del Curso K-8 de Code.org……………………………………... 719

INTRODUCCIÓN
Motivación y finalidad del trabajo
Es evidente que vivimos inmersos en un ecosistema digital repleto de objetos programables

controlados por software (Manovich, 2013). Del mismo modo que la aparición de la electricidad o
del motor de combustión hizo posible el advenimiento de la sociedad industrial, la actual sociedad
digital (aspirante a convertirse en una auténtica ‘sociedad del conocimiento’) descansa en el software
como uno de sus principales fundamentos. Hoy cada vez más aspectos de la vida y de la cultura se
hayan mediados por el software, esto es, por el conjunto de programas y aplicaciones informáticas
que condicionan nuestro comportamiento e interacción con los innumerables objetos digitales que
nos rodean: consultar nuestro saldo bancario, pagar impuestos, votar en las primarias de un partido
político, reservar una habitación de hotel, revisar nuestro perfil en Facebook o hacer una declaración
de amor por WhatsApp son sólo algunos de los innumerables ejemplos de acciones cotidianas que
son realizadas software mediante.
“El software se ha convertido en nuestra interfaz con el mundo, con los demás, con nuestra
memoria y nuestra imaginación: un lenguaje universal que el mundo emplea para hablar y
un motor universal que propulsa el mundo. Lo que representaron la electricidad y el motor
de combustión para los primeros años del siglo XX es hoy el software para los primeros años
del siglo XXI” (Manovich, 2013, p. 16)
Así en nuestra sociedad digital, el ordenador 1 (ya sea como un dispositivo fijo en forma del habitual
‘ordenador de mesa-escritorio’, ya sea como uno de los emergentes dispositivos móviles:
smartphones o tablets) se ha convertido en una especie de ‘metamedio’, un medio supremo a través
del cual el resto de medios clásicos se vehiculan y finalmente se manifiestan: prensa, radio,
televisión, etc. En ese sentido, el software, es decir, el lenguaje de los ordenadores, se convierte en
un ‘metalenguaje’ en el cual se codifica el resto: el texto, el hipertexto, la imagen, el vídeo, la
música, las animaciones, las aplicaciones. Toda la comunicación digital es mediada por el código
informático que le da soporte.
En este contexto, ser capaz de manejar el lenguaje de las computadoras emerge como una habilidad
indispensable, un nuevo alfabetismo, que nos permite participar de manera plena y efectiva en la
realidad digital que nos rodea: se trata de ‘programar o ser programado’ (Rushkoff, 2010); de ser
‘app capacitado o app dependiente’ (Gardner & Davis, 2014). El término ‘codigoalfabetización’ (del
inglés ‘code-literacy’) ha sido acuñado recientemente para referirse al proceso de enseñanza-
aprendizaje de la lectoescritura con los lenguajes informáticos de programación. Así, se considera
que una persona está codigoalfabetizada cuando es capaz de leer y escribir en el lenguaje de los
ordenadores y otras máquinas, y de pensar computacionalmente (Román-González, 2014a). Si la
codigoalfabetización alude en última instancia a una nueva práctica de lectoescritura, el pensamiento
computacional (PC) se refiere al proceso cognitivo subyacente de resolución de problemas que le da
soporte.
1
A lo largo de la tesis doctoral se utilizan alternativamente como sinónimos los términos ‘ordenador’ (de mayor uso en el
ámbito español) y ‘computadora’ (de mayor uso en el ámbito sudamericano).
Volver al índice
INTRODUCCIÓN
Así las cosas, no es de extrañar que varios países estén impulsando el aprendizaje de la programación
informática en sus sistemas educativos, y que instituciones como la Comisión Europea (European
Commission, 2014) o la Fundación Nacional para la Ciencia de los Estados Unidos (National
Science Foundation, 2014) hayan incluido las prácticas de programación (‘coding’) como una
prioridad en la formación de las nuevas generaciones de ciudadanos digitales. Si la primera brecha
digital, hoy ya superada en el mundo desarrollado, se abrió entre los que tenían acceso a Internet y
los que carecían del mismo; una segunda brecha digital asoma ahora entre aquéllos que se limiten a
consumir objetos digitales (aplicaciones, juegos, webs, software diverso…) y aquéllos que sean
capaces de expresarse, crear y compartir los suyos propios.
En este marco conceptual, la pregunta general de nuestra tesis doctoral se enuncia así: ¿es posible y
deseable incorporar la codigoalfabetización en el sistema educativo español?
Organización y estructura del trabajo
Para tratar de dar respuesta a dicha pregunta, de tan amplio alcance, ésta se irá enfocando y
reenfocando a través de sucesivas aproximaciones, para derivar finalmente en una serie de objetivos
e hipótesis específicas que podrán ser sometidas a contraste. Con esa intención, la presente tesis
doctoral se estructura en dos grandes bloques: una parte teórica y una parte empírica.
La parte teórica se subdivide a su vez en tres apartados principales: a) en primer lugar, se hace una
aproximación tentativa a nuestro objeto de estudio, la codigoalfabetización, desde el ámbito de las
altas capacidades y circunscrito a la programación de aplicaciones para dispositivos móviles
(‘apps’); b) tras justificar lo insuficiente del acercamiento anterior, en segundo lugar se amplía el
foco de la codigoalfabetización hacia una práctica emergente de lectoescritura, un ‘nuevo
alfabetismo’, extensible a la población escolar general y a la creación de todo tipo de objetos
digitales (no sólo ‘apps’) como animaciones, juegos, webs, etc…; c) en tercer lugar, y para finalizar
la parte teórica, se revisa el constructo del ‘pensamiento computacional’, correlato cognitivo de la
codigoalfabetización, que intentaremos someter posteriormente a las leyes y exigencias de la
psicometría.
Con respecto a la parte empírica, ésta se compone de tres estudios: a) en primer lugar, se desarrolla
un estudio descriptivo-exploratorio sobre el evento ‘La Hora del Código’ 2 (‘The Hour of Code’),
promovido por la fundación Code.org 3 y considerado como la mayor iniciativa a nivel mundial para
la promoción y desmitificación del aprendizaje de código informático en las escuelas, y su impacto
en España durante las ediciones de diciembre 2013 y diciembre 2014; b) en segundo lugar, se
procede a la validación de un instrumento, el Test de Pensamiento Computacional (TPC),
específicamente diseñado para población escolar española de primer ciclo de la Educación
Secundaria Obligatoria (1º ESO – 2º ESO), pero con aplicaciones complementarias en el último ciclo
de Educación Primaria (5º Primaria – 6º Primaria) y en el segundo ciclo de la Educación Secundaria
Obligatoria (3º ESO y 4º ESO); c) en tercer lugar, presentamos la evaluación en profundidad del
programa-curso trimestral ‘K-8 Intro to Computer Science’ 4 (Code.org, 2015a) de la fundación
2
https://hourofcode.com/es
3
https://code.org/
4
https://studio.code.org/s/20-hour
14
Codigoalfabetización y Pensamiento Computacional en Educación Primaria y Secundaria
INTRODUCCIÓN
Code.org implantado en aulas de primer y segundo ciclo de la ESO. Esta evaluación principal se
complementa con una evaluación adicional, de menor rango y profundidad, sobre el programa-curso
‘K-5 Computer Science Fundamentals (Course 2)’ 5 (Code.org, 2015b) también de la fundación
Code.org y que supone una versión simplificada del curso K-8 para ser aplicada en el último ciclo de
Primaria.
Para cerrar el círculo, y en un juego de espejos simétricos, se concluye la parte empírica aportando
un breve estudio de casos de alumnos con altas capacidades computacionales de primer ciclo de la
ESO que, adicionalmente al programa-curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a)
seguido por sus compañeros de aula ordinaria, siguieron un programa-curso complementario de
mayor dificultad a través de la plataforma Khan Academy: ‘Computer Programming’ 6 (Khan
Academy, 2015); mediante una metodología de ‘clase invertida’ (‘flipped classroom’) (Tourón &
Santiago, 2015)
La tesis doctoral se completa con las correspondientes conclusiones, referencias y anexos.
5
https://studio.code.org/s/course2
6
https://www.khanacademy.org/computing/computer-programming
15
I. PARTE TEÓRICA
La recopilación de fuentes e informaciones pertinentes que nutren la parte teórica de la tesis doctoral,
se ha realizado principalmente a través de los siguientes motores de búsqueda:
 El metabuscador Linceo+ 7 de la UNED que nos ha proporcionado acceso a las bases de

datos académicas especializadas ERIC (Educación), PsycINFO (Psicología), ACM Digital
Library (Informática) y Econlit (Economía)
 El buscador académico especializado Google Scholar 8, a partir de un sistema de alertas

vinculado a las siguientes palabras clave en lengua inglesa: ‘code literacy’
(codigoalfabetización), ‘computer science education’ (educación en ciencias de la
computación), ‘computational thinking’ (pensamiento computacional), ‘computational
thinking assessment’ (evaluación del pensamiento computacional), y ‘computational thinking
test’ (test de pensamiento computacional)
 Para las referencias no académicas y ‘literatura gris’ (prensa en línea, blogosfera, mensajes
en redes sociales, etc…) se han utilizado dos herramientas de curación de contenidos: un
tablero digital en Pinterest 9, que en el momento de escribir estas líneas acumula más de 900
pines y 250 seguidores; y un tablero digital en Scoop.it 10, con más 2.600 visitas acumuladas
actualmente. En la Figura 0.1 se presentan sendos códigos QR que permiten ser escaneados
por el lector 11 para acceder a los respectivos tableros desde su dispositivo móvil con
conexión a Internet.
Figura 0.1. Códigos QR que enlazan a los tableros sobre codigoalfabetización curados por el doctorando en Pinterest y
Scoop.it
7
http://uned.summon.serialssolutions.com/
8
http://scholar.google.es/
9
https://es.pinterest.com/marcosromangonz/codigoalfabetizacion/
10
http://www.scoop.it/t/codigoalfabetizacion
11
Por razones de economía lingüística, a lo largo de la tesis doctoral se utilizan los sustantivos en su forma genérica, que
ha de entenderse aplicable a ambos sexos. Así, por ejemplo, ‘lector’ se refiere tanto a un lector como a una lectora.
Volver al índice
CAPÍTULO 1
APROXIMACIÓN INICIAL AL PROBLEMA DE INVESTIGACIÓN

DESDE LAS ALTAS CAPACIDADES
Comenzamos con una primera aproximación y delimitación de nuestro problema de investigación,

formulada desde el ámbito de las altas capacidades y restringida al aprendizaje de la programación
de aplicaciones para dispositivos móviles (‘apps’). Este apartado ha sido ya parcialmente presentado
a la comunidad científica a través de diversas publicaciones y comunicaciones (Román-González,
2013a, 2013b, 2014a, 2014b)
Nos situamos inicialmente en el marco general de la atención a la diversidad de intereses,

capacidades y necesidades del alumnado, establecido inicialmente por la Ley Orgánica 1/1990 de
Ordenación del Sistema Educativo (LOGSE, 1990), con especial acento en los principios de
comprensividad e inclusión; y desarrollado posteriormente por la Ley Orgánica 10/2002 de Calidad
de la Educación (LOCE, 2002), la Ley Orgánica 2/2006 de Educación (LOE, 2006), y la reciente
Ley Orgánica 8/2013 para la Mejora de la Calidad Educativa (LOMCE, 2013) que profundizan en
el principio de equidad.
Se ha ido avanzando pues desde posiciones que apuestan por el desarrollo y adaptación de un mismo
programa de enseñanza que gira en torno a unos mínimos culturales para todo ciudadano, hacia
posiciones que enfatizan la equidad como idea clave para garantizar un sistema educativo que ofrece
a cada estudiante aquello que necesita. Recientemente se añade la idea de excelencia como referencia
última de la calidad del sistema, en el sentido de que éste debe promover que cada estudiante llegue
tan alto y lejos como le sea posible.
Diríamos entonces que una educación es excelente si logra de cada alumno un rendimiento
satisfactorio o acorde con las capacidades y recursos que posee; y si esas adquisiciones implican para
todos los intervinientes en el proceso educativo un compromiso con los valores, aspiraciones y
problemas del entorno próximo y remoto (Jiménez Fernández, 2010). Dicho de otra manera,
promover la excelencia equivale a facilitar los recursos necesarios que permitan a cada alumno llegar
tan lejos, tan rápido, con tanta amplitud y con tanta profundidad como su capacidad y competencia le
permitan. Es decir, equiparar potencial y rendimiento en cada alumno.
Si bien la LOGSE (1990) introdujo el concepto-término de ‘Necesidades Educativas Especiales’

(NEE), en su texto se suprimió la consideración explícita de los alumnos de alta capacidad;
perdiendo entonces la oportunidad de incorporarse a las tendencias al alza de los países desarrollados
en el sentido de apostar por la excelencia de todos y cada uno de los alumnos respondiendo de
manera específica a sus necesidades (Jiménez Fernández, 1997). Este vacío vino a subsanarse
posteriormente con la LOCE (2002), la LOE (2006) y la LOMCE (2013).
En cualquier caso, ya desde la LOGSE (1990) hasta el momento actual, la atención a la diversidad
del alumnado en España se ha confiado fundamentalmente a dos tipos de medidas: medidas de tipo
curricular (diversificación curricular, opcionalidad u optatividad, repetición de curso, y aceleración
Volver al índice
PARTE TEÓRICA / Capítulo 1 / Román-González (2016)
de curso), y medidas de tipo organizativo. En la práctica, viene siendo la aceleración de curso (o

flexibilización), la medida más comúnmente adoptada para el caso de los alumnos y alumnas de alta
capacidad (R.D. 943/2003; o más recientemente, y en el ámbito de la Comunidad de Madrid,
ORDEN 1493/2015). La aceleración es frecuentemente aplicada de manera reduccionista como
‘salto de curso’ puro y duro, sin ninguna modificación curricular asociada; y así entendida no es la
forma ideal de atender las necesidades educativas específicas de estos alumnos (Jiménez Fernández,
2010). La aceleración es un modelo económico y sencillo de implantar para la administración
educativa, pero insuficiente: es de dudosa aplicación en estudiantes con disincronía entre su superior
desarrollo intelectual y su nivel de madurez social y afectiva, y es un modelo desestimado en
ocasiones diferencialmente por las chicas de alta capacidad frente a sus homólogos masculinos, pues
ellas parecen preferir permanecer con sus compañeros, evitar la competitividad, y pueden ser más
proclives a aburrirse en la clase ordinaria con tal de mantener intacto su círculo social (Crombie,
Bouffard-Bouchard, & Schneider, 1992); tendencia que va declinando.
Con respecto a la diversificación curricular como medida de atención para los más capaces, en la
realidad de nuestras aulas se ha traducido casi exclusivamente en ‘adaptaciones curriculares no
significativas’, es decir, en adaptaciones que no modifican los objetivos nucleares del currículo que
deben ser alcanzados por el estudiante a final de curso; cristalizando en programas de
enriquecimiento curricular parcial, sólo focalizados en la mera ampliación de contenidos (Jiménez
Fernández & García Perales, 2013).
Así pues, no se han venido contemplando ‘adaptaciones curriculares significativas’ para alumnos de
alta capacidad. Sin embargo, para estos sujetos:
“(…) las adaptaciones curriculares significativas habrían tenido pleno sentido pero no para
rebajar los mínimos establecidos, sino para superarlos generosamente. En términos práctico
vendrían a significar la triple modificación del currículo o en su contenido, proceso y
producto” (Jiménez Fernández, 2010, p. 198).
Por tanto creemos justificada la necesidad de buscar, encontrar y diseñar nuevas propuestas de
enriquecimiento curricular completo y significativo, que impliquen de manera integrada la triple
dimensión apuntada: contenido, proceso y producto; defendida tradicionalmente por diversos autores
(Parke, 1989; Pendarvis, Howley & Howley, 1990; Renzulli & Reis, 1991). En este sentido, destacan
las formulaciones clásicas del ‘Modelo de Enriquecimiento Triádico’ 12 (‘Enrichment Triad Model’)
(Reis & Renzulli, 2003; Renzulli, 1977, 1988); o más recientemente del ‘Modelo de Currículo
Integrado’ (‘ICM: Integrated Curriculum Model’) definido por VanTassel-Baska (2015), que “ha
demostrado ser una ayuda a la hora de realizar el proceso de diferenciación (…) integrando las
dimensiones de contenido, proceso y producto para hacerlas más equilibradas en el proceso de
aprendizaje que experimentan los alumnos (de alta capacidad)” (VanTassel-Baska, 2015, p. 233)
Por otro lado, en la sociedad actual la programación informática se está constituyendo como una
competencia básica que permite participar eficazmente en un mundo repleto de objetos digitales
12
Apoyado a su vez en una concepción de la alta capacidad como intersección de 3 conjuntos de rasgos o ‘Modelo de los
Tres Anillos’ (Renzulli, 1978, 2005): a) Capacidad por encima de la media (vinculada a la dimensión contenido); b)
Compromiso con la tarea (vinculada a la dimensión proceso); y c) Creatividad (vinculada a la dimensión producto).
18
(Kafai & Burke, 2014; Resnick, 2013a). Estar codigoalfabetizado (‘code-literate’), esto es, ser capaz
de leer y escribir con los lenguajes de programación y pensar computacionalmente, emerge como un
requerimiento de las sociedades avanzadas del siglo XXI (Dans, 2013; Prensky, 2008; Rushkoff,
2010, 2012).
En este contexto, nos planteamos la siguiente pregunta de investigación, primera tentativa de esta
tesis doctoral: ¿es posible y deseable aprender a programar aplicaciones (‘apps’) para dispositivos
móviles (smartphones y tablets) como enriquecimiento curricular indicado especialmente para
alumnos y alumnas de alta capacidad? Una delimitación inicial del problema se ilustra en la Figura
1.1, en la que quedan representadas nuestras tres hipótesis generales o directivas: adecuación,
viabilidad, y relevancia. A continuación, exploraremos y trataremos de fundamentar dichas
hipótesis.
Figura 1.1. Delimitación inicial del problema de investigación.
1.1. Criterio 1: Adecuación
En informática, una aplicación es un “programa preparado para una utilización específica” (RAE,
2015), es decir, un tipo de programa informático diseñado como herramienta para permitir a un
usuario realizar uno o diversos tipos de trabajos. En los últimos años, con la aparición y
generalización masiva de dispositivos móviles con a acceso a internet como smartphones y tablets,
se ha multiplicado el diseño, la descarga y utilización de aplicaciones específicas para dichos
dispositivos, que permiten ser disfrutadas y aprovechadas por el usuario de manera portable e
itinerante.
19
La programación de ‘apps’ es una tarea que exige, esencialmente, manejar de manera sistemática,
sostenida y orientada un lenguaje de programación (p.ej.: Java, JavaScript, HTML5, C#, Ruby,
Python, etc.), compuesto por diversos comandos y parámetros (Figuras 1.2 y 1.3); en orden a crear
un aplicación funcional e integrada (Román-González, 2014c). En este sentido, se adecua al estilo
cognitivo de los sujetos de alta capacidad, caracterizado por la habilidad para manejar abstracciones
y sistemas de símbolos a niveles altos de formalización; de manera que una inferencia curricular
habitual señalada para los más capaces haya sido la introducción temprana en su aprendizaje de
lenguajes simbólicos y formales 13, como la música, las matemáticas, las lenguas extranjeras o la
informática (VanTassel-Baska, 1989).
Figura 1.2. Consola de programación en lenguaje JavaScript & ProcessingJS (a la izquierda), e interfaz de la aplicación
resultante (a la derecha) 14. Tomado del curso ‘Computer Programming’ (Khan Academy, 2015)
Figura 1.3. Comandos y parámetros para la programación en lenguaje JavaScript & ProcessingJS 15. Tomado del curso
‘Computer Programming’ (Khan Academy, 2015)
13
Se entiende que un ‘lenguaje formal’ es aquel cuyos símbolos primitivos y reglas para unir esos símbolos están
formalmente especificados. Ejemplos de lenguajes formales son las matemáticas, la lógica, la música o los lenguajes
informáticos de programación.
14
https://www.khanacademy.org/computer-programming/yoshi/1034542702
20
Los sujetos de alta capacidad se caracterizan también por altos niveles de comprensión y de
generalización. Son capaces de ver rápidamente relaciones más allá de los hechos observados, es
decir, poseen gran capacidad de inferencia derivada de un aprendizaje a nivel más profundo que el
propio de su edad (Jiménez Fernández, 2010). Ello puede suponer que, a partir de un conjunto finito
de comandos y parámetros de programación, sean capaces de generar gran cantidad de soluciones.
En este sentido, se han señalado como indicadores de la conducta de estos sujetos su alta capacidad
para solucionar problemas (son un reto) y para producir ideas, objetos, soluciones nuevas (Whitmore,
1988).
Desde otro punto de vista, las tareas de programación exigen establecer relaciones formales,
analogías, y procesos de inducción y memoria; en la línea del llamado pensamiento fluido (Cattell,
1963) en el cual destacan los sujetos de alta capacidad independientemente del ambiente cultural de
procedencia. Por ello, la programación de ‘apps’ puede suponer un aprendizaje adecuado para
sujetos de alta capacidad provenientes de todo tipo de culturas y niveles sociales. En esta misma
línea, la programación, al igual que el manejo sistemático de otros lenguajes formales como la
matemática, es un campo sin ‘efecto techo’ en el sentido de que el sujeto puede ir adquiriendo casi
‘ad infinitum’ niveles sucesivos de dominio, cada uno de los cuales apoyados en el anterior;
promoviendo así dinámicas de desarrollo y entrenamiento sistemático del talento, tal y como se
defiende actualmente en el ámbito de la alta capacidad (Gagné, 1991, 2004, 2015). Parece pues que
la programación de ‘apps’ es un aprendizaje sin ‘efecto techo’, y, por lo tanto, adecuado para mentes
hambrientas (‘hungry minds’) y curiosas intelectualmente (Von Stumm, Hell, & Chamorro-
Premuzic, 2011); como las de los sujetos de alta capacidad.
Igualmente, Webb (1993) ha señalado como características propia de los niños con alta capacidad,
entre otras, su intensa concentración, su atención amplia y sostenida en áreas de interés, y la
persistencia en su comportamiento dirigido hacia objetivos; lo que dibuja un perfil motivacional
propicio para tareas de programación.
Además, la programación de ‘apps’ no es mera recreación en el manejo de símbolos que se agotan en

sí mismos, sino que aspira a crear un producto original, novedoso y útil. En este sentido es una tarea
que exige creatividad; rasgo que ha venido incorporándose progresivamente en las definiciones de
alta capacidad (Guilford, 1967; Renzulli, 1978; Renzulli & Gaesser, 2015). Igualmente, la
programación de ‘apps’ es una tarea acorde con modelos como el de Torrance (1986) sobre
pedagogía de la creatividad, dado que demanda poner en juego habilidades en las cinco categorías de
pensamiento creativo: pensamiento fluido (o generar gran cantidad de soluciones); flexible (o generar
soluciones diferentes a partir de los mismos principios); original (o generar soluciones novedosas y
de síntesis); elaborativo (o embellecer las soluciones obtenidas); y evaluativo (o escoger y decidir
entre las soluciones en función de las apreciaciones propias y ajenas). Todos estos principios,
proyectados sobre nuestro objeto de estudio, y sintetizados en uno solo, “generar gran cantidad de
soluciones diferentes y novedosas a partir de los mismos principios de programación, en sucesivas
versiones más embellecidas y perfectas, y evaluadas por una comunidad” se producen en las
actuales plataformas de aprendizaje en línea de la programación informática, como Khan Academy
(2015) que analizaremos en profundidad algo más adelante; cuando a partir de un objeto de
15
Acceso a documentación completa en https://www.khanacademy.org/computing/computer-programming/docs/pjs
21
programación original se van generando sucesivos derivados o ‘spin-offs’ por los distintos miembros
de la plataforma (Figura 1.4)
Figura 1.4. Sucesivos derivados o versiones de un objeto original de programación 16. Tomado del curso ‘Computer
Programming’ (Khan Academy, 2015)
Hay otras características de los sujetos de alta capacidad relacionadas con la creatividad, como su
carácter juguetón, su desafío o reto ante lo convencional, su independencia de pensamiento, o su
impulso natural a explorar ideas (Jiménez Fernández, 2010) que les convierten en excelentes
16
https://www.khanacademy.org/computer-programming/frog-face/1292194550
22
candidatos para aprender y experimentar con la programación de ‘apps’. Y muy especialmente la

habilidad de estos sujetos para pensar en las cosas holísticamente, como un todo, para pasar después
a comprender sus partes, que les facilita la generación de ‘apps’, que deben funcionar como un todo
funcional e integrado.
Un último apunte desde la perspectiva de la creatividad: tal y como nos recuerda Amabile y Pillemer
(2012, p. 7) “el estado del sujeto intrínsecamente motivado es conducente a la creatividad, mientras
que el extrínsecamente motivado va en detrimento”. Es decir, si esperamos que un alumno de alta
capacidad en última instancia genere ‘apps’ de manera creativa, no bastará con que aprenda y
domine los principios de la programación, sino también que se encuentre motivado y comprometido
internamente con la tarea. Por tanto, parece que debe ser un aprendizaje libremente escogido por
estos estudiantes.
Además, la programación de ‘apps’ exige altas dosis de metacognición al implicar un continuo

control y evaluación de múltiples procesos cognitivos de orden inferior que se van desplegando ‘en
paralelo’: la programación demanda conjugar simultáneamente las tareas analíticas de escritura de
código con la perspectiva sintética del producto final generado, la aplicación, que debe funcionar
como un todo integrado. En este sentido, se ha señalado la superioridad de los sujetos de alta
capacidad específicamente en características metacognitivas como los procesos de autorregulación
consciente: prever el error y tratar de eliminarlo antes de que se produzca porque se trabajan
mentalmente los conceptos (Cheng, 1993); y en los llamados metacomponentes (Sternberg, 1991),
procesos ejecutivos de orden superior usados en la planificación, guía y toma de decisiones en la
ejecución de las tareas.
Así pues, y siguiendo la ruta argumental que nos hemos fijado (Figura 1.1), parece que existe
convergencia entre las características del contenido de aprendizaje que nos proponemos
(‘programación de apps’) y las características del aprendiz destinatario, en este caso los alumnos de
alta capacidad. Encontramos pues apoyo fundamentado para enunciar la hipótesis directiva de
adecuación. Como síntesis final de este apartado, en la siguiente Tabla 1.1 tratamos de ilustrar como
el aprendizaje de la programación de ‘apps’ daría respuesta a algunas de los principios curriculares
propuestos tradicionalmente para los alumnos de alta capacidad (VanTassel-Baska, 1989).
Tabla 1.1. Convergencia entre principios curriculares para alumnos de AACC y el aprendizaje de programación de ‘apps’
Principio curricular La programación de apps…
Introducción de nuevos sistemas de símbolos en

…es un lenguaje formal y simbólico que combina comandos y
edades tempranas (ordenadores, lenguas
parámetros en altos niveles de abstracción.
extranjeras, estadística, música)…
Currículo organizado de acuerdo a la estructura …es un campo perfectamente organizado, jerarquizado y ‘sin efecto
subyacente del contenido. Eliminación de la techo’, en el que se alcanzan sucesivos niveles de dominio al propio
repetición. ritmo.
…puede proyectarse sobre cualquier ámbito de conocimiento: se

pueden programar ‘apps’ sobre matemáticas, astronomía,
Oportunidades curriculares interdisciplinares.
informativas, lúdicas, etc. Es, en ese sentido, interdisciplinar.
Uso de recursos y materiales de texto múltiples.
Además, los lenguajes de programación se vehiculan en lengua
inglesa, con el aprendizaje transversal de idiomas que ello conlleva.
23
1.2. Criterio 2: Viabilidad
Se ha señalado que, en general, el estilo de aprendizaje de los alumnos de alta capacidad puede
caracterizarse de autónomo, centrado en la tarea, crítico, motivado, persistente y creativo (Jiménez
Fernández, 2010); beneficiándose notablemente con las observaciones y correcciones del profesor o
experto a su trabajo.
En este sentido, Benbow (1991) señala como metodologías especialmente adecuadas para el
aprendizaje de alumnos de alta capacidad: las que contemplan el progreso continuo e individualizado
(a través de currículos bien definidos y estructurados, o modulares, en el que el ritmo de avance es
marcado por el propio alumno); los cursos a distancia, dado la gran capacidad de estos alumnos para
el aprendizaje autónomo y autorregulado; y el uso de mentores, especialistas o expertos en campos
determinados que se prestan a asesorar al alumno durante un tiempo fijado.
Por otro lado, Tourón (2008) ha señalado las posibilidades y ventajas de las metodologías de
enseñanza-aprendizaje a distancia con soporte de las tecnologías de la información y la
comunicación (TIC), o ‘e-learning’, para atender las necesidades educativas específicas de los
alumnos de alta capacidad. Así, señala como el ‘e-learning’ permite, por ejemplo: disponer de un
tutor a distancia con el cual desarrollar planes de aprendizaje altamente individualizados; interactuar
con otros alumnos de otros centros o escuelas, creando comunidades virtuales de aprendizaje;
individualizar el ritmo y el contenido de aprendizaje, etc.
También Jiménez Fernández (2010) señala que los métodos más apropiados para los alumnos de alta
capacidad son los que hacen hincapié en el trabajo autónomo, en el dominio de habilidades para
aprender a pensar, en el empleo de técnicas de interrogación de alto nivel cognitivo y de los niveles
superiores de pensamiento como aplicación, proyección y evaluación de la información, en la
experimentación, en la expresión convergente y divergente del contenido, y en la resolución creativa
de problemas. También son apropiadas actividades y situaciones para la interacción en grupo en
entornos reales y en simulaciones, con reglas que den lugar a la heteroevaluación y a la autocrítica.
Por tanto, parece que, globalmente, la metodología a distancia con soporte tecnológico, con
contenidos bien definidos y modulares que permitan el aprendizaje autónomo del alumno, y con
sistema de apoyo tutorial o mentores, e interacción en grupo con iguales en capacidad; sería la más
viable, desde un punto de vista didáctico, para la enseñanza-aprendizaje de la programación de
‘apps’ en alumnos de alta capacidad. A esta viabilidad didáctica, se le suma la viabilidad económica
propia de estos sistemas metodológicos a distancia y tecnológicos, que funcionan como ‘economías
de escala’ 17: es decir, con un número finito de recursos didácticos (videos, textos, materiales,
orientaciones, etc.) pueden transmitir conocimiento a un número potencialmente infinito de
estudiantes; por tanto, con un reducido coste por alumno.
17
En microeconomía, se entiende por ‘economía de escala’ las ventajas en términos de costos que una empresa obtiene
gracias a la expansión. Existen factores que hacen que el coste medio de un producto por unidad caiga a medida que la
escala de la producción aumenta. El concepto de ‘economías de escala’ sirve para el largo plazo y hace referencia a las
reducciones en el coste unitario a medida que el tamaño de una instalación y los niveles de utilización de inputs
aumentan [Fuente: https://es.wikipedia.org/wiki/Econom%C3%ADa_de_escala]
24
La realidad reafirma dicha viabilidad. Actualmente, comenzamos a encontrar ejemplos de cursos a

distancia y en línea cuyo objetivo es que el alumno aprenda a programar y desarrollar aplicaciones
para dispositivos móviles, y que siguen los principios metodológicos señalados. Detectamos en este
punto dos tipos básicos:
a. Cursos con matrícula y coste económico para el estudiante, por ejemplo, “Desarrollo
avanzado de aplicaciones en iOS7 (Héroe de iOS)” 18 (FUNED, 2014) o “Desarrollo Rápido
de Aplicaciones Android en el Aula de ESO, Bachillerato y FP” 19 (FUNED, 2015), ambos
promovidos desde la Fundación UNED. El coste oscila entre 250€ y 600€, incluyen
documentación y videos en alta definición, se desarrollan 100% ‘on-line’, con una dedicación
estimada de 5 horas semanales durante 12 semanas, certificados por la Fundación UNED por
un total de 60 horas, e incluyen atención al alumno mediante foros y tutorías semanales.
b. Cursos MOOC (‘Massive Online Open Courses’), masivos, en línea, abiertos y gratuitos;
bien orientados al desarrollo de ‘apps’ en el ámbito empresarial como “Emprendimiento y
App Inventor” 20 (MiriadaX, 2015), bien en el ámbito educativo como “MIT – App
Inventor” 21 (Massachusetts Institute of Technology, 2015), “Touch Develop” 22 (Microsoft
Research, 2015), o “Khan Academy – Computer Programming” 23 (Khan Academy, 2015);
de éste último, que ya ha sido mencionado algo más arriba, hablaremos en mayor
profundidad en el siguiente epígrafe.
La descripción del MOOC “Emprendimiento y App Inventor” (MiriadaX, 2015) es muy ilustrativa
del espíritu (y metodología) que inspira estos cursos:
“En tiempos de crisis global y transformaciones en el sistema tradicional de aprendizaje y

trabajo, las respuestas a los interrogantes surgen de manera clara desde el emprendimiento:
la posibilidad de embarcarse en proyectos nuevos e innovadores, aprovechando los avances
en las tecnologías móviles y la alta tasa de penetración móvil en la sociedad, atraen
oportunidades de negocio imposibles de ignorar (…)
(…) App Inventor es una plataforma que pone al alcance de todos la posibilidad de crear
aplicaciones para móviles, sin necesidad de tener conocimientos de programación y
utilizando una metodología visual que facilita el desarrollo de la aplicación (…)
(…) En este curso cualquier persona, incluso sin conocimientos técnicos de programación
previos, interesada en el diseño de nuevas aplicaciones para dispositivos móviles, podrá
crear desde cualquier parte del mundo un nuevo negocio o multiplicar el ya existente con las
enormes posibilidades que ofrece el campo de las aplicaciones móviles. La idea es ir un paso
18
http://www.fundacion.uned.es/actividad/idactividad/5766
19
https://formacionpermanente.uned.es/tp_actividad/idactividad/8018
20
https://miriadax.net/web/emprendimiento-y-app-inventor1
21
http://appinventor.mit.edu/explore/
22
https://www.touchdevelop.com/
23
Este curso no permite en sentido estricto la programación de ‘apps’ que luego se descargan desde tiendas de
aplicaciones como ‘App Store’ (iOS) o ‘Play Store’ (Android) al dispositivo móvil del usuario; sino la programación de
objetos que pueden ser luego ejecutadas a través de un navegador web en un dispositivo móvil o ‘web apps’. Esta
distinción se retomará más adelante cuando tratemos de justificar que la codigoalfabetización debe extender su foco a la
programación de todo tipo de objetos digitales y no sólo a las ‘apps’ en sentido habitual.
25
más allá, sumar sinergias, intercambiar experiencias, y lograr que las ideas innovadoras se
canalicen, se enriquezcan, se lancen y viajen (…)
Los participantes del curso obtendrán los conocimientos necesarios en el campo del diseño
de aplicaciones para dispositivos móviles del sistema operativo Android y las maneras de
monetizar los proyectos resultantes de esas propuestas” (MiriadaX, 2015, en línea)
Revisando la ‘Guía de Aprendizaje’ 24 del dicho curso MOOC “Emprendimiento y App Inventor”
(MiriadaX, 2015) encontramos una serie de elementos que reflejan su viabilidad didáctica para
alumnos de alta capacidad:
 Es un curso destinado a cualquier persona, desde cualquier parte del mundo, interesada en el
diseño de nuevas aplicaciones (‘apps’) para dispositivos móviles.
 Se basa en el uso de ‘App Inventor’, una plataforma-consola de programación desarrollada

por el MIT que pone al alcance del alumno la posibilidad de crear aplicaciones para móviles,
sin necesidad de tener conocimientos previos técnicos de programación, y utilizando una
metodología visual que facilita el desarrollo de la ‘app’ (Figura 1.5)
Figura 1.5. Entorno de trabajo de la plataforma ‘MIT – App Inventor’
 Se organiza en módulos llamados ‘Retos’. Los retos son una forma directa y motivadora de
que el estudiante logre metas claras, a través de la realización de una serie de tareas prácticas.
Así, cada ‘Reto’ incluye una serie de videos y tareas que el estudiante deberá completar para
superarlo, junto con sus actividades y pruebas o tests. Antes de empezar un ‘Reto’, el
24
Sólo se ha podido recuperar en PDF la versión de la guía de finales del año 2013, momento en que el curso se
encontraba alojado en la plataforma unX:
http://www.colmenia.org/documents/17669/27811/CSV12002_Gu%C3%ADa_aprendizaje_v13.pdf/60746a95-c70a-
4941-94f5-681b0a2e3cc5
26
estudiante conoce qué va a aprender tras superarlo, en qué consiste el reto, cuál es el criterio
de evaluación que se utilizará y el tiempo de dedicación que supondrá su superación.
 La metodología del curso se basa en un modelo de resolución de problemas donde la

motivación es muy importante. En este sentido, tanto el seguimiento como la tutoría se basan
en el sistema de aprendizaje P2P (‘peer to peer’), o aprendizaje entre pares, en el que el
estudiante puede comentar las actividades con otros usuarios. Además de la interacción con
los compañeros, el estudiante cuenta con la ayuda de un dinamizador y con un claustro de
profesores.
 La duración estimada del curso es de 1 mes y medio. Los 6 retos propuestos pueden
resolverse en un tiempo aproximado de 6 semanas. Se estima que cada reto puede resolverse
entre 2,5 horas hasta 1 semana de duración cada uno, dependiendo del grado de experiencia
del alumno. En este sentido, la metodología que se utiliza es flexible y asíncrona para que el
alumno ajuste autónomamente su estudio a su tiempo disponible.
 El curso pone a disposición del estudiante todo un repertorio de materiales complementarios

y herramientas de comunicación e intercambio 2.0 para facilitar el aprendizaje del estudiante:
mediateca, tablón de noticias, videos de héroes o emprendedores que cuentan su experiencia,
ejercicios con feedback, wiki, foro, blog del curso, etc.
 Respecto a la evaluación y la recompensa del aprendizaje del estudiante, a lo largo del curso,
en la medida en que el alumno va superando retos y desafíos educativos, consigue ‘badges’ 25
(insignias, distintivos): símbolos visibles en el mundo digital que acreditan las competencias
y habilidades adquiridas y definen su perfil académico-profesional. Además, la participación
del estudiante en la comunidad de aprendizaje le permite obtener ‘Karma’: prestigio que cada
individuo tiene en la comunidad, adquirido a través de su actividad social en la propia
plataforma y que se traduce en un marcador numérico en el perfil de cada miembro de la
misma.
 Se ofrece tutorización esporádica de expertos a través de los profesores y el dinamizador del

curso.
Por tanto, parece que el Curso MOOC “Emprendimiento y App Inventor” (MiriadaX, 2015)
cumpliría con los tres pilares básicos de la metodología óptima de aprendizaje para los más capaces,
señalada algo más arriba: metodología a distancia con soporte tecnológico; con contenidos bien
definidos y modulares que permitan el aprendizaje autónomo del alumno; y con sistema de apoyo
tutorial o mentores, e interacción en grupo con iguales en capacidad.
Sin embargo, el anterior curso está orientado en última instancia a público adulto, y al ámbito
empresarial y al emprendimiento. En ese sentido nos hemos dispuesto a buscar otro entorno MOOC
de perspectiva más educativa, orientada especialmente a una audiencia joven, y que pueda integrarse
en la práctica escolar; y hemos encontrado un magnífico ejemplo, Khan Academy, que desarrollamos
a continuación.
25
https://en.wikipedia.org/wiki/Digital_badge
27
1.2.1. Un ejemplo de plataforma en línea para los más capaces: Khan Academy
Desde hace unos años vienen proliferando por Internet plataformas educativas que tratan de
proporcionar en línea a los estudiantes de todo el mundo sus productos multimedia, integrando
tecnología de vídeo y texto, con un trabajado esquema didáctico que pretende ser un nuevo camino
para el aprendizaje, en muchos casos como sustitutos del libro de texto convencional. Éste es el caso,
por ejemplo, de “Thinkwell: online video learning specialists” 26 cuyos productos se utilizan en
multitud de países y niveles educativos; y sus cursos se orientan a dos ámbitos preferentemente:
como ayuda al estudio y trabajo en casa, y como una herramienta para los ‘homeschoolers’, aquellos
alumnos que por diversas razones se escolarizan en su hogar, total o parcialmente.
Sin embargo, plataformas como la anterior son de pago y no están pensadas para ser integradas con
el aula ordinaria. Estos inconvenientes han sido superados por la plataforma educativa ‘on-line’,
abierta y gratuita, llamada Khan Academy27
Uno de sus lema proclama su máxima aspiración: “A free world-class for anyone anywhere” (“Una
clase gratuita y a escala mundial para cualquiera en cualquier lugar”). Y en su información
corporativa Khan Academy dice ser:
“…una organización con una misión. Somos una organización sin ánimo de lucro con el
objetivo de cambiar la educación a mejor, proporcionando una educación gratuita y de talla
mundial, para cualquier persona en cualquier lugar (…) Todos los recursos del sitio web
están disponibles para cualquier persona. No importa si usted es un estudiante, un profesor,
el director de un centro, un adulto que vuelve a las aulas después de 20 años (…) Materiales
y recursos de Khan Academy están a su disposición de forma totalmente gratuita (…)
(…) Khan Academy ofrece ejercicios prácticos, videos instruccionales-educativos, y un panel

de aprendizaje personalizado que posibilita y empodera a los aprendices para el estudio
tanto dentro como fuera del aula” 28
Su fundador, Salman Khan, explica magistralmente el origen y la filosofía de este proyecto en una
conferencia incluida en la prestigiosa serie ‘TED Talks’ (Khan, 2011), en la cual habla sobre:
“…cómo y por qué creó la extraordinaria Khan Academy, una serie de videos educativos
cuidadosamente estructurados que ofrecen completos planes de estudio en matemáticas y,
ahora, en otros temas [como, por ejemplo, en programación informática]. Muestra el poder
de los ejercicios interactivos e invita a los profesores a considerar invertir el tradicional
método en el salón de clases [o metodología ‘flipped classroom’]: Asignar a los estudiantes
video-clases para ver en su hogar, y hacer ‘los deberes’ en el salón con el profesor listo para
ayudarles.” (Khan, 2011, en línea)
Recientemente, especialistas en la alta capacidad y el talento, como Tourón (2013a) han revisado las
características y principios pedagógicos de Khan Academy, y su convergencia con el estilo de
26
http://www.thinkwell.com/
27
https://www.khanacademy.org/
28
https://www.khanacademy.org/about
28
aprendizaje de los alumnos más capaces; llegando a afirmar que “estamos ante un hito educativo de
primera magnitud” (Tourón, 2013a, en línea).
Algunas de las características más destacables de Khan Academy (KA) son:
 Es un conjunto de cursos MOOC, en el sentido de que es un entorno ‘on-line’, abierto,

masivo y gratuito. A todos los recursos se puede acceder de manera externa a la plataforma,
aunque conviene que el estudiante se registre (‘log in’) para que su actividad quede grabada y
así pueda controlar su progreso y tener acceso a las estadísticas de avance.
 Versa sobre diversas disciplinas o áreas de conocimiento: Matemáticas, Ciencias (Química,

Física, Biología), Economía, Humanidades o Computación (Computer Science).
 Cada área de conocimiento se organiza como un currículum perfectamente organizado,

jerarquizado y modularizado. Cada estudiante, previa realización si lo desea de un pretest de
conocimientos iniciales, se sitúa en un punto determinado de ese conjunto de contenidos, a
partir del cual va avanzando a su propio ritmo; avance que queda registrado de manera
personalizada. Así, por ejemplo, es destacable el currículum de Matemáticas, que abarca
desde la ‘suma de 1 dígito’ hasta ‘derivadas e integrales’: es decir, el currículum completo de
Primaria, Secundaria y Bachillerato. En las Figura 1.6 vemos un extracto del mapa de
conocimientos (‘Knowledge Map’) por el que un estudiante iría avanzando, de manera
autónoma y a su propio ritmo, en el área de Matemáticas; y en la Figura 1.7 una relación
detallada del progreso de un estudiante en el dominio de las habilidades propias del área
(‘Skill Progress’)
Figura 1.6. Mapa de Conocimiento (‘Knowledge Map’) del área de Matemáticas en KA
29
Figura 1.7. Relación detallada del progreso en las habilidades de un estudiante en el área de Matemáticas en KA
 Para el aprendizaje, dominio y avance en cada una de las habilidades que se proponen, el
estudiante hace uso de un conjunto de videotutoriales (alojados en abierto en YouTube 29),
retos interactivos y ejercicios con feed-back automático; a los que puede acceder desde
cualquier ordenador con acceso a internet. Por ejemplo, en la Figura 1.8. vemos el conjunto
de recursos que se disponen para el aprendizaje de la habilidad ‘Basic Division’ (división
básica y sin decimales).
Figura 1.8. Interfaz con el conjunto de recursos para desarrollar la habilidad ‘Basic Division’ en KA
29
El canal de Khan Academy en YouTube [https://www.youtube.com/user/khanacademy/videos] acumula un total de
2.289.839 suscriptores y 661.204.401 visualizaciones (datos recuperados el 16 de octubre de 2015)
[https://www.youtube.com/user/khanacademy/about]
30
Figura 1.9. Videotutorial de KA en YouTube 30, de apoyo al aprendizaje de la habilidad ‘Basic Division’
 El estudiante, a medida que supera y domina habilidades de progresiva dificultad, obtiene

reconocimiento y reforzamiento en forma de puntos y ‘badges’ (insignias digitales) en su
perfil personalizado (Figura 1.10), incrementándose su reputación y pericia en la plataforma.
Figura 1.10. ‘Badges’ (insignias digitales) obtenidas por un estudiante en KA tras el logro de sucesivas habilidades.
 La actividad y progreso del estudiante queda perfectamente recogida en la plataforma, y

expresada de manera intuitiva a través de estadísticos gráficos y detallados: día de conexión,
habilidades practicadas, % de acierto en ejercicios, videotutoriales visionados, insignias
obtenidas, etc. (Figuras 1.11 y 1.12). Este conjunto de datos de seguimiento (‘tracking’) y
análisis del aprendizaje del estudiante (‘learning analytics’) que proporciona la plataforma
Khan Academy, ha sido recientemente mejorado y extendido por investigadores españoles
(Muñoz-Merino, Valiente, & Kloos, 2013; Ruipérez-Valiente, Muñoz-Merino, Leony, &
Kloos, 2015)
30
https://youtu.be/MTzTqvzWzm8
31
Figura 1.11. Ejemplo de la actividad del estudiante en la plataforma KA a lo largo de ‘los pasados 30 días’
Figura 1.12. Conjunto de habilidades y videotutoriales abordados por el estudiante en ‘los pasados 30 días’, con los
respectivos niveles de dominio alcanzados en KA
 Además, los padres, profesores, orientadores o directores de los centros educativos pueden
igualmente darse de alta en la plataforma y crear en su interior un ‘aula virtual’ a la que
asociar a sus estudiantes; de tal manera que los profesores pueden monitorizar en tiempo real
el progreso de sus alumnos y sus estadísticas, así como diferenciar e individualizar su
instrucción en función de su avance. Ello posibilita integrar Khan Academy en el aula
ordinaria a través de un esquema didáctico de ‘clase invertida’ (‘flipped classroom’) tal y
como veremos en el siguiente epígrafe.
32
 En caso de necesitarlo, el estudiante puede contactar a través de foros y pizarras interactivas

con otros estudiantes de igual o superior capacidad para ser orientados en su aprendizaje; así
como con ‘coaches’ (miembros de la plataforma que se ofrecen como entrenadores-tutores).
 Adicionalmente, la plataforma Khan Academy está originalmente en lengua inglesa (aunque

progresivamente se están traduciendo sus contenidos y subtitulando sus videotutoriales a
otros idiomas), de manera que su uso desarrolla paralelamente las competencias lingüísticas
extranjeras de los alumnos españoles.
Así, es tal la magnitud de la irrupción de Khan Academy que tanto desde revistas especializadas en
cultura digital (Thompson, 2011) como en medios especializados en economía (Noer, 2012), se
afirma que Khan Academy está reinventando y cambiando las reglas para la educación del siglo
XXI. Desde un ámbito más académico, Tourón (2013b) expone cómo Khan Academy supone un
recurso de primera magnitud para que se pueda realizar una adecuada diferenciación e
individualización de la enseñanza-aprendizaje en nuestras aulas. En concreto, nos dice: “La visión de
Khan sobre la clase es muy acertada, y está en línea con la investigación pedagógica solvente que se
viene realizando desde décadas atrás sobre las variables críticas en el proceso de enseñanza-
aprendizaje” (Tourón, 2013b, en línea)
Tourón (2013b), recoge los principios metodológicos de Khan Academy, explicados por su propio
fundador, que se resumen en los siguientes cuatro puntos, todos ellos en consonancia metodológica
con el aprendizaje ideal de los sujetos de alta capacidad:
a. ‘Mastery-based’ (basado en el dominio): sólo se avanza en las sucesivas habilidades y retos

cuando se demuestra un claro dominio de los mismos; habitualmente en forma de series de 5
o 10 ejercicios realizados sin error.
b. ‘Self-paced’ (al propio ritmo): en palabras del propio Khan, recogidas por Tourón (2013b, en
línea): “Los estudiantes necesitan tiempo y espacio para llegar a dominar los diversos
conceptos previos antes de abordar los siguientes. Cuando se les da esta libertad, los
estudiantes adquieren confianza y asumen la responsabilidad de dirigir por sí mismos sus
experiencias de aprendizaje (…) Lo contrario también es cierto, los alumnos que aprenden
más rápido necesitan tener a su disposición la posibilidad de seguir adelante, de otro modo
suele producirse tedio y aburrimiento, desinterés y falta de motivación y, finalmente, pereza
intelectual”
c. ‘Interactive & exploratory’ (interactiva y exploratoria): “La clase debe brindar a los
alumnos la oportunidad de explorar y confrontar problemas de manera tangible”
d. ‘P2P Learning: Peer to peer learning’ (aprendizaje entre pares): los pares no son pares en
edad, sino pares en capacidad; tal y como siempre han buscado y necesitado los alumnos de
alta capacidad.
Como síntesis, en la siguiente Tabla 1.2 tratamos de ilustrar la convergencia entre algunas
características propias del estilo de aprendizaje de los alumnos de alta capacidad, y su
correspondencia con algunos elementos propios de Khan Academy.
33
Tabla 1.2. Convergencia entre estilo de aprendizaje de alumnos de alta capacidad y las características de Khan Academy.
Los alumnos de alta capacidad… Khan Academy ofrece…
Retos y problemas con expectativas explícitas sobre el

nivel de ejecución esperado, que es de ‘dominio’ para
Para rendir al máximo nivel necesita ejemplos de poder ser superados.
excelencia, y expectativas precisas del nivel de ejecución Por ejemplo, en el área de programación informática
esperado (Tannenbaum, 1991) (Computer Science) se ofrecen gran cantidad de modelos
de excelencia a partir de los cuales el estudiante puede
generar derivados o spin-offs (Figura 1.4)
Es una comunidad virtual de aprendizaje en la cual las

Preferencia por estar con sus iguales en capacidad, no con relaciones y la comunicación se establece en función de
sus iguales en edad (Freeman, 1990) la capacidad y la pericia en un campo determinado; no en
función de la edad.
Se organiza en áreas de conocimiento, a modo de un

Se inclinan hacia un aprendizaje autónomo, independiente
conjunto de contenidos perfectamente organizado:
y a su propio ritmo, que es favorecido con currículos bien
secuenciado y jerarquizado; o ‘mapas de conocimiento’
estructurados y organizados, y con paquetes de aprendizaje
(‘Knowledge maps’) por el que el estudiante avanza a su
autodirigidos (VanTassel-Baska, 1989)
propio ritmo.
Se benefician extraordinariamente de la tutorización Ofrece un sistema de aprendizaje entre pares (P2P, peer
ocasional por expertos, así como de las relaciones de to peer), con asesoramiento ocasional de ‘coaches’
mentoría entre iguales (VanTassel-Baska, 1989) (tutores)
Hasta este punto, con objeto de describir las características de la plataforma Khan Academy, nos
hemos apoyado en ejemplificaciones del área de matemáticas. Nos centraremos ahora en el curso
‘Computer Programming’ 31 (Khan Academy, 2015), por ser el que se relaciona directamente con
nuestro problema inicial de investigación; ya que es un curso que permite al estudiante programar y
construir ‘web apps’ (gráficos, animaciones o visualizaciones interactivas, que pueden ejecutarse
desde un navegador en un dispositivo móvil), así como compartir sus creaciones y explorar los
programas realizados por otros. Más concretamente, describiremos con cierto detalle el módulo
‘Intro to JS: Drawing & Animation’ 32, dado que será el entorno utilizado con posterioridad en el
estudio de casos de alumnos con altas capacidades computacionales con el que se cierra la parte
empírica de esta tesis doctoral (apartado 7.3)
Dicho módulo ‘Intro to JS 33: Drawing & Animation’ está compuesto por un itinerario formativo
perfectamente delimitado en el que se distinguen 3 tipos de elementos (Figura 1.13): tutoriales de
vídeo, tutoriales de ‘consola de programación interactiva’, y retos de programación.
Los tutoriales de vídeo son piezas audiovisuales alojadas en el canal de Khan Academy en YouTube;
mientras que los tutoriales de ‘consola de programación interactiva’ son simulaciones en el mismo
entorno que utilizará el estudiante para sus retos y proyectos de programación, que reproducen cómo
ir utilizando los distintos comandos y parámetros del lenguaje JavaScript & ProcessingJS (Figura
1.3)
31
32
https://www.khanacademy.org/computing/computer-programming/programming
33
JS son las iniciales relativas a JavaScript, el lenguaje de programación utilizado en el módulo.
34
Figura 1.13. Itinerario formativo del módulo ‘Intro to JS: Drawing & Animation’ en KA
Por ejemplo, en la Figura 1.14 se ilustra uno de estos tutoriales de ‘consola de programación
interactiva’. Según avanza el tutorial, la tutora va narrando las acciones que desarrolla en la consola
de programación (a la izquierda), mientras que la interfaz resultante se va actualizando (a la
derecha). Es muy de destacar que la autora y narradora de estos tutoriales, es la miembro de Khan
Academy, Jessica Liu 34: mujer, 21 años, origen asiático y programadora; rompiendo todos los
tópicos sobre la figura del programador y/o el sujeto de alta capacidad aficionado a la informática
(varón y de origen caucásico).
Figura 1.14. Tutorial de ‘consola de programación interactiva’ denominado ‘Intro to coloring’ 35 en KA
34
Foto de Jessica Liu http://www.khanacademy.org/images/headshots/interns/jessica.png. Blog de Jessica Liu:
http://cakefordinner.com/
35
Recuperado de https://www.khanacademy.org/computing/computer-programming/programming/coloring/p/intro-to-
coloring
35
El desarrollador de software y diseñador del entorno de trabajo del curso ‘Computer Programming’,
John Resig, lo describe como una plataforma cuyo objetivo es introducir a las personas, aunque no
tengan ningún conocimiento previo, en las tareas y lenguajes de programación; enganchándolas a
través de un entorno divertido e interactivo de aprendizaje. Resig (2012) continúa diciendo:
“Por encima de cualquier otra cosa queremos enfatizar la creatividad y la exploración,

haciendo la programación accesible a personas de todas las edades, incluyendo jóvenes y
niños (…) en nuestra consola de programación interactiva puedes ir introduciendo código y
ver en tiempo real el resultado; intuyendo así cómo funciona el lenguaje de programación
sin acudir a explicaciones explícitas del mismo” (Resig, 2012, en línea)
En una reciente entrevista en el prestigioso magazine Computer de la IEEE Computer Society

(Severance, 2015), John Resig 36 conversa con Pamela Fox 37, responsable actual del diseño curricular
del curso ‘Computer Programming’ (y otros de la plataforma Khan Academy relacionados con
Ciencias de la Computación). Pamela Fox es también la autora-narradora de los nuevos tutoriales y
retos de programación incorporados recientemente 38; así como del nuevo sistema de ‘gamificación’
del curso, que ha sido analizado de manera crítica desde ámbitos de investigación académica
(Morrison & DiSalvo, 2014). En la conversación, Resig y Fox muestran acuerdo sobre que el curso
‘Computer Programming’ puede comenzar a ser abordado a partir del ‘6th Grade’ (equivalente a 12
años edad, foco evolutivo central de nuestros estudios empíricos)
Finalmente, uno de los jovencísimos colaboradores en el desarrollo inicial del curso ‘Computer
Programming’, Jamie Wong 39 (acaso un estudiante de alta capacidad), explica y se enorgullece en su
blog de sus mejores creaciones en la consola de programación (Wong, 2012a), y ofrece un par de
razones por las cuales considera que el curso ‘Computer Programming’ supone una notable
evolución (Wong, 2012b):
a. ‘Instant gratification’ (gratificación instantánea): la introducción de código en la consola de

programación se traduce en tiempo real en un resultado gráfico e interactivo.
b. ‘Bragging rights’ (derechos de fanfarronear): los programas creados pueden ser

instantáneamente compartidos con una comunidad global que los evalúa, los versiona, los
reenvía, los mejora.
Parece intuirse que ser capaz de programar se convierte en el mundo actual en una habilidad
relevante y de prestigio, de manera transversal a los géneros y las culturas. Argumento que
volveremos a retomar en el epígrafe de ‘Relevancia’ (ver apartado 1.3)
Pero recordemos, tal y como declarábamos al inicio del capítulo, que nuestra intención es explorar la
posibilidad y deseabilidad de aprender a programar aplicaciones para dispositivos móviles (‘apps’),
desde nuestros centros educativos y en el marco de la atención a la diversidad, es decir, como un
36
https://twitter.com/jeresig
37
https://twitter.com/pamelafox
38
Hacemos hincapié en la presencia de estas figuras-modelos femeninos en estos entornos de aprendizaje de la
programación informática pues, como tratará de mostrarse a lo largo de la tesis doctoral, la cuestión de género está muy
presente en lo que la escritura de código se refiere.
39
https://twitter.com/jlfwong
36
enriquecimiento integrado en el aula ordinaria y articulado con el conjunto del currículo; algo que
tradicionalmente no se ha conseguido y ha sido objeto de críticas, dado que el enriquecimiento
curricular para sujetos de alta capacidad ha solido tomar la forma de actividades extraescolares y
extracurriculares (Jiménez Fernández, 2010).
Por tanto, aún dentro de la exploración de la hipótesis directiva de viabilidad llega el momento de
preguntarnos, ¿cómo integrar en el aula ordinaria recursos de aprendizaje tan potentes como Khan
Academy? En un aula tradicional parece inviable, pero desde el emergente paradigma del ‘blended
learning’ (‘b-learning’) 40, que propone combinar clase física y aprendizaje digital, se abre un camino
perfectamente transitable. Más concretamente, se propone explorar el esquema didáctico
denominado ‘flipped classroom’ (traducido en español como ‘clase invertida’, ‘instrucción inversa’ y
similares), novedoso e incipiente, como el más apropiado para abordar nuestro objetivo.
Así ya lo propone el propio Salman Khan cuando es requerido sobre la cuestión de cómo integrar su
plataforma en el aula ordinaria (Alliance for Excellent Education, 2012); y así es sugerido
igualmente por un reciente informe de investigación (SRI Education, 2014) que reporta el impacto de
introducir Khan Academy en el aula ordinaria a partir de un estudio en 20 escuelas del entorno de
Silicon Valley (California, Estados Unidos), en cursos que van desde ‘5th – 10th Grade’ (5º Primaria
– 4ºESO en la equivalencia con el sistema educativo español). Los principales resultados de este
estudio indican altos niveles de satisfacción, tanto de estudiantes como de profesores, en la
implantación de Khan Academy en el aula, especialmente en el área de matemáticas, en donde se
observan: mejoras significativas en los resultados académicos, aumento en la confianza de los
estudiantes sobre sus habilidades matemáticas, y descenso en los niveles de ansiedad relacionados
con la materia. Un 89% de los profesores involucrados declararon que, tras la experiencia,
incorporarían definitivamente Khan Academy a sus clases.
1.2.2. Una metodología emergente para los más capaces: la ‘flipped classroom’
Uno de los enfoques pedagógicos que se ha venido abriendo paso en los últimos años de manera
decisiva y con prometedores resultados es la denominada ‘flipped classroom’ (traducido al castellano
como ‘aula invertida’, ‘clase inversa’ o similares) o metodología ‘flipped learning’ (traducido al
castellano como ‘aprendizaje inverso’, ‘aprendizaje volteado’, ‘aprendizaje al revés’ o similares).
Muy recientemente, Tourón, Santiago y Díez (2014) han revisado en el primer monográfico sobre
‘flipped classroom’ (FC) en lengua española del que tenemos noticia (‘The Flipped Classroom:
Cómo convertir la escuela en un espacio de aprendizaje’) las características de este modelo, sus
ventajas, algunos ejemplos de su implantación y resultados de investigación; en relación con la
diferenciación educativa para cualquier estudiante en general, y para los alumnos de alta capacidad
en particular. En su prólogo, los autores afirman:
40
El aprendizaje semipresencial (de sus siglas en inglés: Blended Learning o B-Learning) es el aprendizaje facilitado a
través de la combinación eficiente de diferentes métodos de impartición, modelos de enseñanza y estilos de aprendizaje,
y basado en una comunicación transparente de todas las áreas implicadas en el curso (…) Puede ser logrado a través del
uso de recursos virtuales y físicos, mezclados. Un ejemplo de esto podría ser la combinación de materiales basados en la
tecnología y sesiones cara a cara, juntos para lograr una enseñanza eficaz
[https://es.wikipedia.org/wiki/Aprendizaje_semipresencial]
37
“Estamos convencidos de que una nueva era se está abriendo para la escuela. Ya no basta
con ceñirse a un tema autocontenido en un libro en papel. Es preciso ampliar el foco y
permitir que cada alumno vaya tan lejos, tan rápido y con tanta profundidad como su
capacidad y grado de dominio le permitan, de modo que la escuela se transforme en un
ámbito propicio para el desarrollo del talento de todos los alumnos” (Tourón, Santiago, &
Díez, 2014, prólogo)
Y aún más reciente, en el último número monográfico de ‘Revista de Educación’ 41 sobre altas
capacidades, Tourón y Santiago (2015) analizan las posibilidades que ofrece el modelo de
‘aprendizaje inverso’ para el desarrollo del talento de todos los alumnos y, particularmente, de los
más capaces. Los autores dicen que estudian las posibilidades de la ‘flipped classroom’ como:
“…un modelo de enseñanza y aprendizaje que recupera para el alumno un papel central
convirtiéndolo en protagonista de su propio aprendizaje, de manera que se abre la
posibilidad a un desarrollo de los aprendices que respeta su ritmo y profundidad de
aprendizaje y les permite, al menos teóricamente, desplazarse por el currículo a la velocidad
que su capacidad y nivel de dominio les permite” (Tourón & Santiago, 2015, p. 196)
Veremos a continuación: a) Concepto y características del modelo ‘flipped classroom’; b) Ventajas y

beneficios del modelo ‘flipped classroom’; c) Ejemplos de experiencias de implantación del modelo
‘flipped classroom’; d) Resultados preliminares de investigación; y e) Convergencia entre el
ambiente de aprendizaje promovido por la ‘flipped classroom’ y los alumnos de alta capacidad.
a) Concepto y características del modelo ‘flipped classroom’
Tal y como los definen Bergmann y Sams (2012), autores fundacionales y acuñadores del término, el
‘flipped classroom’ o ‘flipped learning’ es un enfoque pedagógico que transfiere fuera del aula el
trabajo de determinados procesos de aprendizaje y utiliza el tiempo de clase, apoyándose en la
experiencia del docente, para facilitar y potenciar otros procesos de adquisición y práctica de
conocimientos dentro del aula.
Con más detalle, en la web 42 de referencia en España sobre ‘flipped classroom’ (Tourón, Santiago, &
Vázquez, 2015), llamada ‘The Flipped Classroom: Experiencias y recursos para ‘dar la vuelta’ a la
clase’ se define:
“Flipped Classroom es un modelo de trabajo en el aula con el que están experimentando

algunos docentes. Si bajo la estructura tradicional el tiempo que estamos en el aula,
especialmente en los niveles superiores de secundaria y en enseñanza superior, se dedica a
explicar la materia y acercar al alumnado a las ideas fundamentales de cada unidad
didáctica, mientras que las tareas se hacen en casa; bajo la estructura que propone la ‘clase
del revés’, es precisamente al contrario: en casa los estudiantes acceden a los contenidos
mientras que las tareas se desarrollan en el aula (…)
41
Nº 368, disponible al completo en http://www.mecd.gob.es/revista-de-educacion/numeros-revista-educacion/numeros-
anteriores/2015/368.html
42
http://www.theflippedclassroom.es/
38
(…) Para que esto sea posible, el docente facilita a su alumnado materiales audiovisuales,
pueden ser vídeos o incluso Podcast, de una duración no superior a cinco minutos a través
de los cuales presenta la unidad, las principales ideas o los conceptos fundamentales. Este
material puede tratarse de un recurso producido por el propio docente o bien de un recurso
ya existente en la red, por ejemplo, Khan Academy (…) Bajo el modelo de la ‘clase del revés’
los docentes no envían problemas a la casa, sino conocimiento, y dejan libre el tiempo del
aula para que cada alumno, con su ayuda y la del resto de sus compañeros, pueda trabajar
sobre las tareas de cada unidad (…) Los docentes tienen más tiempo en el aula para trabajar
con cada estudiante, conocer mejor sus necesidades y sus avances. Por su parte el alumnado
tiene la oportunidad de hacer preguntas y resolver los problemas con la guía de sus
profesores y el apoyo de sus pares, de modo que se favorece la creación de un ambiente de
aprendizaje colaborativo.
En resumen, los principales beneficios de este modelo serían: Permite a los docentes dedicar
más tiempo a la atención a la diversidad; Es una oportunidad para que el profesorado pueda
compartir información y conocimiento entre sí, con el alumnado, las familias y la
comunidad; Proporciona al alumnado la posibilidad de volver a acceder a los mejores
contenidos generados o facilitados por sus profesores; Crea un ambiente de aprendizaje
colaborativo en el aula; Involucra a las familias desde el inicio del proceso de aprendizaje”
Así, cuando los profesores diseñan y publican el contenido ‘on-line’, el tiempo de clase se libera para
que se pueda facilitar la participación de los estudiantes en el aprendizaje activo, a través de
preguntas, discusiones y actividades aplicadas que fomentan la exploración, la articulación y
aplicación de ideas (Tourón & Santiago, 2015). En las Figuras 1.15 y 1.16 se ilustra gráficamente43
el modelo ‘flipped classroom’:
Figura 1.15. Ilustración del modelo ‘flipped classroom’ (1). Tomado de Tourón (2013f)
43
Una infografía completísima sobre el modelo en https://www.knewton.com/infographics/flipped-classroom/
39
Para cerrar la descripción del modelo y prevenir confusiones, Tourón (2013f) nos aclara qué es y qué
no es la ‘clase invertida’. Así, la ‘flipped classroom’ no es:
- Sinónimo de vídeos ‘on-line’. Es frecuente que cuando se oye hablar de este modelo se
piense inmediatamente en los vídeos, propios o ajenos, que los profesores suelen ofrecer a sus
alumnos para que aprendan por sí mismos. Sin embargo, lo que resulta más importante es la
interacción y las actividades de aprendizaje significativo que ocurren cuando profesores y
alumnos están cara a cara.
- Un procedimiento para reemplazar a los profesores por vídeos.
- Un curso ‘on-line’.
- Un modelo para que los estudiantes trabajen a su antojo sin estructura o dirección alguna.
- Que los alumnos se pasen todo el tiempo de la clase delante de una pantalla.
- Hacer que los alumnos trabajen solos.
La ‘flipped classroom’ sí es:
- Un medio para incrementar la interacción y el tiempo de contacto personalizado entre

profesores y alumnos.
- Un ámbito en el que los estudiantes asumen la responsabilidad de su propio aprendizaje.
- Una clase en la que el profesor no es ‘el sabio en el escenario’ (‘the sage on the stage’) sino
la ‘guía a al lado del alumno’ (‘the guide on the side’)
- Una combinación de enseñanza directa y aprendizaje constructivista.
- Un medio por el que los alumnos ausentes, debido a enfermedad u otras actividades que les
impiden asistir a clase, pueden seguir el ritmo de desarrollo de las materias.
- Una clase en la que el contenido está permanentemente archivado para que los alumnos lo
utilicen en acciones de repaso, recuperación, etc…
- Un modelo en la que todos los alumnos están implicados en su propio aprendizaje.
- Una clase, en suma, en la que todos los alumnos pueden tener una educación personalizada
real.
Figura 1.16. Ilustración del modelo ‘flipped classroom’ (2). Tomado de Tourón (2013f)
40
b) Ventajas y beneficios del modelo ‘flipped classroom’
Para este punto, acudimos a un panel de expertos 44 profesores universitarios que han adoptado e
investigado sobre el modelo ‘flipped classroom’; panel organizado recientemente por la editorial
McGraw-Hill (2013) y aparecido en el influyente blog del profesor Kelly Walsh 45. En dicho panel se
define nuevamente la ‘clase invertida’ 46 y se consensuan algunos de sus beneficios, por ejemplo:
 La ‘clase invertida’ produce una mayor implicación del estudiante: explicar la lección en el
aula tradicional es un enfoque de aprendizaje muy pasivo, pero cuando se desplazan las
lecciones a un sistema en línea, el tiempo de clase se puede utilizar para la resolución de
problemas, las actividades de colaboración y discusión en grupo; incrementándose el
compromiso de los alumnos.
 La ‘clase invertida’ produce un aprendizaje más profundo: cuando se mueve la exposición de

los contenidos a un sistema en línea y fuera de la clase, se libera una gran cantidad de tiempo
para abordar los temas con más detalle y profundidad durante el tiempo de clase. En este
sentido, en la Figura 1.17, se ilustra como la ‘clase invertida’ permite invertir un mayor
tiempo en clase en las categorías superiores de la taxonomía de Bloom.
Figura 1.17. Tiempo en la ‘clase invertida’ según la taxonomía de Bloom. Tomado de Tourón (2013e)
 La ‘clase invertida’ permite una mayor adaptación al ritmo de cada estudiante: el aula
tradicional generalmente no se adapta a cada alumno (todo el mundo tiene que aprender el
tema que se expone básicamente al mismo ritmo). Por el contrario, en el aula invertida, los
estudiantes tienen la posibilidad de tener un mayor control de los contenidos de las
44
https://youtu.be/3T8jfzCJza0
45
http://www.emergingedtech.com/
46
“Invertir la clase consiste en hacer que los alumnos ‘consuman’ contenidos de aprendizaje (p.ej. la lección) fuera de
la clase, generalmente como trabajo para casa, liberando un tiempo valioso de relación cara a cara con sus profesores
realizando las tareas asignadas (trabajos que tradicionalmente suelen ser los deberes) y para reforzar el aprendizaje y
profundizar en los materiales adecuados.”
41
explicaciones y manejar el ritmo (una pausa para tomar notas, o retroceder y aclarar cuando
lo necesitan). Esto a su vez libera el tiempo de clase, donde ahora se puede promover un
pensamiento de orden superior y aumentar la colaboración y la participación de los
estudiantes.
 En un contexto ligeramente distinto, este doctorando ha publicado un artículo (Román-

González, 2013c) en la web http://www.theflippedclassroom.es/ justificando igualmente las
ventajas y beneficios del modelo ‘flipped classroom’ para profundizar en el enfoque por
competencias promovido en el Espacio Europeo de Educación Superior (EEES); y
vinculándolo con la metodología más general del ‘b-learning’. Tourón y Santiago (2015)
también establecen esta conexión: “el blended learning (aprendizaje mixto) se puede
entender como el modelo más ‘maduro’ de flipped learning, lo que supone una combinación
de herramientas en línea y la instrucción en clase presencial” (Tourón y Santiago, 2015, p.
212)
Para completar este punto, recogemos las características que, según la experiencia de Bennett, Kern,
Gudenrath y McIntosh (2012), reúnen las ‘clases invertidas’ efectivas y de calidad:
- Los debates y conversaciones están dirigidos por los estudiantes a partir del contenido que
han adquirido fuera de la clase; durante ésta se amplía.
- Los debates suelen alcanzar niveles superiores de pensamiento crítico.
- El trabajo colaborativo es fluido, con los alumnos cambiando entre diversas discusiones
simultáneas en función de sus necesidades e intereses.
- El contenido se da en un contexto que se refiere, ordinariamente, a situaciones del mundo
real.
- Los estudiantes se desafían intelectualmente unos a otros durante la clase respecto al
contenido que se discute.
- Se dan formas de aprendizaje dirigidas por los estudiantes a modo de tutoría y de
colaboración espontánea entre ellos.
- Los estudiantes se hacen con el contenido y emplean sus conocimientos para dirigirse unos a
otros sin que medie necesariamente el profesor.
- Los estudiantes hacen preguntas exploratorias y tienen la libertad para ahondar en temas que
van más allá del currículo.
- Los estudiantes participan activamente en la resolución de problemas y el pensamiento crítico
se ejercita en ámbitos fuera del curso.
- Los estudiantes se transforman de oyentes pasivos a aprendices activos.
c) Ejemplos de experiencias de implantación del modelo ‘flipped classroom’
En el ámbito anglosajón, especialmente en los Estados Unidos, pueden encontrarse múltiples

descripciones de experiencias piloto con el modelo ‘flipped classroom’ a través del portal ‘Flipped
Learning Network’ 47, una comunidad ‘on-line’ en la cual se intercambian experiencias y recursos
entre profesores para poder ‘invertir’ su clases.
47
http://flippedclassroom.org/
42
Con respecto a España, en el curso 2012/2013 tuvimos noticia de la primera implantación en

territorio español (Hidalgo, 2013): el Colegio San Ignacio de San Sebastián implementó de manera
experimental en un par de aulas de la ESO el modelo de ‘clase invertida’ utilizando los recursos de
Khan Academy (Figura 1.18)
Figura 1.18. Noticia en prensa de implantación pionera de ‘clase invertida’ en España (Hidalgo, 2013)
Extractamos a continuación lo más destacable de la noticia, que nos parece muy ilustrativa del
potencial de la ‘flipped classroom’ para atender a la diversidad en el marco del aula ordinaria:
“Khan Academy ha entrado en San Ignacio por la puerta del taller de Matemáticas de 2º
ESO y las clases de Biología de 4º ESO. «Los vídeos, cortos, de entre siete y doce minutos, y
en inglés, se ven en casa. El trabajo del profesor es estar en el aula resolviendo las dudas
que surgen a los alumnos mientras resuelven los ejercicios que ha propuesto», explica
Arzamendi (directora). Sin embargo, esta plataforma es algo más que YouTube disfrazado de
colegio. Dos palabras clave: seguimiento y recompensas (…) Cuando un alumno ve un vídeo
en Khan Academy, el profesor lo sabe. Cuando se enfrenta a un ejercicio matemático, el
profesor sabe cuántas veces lo ha intentado, cuándo lo ha terminado y cuántos más ha hecho
después. «Facilita la atención a la diversidad del alumnado», afirma la directora.
El docente sabe quién avanza viento en popa dejando atrás una estela cada vez más larga de
respuestas correctas. Sabe quién se ha quedado atascado en un ejercicio y ve en los
siguientes un pasillo espinoso. «Podemos dar más trabajo al que tiene menos dificultades o
ponerlo en tesitura de acompañar al que encuentra más problemas y potenciar así el
aprendizaje cooperativo» (…) Atrás quedan las clases convencionales donde el profesor
«explicaba para todos, resolvía algunos ejercicios para todos y corregía para todos». En
Khan Academy el lugar del profesor está merodeando entre los pupitres apoyando
individualmente el aprendizaje de cada alumno. Mientras tanto, la pizarra digital muestra el
43
abanico de ejercicios que pueden hacer –determinado previamente por el maestro–: «Cada
uno elige su camino, así potenciamos la iniciativa y la autonomía personal», precisa
Arzamendi.
¡Y recompensas! Los alumnos no están viendo vídeos ni devanándose los sesos en los
ejercicios en vano. Conforme avanzan en los programas propuestos por ‘Khan Academy’,
reciben insignias que reconocen su empeño estudiantil y están descritas en la web (…)
«No te voy a decir que con este sistema el alumno trabaja menos y aprende más. Pero las
recompensas permiten mantener en el tiempo la motivación. Empezamos con el proyecto en
septiembre, estamos en febrero y el alumno está igual de motivado. De hecho, trabaja más»,
asegura la directora del centro. Según ella, la posibilidad de que el profesor conozca cada
movimiento de cada alumno dentro de la plataforma ha permitido comprobar cómo algunos
de ellos se aventuran hacia otros itinerarios y cacharrean entre lecciones de historia del arte
o informática. «Ven en Khan Academy una ventana impresionante para aprender otras
cosas. Lo cierto es que también es un sistema muy adecuado para que los adultos aprendan
cultura general», reconoce.” (Hidalgo, 2013, en línea)
Posteriormente, desde el curso 2013/2014 se han ido conociendo nuevas iniciativas y proyectos
piloto en España para implantar la ‘clase invertida’, principalmente en aulas de matemáticas de la
ESO; promovidas y recopiladas desde la web 48 de referencia en España, ya mencionada, sobre
‘flipped classroom’ (Tourón, Santiago, & Vázquez, 2015).
d) Resultados preliminares de investigación sobre el modelo ‘flipped classroom’
Según afirman Goodwin y Miller (2013), la evidencia sobre el modelo ‘flipped classroom’ aún está
por llegar, si bien existen evidencias parciales prometedoras, como el informe elaborado por
Hamdan, McKnight, McKnight y Arfstrom (2013). Recientemente se ha publicado una extensión del
informe citado de Hamdan et al., elaborado por Yarbro, Arfstrom, McKnight y McKnight (2014), en
el que se recogen numerosos estudios de casos que reflejan que las clases, de diversos niveles
educativos (desde la enseñanza primaria a la Universidad), experimentan ganancias en rendimiento y
satisfacción por parte de profesores y alumnos con el uso de este modelo.
Tourón y Santiago (2015) dan cuenta de una encuesta entre 453 maestros de Estados Unidos que
aplicaron el modelo ‘flipped classroom’: el 67% informó de un aumento de las puntuaciones en las
pruebas de rendimiento, con beneficios particulares para los estudiantes con necesidades educativas
especiales; el 80% informó de una mejoría de la actitud por parte de los estudiantes; y el 99% dijo
que volvería a utilizar el modelo el año siguiente. En esta misma línea, la Escuela Secundaria
Clintondale en Michigan 49 (pionera a nivel mundial en implantar la metodología ‘flipped classroom’
de manera generalizada en sus aulas) comprobó cómo la tasa de fracaso de los estudiantes de
matemáticas de grado noveno bajaba del 44% al 13% después de la adopción de la metodología de
‘clase inversa’ (Finkel, 2012).
48
http://www.theflippedclassroom.es/category/experiencias/
49
http://www.flippedhighschool.com/
44
En otro reciente informe de investigación (NFER & Nesta, 2015), de carácter cualitativo, que
involucra estudiantes de entre 11 y 14 años de 9 escuelas distintas del Reino Unido, se reportan
algunos resultados derivados de la integración de la plataforma Khan Academy en las aulas de
matemáticas mediante metodología ‘flipped classroom’. El sumario ejecutivo de dicho informe
afirma que la implantación del ‘flipped learning’ supuso más tiempo efectivo para: practicar y
aplicar los conocimientos y habilidades adquiridos; formular preguntas y mantener debates de mayor
nivel cognitivo; fomentar el aprendizaje colaborativo; favorecer un aprendizaje independiente y
conducido por el propio estudiante; facilitar apoyo individualizado; incrementar el conocimiento de
los estilos de aprendizaje preferidos por cada alumno. Además, y en relación con el área de
Matemáticas los estudiantes incrementaron: su compromiso con el aprendizaje; sus conocimientos y
comprensión de la materia; su confianza hacia las matemáticas; la conciencia respecto de sus
fortalezas y debilidades; sus habilidades para el aprendizaje autónomo; su progreso en la materia y
sus logros en la misma (NFER & Nesta, 2015, p. 6)
De manera similar, aunque esta vez referida a profesorado universitario de los Estados Unidos,
Tourón (2015) informa sobre una encuesta realizada a 1024 profesores, miembros de la plataforma
‘Faculty Focus’ 50, cuyos principales resultados son:
- El 69,5% de los profesores encuestados han intentado invertir alguna actividad, clase o curso
y se plantean hacerlo de nuevo.
- Sólo el 5,49% de los que lo han hecho no se plantean repetir la experiencia.
- La mayor parte de los profesores que han invertido su enseñanza lo han encontrado positivo,
tanto para ellos (70,3%) como para sus alumnos (64,8%).
- Las principales razones para invertir sus clases incluyen un deseo de aumentar la
participación de los estudiantes (79,3%) y mejorar el aprendizaje de los mismos (75,8%).
- En términos de los beneficios reales, casi las tres cuartas partes veían mayor compromiso de
estudiantes (74,9%), mientras que más de la mitad vio evidencias de mejora en el aprendizaje
(54,66%).
- Más del 80% señaló que los estudiantes eran más colaborativos y el 76,61% dijo que hacían
más preguntas, mientras que casi la mitad (48,75%) también observó cierta resistencia
estudiantil.
- La barrera más frecuentemente para el profesorado que quiere probar la inversión es el
tiempo limitado del que dispone.
- Casi el 70% dijo que era un reto. Muy significativo (38,1%) o un reto importante (31,61%).
- De los encuestados que no están interesados en el aprendizaje inverso, el 38,9% dijo que no
saben lo suficiente sobre él y el 27,4% consideró que era una moda pasajera.
En cualquier caso, parece que en el momento actual, “es preciso llevar a cabo mucha más
investigación para determinar de manera rotunda si el modelo ‘flipped classroom’ mejora
directamente el aprendizaje del estudiante, pero la ‘ausencia de evidencia no es evidencia de
ausencia’” (Tourón & Santiago, 2015, p. 223)
50
http://www.facultyfocus.com/
45
e) Convergencia entre el ambiente de aprendizaje promovido por la ‘flipped classroom’ y los

alumnos de alta capacidad.
Recientemente, desde la ‘Flipped Learning Network’ 51 se han fijado los cuatro pilares metodológicos
del modelo (acrónimo de FLIP):
 ‘F: Flexible environment’ (‘Ambiente flexible’): Las aulas invertidas permiten una gran
variedad de modos de aprendizaje; los profesores a menudo reordenan físicamente su espacio
de aprendizaje (su clase) para dar cabida a la lección o unidad, lo que puede implicar trabajo
en grupo o estudio independiente. Crean ambientes flexibles en los que los estudiantes eligen
cuándo y dónde aprenden. Además, los educadores que invierten sus clases son flexibles en
sus expectativas respecto al tiempo que los alumnos necesitan para su aprendizaje y a cómo
son evaluados.
 ‘L: Learning Culture’ (‘Cultura de aprendizaje’): En el modelo tradicional centrado en el

profesor, éste es la fuente principal de información. En el modelo de aprendizaje invertido,
hay un cambio deliberado de un aula centrada en el profesor a un enfoque centrado en el
estudiante, donde el tiempo de clase es para explorar temas con mayor profundidad y para la
creación de oportunidades de aprendizaje más ricas, a través de diversas pedagogías centradas
en el estudiante. Como resultado, los alumnos participan activamente en la formación del
conocimiento, a través de las oportunidades de participación y de la posibilidad de evaluar su
aprendizaje de una manera que es personalmente significativa.
 ‘I: Intentional Content’ (‘Contenido intencional’): Los profesores ‘flipped’ continuamente

están pensando en cómo se puede utilizar el modelo de aprendizaje ‘flipped’ para ayudar a los
estudiantes a adquirir una comprensión conceptual, así como la fluidez de procedimientos.
Evalúan lo que necesitan para enseñar y qué materiales deben explorar los estudiantes por su
cuenta. Los educadores usan contenido intencional para maximizar el tiempo de clase con el
fin de adoptar diversos métodos de enseñanza, como estrategias activas de aprendizaje, la
enseñanza entre pares, el aprendizaje basado en problemas, o los métodos de dominio
(‘mastery’), según el nivel educativo y la materia.
 ‘P: Professional Educators’ (‘Educadores profesionales’): El papel de los educadores

profesionales es aún más importante y a menudo más exigente en un aula invertida que en
una tradicional. Durante el tiempo de clase, los maestros observan continuamente a sus
alumnos proporcionándoles información relevante en el momento, así como la evaluación de
su trabajo. Los educadores profesionales reflexionan sobre su práctica, se relacionan entre sí
para mejorar su trabajo, aceptan la crítica constructiva y toleran en su clase un cierto caos
controlado. Aunque los educadores profesionales siguen siendo muy importantes, asumen
roles menos visibles en el aula invertida.
A este respecto, observamos una clara convergencia entre el ambiente de aprendizaje que se deriva
del modelo ‘flipped classroom’ y el estilo de aprendizaje característico de los alumnos de alta
capacidad. Se condensa en la siguiente Tabla 1.3.
51
http://www.flippedlearning.org/summary
46
Tabla 1.3. Convergencia entre estilo de aprendizaje de alumnos de alta capacidad y el modelo ‘flipped classroom’
Los alumnos de alta capacidad… El modelo flipped classroom…
…necesitan un ambiente de aprendizaje flexible: centrado

en el estudiante en vez de en el profesor; que promueva la …promueve un ambiente flexible (‘Flexible
independencia del estudiante; que sea abierto a materiales Environment’) y centrado en el aprendizaje del estudiante
y experiencias; de aceptación en vez de juicio; complejo y (‘Learning Culture’)
con alta movilidad…
…necesitan un marco metodológico general que cumpla:

Una redefinición del tiempo escolar para proveer
oportunidades de tiempo distinto a los alumnos de cara a
que completen las tareas y logren los resultados planeados;
Currículos bien definidos y estructurados que provean la …la ‘flipped classroom’ redefine y amplia el tiempo de
necesaria secuencialidad y opciones múltiples de aprendizaje en el aula; define en mayor medida los
aprendizaje; Disponibilidad de materiales accesibles a los objetivos de instrucción; selecciona y provee al
alumnos y que pueden proveer una variedad de medios para estudiante de una variedad de recursos y materiales
lograr el dominio deseado; Planes de trabajo accesibles; individualiza la instrucción a través de una
individualizados para cada estudiante; Estrategias de retroalimentación personalizada del docente; y dota al
retroalimentación que permitan el control periódico del ambiente de aprendizaje de una mayor flexibilidad.
progreso y facilite la toma de decisiones; Reorganización
del centro y del aula para que exista mayor flexibilidad en
la organización del equipo docente, del espacio y en la
asignación del tiempo (Wang y Lindvall, 1984)
…en casa, a través de los materiales on-line se trabajan

los niveles inferiores de la taxonomía de Bloom
…necesitan trabajar en los niveles superiores de la
(Recordar, Comprender, Aplicar); liberando así tiempo
taxonomía de objetivos de Bloom (1972)
de aprendizaje en el aula para los niveles superiores
(Analizar, Sintetizar, Crear, Evaluar)
…permite una mayor adaptación al ritmo de cada

estudiante: en el aula invertida, los estudiantes tienen la
…necesita una enseñanza-aprendizaje a su propio ritmo
posibilidad de tener un mayor control de los contenidos
(self-paced)
de las explicaciones y manejar el ritmo (una pausa para
tomar notas, o retroceder y aclarar cuando lo necesitan)
…libera tiempo de clase, donde entonces se puede

promover un pensamiento de orden superior y aumentar
…son especialmente proclives a relaciones de aprendizaje la colaboración y la participación de los estudiantes…
por pares y trabajo colaborativo, entre compañeros de igual …en las ‘clases invertidas’ eficaces y de calidad el
capacidad; así como a las relaciones de tutorización y trabajo colaborativo es fluido, con los alumnos
mentoría cambiando entre diversas discusiones simultáneas en
función de sus necesidades e intereses (Bennett, Kern,
Gudenrath, & McIntosh, 2012)
…es posible maximizar el tiempo de clase con el fin de

adoptar diversos métodos de enseñanza, como estrategias
…se orientan hacia la resolución de problemas y el activas de aprendizaje, la enseñanza entre pares, el
aprendizaje de dominio (‘mastery’) aprendizaje basado en problemas, o los métodos de
dominio (‘mastery’), según el nivel educativo y la
materia…
…en las ‘clases invertidas’ eficaces y de calidad los

…necesitan profundizar, sin ‘efecto techo’, en los temas que estudiantes hacen preguntas exploratorias y tienen la
son de su interés. libertad para ahondar en temas que van más allá del
currículo (Bennett, Kern, Gudenrath, & McIntosh, 2012)
47
En suma, un aula inversa permite potencialmente al profesor “fijar el contenido por semanas, meses
o el curso entero, permitiendo a los estudiantes que aceleren su aprendizaje a través del plan de
estudios si están listos” (Tourón & Santiago, 2015, p. 223). Parece cristalizar el tan añorado sueño
de la diferenciación educativa, en su grado máximo personalizada para cada individuo, y ahora
posibilitada por los avances de la tecnología digital en línea. Finalizan estos autores diciendo:
“…el flipped learning nos pone en la senda de una escuela nueva que promoverá, como
objetivo esencial, la personalización del aprendizaje para que cada alumno pueda progresar
con la velocidad, profundidad y amplitud que sus condiciones intelectivas, afectivas y
emocionales le permitan” (Tourón & Santiago, 2015, p. 225)
Así pues, y siguiendo la ruta argumental que nos hemos fijado (Figura 1.1), consideramos que existe
una clara convergencia entre las características del proceso de aprendizaje que nos proponemos
(‘programación de apps’) con arreglo al estilo de los alumnos de alta capacidad; y los medios,
métodos y tecnologías actualmente disponibles. Encontramos pues apoyo para enunciar de manera
fundamentada la hipótesis directiva de viabilidad.
1.3. Criterio 3: Relevancia
En los últimos cinco años, las aplicaciones para dispositivos móviles o ‘apps’ han ido adquiriendo de
manera vertiginosa una emergente relevancia, configurándose como productos de creciente uso,
utilidad y valoración social; y que son puestos a disposición de inmensas audiencias reales y
globales.
Así, la tienda en línea de aplicaciones de Apple 52, o ‘App Store’, que funciona en 155 países, dispone
de un catálogo de más de 850.000 ‘apps’, de ellas 350.000 son para tabletas iPad (Figura 1.19).
Desde su creación en 2007, ‘App Store’ acumula 45.000 millones de descargas, en ritmo creciente y
exponencial. El volumen durante el primer trimestre de 2013 es gigante: 800 descargas por segundo,
casi 70 millones al día (Jiménez Cano, 2013); ritmo que va en aumento. El otro gran repositorio de
‘apps’ es ‘Google Play’ 53, para dispositivos móviles con sistema operativo Android. Actualmente,
pese a que en el parque mundial de móviles el 64% son Android y solo el 19% iPhone, el perfil del
usuario de iPhone es un cliente tecnológicamente más avanzado, que descarga más aplicaciones (y
no solo gratuitas). Así, en el primer trimestre de 2013, los ingresos de la tienda de Apple fueron 2,6
veces mayores que la de ‘Google Play’ (Jiménez Cano, 2013).
En el ámbito español, diversos informes recientes reportan el uso creciente de los dispositivos
móviles con conexión a Internet o smartphones. Así, según el Estudio sobre seguridad y privacidad
en el uso de los servicios móviles por los menores españoles realizado por el INTECO (Instituto
Nacional de Tecnologías de la Comunicación): en España, la edad media de inicio en la telefonía
móvil se sitúa entre los 10-12 años, y el 31% de usuarios de más de 13 años usan smartphones
(teléfonos inteligentes). El informe destaca además el espectacular avance en el uso de los servicios
avanzados que ofrecen este tipo de teléfonos a través de las ‘apps’ que en ellos pueden descargarse e
52
Para dispositivos móviles con sistema operativo iOS: iPhone (Smartphone) y iPad (Tablet)
53
https://play.google.com/store/apps?hl=es
48
instalarse: redes sociales (del 7,1% en 2010 se ha pasado al 54,3% en 2011), mensajería instantánea
(del 12,4% al 48,3%) y juegos (del 51,6% al 65%) por citar solo algunos (Pérez San-José, 2010)
Figura 1.19. Oferta de ‘apps’ en ‘App Store’
Más recientemente, el último informe publicado por la Fundación Telefónica (2014), La Sociedad de
la Información en España 2014, reporta que: en España hay 26,2 millones de usuarios de Internet,
esto es, el 76,2% de la población accede regularmente a la Red, porcentaje que se dispara al 98,3% si
hablamos de la franja entre 16 y 24 años; existen en España 31.700.000 líneas de banda ancha móvil
asociadas a smartphones, suponiendo por primera vez un volumen de facturación superior a la banda
ancha fija; en un 88,8% de los hogares españoles hay, al menos, un smartphone, porcentaje que se
sitúa en el 54,4% de hogares si nos referimos a tablets; España es el país de la Unión Europea con el
mayor porcentaje de smartphones (el 81%) sobre el total de teléfonos móviles existentes; los
smartphones se consolidan frente al PC (ordenador fijo): por primera vez, el tiempo de acceso a
medios digitales utilizado en dispositivos en movilidad (smartphones + tablets) supera al empleado
en el PC (53% frente a 47%); las aplicaciones que triunfan para dispositivos móviles son aquéllas
relacionadas con la mensajería instantánea. En síntesis, el informe declara que: “La digitalización es
imparable. Vivimos en hogares cada vez más conectados y organizamos el día con ayuda de
nuestros smartphones y apps adaptadas a cada necesidad. Una de cada tres personas consulta el
móvil cada 5 minutos (…)” (Fundación Telefónica, 2014)
Aún más reciente en prensa (Agencia EFE, 2015) se da cuenta del VII Estudio Anual de Mobile
Marketing 54 con más datos reveladores de la expansión de las tecnologías móviles en nuestras vidas:
un total de 15,4 millones de personas en España utilizan un teléfono inteligente (un 95% de la
población con móvil), lo que supone un aumento del 35% de usuarios si se compara con los datos
obtenidos en el año 2012; el teléfono inteligente ya es el principal dispositivo para acceder a internet
54
http://www.abc.es/gestordocumental/uploads/internacional/EstudioMobile2015.pdf
49
(es la vía de acceso en un 85% de las ocasiones); en el último año estos dispositivos, en lo relativo a
su ‘uso diario’, han dejado de lado a los ordenadores, que quedan en segundo lugar con un 67% y a
las tabletas electrónicas, que se afianzan como tercera opción, en un 45%; además, el estudio revela
que el 80% de los internautas usan su teléfono móvil como segunda pantalla cuando ve la televisión.
En cuanto al uso de aplicaciones, el usuario de smartphone tiene una media de trece ‘apps’ en su
teléfono inteligente, en donde destaca la aplicación de mensajería instantánea WhatsApp (presente en
un 75% de los casos), Facebook (48%), las aplicaciones del tiempo meteorológico que triplican su
uso este año y se sitúa en un 25%, y el uso de aplicaciones de banca móvil.
Globalmente, puede afirmarse que la inmersión de nuestra actividad diaria en un ecosistema digital
móvil es progresivo e imparable, hasta el punto de que “en el mundo ya hay casi tantos teléfonos
móviles como personas (…) el número de smartphones sigue creciendo, ya existen en el mundo casi
tantos teléfonos móviles (6.800 millones) como personas (7.100 millones)” (PuroMarketing, 2014,
en línea)
En este contexto, no es de extrañar que la figura del programador de ‘apps’ esté cobrando auge social
y económico. Saltan a la prensa noticias como la de Nick D’Aloisio 55, un adolescente de 17 años que
recientemente ha diseñado una ‘app’ llamada ‘Summly’, que reduce el tamaño de las noticias para
hacerlas más fáciles de utilizar en la pantalla de un móvil, y que ha vendido a Yahoo! Por 23
millones de euros (Agencia EFE, 2013). Nick D’Aloisio, residente en Wimbledon, al sur de Londres,
y aún estudiante de instituto, desarrolló la ‘app’ en su propia habitación.
Otro caso de máximo interés es el del programador ‘prodigio’ de 14 años, Santiago González, del
que hemos tenido noticia a través del canal de YouTube ‘THNKR’ 56, canal especializado en mostrar
casos extraordinarios de jóvenes prodigio que brillan por su talento y esfuerzo en diversos campos
(Figura 1.20): Santiago González, de 14 años de edad, de nacionalidad estadounidense con
ascendencia latina, programador y desarrollador de software habla con fluidez en una docena de
diferentes lenguajes de programación y ya cuenta con 15 aplicaciones originales iOS a su nombre.
Miles de personas han descargado sus aplicaciones para Mac, iPhone e iPad. A los 12 años, Santiago
ya pasó a convertirse en estudiante universitario a tiempo completo y está en camino de obtener su
licenciatura en Ciencias de la Computación e Ingeniería eléctrica a los 16 años (THNKR, 2013a) En
el vídeo citado también se relata cómo los padres de Santiago le ayudaron a superar un sistema
escolar rígido para conseguir desplegar su talento.
En un segundo vídeo (THNKR, 2013b), Santiago nos muestra tres de sus aplicaciones de iPad
favoritas y habla de su proceso de diseño: son las aplicaciones ‘Slide Puzzle’, ‘Christmas Tree’ y
‘Solar System’; que están disponibles en ‘App Store’ o directamente a través de su web 57 (Figura
1.21). Santiago relata cómo le emociona y motiva poner sus ‘apps’ a disposición de un público
global, y obtener la valoración y feedback de los usuarios.
55
Es interesante ver cómo su foto no se corresponde al estereotipo clásico de ‘superdotado’:
http://img01.lavanguardia.com/2013/03/27/Nick-d-Aloisio-muestra-su-apli_54370729186_51348736062_224_270.jpg
56
https://www.youtube.com/user/thnkrtv
57
http://hicaduda.com/
50
Figura 1.20. Santiago González, programador prodigio de ‘apps’ con 14 años.
Figura 1.21. Web de descarga de ‘apps’ de Santiago González (se enmarcan sus tres favoritas)
51
Otro ejemplo de joven prodigio de la programación es el de Thomas Suarez, un joven desarrollador

de ‘apps’ para iPhone de 12 años, que está ahora utilizando sus excepcionales habilidades de
programación para ayudar, como mentor experto, a otros niños y niñas que desean aprender código
informático (Suarez, 2011)
Pero no caigamos en el estereotipo de un programador siempre masculino. Existen igualmente

ejemplos de chicas que están destacando en la programación de ‘apps’. Quizás los más reseñables
son: el caso ya mencionado de Jessica Liu 58, mujer, 21 años, origen asiático y programadora; y el
caso de Lyndsey Scott (29 años, mujer, y modelo de pasarela afroamericana), que rompe todos los
tópicos y clichés sobre la figura del programador y/o el sujeto de alta capacidad aficionado a la
informática (tradicionalmente varón y de origen caucásico). Lyndsey Scott afirma en una reciente
entrevista: “Tenemos este prejuicio de que la gente experta en tecnología/informática debe ser y
parecer de cierta manera (…) ese estereotipo es destructivo, y creo que está en la base de que haya
tan pocos programadores de sexo femenino o provenientes de minorías” (Khorram, 2014, en línea).
Retomaremos la cuestión de género más adelante en esta tesis doctoral.
Parece pues que programar ‘apps’ está de moda. Tendencia que llega imparable a nuestro país; uno
de los indicadores de esta tendencia es la proliferación de concursos y certámenes que tratan de
promover, detectar y premiar a los emergentes jóvenes talentos en la programación de aplicaciones
móviles. Así, ya en junio de 2013 se celebraron las ‘I Olimpiadas Android’ 59, organizadas por U-
Tad, Centro Universitario de Tecnología y Arte Digital (Figura 1.22). Según recoge la nota de prensa
(U-Tad, 2013), es:
“Un concurso de desarrollo y programación de aplicaciones móviles, en el que 40 equipos

de participantes, de entre 16 y 22 años, competirán para demostrar su talento creando la
aplicación Android más original y eficiente (…) el mundo de las aplicaciones móviles ha
provocado un gran impacto en la sociedad digital (…) la cuota de mercado de aplicaciones
móviles está en pleno auge en España, donde se descargan 1,4 millones al día, lo que supone
más de 16 descargas al segundo. Su desarrollo y programación se ha convertido en una de
las ramas del software más dinámicas y demandadas por el tejido empresarial (…) con esta
iniciativa queremos acercar la ingeniería desde su perspectiva más digital a los jóvenes de
nuestro país. Hablamos de uno de los sectores que cuenta con mayor demanda de
profesionales especializados en programación de software, plataformas móviles, redes
sociales, Apps o entornos colaborativos.” (U-Tad, 2013, en línea)
Más recientemente, en enero de 2014, se entregaron los ‘I Premios Apps de la Fundación

Telefónica’ 60, un concurso destinado a chicos y chicas de entre 18 y 25 años para crear aplicaciones
móviles en Firefox OS, el sistema operativo de código abierto cuyo lanzamiento ha sido liderado por
Telefónica I+D en España. Los 8 ganadores de dicho concurso, 7 chicos y 1 chica, forman parte del
grupo de expertos consultado para la validación de contenido de nuestro Test de Pensamiento
Computacional (TPC), tal y como se describirá en el apartado 6.3 de esta tesis doctoral.
58
En su web http://cakefordinner.com/ encontramos numerosas muestras de su talento como programadora de juegos y
‘apps’
59
http://www.olimpiadasandroid.com/ganadores.php
60
http://www.fundaciontelefonica.com/premios-apps/
52
Figura 1.22. Página Web de las ‘Olimpiadas Android’
Por otro lado, y ciñéndonos ahora al ámbito educativo, comienzan a proliferar webs que recopilan,
clasifican, filtran y recomiendan de manera personalizada ‘apps’ educativas a profesores, padres y
estudiantes: así, la web ‘Cappaces.com’ 61 especializada en ‘apps’ para niños con alguna
discapacidad; o ‘Eduapps.es’ 62 (Díez, Santiago, & Climent, 2015), que según expresa en su web:
“Actualmente existen más de 80.000 aplicaciones educativas. Eduapps nace con la intención
de recopilar y analizar las principales apps para el aula. Las apps no tienen valor por si
mismas sin la figura del maestro, que las selecciona e integra para convertir la actividad en
el aula en una experiencia motivadora.” (Díez, Santiago, & Climent, 2015, en línea)
‘Eduapps.es’ filtra las aplicaciones en función de la etapa educativa, el área curricular e incluso por
el nivel de complejidad cognitivo asociado al uso de la aplicación según la taxonomía de Bloom
(1972). Las aplicaciones que incluye ‘Eduapps.es’ han sido valoradas por profesores de acuerdo a
determinados criterios educativos, a partir de una rúbrica especialmente diseñada para tal propósito;
y se ofrecen comentarios y valoraciones de los usuarios a las ‘apps’ propuestas.
Todo este movimiento, de aprendizaje móvil (‘m-learning’) con conexión a internet (‘i-mode’)
comienza igualmente a ser recogido por autoridades reconocidas en el ámbito de la educación de la
alta capacidad (Tourón, 2013c, 2013d); que defienden la integración del iPad u otros dispositivos
móviles en el aula, no por pura moda, sino porque es una tecnología eficiente, y con ella: es posible
recuperar (o hacer real) el aprendizaje al propio ritmo, la evaluación formativa, el feedback, la
diversificación curricular, el adaptar el nivel de reto a la competencia de los escolares y tantos otros
principios de una escuela que debe poner en primer plano al alumno y no al profesor, el aprendizaje
y no la enseñanza. Además Tourón (2013c) nos indica que reciente investigación demuestra,
mayoritariamente, que el uso del iPad y otras tabletas en la clase mejora el aprendizaje (Webb,
2011). En España, el reciente libro ‘Mobile learning: nuevas realidades en el aula’ (Santiago,
61
http://cappaces.com/presentacion-de-cappaces/
62
http://www.eduapps.es/
53
Trabaldo, Kamijo, & Fernández, 2015) explora y recopila las prácticas educativas más innovadoras
de nuestro país en lo relativo a la integración de los dispositivos móviles en los centros educativos.
En este punto, para no perder nuestro hilo discursivo central, es preciso recordar que en nuestra
aproximación inicial al problema de investigación nos planteamos no sólo (o no principalmente) el
consumo de ‘apps’ en el aula; sino precisamente, y yendo a un nivel superior, la creación y
programación de las mismas, algo que puede ser especialmente posible y deseable para los alumnos
de alta capacidad. Y es que en la sociedad 2.0, y la 3.0 que ya asoma, se espera de los ciudadanos en
su máximo nivel de competencia digital, no sólo el consumo de aplicaciones sino, sobre todo, su
creación y compartición (Resnick et al., 2009).
Así empieza a debatirse abiertamente en el foro público sobre la conveniencia de que nuestros
estudiantes aprendan a programar como se aprende a leer (Silió, 2013), con el objetivo de formar a
creadores de aplicaciones, y no sólo a meros consumidores.; reconociéndose progresivamente cómo
este aprendizaje potencia la creatividad y la mente lógica. Y es que un número creciente de países
enseña a los alumnos a escribir código: en el recién publicado informe ‘Computing our future.
Computer programming and coding: priorities, school curricula and initiatives across Europe’
(European Schoolnet, 2015) ya se informa de 15 países de la Unión Europea que han integrado, en
mayor o menor medida, la programación informática (o, coloquialmente, ‘coding’) en sus currículos
educativos 63 (Figura 1.23)
Recentrando el problema en los alumnos de alta capacidad, y para cerrar sintéticamente la

fundamentación de la hipótesis directiva de relevancia, ponemos ahora en relación las ‘apps’ como
productos de aprendizaje y los alumnos de alta capacidad como potenciales sujetos del mismo.
Observamos una clara convergencia entre los parámetros indicados a la hora de exigir y valorar
productos de aprendizaje a los alumnos de alta capacidad (Jiménez Fernández, 2010) y las
características propias de las ‘apps’. Se condensa en la siguiente Tabla 1.4.
Tabla 1.4. Convergencia entre los parámetros de valoración de los productos de aprendizaje de alumnos de alta
capacidad, y las características propias de las ‘apps’
Los productos de aprendizaje de los alumnos de

Las ‘apps’…
alta capacidad…
…deben estar relacionados con problemas reales y …versan potencialmente sobre cualquier disciplina; en relación
significativos para ellos… con el mundo real y los intereses del programador…
…se ponen a disposición de un público de escala mundial a

…deben estar dirigidos a un público real…
través de tiendas on-line como ‘App Store’ o ‘Google Play’…
…deben ser valorados y evaluados por las …son comentadas, puntuadas, valoradas por los usuarios. Este
respectivas audiencias… feed-back sirve tanto al programador como a otros usuarios….
…deben ser productos originales o transformaciones …son programas originales o código transformado a partir de
de otros (Jiménez Fernández, 2010) programas de otros.
63
Retomaremos en profundidad este asunto en el Capítulo 2 sobre ‘Codigoalfabetización’, que, como adelantábamos en
la introducción, amplia el foco de la enseñanza-aprendizaje de los lenguajes informáticos de programación hacia una
nueva práctica de lectoescritura, un nuevo alfabetismo, extensible a la población escolar general (no sólo a los alumnos
de alta capacidad) y a todo tipo de objetos digitales (no sólo ‘apps’)
54
Figura 1.23. Países de la UE que ya integran, en alguna medida, la programación informática (‘coding’) en sus currículos
(European Schoolnet, 2015). Infografía completa disponible en
http://www.euractiv.com/sites/default/files/infographic_coding_at_school.png
55
Así pues, y siguiendo la ruta argumental que nos hemos fijado anteriormente (Figura 1.1), parece que
existe convergencia entre las características del producto de aprendizaje que nos proponemos (las
‘apps’) con arreglo a los parámetros exigibles a los alumnos de alta capacidad; y el conjunto de
necesidades, estándares y valores sociales imperantes en la actual Sociedad de la Información y el
Conocimiento. Encontramos pues apoyo para enunciar de manera fundamentada la hipótesis
directiva de relevancia.
1.4. Enunciación inicial de hipótesis directivas
Nos planteábamos al comienzo de este capítulo la siguiente pregunta de investigación, primera

tentativa de esta tesis doctoral: ¿es posible y deseable aprender a programar aplicaciones (‘apps’)
para dispositivos móviles (smartphones y tablets) como enriquecimiento curricular indicado
especialmente para alumnos y alumnas de alta capacidad? (Figura 1.1)
Tras la exploración realizada en los anteriores apartados, parece quedar fundamentada la siguiente
triple hipótesis directiva, que funcionará como guía o brújula inicial de esta tesis doctoral:
i. Hipótesis de Adecuación (HA): Aprender a programar ‘apps’ es adecuado para los sujetos
de alta capacidad dado que existe correspondencia entre las demandas cognitivas de la tarea y
las características cognitivas, creativas y de personalidad de los más capaces, en especial, su
alta habilidad para el manejo de lenguajes abstractos y formales.
En una formulación alternativa, aprender a programar ‘apps’ es adecuado dado que existe
convergencia entre las características del contenido de aprendizaje que nos proponemos
(‘programación de apps’) y las características del aprendiz destinatario, en este caso los
alumnos de alta capacidad.
ii. Hipótesis de Viabilidad (Hv): Aprender a programar ‘apps’ es viable y económico para los
sujetos de alta capacidad dado que para ello se pueden establecer fácilmente metodologías
didácticas a distancia y soportadas tecnológicamente, a través de cursos en línea y en abierto
con tutorización esporádica, que se adaptan perfectamente al estilo de aprendizaje de estos
sujetos.
En una formulación alternativa, aprender a programar ‘apps’ es viable y económico para los
alumnos de alta capacidad, dado que existe convergencia entre las características del proceso
de aprendizaje que nos proponemos (‘programación de apps’) con arreglo al estilo de los
alumnos de alta capacidad; y los medios, métodos y tecnologías actualmente disponibles.
iii. Hipótesis de Relevancia (HR): Aprender a programar ‘apps’ es una habilidad emergente y
relevante para los estudiantes actuales en general y para los más capaces en particular, dado
que les permite generar un producto final, la aplicación, de creciente uso, utilidad y
valoración social, y que potencialmente puede ser puesto a disposición de inmensas
audiencias reales y globales.
En una formulación alternativa, aprender a programar ‘apps’ es una habilidad emergente y

relevante, para los estudiantes actuales en general y para los más capaces en particular, dado
que existe convergencia entre las características del producto de aprendizaje que nos
56
proponemos (las ‘apps’) con arreglo a los parámetros exigibles a los alumnos de alta
capacidad; y el conjunto de necesidades, estándares y valores sociales imperantes en la actual
Sociedad de la Información y el Conocimiento.
Adicionalmente, la utilización para abordar dicho aprendizaje de nuevos recursos ‘on-line’, como
Khan Academy, integrados en el aula ordinaria a través de una metodología de ‘flipped classroom’
(‘clase invertida’), supondría una transformación de una cuarta dimensión transversal a las
mencionadas: el ambiente de aprendizaje, que se torna extraordinariamente flexible, satisfaciendo el
estilo de los alumnos de alta capacidad. Todos estos aspectos se sintetizan y diagraman
conceptualmente en la Figura 1.24.
Por tanto, hemos procedido a la enunciación fundamentada inicial de las hipótesis directivas de
adecuación, viabilidad y relevancia de aprender a programar ‘apps’ en sujetos de alta capacidad. El
contraste positivo de dichas hipótesis supondría encontrar entonces una auténtica ‘adaptación
curricular significativa’ para los alumnos de alta capacidad, dado que enriquecería su currículum en
todas las dimensiones posibles (Jiménez Fernández, 2010): en el contenido (tanto en extensión como
en profundidad, aumentando su complejidad, abstracción y variedad); en el proceso (haciendo
hincapié en el trabajo autónomo, el ritmo personalizado, en la resolución creativa de problemas, y en
la expresión convergente-divergente del contenido aprendido); y en el producto (objeto final original
que se basa en un problema real, y se orienta hacia una audiencia real que puede disfrutar y evaluar
abiertamente la ‘app’ generada).
Ello permitiría superar reduccionismos propios de los programas de enriquecimiento parciales que se
limitan sólo a una de las dimensiones mencionadas; pudiendo constituirse como base para un
‘Modelo de Currículo Integrado’ para los más capaces en el área de Informática/Computación, al
estilo de los recientemente propuestos por VanTassel-Baska (2015) en las áreas de Ciencias, Lengua,
Matemáticas y Estudios Sociales. Se acomete dicho contraste a través de la revisión sistemática que
se describe en el siguiente apartado.
57
Figura 1.24. Mapa conceptual sobre la adecuación, viabilidad y relevancia de la programación de ‘apps’ como enriquecimiento curricular en alumnado de alta capacidad
58
1.5. Revisión sistemática
Una vez delimitado, en primera tentativa, nuestro problema de investigación, y enunciadas

inicialmente nuestras hipótesis directivas de manera fundamentada, nos proponemos realizar una
revisión sistemática de fuentes cuyos objetivos se explicitan a continuación:
 Objetivo General: Encontrar publicaciones que contrasten la posibilidad y deseabilidad de

aprender a programar aplicaciones para dispositivos móviles (‘apps’) como enriquecimiento
curricular indicado especialmente para alumnado de alta capacidad.
o Objetivo Específico 1: Encontrar publicaciones que sometan a contraste la Hipótesis

de Adecuación (HA)

de Viabilidad (HV)

de Relevancia (HR)
1.5.1. Proceso de fijación de los parámetros de búsqueda
Para acometer estos objetivos comenzamos un proceso exploratorio en la base de datos especializada
en Educación, ERIC (Ebsco), que nos permite fijar finalmente unos parámetros de búsqueda óptimos
para nuestra revisión sistemática. El conjunto del proceso, que se diagrama en la Figura 1.25, fue
realizado inicialmente en el mes de julio de 2013, y replicado en abril de 2014.
Así, comenzamos la exploración en ERIC (Ebsco) con el siguiente Booleano/Frase de búsqueda: AB

gift* AND AB app*, publicaciones en cuyo abstract se incluya la raíz “gift” (que remite al conjunto
de la alta capacidad) y la raíz “app” (que remite en principio a las aplicaciones informáticas);
encontrando la elevada cifra de 4.253 resultados (Figura 1.25), número inmanejable para nuestra
revisión. Ante tal cantidad de resultados, hacemos una nueva simulación de búsqueda incluyendo los
siguientes dos limitadores: “Texto completo disponible” y “Fecha de publicación desde 2008 hasta
2013” (ambos inclusive); obteniendo 220 resultados (Figura 1.25). Al revisar los abstract de los
primeros cinco artículos, ordenados por ‘relevancia’, nos percatamos de que el término de búsqueda
“app*” es excesivamente genérico y no discriminatorio; pues devuelve resultados como
“application”, “approach”, “appendix”, etc… que no tienen que ver con nuestros objetivos de
búsqueda.
Buscamos entonces en el Tesauro de ERIC algún término que nos sirva para acotar nuestra búsqueda
y esté reconocido en el campo de estudio. Encontramos como aparentemente más adecuados:
“Computer” (ordenador), pues sirve de término raíz para múltiples descriptores que entran dentro de
nuestros objetivos de búsqueda como “Computer Assisted Instruction”, “Computer Oriented
Programs”, “Computer Literacy”, etc.; y “Programming” (programación), descriptor que
recomienda el Tesauro en vez de “Computer Languages”, y que dirige aún mejor nuestra búsqueda
hacia publicaciones en donde se hable sobre programación con lenguajes informáticos.
59
Así, con esta intención de acotar nuestra búsqueda anterior hacemos las siguientes simulaciones de
búsquedas más específicas:
a. Booleano/Frase de búsqueda: AB gift* AND AB app* AND SU 64 computer, manteniendo los

limitadores anteriores; obteniendo un escaso número de 5 resultados (Figura 1.25)
b. Booleano/Frase de búsqueda: AB gift* AND AB app* AND SU programming, eliminando el

limitador de fecha; y obteniendo escasamente 1 único resultado (Figura 1.25), además muy
antiguo (1997).
Ampliando entonces la búsqueda al término raíz “program*”, con el Booleano/Frase de búsqueda

AB gift* AND AB app* AND SU program*, desactivando el limitador de “Texto completo
disponible” 65, obtenemos una interesante cifra de 101 resultados (Figura 1.25); a priori manejable
para nuestra revisión sistemática. Sin embargo, al revisar los abstract de los primeros cinco artículos,
ordenados por ‘relevancia’, nos percatamos de que el término raíz de búsqueda “program*” es
excesivamente genérico y no discriminatorio, pues devuelve resultados como “summer programs”,
“programs evaluation”, etc… que no tienen que ver con nuestros objetivos de búsqueda.
En este punto intuimos que la combinación óptima de búsqueda es:
 Excluir el término de búsqueda “app*” por no ser discriminatorio en ningún caso.
 Simultanear en nuestra búsqueda (además del término “gift*”) los términos “computer” y
“program*”; este último sí es discriminatorio en combinación con el anterior.
 Desdoblar el término “computer” en (“comput*” OR “tablet*”); para incluir publicaciones

bien que traten del uso del ordenador (necesario para la programación de la ‘app’), bien que
traten del uso de la tableta (dispositivo móvil necesario para la ejecución de la ‘app’).
 El booleano de búsqueda resultante es una triple conjunción, a priori muy restrictiva; por lo
que se decide ampliar el campo desde AB (Abstract) a TX (All Text), quedando como
booleano resultante final: TX gift* AND TX program* AND TX ( comput* OR tablet* )
 Decidimos eliminar definitivamente el limitador de “Texto completo disponible” e incluir

todas las publicaciones desde el año 2000.
Encontramos entonces 77 resultados (Figura 1.25) de contenido relacionado con nuestros objetivos
de búsqueda, siendo un número de publicaciones asequible para la revisión sistemática que nos
proponemos.
64
SU es el código relativo a “Descriptors” (Descriptores)
65
Se entiende que, aunque el texto completo no esté disponible en esa base de datos, una vez localizada la referencia
podrá conseguirse por otros medios alternativos.
60
Figura 1.25. Proceso de fijación de los parámetros de búsqueda
61
Llegados a estos parámetros de búsqueda, se replica la misma en las siguientes bases de datos: ERIC
(ProQuest), especializada también en Educación, que arroja 83 resultados; PsycINFO, especializada
en Psicología, que devuelve 59 resultados; EconLit, especializada en Economía, que devuelve 17
resultados; y la ACM Digital Library, que arroja 592 resultados. Se ilustra comparativamente en la
siguiente Tabla 1.5.
Tabla 1.5. Comparativa de resultados de búsqueda por bases de datos
Campo de Resultados de
Base de datos Booleano de búsqueda Limitadores
búsqueda búsqueda
ERIC (Ebsco) 77
ERIC (ProQuest) 83
gift* AND program* AND Publicación 2000-
PsycINFO All Text 59
(comput* OR tablet*) 2013
EconLit 17
ACM Digital Library 592
1.5.2. Criterios de inclusión y de exclusión
A partir de la tentativa anterior, en orden a realizar una revisión sistemática eficaz (que cumpla con
nuestros objetivos de búsqueda) y eficiente (con un número asequible de elementos a analizar);
optamos por los siguientes criterios de inclusión:
 Publicaciones catalogadas en las bases de datos: ERIC (Ebsco), ERIC (ProQuest), PsycINFO,
y EconLit.
 Que respondan al booleano de búsqueda: TX gift* AND TX program* AND TX (comput* OR

tablet*), es decir, publicaciones en las cuales a lo largo de su texto aparezca la raíz “gift*”
(que remite al campo de la alta capacidad); y la raíz “program*” (que remite a la
programación de lenguajes informáticos); y, o bien la raíz “comput*” (que remite a los
ordenadores, necesarios para la programación de la ‘app’), o bien la raíz “tablet*” (que
remite a los dispositivos móviles necesarios para la ejecución y disfrute de la ‘app’).
 Que hayan sido publicadas desde el año 2000 hasta el 2013, ambos incluidos.
 Que hayan sido publicadas en lengua inglesa o española.
 Que respondan a un tipo de publicación ‘Journal Article’, es decir, ‘Artículo de Revista

Científica’.
Serán criterios de exclusión:
 Publicaciones catalogadas en otras bases de datos distintas a las indicadas más arriba; por
ejemplo, se excluyen las de la base ACM Digital Library, especializada en informática, pues
el booleano de búsqueda utilizado contiene múltiples términos centrales en esa área de
estudio, devolviendo un número inmanejable de resultados (592 resultados). Sería necesario
62
investigar sobre un booleano de búsqueda específico para esta base, algo que excede a esta
revisión sistemática en este momento 66.
 En el caso de las publicaciones catalogadas exclusivamente en la base de datos EconLit,

especializada en Economía, y dado que es algo tangencial a nuestros objetivos de búsqueda;
se excluyen aquellas publicaciones en cuyo ‘Título’ no haya indicio alguno de relación con
nuestro problema de investigación.
 Que no respondan al booleano de búsqueda indicado: TX gift* AND TX program* AND TX

(comput* OR tablet*).
 Que hayan sido publicadas fuera del periodo con anterioridad al año 2000.
 Publicaciones en lenguas distintas al inglés o al español.
 Tipos de publicaciones distintos a ‘Journal Article’; por ejemplo, informes, tesis,

disertaciones, actas de congresos, etc… quedan excluidas de nuestra revisión.
1.5.3. Procedimiento de tabulación
Recopilamos en el gestor bibliográfico RefWorks todas las publicaciones que cumplan con los
criterios fijados anteriormente, eliminando duplicados. De cara a su posterior análisis y presentación
de resultados, cada referencia es tabulada en una hoja de cálculo 67 (Figura 1.26, izquierda) en las
siguientes variables: ‘¿Publicación arbitrada?’ (Sí / no); ‘Naturaleza’ (Investigación, Experiencia,
Ensayo…); ‘Autor/es’; ‘Título’; ‘Revista de publicación’; ‘Año de publicación’; ‘Idioma’; ‘Nivel
educativo sobre el que trata’; ‘Base/s de dato/s en las que se encuentra’. Y ‘¿Adecuación?’,
‘¿Viabilidad?’ y ‘¿Relevancia?’ (Sí / No), en función de si se encuentran o no en el respectivo
abstract evidencias de contraste de las distintas hipótesis.
Figura 1.26. Código QR de enlace a la hoja de cálculo en donde se han tabulado las referencias de la revisión sistemática
(izquierda); y código QR de enlace al documento con la recopilación de abstracts (derecha)
A través del código QR de la Figura 1.26 (derecha), el lector puede acceder a un documento 68 en el
que se reproduce el Resumen/Abstract (y los Descriptores) de todas las publicaciones recopiladas y
analizadas en la revisión sistemática, por orden alfabético de autor; y sobre el mismo se marcan,
según un código de colores, los indicios que se encuentran para el contraste de las respectivas
hipótesis directivas enunciadas.
66
Sin embargo, como podrá comprobarse más adelante en los capítulos sobre ‘Codigoalfabetización’ y ‘Pensamiento
Computacional’, se citarán en otros momentos del desarrollo teórico de esta tesis, múltiples publicaciones extraídas de la
ACM Digital Library.
67
Disponible en https://db.tt/e8OdYpcJ
68
Disponible en https://db.tt/K9pmjMXK
63
1.5.4. Resultados
Atendiendo a los criterios de inclusión y de exclusión fijados, obtenemos los siguientes resultados:
67 artículos académicos publicados en revistas científicas en el periodo 2000-2013, en lengua
inglesa o española; y catalogados en alguna de las bases de datos incluidas en la revisión. De ellos,
60 artículos (89,6%) corresponden a revistas arbitradas (habitualmente por el sistema de ‘peer
review’ o ‘doble ciego’) y 7 (10,4%) a revistas no arbitradas. Con respecto a la naturaleza u
orientación de los 67 artículos obtenidos, se representa en la siguiente Tabla 1.6.
Tabla 1.6. Naturaleza u orientación de los artículos revisados
Frecuencia Porcentaje Porcentaje acumulado

Research (Investigación empírica) 29 43,3 43,3
Descriptive (Descripción de una experiencia) 24 35,8 79,1
Evaluative (Investigación evaluativa) 8 11,9 91,0
Opinion Paper (Ensayo de opinión) 4 6,0 97,0
Book Review (Recensión de libro) 1 1,5 98,5
Special Issue (Número especial: monográfico) 1 1,5 100,0
TOTAL 67 100,0
Con respecto a la autoría de los artículos, se detectan algunos nombres recurrentes de investigadores.
En concreto, destacan Del Siegle 69, profesor de la Universidad de Connecticut especialista en alta
capacidad, con 7 artículos (Siegle, 2003, 2004, 2005, 2009, 2011, 2013; Siegle & Powell, 2004);
Paula Olszewski-Kubilius 70, directora del Northwestern University’s Center for Talent Development
(CTD), con 3 artículos (Olszewski-Kubilius, 2001; Olszewski-Kubilius & Lee, 2004, 2005); y James
Gentry 71, formador de formadores en la Tarleton State University, con 2 artículos (Gentry, 2008;
Gentry, Fowler & Nichols, 2007). El resto de autores recogidos en la revisión sistemática sólo
aportan un artículo.
Con respecto a las revistas científicas en las cuales han sido publicados los artículos, se representan
en la Figura 1.27 de mayor a menor número de referencias (en la categoría ‘Otros’ se agrupan las
revistas que sólo aportan un artículo a la revisión). Se detallan todas las revistas en la Tabla 1.7.
De los 67 artículos revisados, en 49 (73,1%) se tuvo acceso ‘on-line’ al texto completo del mismo;
en los 18 restantes (26,9%) sólo se pudo acceder al correspondiente abstract. Y sólo 1 artículo fue
escrito en lengua española (Hernández & Borges, 2005); los 66 restantes están publicados en lengua
inglesa.
Con respecto al año de publicación de los artículos, se representa en la Figura 1.28.
69
http://delsiegle.education.uconn.edu/
70
http://www.ctd.northwestern.edu/team-bios/paula-olszewski-kubilius
71
http://www.learningwithjamesgentry.com/
64
Figura 1.27. Revistas de publicación de los artículos revisados
Figura 1.28. Año de publicación de los artículos revisados
65
Tabla 1.7. Revistas de publicación de los artículos revisados

Gifted Child Today 15 22,4 22,4
Journal for the Education of the Gifted 4 6,0 28,4
Journal of Secondary Gifted Education 4 6,0 34,3
Understanding Our Gifted 4 6,0 40,3
Journal of Advanced Academics 3 4,5 44,8
Journal of Interactive Learning Research 3 4,5 49,3
Computers & Education 2 3,0 52,2
Educational Leadership 2 3,0 55,2
Journal of Educational Computing Research 2 3,0 58,2
American Journal of Distance Education 1 1,5 59,7
British Journal of Educational Technology 1 1,5 61,2
British Journal of Music Education 1 1,5 62,7
Campus-Wide Information Systems 1 1,5 64,2
Computers in Libraries 1 1,5 65,7
Connection Science 1 1,5 67,2
CyberPsychology & Behavior 1 1,5 68,7
District Administration 1 1,5 70,1
Educational Assessment 1 1,5 71,6
Electronic Journal of Research in Educational Psychology 1 1,5 73,1
General Music Today 1 1,5 74,6
Gifted Child Quarterly 1 1,5 76,1
IEEE Transactions on Education 1 1,5 77,6
Information Technology in Childhood Education Annual 1 1,5 79,1
Instructional Science 1 1,5 80,6
International Journal of Science Education 1 1,5 82,1
Journal of Asynchronous Learning Networks 1 1,5 83,6
Journal of Behavioral Decision Making 1 1,5 85,1
Journal of Comparative Economics 1 1,5 86,6
Journal of Management & Organization 1 1,5 88,1
Journal of Science Education and Technology 1 1,5 89,6
Learning & Leading with Technology 1 1,5 91,0
Merrill-Palmer Quarterly 1 1,5 92,5
Neural Networks 1 1,5 94,0
Roeper Review: A Journal on Gifted Education 1 1,5 95,5
the Behavior Therapist 1 1,5 97,0
The Journal of Creative Behavior 1 1,5 98,5
Turkish Online Journal of Distance Education 1 1,5 100,0
TOTAL 67 100,0
66
Con respecto a las bases de datos en las que se catalogan los artículos, en la Tabla 1.8 se presenta la
contingencia de aparición de los mismos en las distintas bases consultadas:
Tabla 1.8. Contingencia de aparición de los artículos en las distintas bases de datos
…también …también …también
…en …también
BASE DE DATOS en ERIC en ERIC en TOTAL
exclusiva en EconLit
(Ebsco) (ProQuest) PsycINFO
0 43 6 0 43
ERIC (Ebsco) -
(0%) (100%) (14%) (0%) (100%)
2 43 6 0 45
ERIC (ProQuest) -
(4%) (96%) (13%) (0%) (100%)
21 6 6 0 27
PsycINFO -
(78%) (22%) (22%) (0%) (100%)
1 0 0 0 1
EconLit -
(100%) (0%) (0%) (0%) (100%)
Con respecto al nivel educativo sobre el que tratan los artículos revisados, se detalla en la Tabla 1.9 y
se ilustra en la Figura 1.29.
Tabla 1.9. Nivel educativo sobre el que se centran los artículos

Secondary Education (Educación Secundaria y Bachillerato) 25 37,3 37,3
72
N/A 22 32,8 70,1
Elementary Education (Educación Primaria) 13 19,4 89,6
Higher Education (Educación Superior y Universitaria) 6 9,0 98,5
Preschool Education (Educación Infantil) 1 1,5 100,0
TOTAL 67 100,0
Figura 1.29. Nivel educativo sobre el que se centran los artículos
72
N/A = Not available (información no disponible o sin especificar)
67
Finalmente, con respecto a si se encuentran o no en el abstract de los respectivos artículos, indicios

que permitan contrastar las hipótesis directivas planteadas (Figura 1.30):
 En 30 de los 67 abstract (44,8%) se encontraron indicios para contrastar la Hipótesis de

Adecuación (HA)

Viabilidad (HV)

Relevancia (HR)
 Sólo en 6 de los 67 abstract (8,9%) no se encontró indicio alguno.
Figura 1.30. Porcentaje de artículos revisados en cuyo abstract se encuentran indicios para el contraste de las respectivas
hipótesis directivas enunciadas
Con más profundidad, en la siguiente Tabla 1.10 se detallan para las 67 referencias revisadas, los
indicios encontrados en cada una de ellas para el contraste de las distintas hipótesis directivas
enunciadas.
68
Tabla 1.10. Indicios de contraste, encontrados en los abstract de las 67 referencias revisadas
INDICIOS
Nº DE
ENCONTRADOS EN REFERENCIAS
ARTÍCULOS
EL ABSTRACT…
6 Gombachika & Khangamwa (2013) ; Gould et al. (2012) ; Huang et al.

…ningún indicio… (2011) ; Nikolova & Taylor (2003) ; Plummer et al. (2011); Prince et al.
(8,9%) (2012)
Coxon (2012) ; Hoover & Stanley (2009) ; Kim (2011) ; Kim et al. (2013) ;
…sólo para la Hipótesis 13 Mann (2006) ; O’Brien et al. (2005) ; Olszewski-Kubilius & Lee (2005) ;
de Adecuación… (19,4%) Quartararo (2002) ; Salaman (2008) ; Siegle (2005) ; Siegle & Powell
(2004) ; Sullivan & Lin (2012) ; Zhuang & Morgera (2007)
Adams & Cross (2000); Besnoy et al. (2012); Blair (2011); Bohemia &
Ghassan (2012); Bullard (2005); Cope & Suppes (2002); De Wet (2006);
22 Eristi (2012); Grimes & Warschauer (2008); Hernández & Borges (2005);
…sólo para la Hipótesis
Koivunen (2009); Larson & Murray (2008); McLester (2012); Olszewski-
de Viabilidad… (32,8%) Kubilius & Lee (2004); Pedersen & Liu (2002); Shaklee & Landrum
(2000); Siegle (2003); St. Cyr (2004); Thomson (2010); Weber &
Cavanaugh (2006); Yang et al. (2011); Zucker (2009)
…sólo para la Hipótesis 4 Bitzer et al. (2007); Gentry (2008); Shivers (2012); Somyürek & Coskun
de Relevancia… (6,0%) (2013)
Burns (2006); Chan et al. (2010); Clark (2005); Dove & Zitkovich (2003);
…para la Hipótesis de 13 Gadanidis et al. (2011); Gilbert-Macmillan (2000); Lee (2011);
Adecuación + Hipótesis
(19,4%) Olszewski-Kubilius (2001); Rotigel & Fello (2004); Siegle (2009); Suppes
de Viabilidad…
et al. (2013); Wilson et al. (2012); Ysseldyke et al. (2004)
…para la Hipótesis de 2
Adecuación + Hipótesis Connolly (2010); Siegle (2004)
de Relevancia… (3,0%)
…para la Hipótesis de 5 Eckstein (2009) ; Gentry et al. (2007) ; Siegle (2013) ; Sun et al. (2006) ;
Viabilidad + Hipótesis
(7,5%) Wurst et al. (2008)
de Relevancia…
2
…para las 3 Hipótesis Reid & Roberts (2006); Siegle (2011)
(3,0%)
67
TOTAL
(100%)
1.5.5. Discusión
Al comienzo de este capítulo enunciábamos nuestra primera tentativa del problema de investigación.
Tras la exploración de fuentes, formulábamos de manera fundamentada la enunciación inicial de
nuestras hipótesis directivas y, en consonancia, establecíamos los objetivos de búsqueda para la
revisión sistemática, así tratando de encontrar evidencias de contraste de dichas hipótesis. Como
resultado, en 61 de los 67 artículos revisados (91,0%) se encontraron indicios en el correspondiente
abstract para someter a contraste al menos una de las hipótesis específicas: Adecuación (HA),
Viabilidad (HV) y Relevancia (HR). Podemos pues afirmar la eficacia del procedimiento de búsqueda,
69
dado que la práctica totalidad de los artículos revisados contienen indicios de información
conducente al contraste de las hipótesis.
La hipótesis sobre la que se encuentran mayor número de indicios de contraste es la de Viabilidad

(HV): un total de 42 artículos (62,7%). En términos globales, estos indicios se refieren a la
implantación de metodologías de ‘e-learning’ (a distancia y con soporte tecnológico) para la
enseñanza-aprendizaje del alumnado en general y para los estudiantes de alta capacidad en
particular; mostrando las ventajas de dichas metodologías para la flexibilización, diferenciación e
individualización curricular (véase, por ejemplo, Adams & Cross, 2000; Cope & Suppes, 2002; Dove
& Zitkovich, 2003; Olszewski-Kubilius & Lee, 2004; St. Cyr, 2004; Thomson, 2010). Algún estudio
(p.e., Yang et al., 2011) informa de diferencias de género en el sentido de que los estudiantes
masculinos de alta capacidad parecen más proclives al aprendizaje en estos entornos en línea,
mientras que sus iguales femeninas tenderían en mayor medida a los entornos ‘cara a cara’.
Abundando en la hipótesis de viabilidad, Blair (2011) hace hincapié en la posibilidad que ofrecen las
metodologías de ‘e-learning’ para que los alumnos más dotados entren en contacto con ‘iguales en
capacidad’ (en vez de con ‘iguales en edad’ tal y como les obliga la escuela ordinaria). Pedersen &
Liu (2002) constatan los beneficios de contar con modelado cognitivo experto en entornos de
aprendizaje y resolución de problemas en línea; y en ese mismo sentido, Siegle (2003) destaca los
beneficios de la ‘e-mentoría’ para los alumnos más capaces. Eristi (2012) pone el acento en la
virtualidad que ofrece el ‘e-learning’ para que los estudiantes de alta capacidad puedan satisfacer su
curiosidad y hambre de conocimiento. Por su parte, Hernández & Borges (2005) presentan una
experiencia en España con el curso-programa “Navegando en el aprendizaje”, orientado a
estudiantes de alta capacidad y con el objetivo de desarrollar su autorregulación en el aprendizaje.
Larson & Murray (2008) informan del enorme impacto que puede suponer para los estudiantes de
alta capacidad acceder a recursos educativos ‘on-line’ y en abierto (‘open educational resources’),
para la aceleración de su aprendizaje en el área de matemáticas a través de una metodología ‘b-
learning’ (combinación de clases presenciales y del uso de dichos recursos ‘on-line’). O también,
McLester (2012), que reporta un intento de implantar de manera ‘on-line’ el modelo de triple
enriquecimiento de Renzulli.
Por otro lado, Lee (2011) justifica como la aparición de plataformas ‘on-line’ para el aprendizaje de
las programación informática a través de lenguajes visuales, como Scratch 73, hacen accesible y
viable, de manera sencilla, un enriquecimiento curricular en esa área para los más capaces. 74
No es de extrañar que sea la hipótesis directiva de viabilidad la que cuente con mayor número de
indicios pues el período estudiado, siglo XXI (2000-2013), coincide con la eclosión de Internet y la
aparición y extensión del aprendizaje ‘on-line’ a través de la Red (Sacristán, 2013). Parece pues que
la hipótesis de viabilidad se encuentra suficientemente sometida a contraste.
73
https://scratch.mit.edu/
74
Y no sólo para los más capaces. Tal y como veremos en el capítulo 2 sobre ‘Codigoalfabetización’, uno de los factores
principales para que el aprendizaje de la lectoescritura con lenguajes informáticos de programación se pueda extender a
la población general tiene que ver con el surgimiento de lenguajes visuales, como Scratch, que hacen mucho más
accesible al aprendiz iniciarse en este campo.
70
A continuación, encontramos un nivel intermedio de indicios de contraste para la hipótesis de

Adecuación (HA): 30 artículos (44,8%). En términos generales, estos indicios se refieren a las
especiales características del alumnado talentoso y de alta capacidad en lo relativo al manejo de
lenguajes formales, no sólo la programación informática (Gilbert-Macmillan, 2000; Lee, 2011;
Siegle, 2009), sino también las matemáticas 75 (Gadanidis et al., 2011; Mann ,2006; Rotigel & Fello,
2004) o la música (Burns, 2006; Hoover & Stanley, 2009); en ocasiones música electrónica generada
computacionalmente (Salaman, 2008). Dado lo sistemático de dichos lenguajes formales, su
aprendizaje acelerado puede ser promovido adecuadamente en los alumnos más capaces. Coxon
(2012) completa el panorama destacando cómo los sujetos de alta capacidad pueden destacar
igualmente en habilidades espaciales y creativas, ambas puestas en juego a la hora de enfrentarse a
tareas que involucren la programación informática.
Adicionalmente, Chan et al. (2010) resaltan las incipientes disciplinas STEM (ciencia, tecnología,
ingeniería y matemáticas) como ámbito de excelencia prioritario a ser promovido e investigado entre
los alumnos de alta capacidad de su país (Hong-Kong), dadas sus importantes implicaciones para el
desarrollo económico del mismo. Lo propio hacen Wilson et al. (2012) en los Estados Unidos,
incluyendo aquí también la robótica (Sullivan & Lin, 2012)
La hipótesis directiva de adecuación es una hipótesis ya clásica del campo de la alta capacidad,
fundamentada sólidamente a lo largo del siglo XX (Clements, 1986; Clements & Swaminathan,
1995; McAllister, 1993), por lo que no es de extrañar que, ya en el siglo XXI, descienda el número
de publicaciones con ese foco. Parece pues que la hipótesis de adecuación se encuentra ya
sólidamente sometida a contraste.
Por último, la hipótesis sobre la que se encuentran menor número de indicios de contraste es la de
Relevancia (HR): tan sólo 13 artículos (19,4%). En términos generales, estos indicios se refieren al
impacto que se produce en el estudiante, tras compartir y publicar en Internet alguno de sus
productos de aprendizaje (no sólo ‘apps’ sino igualmente otros objetos digitales); que potencialmente
son accesibles a una audiencia inmensa y global. Así, por ejemplo, encontramos el trabajo de
Eckstein (2009), focalizado en un programa de enriquecimiento 2.0 para estudiantes de alta
capacidad que implica la generación de productos y servicios que atienden a necesidades reales de la
comunidad circundante (‘focused toward the production of real-world products or services’); el
trabajo de Gentry (2008), que estudia los efectos sobre los estudiantes de alta capacidad de publicar y
compartir ‘on-line’ sus propios libros de texto (construidos por los propios estudiantes); Siegle
(2011) destaca las posibilidades de la ‘nube informática’ (‘iCloud’) como ubicación compartida de
archivos digitales en donde los alumnos más capaces pueden presentar sus productos; o desde otra
perspectiva, el trabajo Bitzer et al. (2007) resalta la importancia de una cultura basada en compartir
‘código informático’ para que el desarrollo del software libre sea posible, o el trabajo de Sun et al.
(2006) que estudia el aumento de la motivación que experimentan los jugadores en entornos
‘gamificados’ en línea al ganar reputación dentro de la comunidad por compartir pistas e
informaciones importantes para progresar en el juego.
75
En el caso concreto de chicas con talento en matemáticas de Educación Secundaria, Reid & Roberts (2006) informan
de la utilidad de usar mentoras ‘on-line’ expertas de cursos superiores universitarios para acelerar el aprendizaje y la
autoconfianza matemáticas de aquellas.
71
No es de extrañar que sea la hipótesis directiva de relevancia la que cuente con menor número de
indicios pues se focaliza en un hecho emergente y reciente: la web 2.0, cuyo nacimiento se suele
datar alrededor de 2004 (O’Reilly, 2006) y cuya generalización podemos situar a partir de 2008
(Sacristán, 2013) a raíz de la extensión de las redes sociales; y que se basa en la idea y práctica de
que el usuario de la Red no sólo se limita a recibir y consumir contenido digital sino también se
dispone a generarlo y compartirlo. Parece pues que la hipótesis de relevancia se encuentra aún en
vías de contrastación científica, y sobre ella deberían focalizarse las futuras investigaciones.
Y es que la actual Sociedad del Conocimiento 2.0, y en especial la 3.0 que emerge 76, demanda de las
escuelas que formen ciudadanos que no sólo consuman información y aplicaciones, sino que también
participen en su producción y desarrollo. Ahora bien, tal y como nos hacen notar Somyürek &
Coskun (2013), no podemos dar por hecho que los jóvenes actuales, incluso los más capaces, por el
hecho de haber nacido ya en un mundo digital (‘nativos digitales’) utilicen la tecnología para usos
avanzados (p.e., recuperar y comparar información de manera crítica, trabajo colaborativo de orden
superior, resolución de problemas a través del ordenador, generación de productos digitales
elaborados mediante programación, etc…); por el contrario, los autores presentan datos de varios
informes internacionales que indican que el uso de la tecnología por parte de estos ‘nativos digitales’
se circunscribe casi exclusivamente al ‘entretenimiento’ (videojuegos) y a la ‘comunicación’
(mensajería y redes sociales). Para los usos de orden superior parece necesaria la acción intencional y
planificada desde las escuelas. En el caso de los alumnos de alta capacidad, es una excelente ocasión
para que desde el sistema educativo se promuevan sus fortalezas; si queremos que las altas
capacidades cristalicen en talentos específicos para la programación informática necesitamos un
entrenamiento sistemático desde un entorno educativo que ejerza como catalizador ambiental de todo
el proceso (Gagné, 2004, 2015). Con otras palabras, desde la aproximación evolutiva recientemente
formulada por Olszewski-Kubilius, Subotnik, & Worrell (2015), para que el potencial de los alumnos
de alta capacidad se transforme en competencia, ésta se transforme en pericia, y ésta finalmente en
eminencia, deben concurrir las adecuadas oportunidades educativas que permitan el desarrollo pleno
de su talento, en este caso en el ámbito informático.
En síntesis, lejos del estereotipo del ‘superdotado’ (masculino, de raza blanca, de clase media-alta)
diseñando en soledad un programa informático (como mero juego formal), la programación de
‘apps’ emerge como una competencia con fuertes connotaciones sociocomunicativas, transversal a
todos los géneros y culturas. (Román-González, 2013b). De hecho, transversal hasta el punto de
erigirse como un ‘nuevo alfabetismo’, susceptible de extenderse a la población escolar general y a la
creación de todo tipo de objetos digitales (no sólo ‘apps’) como animaciones, juegos, webs, etc. De
ello nos ocuparemos en el próximo apartado Capítulo 2 sobre ‘Codigoalfabetización’.
1.5.5.1. ¿Altas capacidades digitales?
En este punto, evocamos a Tannenbaum (1986, 1991) que, desde su perspectiva social de la alta
capacidad, nos recuerda que es la sociedad (cada sociedad) y su cultura la que determina la valía de
un producto, la que hace acreedores de capacidad y talento a aquellos capaces de elaborarlos, y la
que facilita o dificulta su realización desde el propio sistema educativo. En este sentido, y dado el
76
En el próximo Capítulo 2 sobre ‘Codigoalfabetización’ se expondrá cómo precisamente la capacidad de leer y escribir
con lenguajes informáticos está emergiendo como competencia central de la incipiente sociedad 3.0
72
progresivo valor que nuestra sociedad de la información está concediendo a las aplicaciones para
dispositivos móviles, cabría preguntarse si son los denominados alumnos de alta capacidad los más
indicados para la programación de ‘apps’; o si acaso son aquéllos que tengan la habilidad para
programar ‘apps’ los que pueden denominarse alumnos de alta capacidad.
Dicho de otra manera, en este juego de espejos: ¿es la alta capacidad un indicador para acometer la
programación de ‘apps’? (perspectiva que hemos seguido hasta ahora) ¿O será la programación de
‘apps’ un indicador para la determinación de la alta capacidad? (perspectiva inversa que anima este
sub-epígrafe de discusión) Interesante debate que es abordado en algunas de las publicaciones
incluidas en nuestra revisión sistemática, en la que encontramos autores que se han interesado por la
definición y estudio explícito del constructo ‘altas capacidades digitales’ (‘digital gifts and talents’).
Así, por ejemplo Siegle (2004), afirma que:
“El talento y las altas capacidades se presentan en muy diversas formas. Una posible área
de expresión del talento es la tecnología digital. Y estudiantes con altas capacidades en esta
área podrían no ser identificados correctamente como tales a través de los métodos
tradicionales. Como cualquier talento, es de vital importancia reconocer a los estudiantes
tecnológica-digitalmente dotados con objeto de promover sus altas capacidades en ese
campo” (Siegle, 2004, p. 30)
Según Siegle (2004) el talento tecnológico-digital se expresa a través de una ejecución experta en
dos sub-áreas de actividad: a) pericia en la programación informática de computadoras (foco central
de nuestra tesis); y b) pericia como consumidor-usuario de hardware y software. Siegle (2004)
afirma que los sujetos con desempeño excelente en ambas sub-áreas pueden considerarse como
‘tecnológica-digitalmente dotados’; y a su vez desarrolla con más profundidad la segunda de ellas
(consumidor-usuario experto de hardware y software), que estaría internamente compuesta por las
siguientes cuatro dimensiones:
a. Pericia usando la tecnología digital: los sujetos dotados digitalmente a menudo adquieren las
habilidades de uso de la tecnología más rápido y a más temprana edad que sus iguales.
Además, es común que estos sujetos digitalmente dotados sean capaces de transferir
fácilmente lo aprendido con una determinada tecnología a otra similar (p.e. no sólo aprenden
rápido y con facilidad a manejar un determinado software sino que son capaces de transferir
dicho aprendizaje a software similares, dado que tienen la habilidad de detectar los patrones
comunes a ambos)
b. Interés e iniciativa en el uso de la tecnología digital: los sujetos dotados digitalmente suelen
experimentar y ser autodidactas en el aprendizaje del nuevo software y hardware que va
apareciendo; en muchas ocasiones no necesitan de entrenamiento formal para realizar sus
progresos. Siegle (2004) destaca que en esta dimensión concreta se encuentran diferencias de
género a favor de los chicos, que se muestran más proclives a la experimentación; es posible
que las chicas necesiten de modelos femeninos de excelencia en el campo del talento digital
para que ganen confianza e iniciativa.
73
c. Mentoría a terceros sobre tecnología digital: los dotados digitalmente suelen asistir y ayudar
espontáneamente a sus iguales en los problemas que encuentran con el uso de la tecnología.
d. Integración de tecnologías digitales: por último, los sujetos con altas capacidades digitales
son capaces de incorporar de manera integrada y creativa distintos tipos de programas-
software y/o hardware en productos digitales de alto nivel (p.e. al diseñar una web que
incluye texto, hipertexto, imagen, un reproductor de audio incrustado y un script 77 de Java
para dotar a la página de interactividad)
Por su parte, O’Brien, Friedman-Nimz, Lacey y Denson (2005) parten de la constatación de que en el
emergente mundo digital es obvia la existencia de estudiantes que muestran una habilidad
excepcional para aprender y trabajar con ordenadores (p.e. citan los casos de Steve Jobs, que funda
Apple con tan solo 21 años, o Bill Gates, que hace lo propio con Microsoft a los 20). En ese sentido
se plantean explorar y determinar de qué está compuesto el talento tecnológico-digital. Una primera
afirmación que realizan estos autores es que los dotados digitalmente usan el ordenador como
‘compañero cognitivo’ (‘cognitive partner’), es decir, como una amplificador-acelerador de sus
procesos de pensamiento y solución de problemas; en vez de usar el ordenador simplemente como un
buscador-transmisor de información (‘computer as a tutor’). En esta misma línea, constatan como
los dotados digitalmente utilizan los ordenadores para resolver problemas con una mayor
planificación previa, y sin recurrir tanto al ensayo y error como los menos dotados; como resultado,
los dotados digitalmente utilizan el software de manera más eficiente y rápida.
O’Brien et al. (2005) tratan entonces de caracterizar a los sujetos con talento tecnológico-digital,
partiendo de algunos estudios previos de la psicóloga del MIT, Sherry Turkle (1995), que describió
dos tipos de talentos avanzados con el manejo del ordenador: los ‘hackers’ (focalizados en grandes
problemas y sistemas informáticos complejos, para llevarlos a sus límites de funcionamiento); y los
‘hobbysts’ (cuyo objetivo es reducir al ordenador a sus elementos básicos y más sencillos, para
comprender y mejorar su uso). Finalmente, O’Brien et al. (2005) categorizan dos tipos de talentos
tecnológico-digitales:
 ‘Programadores’ (‘programmers’ = orientados al interior de la máquina): son estudiantes que

destacan y disfrutan trabajando con los lenguajes informáticos de programación. Pueden
pasar largos periodos de tiempo escribiendo y reescribiendo código de manera persistente, y
suelen preferir el trabajo independiente. Se caracterizan a sí mismos con altas capacidades
lógicas, espaciales y de solución de problemas.
 ‘Intefacers’ (‘intefacers’ = orientados al punto de encuentro entre máquina y seres humanos):

son estudiantes que destacan y disfrutan ayudando a sus iguales (y profesores) con las
dificultades informáticas que surgen de su uso cotidiano. No les interesa tanto el ordenador en
sí, como la interacción social que surge de ayudar y colaborar con otros en resolver las
dificultades con el manejo de la informática. Su estilo de trabajo es más colaborativo.
Estas nuevas reformulaciones de las altas capacidades y del talento en el mundo digital (que dejamos
por ahora planteadas para ser retomadas más adelante cuando tengamos que interpretar los resultados
77
Script: programa informático sencillo, apenas compuesto por unas pocas líneas de código.
74
de nuestros estudios empíricos) también traen consigo una actualización de los modelos de
intervención educativa con los más capaces. Por ejemplo, puede consultarse el modelo de
enriquecimiento 2.0 de Eckstein (2009); la intervención con alumnos de altas capacidades a través de
entonos de programación multimedia como Scratch 78 (Lee, 2011); o nuestro propio modelo de
enriquecimiento curricular a través de la programación de ‘apps’, que se ha venido presentando en
detalle a lo largo de este capítulo, y que en versión abreviada ya ha obtenido aval de la comunidad
científica (Román-González, 2014a)
1.6. Conclusiones parciales
Para finalizar este Capítulo 1, se pueden extraer ya algunas conclusiones parciales derivadas de la
revisión sistemática:
 La casi inexistencia de artículos científicos sobre el problema de investigación publicados en

lengua española y sobre contextos educativos españoles. Existe pues un vacío por completar
en España al respecto.
 Hemos detectado la revista científica más prolífica e interesada sobre el problema de

investigación: Gifted Child Today; se trata de una publicación que aúna el foco de la alta
capacidad con asuntos de actualidad como la tecnología, frente a revistas más ortodoxas del
área como Gifted Child Quarterly.
 Con respecto al año de publicación de los artículos, se observa un lento crescendo a lo largo
del siglo XXI con un pico destacable en el último trienio: 23 artículos en el periodo 2011-
2013; lo que puede ser indicativo de la potencia, actualidad y previsible crecimiento de este
campo de estudio.
 Finalmente, hay que destacar la preponderancia de experiencias en la etapa de Educación

Secundaria. Ello da una pista para posteriormente saber dónde acotar los estudios empíricos
sobre el problema.
En síntesis, y dando respuesta a nuestro problema de investigación, tal y como ha sido formulado
inicialmente, consideramos que hay evidencia suficiente en la literatura científica actual para
contrastar la posibilidad y deseabilidad de aprender a programar ‘apps’, como enriquecimiento
curricular indicado especialmente para alumnado de alta capacidad. Dicho enriquecimiento sería
significativo y completo, al profundizar respectivamente en el contenido, en el proceso y en el
producto de su aprendizaje.
Queda pendiente la contrastación empírica de las hipótesis directivas enunciadas en el contexto del
sistema educativo español. Ello podría acometerse a través de la implantación y evaluación de un
programa-curso educativo de enriquecimiento para los más capaces con las siguientes coordenadas:
a) contenido de aprendizaje: programación de ‘apps’ o ‘web-apps’; b) metodología de aprendizaje:
‘flipped classroom’; c) recursos de aprendizaje: curso ‘Computer Programming’ (Khan Academy,
2015); d) etapa educativa: Educación Secundaria (Aula de Informática o Tecnología). Se abordará,
en un juego de espejos simétricos, al final de la parte empírica de esta tesis doctoral.
78
75
CAPÍTULO 2
CODIGOALFABETIZACIÓN
Este segundo capítulo de nuestra tesis doctoral amplía el foco de investigación desde la población
específica de sujetos de alta capacidad a la población escolar general; y desde la programación de
aplicaciones para dispositivos móviles o ‘apps’, a la programación de cualquier objeto digital
(animaciones, juegos, simulaciones, aplicaciones, etc...). Para dicha ampliación de foco, será central
concebir la lectoescritura con los lenguajes informáticos de programación como un nuevo
alfabetismo de la incipiente sociedad 3.0, crítico para la formación de ciudadanos y profesionales
plenamente digitales.
En consecuencia, en este capítulo se procederá a reformular nuestro problema general de

investigación y, finalmente, a la enunciación definitiva de nuestras hipótesis directivas.
2.1. Algunas definiciones previas
Como paso previo, ofrecemos algunas definiciones y precisiones terminológicas que esperamos
contribuyan a una lectura más ágil y precisa de las páginas que siguen. Primeramente, tal y como ya
dijimos en la introducción, a lo largo de la tesis doctoral se utilizan alternativamente como sinónimos
los términos ‘ordenador’ (de mayor uso en el ámbito español) y ‘computadora’ (de mayor uso en el
ámbito sudamericano). La siguiente distinción importante a realizar, es la de los términos
‘algoritmo’, ‘programa’ y ‘código’.
 Un ‘algoritmo’ es una secuencia ordenada y exhaustiva de operaciones o pasos, que permite

llegar unívocamente a la solución de un cierto tipo de problemas. Los algoritmos son
producciones de la mente humana, y se formulan para ser comprendidos por humanos. Por
ejemplo, una receta de cocina es un algoritmo, en la medida que explicita el conjunto
ordenado de acciones a seguir para la realización de un plato; otros ejemplos de algoritmos
serían: una secuencia de indicaciones que damos a un conductor perdido en busca de su
destino; el folleto de instrucciones para montar un mueble de IKEA, etc.
 Un ‘programa’ (entiéndase ‘programa informático’) es un caso particular de ‘algoritmo’.

Así, decimos que un programa es un algoritmo particularmente expresado, de forma que
pueda ser entendido, procesado y ejecutado por un ordenador. Para que un ‘algoritmo’ se
convierta en ‘programa’, el problema subyacente que soluciona debe poder ser expresado
como un conjunto de instrucciones computables por el ordenador.
 A su vez, un mismo ‘programa’ puede ser escrito-codificado a través de diferentes lenguajes

informáticos de programación, cada uno de ellos con sus reglas sintácticas propias. Así, por
ejemplo, el famoso programa ‘Hello World!’ 79 puede escribirse a través de código HTML,
JavaScript, Python, Ruby, etc… Se ilustra en la Figura 2.1.
79
El programa ‘Hello World!’, en español ‘¡Hola Mundo!’, es un programa informático que muestra el texto “Hello
World!” en el dispositivo de visualización, habitualmente una pantalla. Es un programa extraordinariamente sencillo, que
Volver al índice
Figura 2.1. El programa ‘Hello World!’ 80, escrito en código HTML, JavaScript, Python (versión 3) y Ruby
Así pues, todo ‘programa’ está basado en un ‘algoritmo’ subyacente; pero no todo ‘algoritmo’ puede
ser expresado como ‘programa’. Por otro lado, un mismo ‘programa’ puede ser escrito a través de
distinto ‘código’; y también puede existir ‘código muerto’, mal escrito o disfuncional, que no
responda a ningún ‘programa’.
En cualquier caso, y a efectos de esta tesis doctoral, consideraremos sinónimos los términos
‘programming’ (‘programación’) y ‘coding’ (‘codificación’). Aunque, en sentido estricto, el primero
es un término más genérico al hacer referencia a la concepción de un programa informático, respecto
al segundo término que se refiere a su escritura en una sintaxis concreta; en la realidad, ambos se
utilizan como sinónimos (quizás con el único matiz de que ‘programming’ es un término más
antiguo, ya existente desde el nacimiento de los ordenadores y que es utilizado mayoritariamente por
los informáticos de 40 años en adelante; mientras que ‘coding’ es un término más novedoso, que ha
cogido fuerza a raíz de la reciente explosión digital, y es más utilizado entre la población joven).
Por otro lado, es muy revelador que el término inglés ‘Computer Science’ (literalmente ‘Ciencias de
la Computación’) tenga como equivalencia en español ‘Informática’. Tanto ‘Computer Science’
como ‘Informática’ remiten al estudio combinado del ‘hardware’ (componentes físicos) y del
‘software’ (componentes lógico-simbólicos) de un ordenador o conjunto de ordenadores. A lo largo
de esta tesis doctoral, utilizamos ‘Computer Science’ e ‘Informática’ como sinónimos, pero nos
parece necesario recalcar, en este punto, el distinto campo semántico asociado a cada uno de ellos:
 Así, ‘Computer Science’ nos lleva a un campo semántico en el cual la disciplina nombrada
adquiere rango de ciencia, y en donde sus expertos son científicos en computación
(‘computar’, a su vez, significa contar o calcular algo mediante un sistema numérico; en este
se suele utilizar para introducir e ilustrar a los estudiantes noveles sobre la sintaxis básica de un lenguaje de
programación. También se suele utilizar para testar si un sistema operativo está funcionando correctamente.
80
Se puede consultar el programa ‘Hello World!’ escrito en código de más de un centenar de lenguajes informáticos
diferentes en http://helloworldcollection.de/
77
caso, el sistema numérico binario). Así, el centro de gravedad del término ‘Computer
Science’ está desplazado hacia una aproximación activa-productiva al hardware y,
especialmente, al software.
 En contraste, el término ‘Informática’ nos lleva a un campo semántico diferente en el cual la

disciplina nombrada se sitúa en el rango de los saberes instrumentales, y en donde sus
expertos son concebidos más bien como técnicos. Así las cosas, no es de extrañar que ‘saber
de Informática’ esté más vinculado a un uso-consumo experto de aplicaciones y equipos; o
que los cursos o asignaturas de Informática se encuentren frecuentemente vinculados al
aprendizaje de herramientas predefinidas de ofimática o navegación web.
La anterior distinción terminológica no es en absoluto baladí, y tiene unas implicaciones

fundamentales en la esfera educativa (Dans, 2015a). De hecho, no es de extrañar que, como veremos
en este capítulo, los nuevos y punteros currículums educativos en el mundo anglosajón orientados
hacia la programación informática lleven el nombre de ‘Computer Science Education’; frente a los
currículums anteriores, orientados al mero uso de aplicaciones informáticas, conocidos como ‘ICT
Education = Information and Communication Technology Education’ (‘Educación en TIC =
Tecnologías de la Información y la Comunicación’).
En el corazón de este capítulo estará, precisamente, la fundamentación de una nueva aproximación a

la ‘Informática’ en nuestro sistema educativo que incluya a las ‘Ciencias de la Computación’ y, por
tanto, la codigoalfabetización de nuestros estudiantes.
2.2. Ampliación del foco de investigación
Para abordar la ampliación del foco de nuestra investigación, nos introducimos por 3 líneas de
indagación teórica: en primer lugar, nos interrogamos sobre si está emergiendo un nuevo tipo de
inteligencia, la ‘inteligencia digital’ (Battro & Denham, 2007), en paralelo a la eclosión de los miles
de objetos digitales que nos rodean y que median nuestra acciones cotidianas; en segundo lugar,
tratamos de encajar la lectoescritura con los lenguajes informáticos de programación dentro del
paradigma de ‘nuevos alfabetismos’ digitales (Lankshear & Knobel, 2008); en tercer lugar,
describimos el nacimiento y rápida expansión del movimiento ‘code-literacy’ (traducido por
nosotros como ‘codigoalfabetización’) desde los Estados Unidos (Rushkoff, 2010, 2012), y que ha
cristalizado en el evento mundial de promoción del ‘coding’ en las aulas de todo el planeta
denominado ‘The Hour of Code’ 81 (‘La Hora del Código’)
2.2.1. Hacia una inteligencia digital
Si queremos extender la lectoescritura con lenguajes informáticos de programación, como una

habilidad predicable no sólo de los sujetos de alta capacidad sino también de la población general;
entonces deberíamos fundamentar una inteligencia subyacente a dicha habilidad, igualmente
predicable para todos los sujetos, más allá de la existencia de distintos niveles en la misma. En este
sentido, y en el marco de la teoría de las Inteligencias Múltiples (IM) de Howard Gardner (1983,
81
https://hourofcode.com
78
1995, 1999 82), se vienen realizando en los últimos años algunos esfuerzos por describir una nueva
inteligencia, la ‘inteligencia digital’; siendo la lectoescritura de código informático una de sus
manifestaciones al máximo nivel.
Para comenzar esta indagación, acudimos a la definición de inteligencia que ofrece Gardner (1999):
una inteligencia es un “potencial biopsicológico para procesar información que se puede activar en
un marco sociocultural para resolver problemas o crear productos que tienen valor para dicha
cultura”. Pues bien, tal y como dijimos en la introducción a esta tesis, parece evidente que vivimos
inmersos en un ecosistema digital, rodeados por objetos e informaciones en formato digital,
resolviendo problemas de manera continua a través de medios y herramientas digitales (ordenadores,
tabletas, smartphones…), y que los productos digitales (p.e. páginas web, ‘apps’, software
diverso…) se han constituido como objetos de gran valor en nuestra sociedad y economía actuales.
En este contexto, nos preguntamos si, tal y como afirma Adams (2004), de esta continua interacción
con la tecnología digital está emergiendo un nuevo tipo de inteligencia: la ‘inteligencia digital’.
A priori, podríamos inclinarnos a decir que lo digital no es tanto una inteligencia con entidad propia
sino más bien un nuevo ámbito. Gardner (1999) ya advierte del error habitual de confundir una
inteligencia con un ámbito: “una inteligencia es un nuevo tipo de constructo que se basa en
potencialidades y capacidades de carácter biológico y psicológico. No se debe confundir con ningún
ámbito o disciplina, que son esferas de actividad humana construidas socialmente” (Gardner, 1999,
p. 82). En un determinado ámbito se pueden proyectar distintas inteligencias. Así, por ejemplo, el
ámbito de la actuación musical supone poner en juego las inteligencias personales, la corporal-
cinestésica y la musical.
De hecho, el propio Gardner (1995) describe de manera clara cómo programar un ordenador,
diríamos una competencia digital de nivel superior, es una actividad que implica simultáneamente
múltiples inteligencias:
“La inteligencia lógico-matemática parece central, porque programar se basa en la

implementación de procedimiento estrictos [algoritmos] para resolver un problema o
alcanzar una meta en un número finito de pasos. La inteligencia lingüística también es
relevante, en la medida que los lenguajes de programación hacen uso del lenguaje ordinario.
Un individuo con una fuerte inclinación musical podría ser introducido más fácilmente en la
programación intentando dominar un programa que componga música o intentado el propio
individuo programar una pieza musical. Un individuo con fuertes habilidades espaciales
podría ser iniciado en la programación a través del diseño de gráficos en el ordenador, y
puede apoyarse para sus tareas de programación en el uso de diagramas de flujo u otros
tipos de representaciones espaciales. Las inteligencias personales pueden jugar un papel
importante: la extensa planificación de pasos y metas que debe establecer el individuo
involucrado en la programación se basa en formas intrapersonales de pensamiento; así
como la cooperación necesaria para la realización de tareas complejas de programación o
para aprender nuevas habilidades computacionales descansan en la capacidad del individuo
82
En su formulación actual, la teoría IM postula la existencia de 8 inteligencias, relativamente independientes:
lingüística, lógico-matemática, musical, corporal-cinestésica, espacial, interpersonal, intrapersonal, y naturalista.
79
para trabajar en equipo. Finalmente, la inteligencia cinestésica puede jugar un papel en el

trabajo con la computadora en sí, facilitando el manejo habilidoso con el terminal”
Sin embargo, hay varias razones que nos llevan a especular sobre la posibilidad de que lo digital
vaya más allá de ser un simple ámbito de proyección de las inteligencias ya conocidas, y emerja
como una nueva inteligencia con entidad propia, que cumpla con los criterios establecidos por la
teoría IM:
 Siguiendo a Manovich (2013) en su reciente libro “Software takes command” (“El software
toma el mando”), el ordenador se ha convertido en un meta-medio, un nuevo canal a través
del cual los medios tradicionales (prensa, televisión, radio, etc…) se vehiculan. En esa misma
medida, el lenguaje para manejar los ordenadores, es decir los distintos lenguajes de
programación que indican al ordenador qué hacer, se convierte en una especia de meta-
lenguaje. Así, a través de un lenguaje de programación informático podemos ‘escribir’ texto,
imágenes, sonidos, música, animaciones, aplicaciones en formato digital. Siguiendo con esa
misma analogía, la inteligencia digital, que es la que permitiría desplegar ese meta-lenguaje
(el lenguaje de programación) para manejar ese meta-medio (el ordenador), emerge como una
nueva meta-inteligencia. De esta misma manera, como meta-inteligencia, se refiere Adams
(2004) a la inteligencia digital al certificar cómo la tecnología está transformando
cualitativamente la estructura de las inteligencias humanas.
 Ya decía McLuhan (1994) que “en primer lugar los seres humanos damos forma a la
tecnología; y posteriormente dicha tecnología da forma a la mente humana”. Efectivamente,
el ser humano ha creado la tecnología digital y ahora parece plausible que la inmersión
continua en dichas tecnologías digitales esté reconfigurando nuestra mente y alumbrando una
nueva forma de inteligencia.
 El propio Gardner (1999) reconoce que la aparición y extensión masiva de las nuevas
tecnologías digitales en Internet pueden traer consigo nuevas habilidades y perfiles como el
‘symbol analysts’ (‘analistas de símbolos’) o el ‘masters of change’ (‘maestros del cambio’).
Estas habilidades se relacionan con la capacidad primero de buscar, manejar y seleccionar de
manera crítica entre el mar de datos masivos (big data) e informaciones no lineales e
hipertextuales que pueblan la red; y la capacidad segundo de ordenar, detectar, manipular y
mostrar las tendencias y procesos de cambio subyacentes a esos datos.
Tal y como dice Adams (2004):
“Nos hemos trasladado a un espacio digital multidimensional. La información ya no se

presenta de forma lineal sino a menudo agrupada de manera significativa y orientada hacia
otros objetos. Debido a las nuevas funciones que ofrecen las tecnologías digitales, la
información/conocimiento debe ser personalmente organizado y reorganizado de manera
continua. Podría decirse que aquellos con la habilidad de comprender e interactuar con este
océano digital de información, y con la capacidad de organizarlo, manipularlo y mostrarlo
(visualizarlo) de acuerdo con sus percepciones y objetivos poseen ya otra inteligencia (…) tal
y como describe Gardner, existen individuos virtuosos con la característica de ser analistas
de símbolos y maestros del cambio. Aquellos con este talento podrían ser definidos como
80
digitalmente inteligentes (…) Continuando con el criterio de Gardner de la presencia de un

sistema de codificación simbólico y universal para definir la existencia de una inteligencia
con entidad propia, no hay duda de la actual universalidad de los medios digitales a través
de las distintas culturas. El desarrollo de los iconos de ordenador utilizados para la
comunicación dentro de un entorno digital satisface el criterio de codificación en un sistema
de símbolos. Cuando se utiliza el criterio propio de Gardner para la clasificación de una
inteligencia se puede afirmar lógicamente la existencia de una inteligencia digital” (Adams,
2004, p. 95)
Todo ello ha dado pie a someter a la ‘inteligencia digital’ a un escrutinio más detallado de los
criterios de la teoría IM, con objeto de comprobar si es una candidata válida a engrosar la lista de
inteligencias múltiples. En este contexto, nos parecen especialmente destacables los trabajos de
Antonio M. Battro (Battro, 2009a; Battro, 2009b; Battro & Denham, 2007). En el libro “Hacia una
inteligencia digital” (Battro & Denham, 2007), los autores declaran que:
“Es un ensayo para responder al desafío planteado por la teoría de las inteligencias
múltiples de Gardner en la era del cerebro y las computadoras (...) Vivimos en una era
digital. Es imposible negarlo. La historia de la humanidad ha cambiado con el advenimiento
de la computadora y de Internet. Millones de mujeres y varones, niños, jóvenes y ancianos,
usan hoy los nuevos instrumentos digitales y muchos lo hacen con una facilidad pasmosa.
Después de haber trabajado durante casi dos décadas en el tema pensamos que hay
suficientes pruebas para afirmar la existencia de una ¿nueva? capacidad en la mente
humana. Proponemos identificar esta capacidad intelectual como una verdadera inteligencia
digital, origen y, también resultado, de la tecnología digital de nuestros días” (Battro &
Denham, 2007, p. 2-5)
Enmarcan pues su estudio en la teoría IM de Gardner, con la confianza de que la ‘inteligencia digital’
sea una buena candidata para engrosar la lista de las ocho inteligencias ya aceptadas. Para ello,
someten estrictamente la ‘inteligencia digital’ a los ocho criterios de la teoría IM (Battro & Denham,
2007):
 La inteligencia digital puede ser aislada en caso de lesión cerebral. Se comprueba que en
muchos casos de acalculia y afasia no se pierden las capacidades digitales, lo que iría a favor
de una relativa independencia de la inteligencia digital respecto de la inteligencia lógico-
matemática y de la inteligencia lingüística. Existen observaciones recientes que permiten
inferir la presencia de circuitos neuronales dedicados a la ejecución de las actividades
cognitivas de carácter digital. Así, por ejemplo, Battro (2009a) sugiere que algunos circuitos
neuronales se están reciclando y diferenciando para adaptarse al nuevo entorno digital,
especializándose en las tareas de búsqueda, exploración y navegación por Internet: son los
antiguos circuitos neuronales dedicados a la formación de una ‘imagen de la ciudad =
espacio físico’ (que se representa a través de cinco elementos invariantes: caminos, bordes-
fronteras, zonas-áreas, nodos-atractores, e hitos-singularidades) que se reciclan para la
formación de una ‘imagen de la red = hiperespacio digital’ (que se representa a través de
cinco elementos invariantes análogos: secuencias de links, marcos, directorios de carpetas y
menús, botones, e iconos).
81
 La inteligencia digital tiene una historia evolutiva propia. Se pueden rastrear las trazas de
una inteligencia digital en la era previa a la aparición de la tecnología digital que hoy
conocemos; especialmente en el uso de instrumentos que se basan en la activación manual de
un dispositivo simple, mediante un simple clic. Esta acción elemental, de carácter binario, es
seguramente el fundamento evolutivo de una inteligencia digital, que se manifiesta también
en otras especies. Así, por ejemplo, muchos experimentos de laboratorio están basados en
animales que deben realizar decisiones binarias (elecciones simples entre dos alternativas) a
través del accionamiento (o no) de botones, interruptores y palancas.
 La inteligencia digital está compuesta por dos sub-inteligencias, que definen sus funciones
esenciales. Se entiende que la inteligencia digital está formada, al menos, por los siguientes
dos componentes: la ‘opción clic’ y la ‘heurística binaria’. La ‘opción clic’, selección de una
alternativa simple a través de un dispositivo binario (una palanca, un interruptor, o en la
actualidad un clic de ratón) es la operación mínima de la inteligencia digital; la ‘opción clic’
está presente a lo largo de todas las épocas y culturas, pero no es hasta la irrupción de los
ordenadores, que permiten el encadenado veloz y sucesivo de ‘clics’, cuando emerge con
toda su potencia: “Es evidente que la superioridad de una computadora sobre cualquier otra
máquina reside en su flexibilidad ilimitada para encadenar acciones elementales y formar
sistemas complejos. Su versatilidad y velocidad de procesamiento convierten a la
computadora en la condición necesaria para el desarrollo de una inteligencia digital. Sin
computadoras la inteligencia digital no se podría desarrollar ni expresar en su plenitud,
estaría latente (...) Dicho de otro modo, la computadora es la condición necesaria y la
opción clic la condición suficiente en la expresión de una inteligencia digital” (Battro &
Denham, 2007, p. 21-22). Ese encadenamiento de ‘clics’ que permite el ordenador para el
manejo eficaz de cualquier software (p.e. para la navegación por Internet) constituye una
‘heurística binaria’, el otro componente central de la inteligencia digital. La siguiente cita lo
ilustra perfectamente:
“Lo que sí nos queda claro es que las computadoras e Internet han provocado la
eclosión de los comportamientos digitales, haciéndolos ‘escalables’, al permitir la
prodigiosa expansión en cascada de las opciones elementales. Esto posibilita, por
primera vez en la historia evolutiva, el despliegue de una inteligencia digital genuina.
Por ejemplo, en Internet un clic abre una página con múltiples opciones, al hacer
otro clic en un botón se abre una nueva página o se desencadena alguna acción (se
controla un robot, se escucha una música, se ve una fotografía o video) y así
siguiendo. Este proceso de decisiones elementales sucesivas en la computadora
parece no tener límites, como lo demuestra la combinatoria booleana subyacente”
(Battro & Denham, 2007, p. 30)
 La inteligencia digital se puede codificar en un sistema simbólico propio, con elementos

sintácticos, semánticos y pragmáticos propios. En su nivel más avanzado, la inteligencia
digital está codificada a través de los distintos lenguajes informáticos de programación
(JavaScript, C+, Python, Ruby, HTML, CSS, etc…), cada uno con su propia sintaxis, que
‘por debajo de la pantalla’ indican al ordenador qué hacer. En un nivel más básico, en la
‘interfaz-pantalla’, punto de contacto entre humano y máquina, la unidad simbólica básica
82
sería el enlace o botón, entendido como cualquier elemento donde se pueda aplicar un ‘clic’.
A su vez, estas unidades simbólicas básicas se combinan según sintácticas, semánticas y
pragmáticas propias en menús, submenús, listas de iconos, desplegables de carpetas, etc…
que los nativos digitales, como una lengua materna, ya tienen perfectamente interiorizados.
 La inteligencia digital se desarrolla desde un estado novicio a un estado experto, llegando a

un estado final. Éste es seguramente el criterio más evidente y reconocible; tanto en la
familia, la escuela o en el trabajo todos tenemos experiencia del progresivo despliegue de
capacidades digitales que se exigen en las sucesivas etapas vitales. A este respecto, los
sistemas educativos y de capacitación profesional tienen establecidos de manera explícita
niveles jerárquicos de competencia digital (p.ej.: nivel de ofimática básico o avanzado;
programador junior o senior). Battro & Denham (2007) recalcan que la diferencia entre un
novato y un experto reside en que los primeros se centran en la herramienta digital concreta
que están utilizando (los ‘sustantivos’ en terminología de Marc Prensky, 2011), mientras que
los segundos se centran en cumplir sus objetivos cognitivos (los ‘verbos’ en terminología de
Prensky, 2011) siendo la herramienta algo subsidiario; por ello los expertos son capaces de
moverse sin problemas de unas herramientas digitales a otras.
 La inteligencia digital tiene sus casos excepcionales, talentos y discapacidades. La existencia

reconocida de talentos precoces, prodigios y ‘savants’ en el dominio digital parece satisfacer
este criterio. A modo de ejemplo, ya citado en el Capítulo 1 desde la perspectiva de las altas
capacidades, cabe referir el caso de Santiago González 83 un joven prodigio de la
programación que a la edad de 14 años, de manera autodidacta, ya podía leer y escribir de
manera fluida en una docena de lenguajes informáticos de programación, y tenía publicadas a
su nombre 15 aplicaciones en la ‘AppStore’ de Apple. Los ‘hackers’, en todas sus variedades,
son claros ejemplos de talentos digitales hiperdesarrollados. Con respecto a la discapacidad
digital, Battro & Denham (2007) refieren algunos casos de niños autistas que muestran un
espectro de conductas bizarras (repetitivas, redundantes, sin sentido comunicativo) con el
ordenador; lo cual constituye además un nuevo criterio de diferenciación relativa entre la
inteligencia digital, que incluye una dimensión comunicativa en la que los autistas muestran
discapacidad, y la inteligencia lógico-matemática, en la que muchos autistas destacan.
 La inteligencia digital puede interferir y transferir con otras inteligencias. En la actualidad se

están realizando las primeras investigaciones, aún no concluyentes, sobre las eventuales
interferencias de la inteligencia digital con otras inteligencias. En cuanto a las transferencias
de la inteligencia digital, sabemos que la ejercitación continuada en el uso de los ordenadores
puede facilitar la comunicación entre personas (emails, chats) y mejorar la escritura en los
niños; es decir que hay efectos positivos de la inteligencia digital sobre las inteligencias
interpersonal y lingüística, por ejemplo.
 La inteligencia digital puede medirse. Por último, Battro & Denham (2007) consideran que se
puede y se debe ampliar el alcance de la psicometría tradicional para incluir la incipiente
‘inteligencia digital’, que se presta a mediciones y evaluaciones novedosas, y sus distintos
constructos cognitivos derivados-operacionalizados.
83
https://youtu.be/DBXZWB_dNsw
83
Precisamente, Battro & Denham (2007) señalan que este último criterio, la medición de la
‘inteligencia digital’, es el que debe concentrar más atención y esfuerzo por parte de los
investigadores, si se desea que dicha inteligencia adquiera entidad propia. Para ello, la ‘inteligencia
digital’ debe irse concretando en constructos cognitivos derivados y susceptibles de ser
operacionalizados, para su posterior medición. Uno de estos constructos, el específicamente
subyacente a la lectoescritura con los lenguajes informáticos de programación, es el denominado
‘pensamiento computacional’ (PC); que será objeto del Capítulo 3.
2.2.1.1. Implicaciones para la generación ‘app’
La explosión digital en la sociedad contemporánea ha inducido a muchos a imaginar un nuevo ‘tipo’

humano donde la capacidad de interactuar con las máquinas digitales es el elemento clave. Así pues,
los ordenadores se constituyen en algo más que una herramienta, son un nuevo entorno, un nuevo
ecosistema que está modificando la mente, y en el que una emergente inteligencia digital puede estar
alumbrando. Y éste es un proceso imparable y sujeto a una tremenda aceleración.
Ya anunciaba Nicholas Negroponte (1995) que “cada generación será más digital que la
precedente”. Efectivamente, nos encontramos ante un punto de no retorno en la que cada cohorte de
estudiantes es más digital que la anterior. Además, su proceso de aprendizaje digital sigue en la
mayoría de las ocasiones una trayectoria horizontal (más entre pares que recibida verticalmente de
los adultos) y a través de medios informales (más en las distintas redes sociales digitales que a través
de las instituciones educativas). Esta espiral de aprendizaje acelerada por millones de jóvenes
conectados en red intercambiando habilidades digitales puede hacer posible que en una sola
generación una nueva inteligencia, la inteligencia digital, se haga patente.
¿Cuál es el papel de la educación ante esta realidad digital? ¿Tiene la escuela algo qué decir? O
enunciada la pregunta según la formulación que hacen Somyürek y Coşkun (2013): ¿Es la
inteligencia-competencia digital algo innato de las nuevas generaciones, o algo que debe ser educado
y desarrollado a través de procesos intencionales de alfabetización? Estos autores nos recuerdan que
en estos últimos años, con el uso indiscriminado de etiquetas como ‘nativo digital’ se ha dado por
supuesto que por el hecho de serlo, de estar rodeado e inmerso en lo digital desde el nacimiento,
automáticamente se adquiere competencia digital. Se ha asumido que la generación de ‘nativos
digitales’, por serlo, adquiere de manera natural competencias digitales clave. Sin embargo, diversos
estudios empíricos e informes internacionales muestran que el uso de la tecnología que hacen los
‘nativos digitales’ se circunscribe casi exclusivamente al ‘entretenimiento’ (videojuegos) y a la
‘comunicación’ (mensajería y redes sociales); y en mucha menor medida se aplica sobre usos
cognitivos superiores (recuperar y comparar información de manera crítica, trabajo colaborativo de
orden superior, resolución de problemas a través del ordenador, generación de productos digitales
elaborados mediante programación, etc…). Para dar este paso entre el uso del ordenador como
‘fuente de entretenimiento y canal de comunicación’ a otros usos ampliados del ordenador como
‘acelerador cognitivo para la solución crítica y creativa de problemas’ es necesaria la mediación
intencional de la escuela (Kim, Chung, & Yu, 2013).
Para cerrar el círculo de este sub-epígrafe volvemos a Gardner que en su reciente libro, “La
generación APP: Cómo los jóvenes gestionan su identidad, su privacidad y su imaginación en el
84
mundo digital” (Gardner & Davis, 2014) analiza las implicaciones que la inmersión total en los
medios digitales tiene sobre la mente de las nuevas generaciones. En el libro los autores tratan de
analizar “cómo la disponibilidad, la proliferación y la potencia de las aplicaciones (‘apps’) definen
a la juventud de nuestro tiempo como algo distinto y característico; en otras palabras, cómo se
desarrolla la conciencia de los jóvenes a partir de su inmersión en un amplio surtido de
aplicaciones” (Gardner & Davis, 2014, p. 26-27).
Gardner define a los jóvenes actuales como generación APP 84 porque dichos jóvenes no es sólo que
crezcan rodeados de aplicaciones, sino que incluso “han llegado a entender el mundo como un
conjunto de aplicaciones, a ver sus vidas como una serie de aplicaciones ordenadas o quizás, en
muchos casos, como una única aplicación (‘superapp’) que se prolonga en el tiempo” (Gardner &
Davis, p. 21). La tesis de los autores es que esta omnipresente tecnología digital está reconfigurando
significativamente la identidad, la intimidad y la imaginación de las nuevas generaciones:
“La visión ‘app’ del mundo modela y, quizá, limita el modo en que se abordan los retos
principales de la adolescencia y de la primera madurez. En cuanto a la identidad, cabe decir
que hay una gran presión para que nos presentemos como personas impresionantes y
deseables, y para garantizar que todas las señales (y posts) confirmen esa sensación de
identidad que, quizá, cristalice de manera prematura. Del mismo modo, si hablamos de
intimidad, la posibilidad de anunciar (en realidad, de definir) las relaciones con los demás
puede impedir la exploración más plena, que si bien aumenta la vulnerabilidad, también
ofrece un mayor potencial para forjar relaciones profundas y en evolución constante con
personas verdaderamente importantes para nosotros. Para terminar con una nota positiva,
en lo que respecta a la imaginación y la creatividad, las tecnologías digitales ofrecen un
enorme potencial para la innovación, ya sea individual o en grupo, siempre que las
aplicaciones que existen se entiendan como algo sobre lo que seguir construyendo (nos
capacitan) en lugar de algo que nos limita o que restringe los medios de que disponemos y
los objetivos que nos planteamos (nos hacen dependientes)” (Gardner & Davis, 2014, p. 156)
Es justo en este punto donde reside el papel central de la educación de las nuevas generaciones:
promover jóvenes ‘app-capacitados’ (que utilicen y, sobre todo, programen aplicaciones que les
permitan e inciten a buscar posibilidades nuevas, a explorar caminos y relaciones más profundas, que
se sirvan de estas tecnologías como expansores-aceleradores de sus procesos creativos y de solución
de problemas); frente a jóvenes ‘app-dependientes’ (que utilicen exclusivamente aplicaciones que
limiten o determinen sus actos, sus elecciones y objetivos, que no les permitan plantearse preguntas
nuevas, ni establecer relaciones significativas, ni modelar una identidad adecuada). El reto educativo
está planteado; como ejemplo de aplicación educativa y capacitadora, el propio Gardner cita el caso
de Scratch 85, un lenguaje de programación visual que permite a niños y jóvenes crear de manera
sencilla historias, juegos y animaciones digitales, y compartirlas con gente de todo el mundo; y que
se está utilizando en escuelas de todo el planeta como entorno de desarrollo de la inteligencia digital.
84
Una ‘app’ o aplicación es un programa informático, generalmente diseñado para funcionar en dispositivos móviles,
que permite que el usuario lleve a cabo una o varias operaciones (…) una ‘app’ puede ser limitada o amplia, sencilla o
compleja… y tanto en un caso como en el otro, está perfectamente controlada por la persona u organización que la haya
diseñado (…) Lo más importante es que son rápidas, satisfacen una demanda y aparecen justo a tiempo (Gardner &
Davis, 2014, p. 20)
85
85
2.2.2. Código y nuevos alfabetismos en la era digital: hacia la sociedad 3.0
El término ‘nuevos alfabetismos’ remite a un marco conceptual-explicativo definido por los autores
Lankshear y Nobel (2008). Si los ‘viejos alfabetismos’ se refieren a los procesos de lectoescritura de
los textos tradicionales analógicos; los ‘nuevos alfabetismos’ hacen lo propio con respecto a los
incipientes textos en formato digital. Pues bien, ¿dónde ubicar la ‘codigoalfabetización’ (‘code-
literacy’), esto es, los procesos de enseñanza-aprendizaje de la lectoescritura con los lenguajes
informáticos de programación, dentro de los ‘nuevos alfabetismos’; diferenciándolo de otros afines
como la ‘alfabetización digital’ (‘digital-literacy’) o la ‘alfabetización web’ (‘web-literacy’)?
Por analogía, podríamos definir la ‘alfabetización digital’ como el proceso de enseñanza-aprendizaje

de la lectoescritura de textos digitales. Aquí entendemos ‘texto’ en su sentido amplio: cualquier
contenido cognitivo o unidad de sentido que queda fijado según ciertas reglas en un elemento o
soporte material estable de modo que pueda transmitirse en el espacio y en el tiempo (Sacristán,
2013); y ‘digital’ haría referencia al forma en que ha sido fijada la información transmitida por dicho
texto: un sistema binario (unos y ceros).
Con el formato digital, las informaciones pueden adquirir muy diferentes representaciones:
imágenes, sonidos, escritos, etc…; y además pueden almacenarse, modificarse, recuperarse y
enviarse fácilmente (Sacristán, 2013). Desde esta perspectiva, un archivo .doc que contiene un
escrito, un archivo .jpg que contiene una foto, un archivo .mp3 que contiene una canción, o un
archivo .mp4 que contiene un vídeo, son ejemplos de ‘textos digitales’. Y, por tanto, entrarían dentro
de la ‘alfabetización digital’ aprendizajes como el retoque fotográfico de imágenes digitales (p.ej.: a
través de Photoshop 86), la edición de audios digitales (p.ej.: a través de programas como Audacity87),
o el manejo de herramientas de ofimática 88, como el paquete Microsoft Office 89, entre
otros; independientemente de que estas prácticas se realicen ‘on-line’ u ‘off-line’. Podría pues
afirmarse que la ‘alfabetización digital’ es un nuevo alfabetismo que se sitúa en un nivel 1.0.
Por otro lado, desde el proyecto Webmaker 90 de la Fundación Mozilla se ha definido recientemente
la ‘alfabetización web’ como el conjunto de habilidades y competencias que te permiten leer, escribir
y participar en la web (Belshaw, 2014a). Por tanto, la ‘alfabetización web’ sería un caso particular de
la ‘alfabetización digital’, cuando ésta se produce en un entorno ‘on-line’. Así, la alfabetización web
añade a las características de lo digital, señaladas anteriormente, las propias de la Red: integración
multimedia, hipertextualidad, accesibilidad y conectividad casi ilimitada, y ambiente de participación
y colaboración.
Entrarían entonces dentro de la ‘alfabetización web’ aprendizajes como la generación y gestión de un

perfil en redes sociales, y la publicación de informaciones en las mismas; la edición y mantenimiento
de un blog; la creación y difusión de memes a través de Internet; la curación de contenidos en la Red;
la participación en comunidades de aprendizaje conectadas por Internet; el diseño de una página Web
86
http://www.adobe.com/es/products/photoshop.html
87
http://audacity.es/
88
La ofimática designa al conjunto de técnicas, aplicaciones y herramientas informáticas que se utilizan en funciones de
oficina para optimizar, automatizar, y mejorar tareas y procedimientos relacionados.
89
https://products.office.com/es-ES/
90
https://webmaker.org/es/about
86
y un largo etcétera. Podría pues afirmarse que la ‘alfabetización web’ es un nuevo alfabetismo que se
sitúa en un nivel 2.0.
Volviendo al proyecto Webmaker de la Fundación Mozilla, recientemente han publicado sus

estándares 91 de ‘alfabetización web’ (Mozilla Webmaker, 2015): un mapa de conocimientos y
habilidades que se consideran imprescindibles para afirmar que uno sabe leer, escribir, y participar
en la web (Figura 2.2)
Figura 2.2. Estándares de ‘alfabetización web’ de la Fundación Mozilla (Mozilla Webmaker, 2015)
Como puede observarse, el ‘coding’ es sólo uno de los elementos entre otros muchos que forman
parte de ese mapa de la ‘alfabetización web’, concretamente dentro del área de ‘Construcción’
(‘Build’) de la misma. Belshaw (2014a) ha señalado la utilidad de estos estándares de alfabetización
web para el diseño e implantación de nuevos itinerarios curriculares en los sistemas educativos. Y
remarca la importancia de contextualizar el aprendizaje del ‘coding’ dentro del marco más amplio
que supone la alfabetización web (Belshaw 2014b).
Así pues, como ya podrá suponer el lector, ubicamos la ‘codigoalfabetización’ como parte del paisaje
más amplio que dibuja la ‘alfabetización web’; que a su vez se inscribe en un terreno aún mayor
como es la ‘alfabetización digital’.
Ahora bien, la ‘codigoalfabetización’ se sitúa en un nivel superior, un nivel 3.0, porque trabaja
directamente con la materia prima común a todos los productos que se generan desde los dos
anteriores alfabetismos de orden inferior. Este materia prima es el código informático: a través de los
lenguajes informáticos de programación podemos ‘escribir’ directamente cualquiera de los ‘textos
digitales’ mencionados anteriormente (imagen, sonido, música, vídeos, webs…) y algunos otros más
avanzados e interactivos (animaciones, simulaciones, aplicaciones…); todos ellos pueden ser escritos
como código informático. Como ya comentamos, hace unas páginas, en la medida que el ordenador
se ha convertido en un ‘meta-medio’ a través del cual se vehiculan el resto de medios tradicionales
(prensa, radio, televisión…); el lenguaje primario para comunicarse con el ordenador, es decir, el
91
https://teach.mozilla.org/activities/web-literacy/
87
código informático, se erige en un ‘meta-lenguaje’; y, por extensión, la codigoalfabetización emerge

como un ‘meta-alfabetismo’ de orden superior 3.0 92. En consecuencia, se viene señalando como la
lectoescritura de código informático está en la base de la construcción de productos y narrativas
digitales que atraviesan todo tipo de medios o ‘transmedia’ (Jenkins, 2010)
Estar codigoalfabetizado nos permite, de alguna manera, ver lo que ‘hay debajo de la pantalla’, entrar
en las tripas de la máquina y poder interactuar con ella a mayores cotas de profundidad (3.0),
trascendiendo el mero compartir y reenviar (a lo que en ocasiones queda reducida la alfabetización
2.0). La lectoescritura de código nos libera de las limitaciones de las opciones predefinidas y
configuraciones por defecto de las aplicaciones informáticas que utilizamos cada día: por ejemplo,
no es lo mismo diseñar una web o un blog a partir de las plantillas (templates) prediseñadas que nos
ofrecen herramientas como Blogger o Wordpress, que saber leer y escribir código HTML y CSS para
construir una web o blog a ajustada a nuestro gusto y necesidades; no es lo mismo aplicar filtros
predefinidos por Instagram a una foto digital, que generar un filtro de color propio a partir del
conocimiento de los códigos RGB 93
En la siguiente Figura 2.3 se ilustra la ‘alfabetización digital’, la ‘alfabetización web’, y la

‘codigoalfabetización’ como la sucesión jerárquica de nuevos alfabetismos que hemos descrito en las
líneas anteriores.
Codigoalfabetización
(Nivel 3.0)
Alfabetización Web
(Nivel 2.0)
Alfabetización Digital
(Nivel 1.0)
Figura 2.3. Alfabetización Digital, Alfabetización Web, y Codigoalfabetización
92
A modo ilustrativo, deseamos hacer notar que la revista electrónica “Educación 3.0” tiene entre sus áreas prioritarias
de contenido la “programación informática” [http://www.educaciontrespuntocero.com/tag/programacion], y su
integración en la escuela. Todos los viernes publica un artículo sobre cómo realizar algún proyecto en el aula utilizando
el lenguaje visual de programación Scratch [http://www.educaciontrespuntocero.com/tag/el-proyecto-scratch-de-los-
viernes]
93
https://es.wikipedia.org/wiki/RGB#Uso_de_RGB_en_HTML_y_en_lenguajes_de_programaci.C3.B3n
88
2.2.3. El movimiento ‘code literacy’
El movimiento ‘code-literacy’ surge en los Estados Unidos alrededor del año 2010 y tiene como
axioma fundamental el considerar, y promover, la programación informática (coloquialmente
‘coding’) como el alfabetismo clave en el siglo XXI. Consideramos que son tres sus figuras
fundamentales, a saber: Marc Prensky94, Douglas Rushkoff 95, y Mitch Resnick 96. Dedicamos unas
breves páginas a revisar sus argumentos fundamentantes del movimiento ‘code-literacy’.
Marc Prensky es mundialmente conocido por acuñar, a principios de siglo (Prensky, 2001), los
términos ‘nativos digitales’ (‘digital natives’) e ‘inmigrantes digitales’ (‘digital inmigrants’). Los
primeros son los nacidos ya en la era digital, que tienen interiorizados los textos digitales y los
manejan como una ‘lengua materna’; frente a los segundos, nacidos y educados en la era analógica, y
que han debido aprender a manejar los textos digitales como si se tratara de una ‘lengua extranjera’.
Sin embargo, con el paso del tiempo estas etiquetas han perdido peso explicativo por dos razones. En
primer lugar, el mero hecho de que, por la propia dinámica demográfica, cada vez son más los
nativos y menos los inmigrantes digitales (hasta llegar a un punto en que sólo haya nativos digitales,
y el término ya no discrimine en absoluto). En segundo lugar, el término de ‘nativos digitales’
introdujo un prejuicio que se ha demostrado falso: que los nativos, por el hecho de serlo, son
espontáneamente capaces de utilizar la tecnología en sus niveles más avanzados (cuando la realidad
viene mostrando que los usos habituales que los nativos hacen de lo digital son más bien pasivos, a
lo sumo limitados a herramientas de comunicación y ocio).
Así las cosas, Prensky introduce posteriormente un nuevo concepto: la ‘sabiduría digital’ (‘digital
wisdom’), ya desvinculada del año de nacimiento del sujeto, y que se define por la capacidad de
utilizar las tecnologías digitales para la resolución práctica y creativa de problemas significativos
para el individuo. Sabio digital es aquel que sabe combinar sus propias capacidades y habilidades
con las potencialidades técnicas de las nuevas herramientas digitales. (Prensky, 2009)
En este contexto, de ‘sabiduría digital’, Prensky (2008) afirma que “Power will soon belong to those
who can master a variety of expressive human-machine interactions: Programming Is the New
Literacy” (“El poder pertenecerá pronto a aquéllos que dominen una variedad de interacciones
expresivas humano-máquina: la programación informática es el nuevo alfabetismo”). Traducimos a
continuación algunas líneas del autor al respecto:
“Creo que la habilidad que, por encima de cualquier otra, distinguirá a una persona
alfabetizada es la codigoalfabetización (Prensky la denomina literalmente ‘programming
literacy’); esto es, la capacidad de hacer que la tecnología haga cualquier cosa que uno
desee hacer con ella, la capacidad de plegar la tecnología digital a las propias necesidades y
propósitos, igual que siempre hemos hecho con las palabras (…) Hoy en día, las personas
con habilidades altamente desarrolladas en esta área son vistas aún como ‘nerds’ 97. Pero ten
en cuenta que, en la medida que las máquinas se están volviendo progresivamente elementos
más fundamentales de nuestra comunicación, nuestro trabajo, nuestra educación, nuestros
94
http://marcprensky.com/
95
http://www.rushkoff.com/
96
http://web.media.mit.edu/~mres/
97
‘Nerds’ ≈ ‘Cerebritos’, ‘Empollones’
89
viajes, nuestros hogares, y nuestro ocio; la capacidad de hacer que las máquinas hagan lo
que queremos se convertirá en algo cada vez más valioso (…) Según la programación se
vuelva más y más importante, abandonará el ‘cuarto trasero’ y se erigirá en una
competencia clave, atributo de nuevas élites sociales e intelectuales, un papel análogo al que
saber y leer escribir tuvo en el pasado. Recuerda cómo, sólo hace unos siglos, leer y escribir
estaba reservado a un pequeño grupo de especialistas cuyos miembros se hacían llamar
‘escribas’ (…) Programar será muy pronto la forma a través de la cual interactuaremos con
todos nuestros objetos, y un componente importante de cómo interactuaremos los unos con
los otros” (Prensky, 2008, en línea)
La aproximación de Douglas Rushkoff es algo distinta. Este autor es conocido por ser el firmante de
uno de los lemas principales del movimiento ‘code-literacy’: el aforismo “Program or be
programmed” (“Programar o ser programado”) (Rushkoff, 2010). Así pues, su aproximación es
sociocrítica y se enuncia en términos de cómo aprender a programar empodera al sujeto frente a un
mundo lleno de objetos digitales programados por otros. Traducimos, a continuación, unas palabras
demoledoras del autor al respecto (Rushkoff, 2012):
“Tal y como yo lo veo, la codigoalfabetización (Rushkoff ya utiliza literalmente el término

‘code-literacy’) es un requisito para poder participar en un mundo digital. Cuando en el
pasado adquirimos el lenguaje, no aprendimos sólo a cómo escuchar, sino también a cómo
hablar. Cuando adquirimos los textos (analógicos) no aprendimos sólo a leerlos, sino
también a escribirlos. Ahora que tenemos ordenadores, estamos aprendiendo cómo usarlos,
pero no cómo programarlos. Cuando uno no está codigoalfabetizado, debe aceptar los
dispositivos y el software que utiliza con todas las limitaciones (e intenciones ocultas) con
que sus creadores los han construido (…) Este hecho sitúa a nuestros niños, que vivirán en
un mundo cada vez más digital, en una terrible desventaja. Estos niños pasan cada vez más
tiempo en entornos digitales en los cuales las reglas han sido escritas por otros. Simplemente
estar familiarizados con el funcionamiento del código podría ayudarles a manejar mejor este
terreno digital, comprender sus limitaciones y decidir si sus límites vienen determinados por
la tecnología en sí, o sólo porque alguna empresa ha establecido que así sea. Los niños
codigoalfabetizados dejan de aceptar las aplicaciones y webs que utilizan en sus ‘valores por
defecto’, y, en vez de eso, comienzan a involucrarse de manera crítica e intencionada con
ellas” (Rushkoff, 2012, en línea)
Rushkoff también hace hincapié en los valores sociales, de colaboración, compartición y remezcla,
asociados a la codigoalfabetización. Efectivamente, el ‘coding’ 3.0, lejos de caracterizarse como
mero juego intelectual y solitario con un lenguaje formal (al estilo del estereotipo clásico del
programador, aislado y absorto); se erige como práctica sociocultural de primer orden que se
despliega en entornos en línea, con fuertes connotaciones comunicativas y transversal a géneros.
Además, la inmensa mayoría de los recursos para el aprendizaje del ‘coding’ 98 se encuentra ‘on-line’
e incluyen en su metodología la esencia interactiva y colaborativa de la Red: el código no sólo se lee
y se escribe, también se comparte, se copia y se remezcla.
98
Una taxonomía completa de recursos para el aprendizaje del ‘coding’ se expondrá en el epígrafe 2.4.1
90
Finalmente, visitamos a Mitch Resnick, director del grupo de investigación Lifelong Kindergarten en
el MIT Media Lab. Resnick et al. (2009) también dudan de que los, mal llamados, ‘nativos digitales’
posean realmente habilidades digitales de orden superior (a éstas las engloban en la denominación
‘digital fluency’ o ‘fluidez digital’):
“De hecho, muchos jóvenes se sienten muy cómodos enviando mensajes de texto, jugando a
juegos ‘on-line’, y navegando por la Web. ¿Pero eso les convierte en sujetos ‘fluidos’ (≈
expertos) con las nuevas tecnologías? Aunque los jóvenes interactúan constantemente con los
medios y objetos digitales, sólo unos pocos son capaces de crear sus propios juegos,
animaciones o simulaciones. Es como si pudieran ‘leer’ pero no ‘escribir’ (…) Tal y como
nosotros lo vemos, la ‘fluidez digital’ requiere no sólo la capacidad de chatear, navegar e
interactuar en las redes; sino también la capacidad de diseñar, crear, e inventar con los
nuevos medios digitales. Para hacerlo, se necesita aprender algún tipo de programación
informática” (Resnick et al., 2009, p. 62)
Por tanto, Resnick et al. (2009) establecen la codigoalfabetización como requisito para alcanzar el
estadio superior de habilidad digital, o ‘fluidez digital’. Pero no se detienen en dicha aseveración,
sino que trabajan por ofrecer a los niños y jóvenes de todo el mundo, aun sin experiencia previa
ninguna con el código, un entorno de programación accesible y motivador. Frutos de estos trabajos
es Scratch 99 (Maloney et al., 2010), una plataforma ‘on-line’ de aprendizaje de la programación, que
reúne una serie de características que la convierten en un recurso para la codigoalfabetización de
primer orden, adecuado para niños a partir de tan sólo 8 años:
 ‘Tinkerable’: Scratch es un lenguaje de programación visual, compuesto por bloques de

código que encajan unos con otros como si fueran piezas de un puzle. El joven scratcher
simplemente tiene que pinchar, arrastrar y soltar (‘drag-and-drop’) los bloques de código
para ir construyendo su programa. Ésta es una manera intuitiva de programar, que la hace
accesible a los niños independientemente de su experiencia previa (baja las ‘barreras de
entrada’ a la programación); y que evita que los aprendices se frustren innecesariamente por
no poder dominar la compleja sintaxis de los lenguajes de programación textuales (Stefik &
Siebert, 2013). Además, el programa escrito con Scratch se ejecuta en tiempo real en la
misma pantalla (Figura 2.4), dando un ‘feed-back’ inmediato al scratcher sobre su
funcionamiento. Por todo ello, Scratch se considera ideal para comenzar a ‘cacharrear’ (en
inglés y en este contexto, ‘to tinker’) con el código informático.
 ‘Meaningful’: Scratch es un lenguaje de programación que permite construir y personalizar

todo tipo de proyectos-objetos 100 digitales. Así, permite crear juegos, animaciones,
simulaciones, narraciones interactivas, etc… que contengan un significado relevante para el
joven programador. A esto contribuye que Scratch permite incorporar a sus proyectos todo
tipo de imágenes o sonidos; tanto extraídos de la Red, como aportados y subidos por el propio
scratcher. Y, más recientemente, la posibilidad de conectar el código programado con
99
100
Una amplia muestra de los tipos de proyectos que pueden programarse con Scratch puede consultarse, y remezclarse
si se desea, en: https://scratch.mit.edu/starter_projects/
91
Scratch al mundo físico 101 mediante dispositivos como MaKeyMaKey102, LegoWeDo 103,
PicoBoard 104, o Microsoft Kinect 105.
 ‘Social’: Scratch no es sólo un entorno y un lenguaje de programación; es también una

comunidad de jóvenes programadores. Entre ellos colaboran para la realización de sus
proyectos, intercambiando y remezclando su código.
Figura 2.4. Entorno de programación Scratch: en el centro, los bloques de código disponibles, que son arrastrados y
colocados en la parte derecha; a la izquierda se ejecuta el programa resultante en tiempo real [Ejemplo tomado de
https://scratch.mit.edu/projects/10128067/#editor]
Además, Resnick et al. (2009), inciden en cómo la codigoalfabetización lleva consigo toda una serie
de aprendizajes valiosos asociados:
“En la medida que los scratchers programan y comparten sus proyectos interactivos,
también aprenden importantes conceptos matemáticos y computacionales, y aprenden cómo
pensar creativamente, razonar de manera sistemática, y trabajar en equipo: todas ellas
habilidades esenciales para el siglo XXI. De hecho, nuestro objetivo fundamental no es
preparar a los niños para una carrera profesional como futuros programadores, sino ‘nutrir’
a una nueva generación de pensadores sistemáticos y creativos que se sienta cómoda
utilizando la programación para expresar sus ideas” (Resnick et al., 2009, p. 60)
Todas estas ideas han sido magistralmente expuestas por el propio Resnick en su charla “Let’s teach
kids to code” 106 (“Enseñemos a los niños a programar/codificar”), dentro de la prestigiosa serie de
conferencias TED Talks (Resnick, 2013a)
101
http://wiki.scratch.mit.edu/wiki/How_to_Connect_to_the_Physical_World
102
http://www.makeymakey.com/
103
https://education.lego.com/es-es/lesi/elementary/wedo-2
104
http://www.picocricket.com/picoboard.html
105
http://scratch.saorog.com/
92
2.2.3.1. Un evento a escala mundial: ‘The Hour of Code’
‘La Hora del Código’ 107 (‘The Hour of Code’) es el mayor evento a nivel mundial para la promoción
del aprendizaje de la programación informática (coloquialmente ‘coding’) en las escuelas (véase, por
ejemplo, Garcia et al., 2015; Wilson, 2015a, 2015b; o en prensa 108, BBC News, 2014; Cadwalladr,
2014; Dubinski, 2014; Hawke, 2014; Layton, 2014, Richtel, 2014; Shah, 2014; Ward, 2014). El
evento está promovido desde la fundación estadounidense sin ánimo de lucro Code.org 109 cuyo lema
es: “Every student in every school should have the opportunity to learn Computer Science” (“Cada
estudiante, en cada escuela, debería tener la oportunidad de aprender Ciencias de la Computación”).
‘La Hora del Código’ se convoca anualmente coincidiendo con la ‘Computer Science Education
Week’ (CSEW) de los Estados Unidos, durante una semana del mes de diciembre; aunque
inicialmente se trató de un evento circunscrito al ámbito estadounidense, desde la edición de
diciembre de 2013 adquirió un carácter global, convocándose en el resto de países. Actualmente, tal
y como se describe en su página web (Code.org, 2015c):
“La Hora del Código es un movimiento global, que llega a decenas de millones de
estudiantes en más de 180 países. Cualquier persona, en cualquier lugar del mundo puede
organizar una Hora del Código. Tutoriales, de una hora de duración, están disponibles en
más de 30 idiomas. No se necesita experiencia. Para edades entre 4 y 104 años”
En la Figura 2.5 se ilustran algunas cifras del evento relativas a su impacto acumulado en las 2
primeras ediciones celebradas a nivel mundial (diciembre de 2013 y de 2014; que son las ediciones
objeto del estudio empírico que se presenta en el Capítulo 5): más de 100 millones de estudiantes de
todo el planeta han probado ya ‘La Hora del Código’, lo que da cuenta de su enorme alcance.
Figura 2.5. Algunas cifras del evento ‘La Hora del Código’. Tomado de Code.org (2015c)
Podríamos sintetizar el objetivo general del evento en tres palabras, siguiendo sus propias etiquetas:
‘promover’ (‘promote’), ‘motivar’ (‘encourage’) y ‘desmitificar’ (‘demystify’) el aprendizaje del
106
Disponible en https://www.ted.com/talks/mitch_resnick_let_s_teach_kids_to_code [Más de 1.2 millones de visitas a
comienzos del año 2016]
107
108
Una impresionante colección de notas de prensa procedentes de medios de comunicación de todo el mundo puede
recuperarse desde https://csedweek.org/about/news ó https://code.org/about/news
109
https://code.org/
93
‘coding’. Dicho en otras palabras, dar a conocer la programación informática entre la población
escolar, y exponer a los estudiantes a una experiencia introductoria con el ‘coding’ que destierre el
prejuicio de su alta dificultad y les motive para continuar con un aprendizaje más profundo y
prolongado; al tiempo que sensibiliza a toda la comunidad educativa, incluidos padres y madres,
profesores y equipos directivos, de la importancia del ‘coding’ para el futuro de sus alumnos.
En este sentido, el evento ‘La Hora del Código’ se convoca a partir de 2 premisas básicas, que
funcionan como justificación del mismo: a) la constatación de una incipiente ‘brecha laboral’ entre el
número de puestos de trabajo relacionados con tareas de programación que los estudios prospectivos
prevén para 2020 (p.e. 1,4 millones sólo en Estados Unidos), y el insuficiente ritmo actual de
estudiantes que se gradúan con competencias adecuadas para cubrir dichos puestos (Figura 2.6); y b)
la afirmación de que el ‘coding’ es el emergente ‘superpoder’, dicho en términos del propio evento,
del siglo XXI que permite a quien lo posee alcanzar las máximas cotas de participación y expresión
en un mundo repleto de objetos digitales, en el que estamos inmersos. Estas premisas se comunican
brillantemente en el vídeo “What Most Schools Don't Teach” 110 (Code.org, 2013), pieza
promocional del evento y sintetizadora del espíritu de la organización.
Figura 2.6. La ‘brecha laboral’ en el campo de la programación informática. Tomado de Code.org (2015c)
Abundando algo más en el mensaje que sirve de soporte al evento ‘La Hora del Código’, podemos
revisar algunos de los lemas que se distribuyen como ‘merchandising’ asociado al mismo y con el
que se anima a decorar las aulas durante su celebración (Figuras 2.7, 2.8 y 2.9):
• En la Figura 2.7 podemos leer la frase atribuida a Steve Jobs (fundador de Apple, inventor de
ingenios tan valorados como el iPhone o el iPad que hoy en día nos rodean, y uno de los
máximos exponentes de talento digital): “Creo que toda persona en este país debería
aprender cómo programar un ordenador, porque ello te enseña a cómo pensar”; anticipando
ya la perspectiva del ‘pensamiento computacional’ que se viene imponiendo en el discurso de
aprendizaje del código, tal y como veremos en el Capítulo 3 de esta tesis.
110
https://youtu.be/nKIu9yen5nc [Más de 12 millones de visitas en YouTube a fecha 27 de octubre de 2015]
94
Figura 2.7. Cita de Steve Jobs utilizada como leitmotiv en ‘La Hora del Código’
• En la Figura 2.8, además de quedar patente el equilibrio de género que anima igualmente el
evento ‘La Hora del Código’, varias figuras relevantes del entorno empresarial de Silicon
Valley enuncian algunas ideas fuerza del movimiento de codigoalfabetización, a saber, de
arriba abajo y de izquierda a derecha: que la lectoescritura con lenguajes de programación
informáticos suponen un nuevo alfabetismo; la ubicuidad de la tecnología en el mundo digital
actual, y la importancia de su creación (no sólo su consumo); la equiparación de las Ciencias
de la Computación con el resto de asignaturas centrales del currículo; y la desmitificación de
su extrema dificultad, especialmente para la población femenina.
Figura 2.8. Figuras relevantes de Silicon Valley (y Hollywood) promoviendo el evento. Tomado de Code.org (2015c)
95
• Finalmente, en la Figura 2.9, el propio presidente de los Estados Unidos, Barack Obama,
anima a los estudiantes a “no sólo jugar con su teléfono móvil, sino también a programarlo”,
situando en el foco de discurso (incluso diríamos a modo de prioridad nacional) la necesidad
de elevar el nivel de alfabetización digital de los estudiantes hacia estándares que incluyan la
creación, y no sólo el consumo, de objetos digitales a través de la programación; es decir,
ascender a los niveles propios de la codigoalfabetización, o nivel 3.0.
Figura 2.9. El presidente Barack Obama anima a los estudiantes a programar sus teléfonos móviles (Code.org, 2015c)
Ya en un plano más operativo, ‘La Hora del Código’ pretende que, a lo largo de la semana en la que
se extiende su celebración, en el mayor número posible de escuelas del mundo se lleve a cabo, al
menos, una hora de introducción a la programación informática. Para ello, basta con que el centro
educativo se registre en la web del evento 111, y elija según sus gustos e intereses de entre los
múltiples tutoriales interactivos de introducción al ‘coding’ que se ofertan desde el portal de
recursos 112: muchas de las herramientas y recursos de aprendizaje del ‘coding’ que veremos en la
taxonomía detallada del epígrafe 2.4.1, aparecen ahora aquí en una versión simplificada con el
objetivo de captar la atención de los estudiantes a través de una actividad corta e introductoria de 1
hora, enganche que sirva como paso previo a un aprendizaje de mayor profundidad. Así, además de
los tutoriales propios diseñados por Code.org 113 (Figura 2.10), plataformas como Scratch 114,
Tynker 115, Lightbot 116 o Khan Academy117, entre muchas otras, tienen un tutorial reducido que se
oferta durante ‘La Hora del Código’.
111
112
https://code.org/learn
113
http://hourofcode.com/code
114
http://hourofcode.com/sc
115
http://hourofcode.com/ty
116
http://hourofcode.com/lb
117
http://hourofcode.com/kh
96
Figura 2.10. Captura de pantalla de 1 de los 20 retos de ‘coding’ que se proponen en el tutorial interactivo de ‘La Hora
del Código’ diseñado por Code.org
Para finalizar con la descripción del evento, destacamos que, al final del mismo, el profesor puede
generar fácilmente, de manera automatizada, certificados personalizados de participación para sus
estudiantes, con el efecto motivacional que ello conlleva. Tras participar en ‘La Hora del Código’ el
estudiante consigue así una recompensa que certifica simbólicamente que se ha iniciado en la
disciplina del ‘coding’ (Figura 2.11), esto es, que ha comenzado su proceso de codigoalfabetización.
Figura 2.11. Plantilla personalizable para la certificación de participación el ‘La Hora del Código’ (Code.org, 2015c)
97
2.2.4. Delimitación final del problema de investigación
Tras los anteriores epígrafes, creemos que ha quedado suficientemente justificada la ampliación de
nuestro foco de investigación: desde la población específica de sujetos de alta capacidad a la
población escolar general; y desde la programación de aplicaciones para dispositivos móviles o
‘apps’, a la programación de cualquier objeto digital (animaciones, juegos, simulaciones,
aplicaciones, etc...)
Es decir, nuestro foco de investigación ampliado se sitúa ahora sobre los procesos de enseñanza-
aprendizaje de la lectoescritura con los lenguajes informáticos de programación en la población
escolar general, y orientados a la creación de todo tipo de objetos digitales. Esto es, nuestro foco
ampliado se sitúa sobre lo que hemos venido a denominar como ‘codigoalfabetización’.
En consecuencia, la formulación definitiva de nuestro problema general de investigación se enuncia

así: ¿es posible y deseable incorporar la codigoalfabetización en el sistema educativo español? Su
delimitación final sigue, de manera análoga, la estructura trazada inicialmente en el Capítulo 1
(Figura 1.1); pero ahora proyectada sobre un área de mayor alcance (Figura 2.12)
Figura 2.12. Delimitación final del problema de investigación
Pasaremos ahora, por tanto, a revisitar nuestras hipótesis generales o directivas (adecuación,
viabilidad, y relevancia) a la luz de nuestro definitivo problema de investigación, cuyo foco ha sido
inevitablemente ampliado por la irrupción del código como el lenguaje maestro de nuestra sociedad
digital.
98
2.3. Adecuación: el porqué de la codigoalfabetización
En primer lugar, abordamos la cuestión de si es adecuado incorporar la codigoalfabetización a

nuestro sistema educativo; o el porqué de la codigoalfabetización. En otras palabras, si el contenido
de aprendizaje que propone la codigoalfabetización, la lectoescritura con los lenguajes informáticos
de programación, se ajusta a las características de los estudiantes y produce en ellos efectos positivos
en distintos ámbitos.
Para ello revisaremos dos grupos de estudios bien diferenciados en el tiempo: un primer grupo de
estudios clásicos, fechados en la década de los años 80 fundamentalmente, que se corresponden con
una primera ‘edad de oro’ de investigación relativa a la introducción de la programación informática
en las escuelas a través de lenguajes como BASIC 118 o, principalmente, Logo (Papert, 1980); y un
segundo grupo de estudios recientes, fechados a partir de 2008, que se corresponde con una nueva
oleada de investigación a raíz de la eclosión de los lenguajes visuales de programación, como
Scratch, y su progresiva introducción en las aulas.
2.3.1. Estudios clásicos sobre efectos del aprendizaje del ‘coding’
Aunque el término ‘codigoalfabetización’ (‘code-literacy’) es de reciente cuño, el uso de la

programación informática con fines educativos no es en absoluto nuevo. A finales de los años 60,
Seymour Papert inventa el lenguaje informático de programación Logo, con el objetivo de introducir
a los niños en el uso de las computadoras como instrumentos para el aprendizaje y la potenciación de
la creatividad (Papert, 1980). Logo fue específicamente diseñado, no sólo como un lenguaje
informático, sino principalmente como un entorno de aprendizaje:
“Logo ha sido diseñado para proporcionar un entorno en el que los aprendices determinen
un problema a resolver, tomen decisiones, experimenten, prueben soluciones, y construyan lo
que en realidad ya sabían” (Watt, 1982, p. 112)
Logo está basado en los presupuestos constructivistas de Piaget (1952), con quien Papert colaboró
unos años en la Universidad de Ginebra (entre 1959 y 1963); es decir, que el aprendizaje consiste en
un proceso de construcción activa de conocimiento por parte del sujeto, a partir de la interacción que
éste establece entre el mundo y sus esquemas cognitivos previos. Pero Papert, a través del lenguaje
Logo, va un paso más allá y propone pasar del constructivismo al construccionismo. La idea central
del construccionismo es que la construcción de ideas en el ámbito simbólico-cognitivo que propone
el constructivismo, debe acompañarse de manera simbiótica por la construcción de artefactos en el
ámbito físico-real, a través de la manipulación activa del aprendiz. En el paso del constructivismo al
construccionismo tuvieron un peso decisivo las aportaciones de Vygotsky relativas a cómo la
actividad mental está mediada por las herramientas y lenguajes que utilizamos; o cómo el mundo
externo perfila el funcionamiento del mundo interno, y viceversa (Vygotsky, 1978, 1986).
En términos más concretos, a través de Logo, los niños construyen-escriben programas que generan
gráficos digitales, a través de la secuenciación de instrucciones textuales que dirigen el movimiento
de una tortuga cibernética (‘cybernetic turtle’), representada por un pequeño puntero triangular en la
118
BASIC = Beginner's All-purpose Symbolic Instruction Code
99
pantalla (Figura 2.13). Según Clements (1986), podemos caracterizar a Logo como un entorno de
aprendizaje interactivo (responde a las acciones del aprendiz), procedimental (está basado en
secuencias de procedimiento), y extensible (no están predefinidos los programas que se pueden
escribir, ni los gráficos que se generan en consecuencia).
Figura 2.13. El lenguaje-entorno de programación informática Logo. A la derecha, el programa informático escrito por el
aprendiz; a la izquierda, el gráfico resultante.
Papert (1980) defendía que, al programar con Logo, los niños deben reflexionar sobre qué tarea
realizar, cómo hacerla y, en consecuencia, sobre sus mismos procesos de pensamiento. El proyecto
Logo, enraizado igualmente en algunos presupuestos de la inteligencia artificial, otorga máxima
importancia al hecho de que las personas aprendemos de nuestros errores, a través de un proceso de
depuración (‘debugging’) progresiva de los mismos. Este proceso de depuración de errores es central
en la filosofía de Logo, que invita a los sujetos a aprender a través de sucesivas iteraciones de
ensayo-error; en la asunción de que, al detectar sus errores, el sujeto realiza una reorganización de
sus esquemas perceptuales y cognitivos.
En síntesis, el lenguaje Logo nació con la promesa de ser un entorno de aprendizaje efectivo para
desarrollar habilidades cognitivas y metacognitivas (Clements, 1986). Esta promesa fue sometida a
una intensa oleada de investigación empírica en los años sucesivos, cuyos resultados quedaron
resumidos en algunas revisiones escritas a comienzos de los años 90 (Clements & Meredith, 1993;
Clements & Sarama, 1997; Palumbo, 1990), y que se sintetizan en los próximos párrafos.
Así, en el ámbito de las matemáticas, existen estudios con niños de Primaria que muestran mejoras
asociadas al uso de Logo en tareas como la clasificación de figuras (Battista & Clements, 1988), el
pensamiento geométrico (Johnson-Gentile, Clements, & Battista, 1994), la conceptualización
matemática de ángulos (Clements & Battista, 1989), o la medición de dimensiones lineales
(Campbell, 1987). También encontramos otro grupo de estudios, de orientación piagetiana, que
demuestra que el uso de Logo puede acelerar el paso desde el estadio preoperacional al operacional
(Hines, 1983), apareciendo efectos positivos en tareas específicas de clasificación y seriación
(Clements, 1986; Clements & Gullo, 1984). Sin embargo, parece que Logo sólo incrementa el
rendimiento de los niños en el área matemática cuando las tareas que se evalúan comparten las
100
características geométricas y espaciales de dicho entorno de programación (Papert, Watt, diSessa, &
Weir, 1979). Así, se encuentra igualmente investigación que no encuentra beneficios en el
rendimiento matemático general después de un periodo de aprendizaje con Logo (Clements, 1986;
Hamada, 1987; Olive, 1991).
Por otra parte, existe también cierta evidencia de que la programación con Logo puede incrementar
la habilidad de resolución de problemas de los niños de Educación Primaria (Statz, 1974),
específicamente en tareas que implican el aprendizaje y uso de reglas o algoritmos (Gorman &
Bourne, 1983). En el otro sentido, cuando la habilidad de resolución de problemas es medida a través
de tareas más generales (p.e. problemas de aritmética general extraídos de libros de texto), Logo
parece no tener efectos (Clements, 1985).
Algunos de estos estudios demuestran además los efectos positivos de Logo sobre las habilidades
metacognitivas de los niños (p.e., Clements, 1986; Clements & Gullo, 1984), especialmente en lo
relativo a la automonitorización de la comprensión de sus tareas. Este hallazgo es consistente con la
naturaleza del entorno Logo:
“En cierta manera, en el entorno de programación Logo los niños resuelven conscientemente
problemas que se han auto-planteado, utilizando estrategias desconocidas. Deben comunicar
su organización de la tarea y sus procesos de resolución a sí mismos, a los compañeros, al
profesor, y a la máquina. Los niños deben analizar sus propios procesos de pensamiento a
partir de los errores frecuentes que cometen con Logo, y dedicar tiempo a ello. Por lo tanto,
parece probable que, programando con Logo, ocurran experiencias metacognitivas en la
mente de los niños” (Clements, 1986, p. 310)
Pero las investigaciones sobre Logo también se focalizaron sobre otros ámbitos como el lingüístico.
Así, se encuentran estudios que demuestran cómo Logo fomenta las interacciones conversacionales
entre los niños (Genishi, McCollum, & Strand, 1985), incrementa las habilidades de lenguaje-
perceptual (Lehrer & DeBernard, 1987), eleva las puntuaciones en vocabulario y comprensión oral
en el SAT 119 (Robinson, Gilley, & Uhlig, 1988), o mejora la capacidad de los niños para describir
direcciones oralmente (Clements, 1986). Sin embargo, no se encuentran efectos de Logo sobre la
habilidad lectora general (Clements, 1986), y se reconoce que a este cuerpo de investigación sobre el
área lingüística le falta profundidad para ser concluyente (Clements & Sarama, 1997)
Finalmente, se sugieren mejoras en la creatividad de los alumnos a partir de su aprendizaje y uso

continuado de Logo, lo cual implica una continua invención y reinvención de formas geométricas.
(Clements, 1986; Clements & Gullo, 1984).
Globalmente, el corpus de estudios clásicos sobre los efectos que tiene en los niños el aprendizaje de
la programación a través de Logo, resulta algo decepcionante y no concluyente (Clements &
Meredith, 1993; Clements & Sarama, 1997; Palumbo, 1990). Hay resultados contradictorios; y,
cuando se encuentran efectos positivos, éstos son de un tamaño menor del esperado. Las mejoras
más destacables se encuentran en tareas específicas de tipo espacial y geométrico similares a las que
119
SAT = Stanford Achievement Test
101
involucra el entorno Logo. Cuando se trata de transferir los aprendizajes de Logo a tareas de índole
más general, esos efectos positivos desaparecen.
Así pues, la ambiciosa promesa implícita en Logo se vio truncada, y la programación informática
desapareció de las aulas a principios de los años 90. Justo en ese momento, comienza el reinado de
Microsoft con la eclosión del ordenador personal (que se introduce en el ámbito doméstico), los
paquetes ofimáticos, como Microsoft Office, y la aparición de los primeros navegadores web
(Netscape, Internet Explorer) o las herramientas de chateo ‘on-line’ (Messenger). Así, la
desaparición de Logo a principios de los 90 dejó paso a una nueva concepción de la informática en
las aulas vinculada al aprendizaje del uso de herramientas ofimáticas y de navegación web,
orientadas a la comunicación y al manejo/gestión de información (el denominado ‘ICT Curriculum’
o ‘Currículum TIC’); que llega prácticamente hasta el momento presente.
Según Resnick et al. (2009), la desaparición de Logo, y otros lenguajes para niños de esa época
como BASIC, pudo deberse fundamentalmente a 3 factores, adicionales a los resultados poco
concluyentes del corpus de investigación empírica que hemos revisado:
 Dificultades de sintaxis: los lenguajes de programación como Logo o BASIC, aun estando
diseñados para niños, estaban basados en comandos-órdenes de tipo textual, incluyendo
algunas reglas de sintaxis que ciertos niños no llegaban a dominar; y que frustraban su
aprendizaje.
 Actividades no significativas: muchas de las actividades de programación con Logo (p.e.

escribir un programa que dibuja un determinado diseño geométrico), o con BASIC (p.e.
escribir un programa que genera listas de números primos), estaban desvinculadas de los
intereses y experiencias cotidianos de los niños.
 Programación en solitario: la programación con Logo o BASIC se producía frecuentemente

en contextos solitarios, en los cuales el niño no podía obtener ayuda cuando las cosas iban
mal, o felicitación y apoyo para profundizar más cuando las cosas iban bien.
Todas estas limitaciones han sido recientemente superadas por los lenguajes visuales de
programación como Scratch (visual + significativo + social, tal y como dijimos algo más arriba),
lanzado al mundo en mayo de 2007. Ello ha contribuido decisivamente al nacimiento del
movimiento de codigoalfabetización, y ha generado una nueva oleada de investigación sobre los
efectos positivos del ‘coding’ para los aprendices, que pasamos a describir en el próximo sub-
epígrafe.
2.3.2. Estudios recientes sobre efectos del aprendizaje del ‘coding’
En este epígrafe revisamos una segunda oleada de estudios sobre los efectos del aprendizaje del
‘coding’. Son estudios recientes, fechados a partir del año 2008, coincidiendo con la eclosión de los
nuevos lenguajes de programación para niños, que se caracterizan por ser: visuales (bajando las
barreras de entrada a la programación que antaño suponían las sintaxis de lenguajes textuales como
Logo y BASIC); significativos (permitiendo la creación de todo tipo de artefactos digitales, cercanos
102
a los intereses de niños y jóvenes); y sociales (porque los entornos de aprendizaje del ‘coding’ son
ahora ‘on-line’, permitiendo el aprendizaje colaborativo del mismo).
Así pues, si Logo se inscribió en un marco de aprendizaje construccionista; los nuevos lenguajes,
como Scratch, lo hacen en el emergente marco conectivista (Siemens, 2005, 2010). El conectivismo
considera que las teorías previas del aprendizaje, como el constructivismo o el construccionismo, son
insuficientes para explicar las nuevas formas de adquirir información y generar conocimiento que se
dan en los entornos digitales ‘on line’. En síntesis, el conectivismo define el aprendizaje como un
proceso de conexión que el sujeto establece entre diferentes fuentes de información y sus nodos,
determinado por una variedad de puntos de vista y perspectivas, y dependiente de una pluralidad de
opiniones. El mantenimiento y actualización de esta red de conexiones es la clave para el
aprendizaje, desde el punto de vista conectivista.
Recientemente, Kafai y Burke (2014), en su influyente libro “Connected Code: Why Children Need
to Learn Programming”, argumentan cómo la programación informática o ‘coding’ ha sufrido una
transformación cualitativa a raíz de su aprendizaje en entornos visuales, significativos y conectados
como Scratch; erigiéndose en una habilidad de primer orden para los niños digitales del Siglo XXI.
En concreto, describen que el ‘coding’ se ha transformado en los siguientes ejes:
 ‘Desde el código en sí, hacia sus aplicaciones’ (‘From code to applications’): incidiendo en
cómo los niños aprenden actualmente a programar, no como una disciplina abstracta-formal,
sino como un medio para crear aplicaciones, animaciones o videojuegos.
 ‘Desde las herramientas de aprendizaje, hacia las comunidades de aprendizaje’ (‘From tools
to communities’): destacando cómo el aprendizaje del ‘coding’ ha dejado de ser una tarea
solitaria, dependiente de herramientas concretas; para pasar a ser una actividad social inscrita
en comunidades de aprendizaje, que incluyen relaciones de pares y de mentoría entre
iguales 120
 ‘Desde el cacharreo, hacia la remezcla’ (‘From scratch to remix’): haciendo notar las nuevas
prácticas de programación a partir de la reutilización y remezcla de librerías de código
escritas por terceros, y los desafíos éticos que ello conlleva.
 ‘Desde la pantalla, hacia los objetos tangibles’ (‘From screens to tangibles’): mostrando
cómo el ‘coding’ se va extendiendo desde la construcción de artefactos digitales que se
ejecutan en la pantalla, hacia su conexión con objetos tangibles como robots, impresoras 3D o
wearables 121 (Kafai & Vasudevan, 2015)
En este contexto, se está generando un nuevo corpus de investigación que indaga sobre el impacto
educativo asociado al aprendizaje del ‘coding’ con los lenguajes visuales de programación,
especialmente Scratch (Maloney et al., 2010).
120
No nos resistimos, en este punto, a referenciar una noticia de impacto que saltó a la prensa en los días en que se
acababan de escribir estas líneas: “Two Valley teen programmers have started a movement where kids teach other kids
how to code” (Bort, 2016)
121
‘Wearables’ = ‘Dispositivos ponibles’, como los relojes inteligentes (‘smartwatches’) o las pulseras de actividad
103
Centrándonos en el ámbito matemático, y haciendo la revisión de la literatura de menor a mayor

edad de los sujetos: Zavala, Gallardo y García-Ruiz (2013) muestran evidencia de que el aprendizaje
del ‘coding’ mejoró el desempeño de niños de 3º de Primaria en tareas de identificación y
comparación de números. Por su parte, Lewis y Shah (2012) informan de una correlación positiva, en
niños de 5º de Primaria, entre el nivel de desempeño en retos o puzles de programación
(‘programming quizzes’) y sus calificaciones académicas en matemáticas. En niños de 6º de
Primaria, se han demostrado mejoras significativas en pensamiento matemático tras la utilización de
Scratch en el aula (Calao, Moreno-León, Correa, & Robles, 2015). En sujetos ‘middle school’
(equivalente a 6º Primaria, 1º y 2º ESO), se han encontrado actitudes significativamente más
positivas hacia las matemáticas en las aulas donde se incorporó el ‘coding’ como parte de la
asignatura (Ke, 2014). Finalmente, también en estudiantes ‘middle school’, Akpinar y Aslan (2015)
informan de mejoras significativas en el aprendizaje de conceptos estadísticos y de probabilidad tras
la introducción de Scratch en el aula como herramienta para la creación de videojuegos.
También encontramos investigación reciente sobre los efectos del aprendizaje del ‘coding’ en el
ámbito lingüístico. Así, Sanjanaashree, Kumar y Soman (2014) describen cómo el uso de Scratch
contribuyó a que los estudiantes aprendieran a construir frases sencillas en inglés (idioma extranjero
para los sujetos del estudio). Burke y Kafai (2010) llevaron a cabo talleres extraescolares de escritura
creativa con sujetos de secundaria, y encontraron que el aprendizaje de la escritura de código con
Scratch tiene efectos positivos sobre las habilidades narrativas de los participantes, específicamente
en lo que tiene que ver con la secuenciación, estructuración y claridad de sus narraciones.
Finalmente, Burke (2012) concluye que el ‘coding’ con Scratch es un marco de aprendizaje que
facilita y promueve las habilidades generales de composición digital de estudiantes ‘middle school’.
En el ámbito de las ciencias, se encuentran también estudios que informan de mejoras en el

aprendizaje de las mismas a partir de la incorporación de Scratch en el aula, por ejemplo en 5º de
Primaria (Lai & Lai, 2012). Por otro lado, nos encontramos con varios estudios que destacan las
virtudes del ‘coding’ para la modelización y simulación de sistemas físicos o biológicos complejos; a
través de los denominados ‘Multi-Agent-Based Computational Models’ (MABCM). Estos ‘Modelos
Computacionales Multiagente’ son capaces de simular sistemas físicos o biológicos complejos a
través de la programación-fijación de reglas sobre el conjunto de elementos o agentes que forman
dicho sistema. Así, por ejemplo, Dickes y Sengupta (2013) informan de cómo estudiantes de 4º de
Primaria fueron capaces de modelizar computacionalmente, a través del entorno de programación
NetLogo 122, el concepto biológico de ‘selección natural de especies’. También a través de NetLogo,
Wilensky y Reisman (2006) reportan una experiencia con estudiantes ‘high school’ (3º ESO a 2º
Bachillerato) que modelizaron un ecosistema biológico de depredación, específicamente de lobos
frente a ovejas (Figura 2.14). En este mismo sentido, algunos investigadores de referencia de nuestro
país (Olabe, Basogain, Olabe, Maíz, & Castaño, 2014) han llamado la atención de cómo la
programación en entornos como NetLogo, Scratch o Snap 123, es especialmente indicada para
potenciar en los estudiantes su capacidad de resolución de problemas Tipo-B (problemas complejos
y no determinísticos, sin solución unívoca sino iterativa, como los relativos a sistemas físicos y
122
https://ccl.northwestern.edu/netlogo/ [NetLogo es un entorno de programación específicamente diseñado para trabajar
con ‘Modelos Computacionales Multiagente’]
123
http://snap.berkeley.edu/ [Snap es una versión avanzada de Scratch orientada a estudiantes ‘high school’ o incluso
universitarios, que incluye bloques de código más complejos]
104
biológicos); según los autores, estos problemas Tipo-B serán progresivamente más relevantes en
nuestra sociedad y deben incorporarse a los currículos educativos, que actualmente se limitan a
abordar problemas Tipo-A (problemas sencillos y determinísticos, con solución unívoca, como los
problemas de aritmética).
Figura 2.14. ‘Modelo Computacional Multiagente’ de depredación lobos-ovejas en NetLogo
Adicionalmente, se encuentra otro grupo de estudios recientes que se focaliza en cómo el aprendizaje
del ‘coding’ contribuye a la adquisición de ‘conceptos de programación’ (‘programming concepts’),
o, en la terminología más reciente de Brennan & Resnick (2012), de ‘conceptos computacionales’
(‘computational concepts’). Así, por ejemplo, Maloney et al. (2008) describen cómo sujetos de entre
8 y 18 años participando en un Club de Informática extraescolar, y utilizando Scratch como entorno
de aprendizaje del ‘coding’, mejoraron en la adquisición de conceptos de programación como los
bucles (‘loops’), las sentencias condicionales (‘conditional statements’), o el establecimiento de
variables (en la Figura 2.15 se muestra un ejemplo de cómo estos conceptos se hayan inscritos en un
programa escrito con Scratch); es de destacar que estas adquisiciones conceptuales se dieron sin
intervención instructiva formal (los participantes en el Club aprendieron Scratch de manera informal
a través de mentoría con pares más expertos). Otro estudio, en este caso centrado en sujetos ‘middle
school’ (6º Primaria a 2º ESO) y en el contexto de aula ordinaria, informa igualmente de la
adquisición por parte de los estudiantes de conceptos de programación (bucles, condicionales,
variables) a través del uso de Scratch (Meerbaum-Salant, Armoni, & Ben-Ari, 2010). Por su parte,
Grover y Pea (2013b) informan sobre cómo introdujeron conceptos computacionales a sujetos
‘middle school’ a través del aprendizaje de la programación de aplicaciones móviles o ‘apps’ con
App Inventor. 124
124
105
Figura 2.15. Conceptos de programación implícitos en un script de Scratch (Tomado de Maloney et al., 2008)
Todavía más recientes, son los estudios que investigan en qué medida el aprendizaje del ‘coding’
contribuye a desarrollar en los estudiantes su ‘pensamiento computacional’ (PC), emergente
constructo que se refiere esencialmente al proceso cognitivo de solución de problemas subyacente a
las tareas de ‘coding’; y al que dedicamos el Capítulo 3 por completo. Una revisión profunda de este
grupo de estudios puede encontrarse en Lye y Koh (2014), que detallaremos en el epígrafe 3.2.2.
En síntesis, podemos afirmar que el corpus reciente de estudios sobre los efectos del aprendizaje del
‘coding’ con los nuevos lenguajes visuales de programación muestra evidencia sobre mejoras en el
ámbito matemático, en el ámbito lingüístico (en especial en las habilidades narrativas de
secuenciación, estructuración y claridad expositiva), y en el ámbito de la modelización-simulación de
sistemas físicos o biológicos complejos.
Sin embargo, aunque dichas investigaciones dibujan un panorama muy prometedor, muchos de los
estudios son de tipo descriptivo y no siguen las recomendaciones básicas para la realización de
investigación aplicada en educación (Cohen, Manion, & Morrison, 2007). Especialmente, parece
necesario desarrollar más estudios empíricos de corte experimental o cuasi-experimental, que
incluyan medidas pretest y postest con grupos experimentales y de control, para ir consolidando
algunas conclusiones en este campo. En esa línea, en el Capítulo 7, ya en la parte empírica de esta
tesis doctoral, se presentará una evaluación del curso-programa ‘K-8 Intro to Computer Science’
(Code.org, 2015a) siguiendo un diseño cuasi-experimental.
2.4. Viabilidad: el cómo de la codigoalfabetización
Afrontamos ahora la cuestión de si es viable incorporar la codigoalfabetización a nuestro sistema

educativo; o el cómo de la codigoalfabetización. En otras palabras, si el proceso de aprendizaje que
propone la codigoalfabetización, la lectoescritura con los lenguajes informáticos de programación, se
puede abordar desde el conjunto de recursos, herramientas, sistemas y metodologías actualmente
disponibles.
106
Para ello, dividiremos esta apartado en dos epígrafes. En el primero de ellos, se presenta una
propuesta de taxonomía que trata de caracterizar y clasificar la gran cantidad existente de recursos
para la enseñanza-aprendizaje del ‘coding’. En el segundo de ellos, con objeto de ilustrar la
viabilidad real de la codigoalfabetización a nivel de los sistemas educativos formales, se presenta un
análisis comparativo sobre el grado de incorporación del ‘coding’ a los currículos de distintos países
de la Unión Europea; centrándonos especialmente en un ejemplo internacional, el currículo de Reino
Unido, y en otro nacional, el currículo de la Comunidad de Madrid.
2.4.1. Taxonomía de recursos para la enseñanza-aprendizaje del ‘coding’
La taxonomía que detallamos a continuación es una versión mejorada y ampliada de un trabajo

previo del doctorando presentado al I Simposio Internacional de Mobile Learning, celebrado en
Córdoba en el mes de marzo de 2014 (Román-González, 2014c)
Según entendemos, los recursos de enseñanza-aprendizaje del ‘coding’ que podrían incorporarse a
nuestro sistema educativo, pueden caracterizarse a través de los siguientes 4 criterios:
a. Tipo de lenguaje de programación (y edad de inicio de uso recomendada): los recursos

de enseñanza-aprendizaje del ‘coding’ están basados en alguno de los siguientes tres tipos de
lenguajes de programación.
o Lenguajes visuales por flechas (‘arrow-based programming languages’): el aprendiz

programa visualmente una secuencia de comandos a partir de flechas e iconos
intuitivos similares. Estos lenguajes están diseñados para niños pre-lectores, y pueden
comenzar a utilizarse a finales de la etapa de Educación Infantil o comienzos de la
Educación Primaria. Algunos ejemplos de recursos que utilizan lenguajes visuales por
flechas son Kodable 125 (Figura 2.16), Lightbot 126, Bee-Bot App 127, ScratchJr128 o The
Foos 129
o Lenguajes visuales por bloques (‘block-based programming languages’): el aprendiz

programa visualmente una secuencia de comandos a través de bloques o piezas de
código que encajan entre sí, y en las cuales puede fijar distintos parámetros. Estos
lenguajes exigen ya habilidades lectoras, y suelen estar diseñados para edades
intermedias (finales de Educación Primaria y comienzo de Educación Secundaria).
Algunos ejemplos de recursos que utilizan lenguajes visuales por bloques son
Scratch 130 (ya ilustrado anteriormente en la Figura 2.4), Tynker 131 (Figura 2.17),
Blockly132, Code.org 133 o Hopscotch 134
125
https://www.kodable.com/
126
https://lightbot.com/
127
https://itunes.apple.com/es/app/bee-bot/id500131639?mt=8
128
http://www.scratchjr.org/
129
http://thefoos.com/
130
131
https://www.tynker.com/
132
https://blockly-games.appspot.com/
133
https://code.org/
134
https://www.gethopscotch.com/
107
o Lenguajes textuales (‘textual programming languages’): El aprendiz debe teclear el

código correspondiente al lenguaje de programación utilizado, respetando su sintaxis,
para que se ejecute en pantalla (habitualmente en tiempo real). La edad recomendada
para iniciarse con este tipo de lenguajes ronda finales de la Educación Secundaria y
Bachillerato. Algunos ejemplos de recursos que utilizan lenguajes de programación
textuales son Khan Academy135 (ya ilustrado anteriormente en la Figura 1.2), Code
Combat 136, Codecademy 137 (Figura 2.18), CodeHS 138 o Mozilla Webmaker 139
En las siguientes Figuras 2.16, 2.17, y 2.18 se ilustran los tres tipos de lenguajes:
Figura 2.16. Ejemplo de lenguaje de programación visual por flechas (Tomado de Kodable)
Figura 2.17. Ejemplo de lenguaje de programación visual por bloques (Tomado de Tynker)
135
136
https://codecombat.com/
137
https://www.codecademy.com/
138
https://codehs.com/
139
https://teach.mozilla.org/tools/
108
Figura 2.18. Ejemplo de lenguaje de programación textual (Tomado de Codecademy)
b. Orientación/Finalidad: podemos distinguir entre los distintos recursos de enseñanza-

aprendizaje del ‘coding’, en función de si son entornos orientados a:
o Resolver problemas cerrados (‘close-ended’): el aprendiz escribe un programa que

sirve para resolver un problema pre-definido. Estos entornos son también conocidos
como retos o puzles de programación (‘programming quizzes and puzzles’); y sus
interfaces más habituales son del tipo ‘laberinto’ (en la que hay que programar el
recorrido de una figura para llegar de un punto a otro del mismo) y tipo ‘lienzo o
pizarra’ (en la que hay que programar un diseño geométrico previamente dado). En
las Figuras 2.19 y 2.20 se ilustran ambos tipos de interfaces, tomadas de Blockly.
Figura 2.19. Ejemplo de una de las muchas interfaces tipo ‘laberinto’ existentes para el aprendizaje del ‘coding’ (tomado
de https://blockly-games.appspot.com/maze?lang=en&level=9)
109
Figura 2.20. Ejemplo de una de las muchas interfaces tipo ‘lienzo o pizarra’ existentes para el aprendizaje del ‘coding’
(Tomado de https://blockly-games.appspot.com/turtle?lang=es&level=1)
o Crear/desarrollar proyectos abiertos (‘open-ended’): el ‘coding’ tiene como finalidad

la creación de un nuevo objeto digital (bien sea escribiendo todo el programa desde
cero, o remezclando partes de código de otros usuarios de la herramienta). Podemos
distinguir algunos recursos en función de si los objetos digitales que permiten crear
son: narraciones y animaciones digitales (p.e. a través de la herramienta Alice 140, ver
Figura 2.21); simulaciones y modelizaciones computacionales (p.e. a través de
NetLogo 141, ya visto en la Figura 2.14, o Minecraft 142); aplicaciones (p.e. a través de
App Inventor 143, ya ilustrado en la Figura 1.5, o App Lab 144); juegos (p.e. a través de
Play my Code 145, Kodu 146, o Gamestar Mechanic 147); o diseños geométricos abiertos
y sin definir previamente (p.e. a través de Move the Turtle 148). Un caso especial es
Scratch (o su versión más avanzada Snap 149), que permite generar todos los tipos de
objetos digitales citados anteriormente, razón por la cual se erige como un recurso
especialmente versátil e indicado para el contexto escolar.
o Tener efectos sobre el mundo físico (‘hardware-driven’): el aprendiz escribe un

programa que controla, y tiene efectos sobre, objetos del mundo físico. Dentro de esta
categoría, podemos distinguir: juguetes-robots directamente programables por el
aprendiz a través de un sistema de botones que incorpora el propio objeto, y que
suelen estar diseñados para niños pre-lectores (p.e. el robot Bee-Bot 150, ver Figura
140
http://www.alice.org/index.php
141
https://ccl.northwestern.edu/netlogo/
142
https://minecraft.net/
143
144
https://code.org/educate/applab
145
http://www.playmycode.com/
146
http://www.kodugamelab.com/
147
https://gamestarmechanic.com/
148
http://movetheturtle.com/
149
http://snap.berkeley.edu/
150
https://www.bee-bot.us/ [Ejemplo de uso de Bee-Bot en un aula de Infantil: https://youtu.be/za6wHl50fJU]
110
2.22, o el robot Cubetto 151); robots o placas programables 152 que son controlados
desde el código escrito en un dispositivo digital, sea ordenador, tableta o smartphone
(p.e. a través de Tickle 153 que se muestra en la Figura 2.23, S4A-Scratch for
Arduino 154 que se muestra en la Figura 2.24, o Bitbloq 155); y entornos donde se
escribe y comparte código que, a modo de planos de ingeniería, controla la impresión
en 3D de objetos físicos (p.e. a través de la comunidad Thingiverse 156, que se ilustra
en el Figura 2.25)
Figura 2.21. Ejemplo de ‘coding’ en un proyecto abierto de narración digital, a través de Alice
Figura 2.22. Ejemplo de ‘coding’ a través de la programación directa de robots Bee-Bots
151
http://www.primotoys.com/cubetto
152
Los ejemplos más claros de placas programables de hardware libre son actualmente Arduino
(https://www.arduino.cc/) y Raspberry Pi (https://www.raspberrypi.org/)
153
https://tickleapp.com/
154
http://s4a.cat/
155
http://bitbloq.bq.com/
156
http://www.thingiverse.com/
111
Figura 2.23. Ejemplo de ‘coding’ desde dispositivos móviles para controlar robots y drones, a través de Tickle
Figura 2.24. Ejemplo de ‘coding’ desde un ordenador para controlar una placa Arduino, a través de S4A
Figura 2.25. Cejilla para guitarra impresa en 3D, cuyos códigos se comparten y remezclan en Thingiverse
112
c. Plataforma: con arreglo a este criterio, podemos distinguir entre recursos para la enseñanza-
aprendizaje del ‘coding’ que:
o Deben ser descargados y ejecutados en local desde ordenadores tipo PC’s. Este tipo
de recursos es cada vez más escaso, dada su naturaleza ‘off-line’. Ejemplos de este
tipo son los ya citados Alice, Kodu o NetLogo.
o Recursos ‘web-based’ o ‘browser-based’, es decir, accesibles y ejecutables desde un

navegador web con conexión a Internet. Aquí podríamos distinguir internamente entre
recursos no navegables desde dispositivos móviles por estar basados en tecnología
Flash Player, como Scratch; y otros sí navegables desde dispositivos móviles como,
por ejemplo, los tutoriales de Code.org.
o Recursos tipo ‘apps’ específicas para el aprendizaje del ‘coding’, pensadas y

diseñadas para ser descargadas y ejecutadas desde dispositivos móviles,
habitualmente tabletas. Ejemplos de este tipo son los ya citados Kodable o Hopscotch.
En cualquier caso, este criterio de clasificación es cada vez más difuso, y es muy habitual
encontrar recursos que se ofrecen en distintos tipos de plataforma, retroalimentándose entre
unas y otras. Por ejemplo, Tynker es un recurso originalmente del tipo ‘browser-based’ que,
ante la extensión y popularización de los dispositivos móviles, ha diseñado su propia ‘app’. A
la inversa, la ‘app’ Kodable también dispone de su propio sitio web en el que sus usuarios
comparten manuales de uso de la misma, opiniones y mejoras.
d. Coste: encontramos desde recursos completamente gratuitos (habitualmente son recursos

‘browser based’ como Khan Academy, Scratch o Code.org), a recursos de pago que ofrecen
cursos completos de ‘coding’ para ser implantados en el aula ofreciendo soporte técnico y
pedagógico externo (p.e. Tynker), pasando por modelos ‘freemium’ (habitualmente recursos
tipo ‘apps’ que se descargan inicialmente de manera gratuita para, posteriormente, exigir un
pequeño pago por acceder a todas las funcionalidades de la aplicación, como por ejemplo la
‘app’ de Lightbot)
En la siguiente Tabla 2.1 presentamos una recopilación de recursos para la enseñanza-aprendizaje del
‘coding’, clasificados con arreglo a los cuatro criterios que acabamos de explicitar. La lista que se
aporta no pretende ser exhaustiva, dado el ingente volumen de recursos y herramientas para el
‘coding’ que aparece prácticamente todas las semanas, pero sí representativa de los recursos que
actualmente parecen tener más presencia e impacto en los ambientes educativos, tanto formales
como no formales. Para su confección nos hemos guiado por artículos-listas influyentes de la
blogosfera al respecto (Adam & Mowers, 2013 157; Crawley, 2014; Cronin, 2014; EdTech, 2014). Y,
en cualquier caso, es un listado siempre provisional, susceptible de ser sometido a continua revisión,
y que será sometido a investigación empírica en el Capítulo 5 de esta tesis.
157
Para dar una idea al lector de la influencia de estas listas en la blogosfera, hacemos notar que, por ejemplo, ésta que
referenciamos, “7 Apps for Teaching Children Coding Skills” (Adams & Mowers, 2013), publicada en el blog Edutopia,
ha sido compartida en su comunidad de educadores más de 25.000 veces.
113
Tabla 2.1. Listado de recursos de enseñanza-aprendizaje del ‘coding’ clasificados según nuestra propuesta taxonómica
Nombre del recurso

Tipo de Lenguaje
(por orden Orientación / Finalidad Plataforma Coste
de programación
alfabético)
Descarga en PC’s
Alice Visual por bloques ‘Open-ended’: Narrativa digital Gratuito
local
‘Web-based’
App Inventor Visual por bloques ‘Open-ended’: Diseño de ‘apps’ (Navegable desde Gratuito
dispositivo móvil)
‘Web-based’
App Lab Visual por bloques ‘Open-ended’: Diseño de ‘apps’ (Navegable desde Gratuito
dispositivo móvil)
Bee-Bot App Visual por flechas ‘Close-ended’: Laberintos ‘App’ (iOS) Gratuito
‘Hardware-driven’: Robots 89,95 $ por
Bee-bot Robots Visual por flechas -
directamente programables unidad
‘Hardware-driven’:
Descarga en PC’s
Bitbloq Visual por bloques Programación de robots o placas Gratuito
local
desde pantalla
‘Web-based’
‘Close-ended’: Laberintos y
Blockly Visual por bloques (Navegable desde Gratuito
lienzos
dispositivo móvil)
‘Close-ended’: Puzles de
Cargo-Bot 158 Visual por flechas ‘App’ (iOS) Gratuito
programación
‘Web-based’
(Navegable con
Code Combat Textual programación en forma de Gratuito
dificultad desde
aventura gráfica
dispositivo móvil)
‘Web-based’
‘Close ended’ 159: Laberintos y
Code.org Visual por bloques (Navegable desde Gratuito
lienzos
dispositivo móvil)
‘Web-based’
Itinerarios de aprendizaje que
(Navegable con
Codecademy Textual combinan tareas ‘close-ended’ y Gratuito
dificultad desde
‘open-ended’
dispositivo móvil)
‘Web-based’
(Navegable con
CodeHS Textual combinan tareas ‘close-ended’ y Gratuito
dificultad desde
‘open-ended’
dispositivo móvil)
‘Hardware-driven’: Robots £170 por
Cubetto Visual por flechas -
directamente programables unidad
Daisy the ‘Open-ended’: Animaciones
Visual por bloques ‘App’ (iOS) Gratuito
Dinosaur 160 digitales
‘Open-ended’: Animaciones
Hopscotch Visual por bloques ‘App’ (iOS) Gratuito
digitales
‘Web-based’
(Navegable con
Khan Academy Textual combinan tareas ‘close-ended’ y Gratuito
dificultad desde
‘open-ended’
dispositivo móvil)
158
http://twolivesleft.com/CargoBot/
159
Code.org está incorporando progresivamente a su plataforma entornos relativamente ‘open-ended’ como PlayLab:
https://code.org/playlab
160
https://itunes.apple.com/es/app/daisy-the-dinosaur/id490514278?mt=8
114
Nombre del recurso

Tipo de Lenguaje
(por orden Orientación / Finalidad Plataforma Coste
de programación
alfabético)
5,99 €
Kodable Visual por flechas ‘Close-ended’: Laberintos ‘App’ (iOS) (versión
completa)
Descarga en PC’s
Kodu Visual por bloques ‘Open-ended’: Videojuegos Gratuito
local
Lego Mindstorms ‘App’ (iOS y
Visual por flechas ‘Close-ended’: Laberintos Gratuito
(Fix the Factory) 161 Android)
‘Web-based’ y 2,99 €
Lightbot Visual por flechas ‘Close-ended’: Laberintos ‘App’ (iOS y (versión
Android) completa)
‘Open-ended’: Diseño
Move the Turtle Visual por bloques ‘App’ (iOS) 2,99 €
geométrico
‘Web-based’
(Navegable con
Mozilla Webmaker Textual combinan tareas ‘close-ended’ y Gratuito
dificultad desde
‘open-ended’
dispositivo móvil)
My Robot Friend 162 Visual por flechas ‘App’ (iOS) 3,59 €
programación
‘Open-ended’: Simulaciones y Descarga en PC’s
NetLogo Textual Gratuito
modelización local
‘Web-based’
(Navegable con
Play my Code Textual ‘Open-ended’: Videojuegos Gratuito
dificultad desde
dispositivo móvil)
‘Web-based’
S4A – Scratch for (No navegable
Visual por bloques Programación de robots o placas Gratuito
Arduino desde dispositivo
desde pantalla
móvil)
‘Web-based’
‘Open-ended’: Animaciones,
(No navegable
Scratch Visual por bloques narraciones, simulaciones, Gratuito
desde dispositivo
videojuegos
móvil)
‘Open-ended’: Animaciones ‘App’ (iOS y
ScratchJr Visual por flechas Gratuito
digitales Android)
‘Web-based’
‘Open-ended’: Animaciones,
(No navegable
Snap Visual por bloques narraciones, simulaciones, Gratuito
desde dispositivo
videojuegos
móvil)
‘Close-ended’: Puzles de ‘Web-based’ y
The Foos Visual por flechas programación en forma de ‘App’ (iOS y Gratuito
aventura gráfica Android)
Tickle Visual por bloques Programación de robots o placas ‘App’ (iOS) Gratuito
desde pantalla
Web-based’ y ‘App’
Tynker Visual por bloques combinan tareas ‘close-ended’ y Freemium
(iOS y Android)
‘open-ended’
Fuera de la anterior taxonomía podemos situar algunos otros recursos peculiares para el aprendizaje
del ‘coding’ como los juegos de mesa Robot Turtles 163 y Code Monkey Island 164.
161
https://itunes.apple.com/es/app/lego-mindstorms-fix-factory/id671493323?mt=8
162
https://www.commonsensemedia.org/app-reviews/my-robot-friend
115
2.4.2. Currículos educativos para la enseñanza-aprendizaje del ‘coding’
En este epígrafe realizaremos un breve análisis comparativo sobre la situación del ‘coding’ en los
currículos de los sistemas educativos de la Unión Europea. Para ello, nos apoyaremos
fundamentalmente en el reciente informe de la Comisión Europea (octubre de 2015), denominado
“Computing our future. Computer programming and coding 165: Priorities, School curricula and
initiatives across Europe” (European Schoolnet, 2015). En la exposición de motivos de dicho
informe, se dice:
“Las competencias y habilidades digitales son una de las principales condiciones para que la
transformación digital de Europa sea un éxito, así como para su crecimiento y el bienestar
de sus ciudadanos y sociedades (…) El reto para el sector educativo es elevar el nivel de
dichas habilidades digitales en la futura fuerza de trabajo; pero, aún más importante,
empoderar a la gente joven con competencias que les permitan dominar y crear sus propias
tecnologías digitales, y prosperar en la sociedad actual. Creemos que la enseñanza-
aprendizaje del ‘coding’, tanto en contextos formales como no formales, jugará un papel
fundamental en este proceso (…) Muchos educadores, así como padres, economistas y
políticos en Europa y el resto del mundo, comienzan a pensar que los estudiantes necesitan
unas mínimas habilidades de computación y programación. Una razón es la escasez de
profesionales empleables con habilidades digitales de orden superior. Para el año 2020 se
calcula que Europa podría sufrir un déficit de alrededor de 800.000 profesionales
capacitados en computación y programación. Otra razón importante es que el ‘coding’
ayuda a entender la sociedad digitalizada actual y fomenta habilidades fundamentales del
siglo XXI como la resolución de problemas, la creatividad, y el pensamiento lógico”
(European Schoolnet, 2015, p. 4-6)
Los resultados que presenta el informe se basan en una encuesta realizada a 21 Ministerios de
Educación (correspondientes a 20 países europeos, más Israel), en la cual se les interroga sobre la
situación del ‘coding’ en su respectivos sistemas educativos. Los países participantes en el estudio
son, por orden alfabético: Austria (AT), Bélgica-Flandes (BE-NL), Bélgica-Valonia (BE-FR),
Bulgaria (BG), Dinamarca (DK), Eslovaquia (SK), España (ES), Estonia (EE), Finlandia (FI),
Francia (FR), Hungría (HU), Irlanda (IE), Israel (IL), Lituania (LT), Malta (MT), Noruega (NO),
Países Bajos (NL), Polonia (PL), Portugal (PT), Reino Unido (UK) y República Checa (CZ).
A la pregunta, ¿qué países incluyen actual y formalmente el ‘coding’ en su currículum?, los

resultados principales son:
 16 países incluyen el ‘coding’ en su currículum, ya sea a nivel nacional, regional o local:

Austria, Bulgaria, Dinamarca, Eslovaquia, España, Estonia, Francia, Hungría, Irlanda, Israel,
Lituania, Malta, Polonia, Portugal, Reino Unido y República Checa.
163
http://www.robotturtles.com/
164
http://codemonkeyplanet.com/
165
En dicho informe se dice explícitamente que los términos ‘computer programming’ y ‘coding’ se utilizan de manera
indistinta.
116
 Bélgica-Flandes y Finlandia tienen planes de incluir el ‘coding’ en su currículum en un futuro

próximo (p.e. Finlandia ha incluido el ‘coding’ entre los contenidos nucleares del nuevo
currículum que entra en vigor en el curso 2016/2017)
 Bélgica-Valonia, Noruega y los Países Bajos no han integrado aún el ‘coding’ en su

currículum ni tienen planes para ello en un futuro próximo.
En la Tabla 2.2 se muestran los 16 países que ya incorporan, en alguna medida, el ‘coding’ en su
currículum; más los 2 países que tienen previsto hacerlo en un futuro inmediato. En la tabla se
indica, además, en qué nivel del sistema (nacional, regional o local) se haya incluido el ‘coding’, y
cuál fue el año en el que se inició su implantación curricular real.
Tabla 2.2. Relación de países europeos (más Israel) que incluyen el ‘coding’ en su currículum actual o inmediato
Año de
Nivel nacional Nivel regional Nivel local/escolar
implantación
Austria * N/A 166
Bélgica-Flandes * N/A
Bulgaria * N/A
Dinamarca * 2014
Eslovaquia * * 1990
España * * 2015
Estonia * * N/A
Finlandia * * * 2016
Francia * 2015
Hungría * 1995
Irlanda * * 2014
Israel * 1976
Lituania * * 1986
Malta * 1997
Polonia * 1985
Portugal * 2012
Reino Unido * 2014
República Checa * N/A
Tal y como puede observarse en la tabla anterior, Israel fue el primer país en incorporar la
programación informática a su currículum, en el año 1976. Los antiguos países comunistas del este
de Europa, fueron los siguientes en dicha incorporación: Lituania y Polonia en los años 80, y
Eslovaquia y Hungría en los años 90. Por su parte, países como Dinamarca, Irlanda y Reino Unido,
tienen una larga tradición en la integración de las TIC en su currículum 167, pero no ha sido hasta el
año 2014 cuando han reformulado y conseguido implantar nuevos planes educativos en materia de
166
N/A: Not available (No disponible)
167
Recordamos que estos currículums TIC ‘clásicos’ tienen que ver con usos más pasivos de la tecnología como el
aprendizaje de herramientas ofimáticas y la navegación web.
117
tecnología digital con orientación decidida hacia el ‘coding’. Por su parte, España y Francia, por
primera vez y en el año 2015, han incluido el ‘coding’ en su currículum educativo en alguna medida.
El caso de España es un tanto particular (así se hace notar en el propio informe de la Comisión
Europea). En nuestro país existe una regulación a nivel nacional, que luego puede ser reformulada y
concretada en cada Comunidad Autónoma de manera propia. En síntesis, la situación actual del
‘coding’ en nuestro sistema educativo es la siguiente:
 A nivel nacional, el ‘coding’ forma parte de la asignatura optativa “Tecnologías de la

Información y la Comunicación I” de la Etapa de Bachillerato.
 A nivel autonómico, nos encontramos con 3 Comunidades Autónomas que incluyen carga
adicional en su currículum en materia de ‘coding’:
o Cataluña: en segundo ciclo de la ESO, el ‘coding’ se oferta como parte central de una
asignatura optativa de “Informática”, muy focalizada al diseño de aplicaciones para
dispositivos móviles 168 o ‘apps’
o Comunidad de Madrid: en 1º, 2º y 3º de la ESO, el ‘coding’ forma parte

explícitamente de la nueva asignatura obligatoria “Tecnología, Programación y
Robótica”. En Educación Primaria se permite, y anima, a los colegios a ofertar una
asignatura optativa de programación, que se cursaría fuera del horario escolar.
o Comunidad Foral de Navarra: en 4º y 5º de Primaria se han incluido contenidos

obligatorios de ‘coding’, no como asignatura separada sino transversalmente al área
de matemáticas.
 Finalmente, hay que señalar el caso de la Comunidad Valenciana que, aunque no incluye
formalmente contenidos de ‘coding’ en el currículum de su asignatura optativa de
“Informática” de primer ciclo de la ESO; tiene un cuerpo de profesorado con titulación
específica en dicha disciplina (al menos 1 profesor de este tipo por centro), lo que viene
promoviendo que, de facto, en la citada asignatura se estén impartiendo algunos contenidos
de ‘coding’. Ello se hará evidente en la parte empírica de la tesis.
Siguiendo con el informe de la Comisión Europea, a la pregunta, ¿por qué incorporar el ‘coding’ en
el currículum?, los resultados principales son:
 La mayoría de los países tienen como objetivo desarrollar en los estudiantes las habilidades
relativas al pensamiento lógico y la resolución de problemas (14 países). En más de la mitad
de los países, concretamente en 11 de ellos, se focalizan explícitamente en el desarrollo de la
habilidad de programar. También 11 países declaran su intención de atraer más sujetos hacia
el campo de las Ciencias de la Computación a la hora de cursar estudios universitarios. Y
finalmente 8 países manifiestan abiertamente su objetivo de fomentar la empleabilidad de sus
estudiantes en el sector de la economía digital. Se detalla en la Tabla 2.3
168
A este hecho ha contribuido decisivamente que en Barcelona se venga celebrando cada año el mayor congreso
mundial sobre tecnologías móviles (‘Mobile World Congress’), tal y como aparece en prensa (p.e. Vallespín, 2014)
118
Tabla 2.3. Razones por las cuales incorporar el ‘coding’ en el currículo, por países
Atraer hacia Fomentar la Fomentar
Fomentar el Fomentar la Fomentar
estudios empleabilidad otras
pensamiento resolución de habilidades de
universitarios en el sector competencias
lógico problemas programación
en Informática digital clave
Austria * * * * * *
Bélgica-Flandes * * *
Bulgaria * * * *
Dinamarca * * *
Eslovaquia * *
España * * * *
Estonia * * * *
Finlandia * * *
Francia * * *
Hungría * *
Irlanda * * * * *
Israel * * * * * *
Lituania * *
Malta * *
Polonia * * * * * *
Portugal * * * *
Reino Unido * * * * *
República Checa * * * * * *
Con respecto a la pregunta, ¿en qué etapa/s del sistema educativo se incorpora el ‘coding’ al
currículo?; en síntesis, el ‘coding’ está incorporado principalmente en la etapa de Educación
Secundaria (13 países), aunque se está incrementando el número de países que lo incorporan también
en la etapa de Primaria (10 países). Destacan los casos de Estonia, Israel y Eslovaquia, que ya
incorporan el ‘coding’ a lo largo de todas las etapas escolares (pre-universitarias) de su sistema
educativo formal; y el caso de Polonia, que hará lo propio a partir de septiembre de 2016, al dar
entrada a su nuevo currículum actualizado en Ciencias de la Computación.
Con respecto a si el ‘coding’ se imparte como asignatura separada (12 países) o como parte de una
asignatura más amplia de Informática/Tecnología/TIC (13 países), se encuentra una gran variabilidad
al respecto en función de países, pero también internamente en cada uno de ellos en función de
regiones y de la etapa educativa a la que nos refiramos. Destaca un creciente enfoque de integración
transversal (‘cross-curricular’) del ‘coding’ en otras asignaturas, principalmente en matemáticas.
Este enfoque está presente, por ejemplo, en Dinamarca, Eslovaquia, España (caso de Navarra en las
matemáticas de 4º y 5º de Primaria), Estonia, Finlandia (que será el primer país, en 2016, en aplicar
un enfoque ‘cross-curricular’ puro al ‘coding’ en todas sus etapas y asignaturas), y Francia.
Finalmente, por su especial relevancia (Valverde, Fernández, & Garrido, 2015), analizaremos con
algo más de detalle 2 currículos en particular: uno a modo de ejemplo internacional, el currículo de
Reino Unido; y otro como ejemplo nacional, el currículo de la Comunidad de Madrid.
119
2.4.2.1. Un ejemplo internacional: el currículo de Reino Unido
El currículo oficial del Reino Unido ha introducido recientemente, en septiembre de 2014, una nueva
asignatura denominada “Computing” (UK Department of Education, 2013), que ha venido a sustituir
a la anterior asignatura “ICT: Information and Communication Technology”. La asignatura
“Computing” es de carácter obligatorio, y se imparte desde los 5 a los 16 años. Su implantación ha
supuesto un giro copernicano en la forma de aproximarse a la tecnología digital desde el sistema
educativo británico; un cambio de perspectiva que ha trascendido el mero debate pedagógico
especializado, y que se ha convertido en prioridad nacional, llenando ríos de tinta en los medios de
comunicación de las islas (Cuthbertson, 2014; Dredge, 2014; Morrison, 2014; Pozniak, 2014). La
nueva asignatura “Computing” dice en su exposición de motivos:
“Una educación en computación de alta calidad debe preparar a los alumnos para usar el
pensamiento computacional y la creatividad, con objeto de comprender y cambiar el mundo.
La computación tiene profundos vínculos con las matemáticas, las ciencias, el diseño y la
tecnología, y proporciona visión y conocimiento tanto de sistemas naturales como
artificiales. El núcleo de “Computing” son las Ciencias de las Computación, a través de las
cuales los alumnos aprenden los principios de la información y la computación, cómo
funcionan los sistemas digitales y cómo aplicar este conocimiento a través de la
programación. A partir de este conocimiento computacional, los alumnos estarán
preparados para utilizar la tecnología para crear programas, sistemas y todo tipo de
contenido. “Computing” también asegura que los alumnos lleguen a estar digitalmente
alfabetizados, capaces de usar las tecnologías digitales y de expresarse y desarrollar sus
ideas a través de las mismas; a un nivel adecuado para las futuras demandas de los puestos
de trabajo y para ser participantes activos de un mundo digital” (UK Department of
Education, 2013, en línea)
La asignatura “Computing” tiene como objetivo general garantizar que los estudiantes:
 Puedan comprender y aplicar los principios y conceptos fundamentales de las Ciencias de la

Computación; incluyendo la abstracción, la lógica, los algoritmos y la representación de los
datos-información.
 Puedan analizar los problemas en términos computacionales, y tengan experiencia práctica en
lectoescritura de programas informáticos con objeto de resolver dichos problemas.
 Puedan evaluar y aplicar las tecnologías digitales de la información, incluidas tecnologías
emergentes (nuevas o desconocidas), analíticamente para resolver problemas.
 Sean usuarios responsables, competentes, seguros y creativos de las tecnologías digitales de
la información y la comunicación.
Así pues, la nueva asignatura “Computing” gira esencialmente sobre la formulación y resolución de
problemas desde un enfoque computacional, en términos de los principios y conceptos
fundamentales de la computación (esto es, lo que se ha venido en denominar ‘Pensamiento
Computacional’ al que dedicamos por completo el Capítulo 3); siendo la lectoescritura de programas
informáticos o ‘coding’ su principal práctica asociada.
120
En la siguiente Tabla 2.4, se detallan los objetivos específicos de la asignatura “Computing” en

función del ciclo educativo (‘key stage’ en terminología británica):
Tabla 2.4. Objetivos específicos de la asignatura “Computing” del Reino Unido en función del ciclo educativo
Ciclo Educativo
Objetivos específicos
(Key Stage)
Los estudiantes deben ser capaces de:

 Comprender qué son los algoritmos, y cómo son implementados como programas en los
dispositivos digitales; y que los programas se ejecutan siguiendo instrucciones precisas
e inequívocas.
 Crear y depurar programas informáticos simples.
 Utilizar el razonamiento lógico para predecir el comportamiento de programas simples.
Key Stage – 1
 Utilizar la tecnología de manera propositiva, para crear, organizar, almacenar,
(de 5 a 7 años) manipular, y recuperar contenidos digitales.
 Reconocer usos comunes de las tecnologías digitales de la información más allá de la
escuela
 Utilizar la tecnología de manera segura y respetuosa, manteniendo la información
personal en privado; identificar a dónde acudir en busca de ayuda y apoyo cuando
tengan preocupaciones o inquietudes sobre el contenido o contactos establecidos en
Internet (u otras tecnologías ‘on-line’)

 Diseñar, escribir y depurar programas que acometan metas específicas, incluyendo el
control o simulación de sistemas físicos; resolver problemas a través de su
descomposición en partes más pequeñas.
 Utilizar la secuenciación, la selección (condicional), y la repetición en los programas;
trabajar con variables y con varias formas/formatos de input y output.
 Utilizar el razonamiento lógico para explicar cómo funcionan algunos algoritmos
sencillos, y detectar y corregir errores en algoritmos y programas.
 Comprender el funcionamiento de las redes informáticas, incluida Internet; cómo
pueden proporcionar múltiples servicios, como por ejemplo la World Wide Web, y las
Key Stage – 2 oportunidades que ofrecen para la comunicación y la colaboración.
(de 7 a 11 años)  Utilizar de manera efectiva las tecnologías de búsqueda, apreciar cómo se seleccionan y
ordenan los resultados, y tener capacidad de discernimiento para evaluar contenido
digital.
 Seleccionar, utilizar y combinar una amplia variedad de software (incluidos servicios de
Internet) sobre un amplio abanico de dispositivos digitales, para diseñar y crear una
amplia variedad de programas, sistemas y contenidos que acometan determinados
objetivos; incluyendo la recolección, análisis, evaluación y presentación de la
información.
 Utilizar la tecnología de manera segura, respetuosa y responsable; reconocer el
comportamiento digital aceptable o inaceptable; identificar un abanico de formas para
informar sobre preocupaciones o inquietudes relativas al contenido o contactos
establecidos en la Red.
121
Ciclo Educativo
Objetivos específicos
(Key Stage)

 Diseñar, usar y evaluar abstracciones computacionales que modelen el estado y
comportamiento de problemas del mundo real y de sistemas físicos.
 Comprender diversos algoritmos clave que reflejen el pensamiento computacional (por
ejemplo, algoritmos de clasificación y búsqueda); utilizar el razonamiento lógico para
comparar la eficacia/eficiencia de algoritmos alternativos para un mismo problema.
 Usar dos o más lenguajes de programación, al menos uno de los cuales sea textual, para
resolver una variedad de problemas computacionales; hacer un uso apropiado de las
estructuras de datos (por ejemplo, listas, tablas, matrices); diseñar y desarrollar
programas modulares que usen procedimientos o funciones.
 Comprender la lógica Booleana (por ejemplo los conectores ‘and’, ‘or’ y ‘not’) y
algunos de sus usos en electrónica y programación; comprender cómo los números
pueden ser representados en código binario y ser capaz de llevar a cabo operaciones
simples sobre números binarios (por ejemplo, suma binaria y conversión entre sistema
binario y decimal).
Key Stage – 3
 Comprender los componentes de hardware y software que constituyen los sistemas
(de 11 a 14 años)
informáticos, y cómo se comunican entre ellos y con otros sistemas.
 Comprender cómo las instrucciones se almacenan y ejecutan dentro de un sistema
informático; comprender cómo datos de diverso tipo (incluyendo texto, sonidos e
imágenes) pueden ser representados y manipulados digitalmente, en forma de dígitos
binarios.
 Emprender proyectos creativos que impliquen selección, uso y combinación de
múltiples aplicaciones, preferiblemente a través de un conjunto de dispositivos, para
alcanzar metas desafiantes, que incluyan recolección y análisis de datos y satisfagan
necesidades de usuarios conocidos.
 Crear, reutilizar y revisar artefactos digitales para una audiencia dada, con atención a su
integridad, diseño y usabilidad.
 Comprender un conjunto de formas de uso seguro, respetuoso y responsable de la
tecnología, que incluya la protección de su identidad y privacidad ‘on-line’;
reconocimiento de contenidos, conductas y contactos inapropiados y saber cómo
informar de problemas.
En el ciclo superior de Educación Secundaria, todos los alumnos deben tener la oportunidad de
estudiar aspectos de las tecnologías digitales de la información y de las Ciencias de la
Computación con suficiente profundidad como para permitirles progresar hacia estudios de nivel
superior o a una carrera profesional. Los estudiantes deben ser capaces de:
 Desarrollar su capacidad, creatividad y conocimiento en Ciencias de la Computación,
Key Stage – 4
medios digitales y tecnologías de la información.
(de 14 a 16 años)
 Desarrollar y aplicar sus habilidades analíticas, de resolución de problemas, de diseño y
de pensamiento computacional.
 Comprender cómo los cambios en la tecnología afectan a la seguridad, incluyendo
nuevas formas para proteger su privacidad e identidad ‘on-line’, y cómo informar de
problemas.
2.4.2.2. Un ejemplo nacional: el currículo de la Comunidad de Madrid
Siguiendo la estela del nuevo currículo británico, la Consejería de Educación de la Comunidad de

Madrid ha incluido, a través de un decreto de mayo de 2015 (DECRETO 48/2015), una nueva
122
asignatura de libre configuración autonómica 169 denominada “Tecnología, Programación y

Robótica”, que deben cursar de manera obligatoria todos los alumnos madrileños a lo largo de 1º, 2º
y 3º de la Educación Secundaria Obligatoria. Para cada uno de los cursos, se establece una carga
lectiva de la asignatura de 2 horas semanales (de un total de 30 horas de clase a la semana). La
asignatura se articula en torno a cinco ejes:
i. Programación y pensamiento computacional

ii. Robótica y la conexión con el mundo real
iii. Tecnología y el desarrollo del aprendizaje basado en proyectos
iv. Internet y su uso seguro y responsable
v. Técnicas de diseño e impresión 3D
En la siguiente Tabla 2.5, se recogen los contenidos establecidos por la Comunidad de Madrid para
cada uno de los tres cursos en los que se aborda la asignatura. Como se puede observar, los
contenidos fijados no son exclusivos de programación y pensamiento computacional, sino que se
mantienen algunos contenidos de la anterior asignatura de “Tecnología” (p.e. electricidad,
electrónica, proyecto tecnológico). Se espera que, como resultados de aprendizaje, los alumnos, al
acabar el itinerario formativo, sepan: crear una página web y una aplicación para dispositivos
móviles; diseñar un videojuego; manejar la impresión en 3D; y tener conocimientos de robótica. Para
la implantación de la asignatura se promueve la utilización de software ‘open source’ 170 (p.e. Scratch
para la programación de videojuegos a través de un lenguaje visual por bloques; o App Inventor para
el desarrollo de aplicaciones móviles). Y para la parte de robótica se promueve el uso de hardware
libre (p.e. placas Arduino).
Tabla 2.5. Contenidos de la asignatura “Tecnología, Programación y Robótica” de la Comunidad de Madrid
1º ESO 2º ESO 3º ESO

1. Análisis y resolución de problemas 1. Formulación de un proyecto tecnológico.
1. Internet: páginas Web,
mediante algoritmos. Identificación del problema. Análisis de su
aplicaciones que
2. Internet: arquitectura y protocolos. naturaleza.
intercambian datos.
3. Seguridad en Internet. 2. Innovación y creatividad para la búsqueda
2. Privacidad y
4. Aplicaciones y servicios para internet de soluciones tecnológicas.
responsabilidad digital.
y nuevas tendencias en la red. 3. Diseño y representación gráfica de los
3. Herramientas de
5. Páginas Web. Gestores de contenidos elementos de un proyecto tecnológico
programación visuales por
(CMS) y herramientas de publicación. 4. Documentación de un proyecto para la
bloques
6. Estructuras y mecanismos. elaboración de un prototipo tecnológico.
4. Aplicaciones para
7. Diseño e impresión 3D. 5. Divulgación de la evolución de un
dispositivos móviles.
8. Conceptos básicos de señales y proyecto tecnológico a través de la Web.
5. Proyectos tecnológicos
sistemas de comunicaciones. 6. Diseño y fabricación de los elementos
6. Materiales de uso
9. Sistemas electrónicos analógicos y mecánicos de un proyecto tecnológico
tecnológico
digitales. mediante impresión 3D.
7. Electricidad y circuitos
10. Programación de sistemas 7. Diseño, montaje y medida de los circuitos
eléctricos en continua.
electrónicos (robótica). electrónicos de un proyecto tecnológico.
8. Programación de los circuitos electrónicos
de un proyecto tecnológico.
9. Documentación de un prototipo
desarrollado a través de un proyecto
tecnológico.
169
Un tipo de asignatura establecido en la LOMCE (2013), que permite a las administraciones educativas determinar sus
contenidos, fijar horarios y definir los estándares de aprendizaje evaluables.
170
Software de código abierto
123
El currículo oficial de la Comunidad de Madrid (DECRETO 48/2015) también fija los criterios de
evaluación y los estándares de aprendizaje evaluables. Por ejemplo, los criterios respecto del bloque
de Programación son:
 Mantener y optimizar las funciones principales de un ordenador, tableta o teléfono móvil en

los aspectos referidos a su uso, su seguridad y a las funciones del sistema operativo.
 Analizar los diferentes niveles de lenguajes de programación.
 Utilizar con destreza un entorno de programación gráfica por bloques.
 Desarrollar y programar aplicaciones móviles sencillas en entornos de programación por
bloques.
 Desarrollar una página Web sobre un gestor de contenidos (CMS)
 Analizar el proceso de programación de páginas Web en un lenguaje estándar.
 Desarrollar programas en un lenguaje de programación textual (Lenguajes de programación
textuales pueden ser, por ejemplo, Python, PHP, Processing, Ruby, JavaScript, etc.)
Aunque resulta evidente que tanto el nuevo currículo de la Comunidad de Madrid como,
especialmente, el de Reino Unido suponen un paso adelante en la incorporación del ámbito
tecnológico e informático al sistema educativo formal desde una perspectiva codigoalfabetizadora y
computacional; ya comienzan a aparecer algunas críticas respecto de su planteamiento. Por ejemplo,
Valverde, Fernández y Garrido (2015) afirman que ambas propuestas curriculares:
“Se enmarcan dentro de propuestas curriculares [excesivamente] prescriptivas, organizadas

en torno a disciplinas académicas, para grupos homogéneos de estudiantes y con un grado
de innovación educativa [excesivamente] dependiente, en gran medida, de la opción
metodológica del profesorado en cada contexto específico” (Valverde, Fernández, &
Garrido, 2015, p. 8)
En cualquier caso, ambos currículos están recién implantados y necesitan de abundante investigación
empírica que evalúe sus virtudes y defectos.
En síntesis, y para cerrar este apartado, podemos afirmar que se encuentra evidencia suficiente para
enunciar de manera fundamentada la hipótesis de viabilidad de la codigoalfabetización en nuestro
sistema educativo, dada la gran variedad de recursos y herramientas existentes para la enseñanza-
aprendizaje del ‘coding’, y la emergente apertura de los currículos educativos a la inclusión del
‘coding’ en su seno.
2.5. Relevancia: el para qué de la codigoalfabetización
Afrontamos, por último, la cuestión de si es relevante incorporar la codigoalfabetización a nuestro

sistema educativo; o el para qué de la codigoalfabetización. En otras palabras, si los productos de
aprendizaje que se derivan de la codigoalfabetización son deseables y valiosos, en sentido amplio, en
relación al contexto social actual.
Los productos de la codigoalfabetización pueden ser entendidos en un doble sentido: por un lado,
son productos los objetos digitales realizados a través de la lectoescritura con código informático
(‘apps’, animaciones digitales, videojuegos, webs, etc...); por otro lado, podemos considerar al
124
propio sujeto que ha aprendido a leer y escribir con los lenguajes informáticos de programación
como un producto de la codigoalfabetización. Abordaremos estas dos vertientes por separado en los
siguientes epígrafes.
2.5.1. Productos digitales derivados del ‘coding’
Ya vimos en el apartado 1.3 del Capítulo 1, cómo las aplicaciones para dispositivos móviles o ‘apps’
vienen convirtiéndose en los últimos años, por la proliferación de smartphones y la extensión de la
conectividad ‘en cualquier parte y en cualquier momento’, en objetos digitales de creciente uso,
utilidad y valoración social; que potencialmente pueden ser puestos a disposición de inmensas
audiencias reales y globales.
Hacíamos entonces una breve referencia a los ‘I Premios Apps de la Fundación Telefónica’ 171, un
concurso destinado a chicos y chicas de entre 18 y 25 años para crear aplicaciones móviles tras un
periodo formativo con Firefox OS, el sistema operativo de código abierto cuyo lanzamiento ha sido
liderado por Telefónica I+D en España. Los premios de esta primera edición fueron fallados en el
mes de enero de 2014. Al revisar los proyectos de ‘apps’ ganadores, se hacen evidentes algunas
características de estos productos de la codigoalfabetización: son versátiles (tratan sobre una amplia
variedad de temas), son útiles (sirven para resolver algún problema o cubrir alguna necesidad), y son
usables-accesibles (el público general puede llegar a descargarlas y disfrutarlas en su dispositivo
móvil personal).
Así, por ejemplo, en la ‘categoría social’ de los premios, los ganadores fueron Jorge Prudencio
Fernández con la ‘app LifeRescuer’ 172 para rescates en la montaña a través de GPS en sitios de poca
cobertura; Manuel Ballarín Naya, creador de ‘3WTasks’ 173, una red social para la oferta y demanda
de trabajo; Antonio José Martínez Sánchez con ‘iSpeak’ 174, una ‘app’ social que ayuda a personas
con discapacidad a hablar con facilidad; y Adrián de la Rosa Martín, con el proyecto ‘Setties’ 175, una
guía turística que funciona por geolocalización y da información del sitio a través de artículos de
Wikipedia.
En la ‘categoría educativa’, los premios correspondieron a Asier Aguado Corman con el proyecto
‘Manzanas Mágicas’ 176, una ‘app’ que refuerza el aprendizaje de las matemáticas en niños pequeños
a partir de operaciones básicas; Manuel Casas Barrado con la aplicación ‘Educacity’ 177, una guía
cultural de la ciudad de Sevilla; Francisco Antonio Rampas Vázquez con ‘Daily Expression’ 178, una
‘app’ que permite aprender a diario frases hechas en inglés; y Eva Fernández Rodríguez con la ‘App
- Tu huerto desde cero’ 179, una guía para cultivar tu propia cosecha.
171
http://www.fundaciontelefonica.com/premios-apps/ [Los 8 ganadores de dicho concurso, 7 chicos y 1 chica, forman
parte del grupo de expertos consultado para la validación de contenido de nuestro Test de Pensamiento Computacional
(TPC), tal y como se describirá en el apartado 6.3 de esta tesis doctoral.]
172
Disponible en https://marketplace.firefox.com/app/liferescuer-para-monta%C3%B1a/
173
https://youtu.be/HZRJ_OQcSzE
174
Disponible en https://itunes.apple.com/es/app/ispeak-spanish/id303491384?mt=8
175
https://youtu.be/p1g1lj62TvM
176
Disponible en http://www.magicapples.es/
177
https://youtu.be/h8_9VSdSKGI
178
http://dailyexpression.hol.es/
179
https://youtu.be/n9Gmo9NfKl4
125
Veamos si podemos replicar y extender este mismo análisis desde edades universitarias hacia edades
escolares (Primaria y Secundaria); y desde la creación específica de ‘apps’ a la creación de artefactos
digitales de todo tipo. Para ello, acudimos a la reciente celebración de la primera edición del
‘Concurso Dr. Scratch’ 180. Este concurso está promovido por la Fundación Española para la Ciencia
y la Tecnología (FECYT), Google y la Universidad Rey Juan Carlos. El ‘Concurso Dr. Scratch’ está
dirigido a escolares españoles de Educación Primaria y Secundaria; a los que reta a crear-escribir un
proyecto en el lenguaje visual por bloques Scratch 181 sobre una temática determinada. En esta
primera edición, la temática elegida para el concurso fue ‘La Ciencia’. De alguna manera, el
‘Concurso Dr. Scratch’ supone una actualización de los antiguos (y analógicos) concursos de
redacción escrita, sólo que ahora lo que se escribe ya no es texto plano sino programas informáticos a
través de su código.
Casi un centenar de escolares de toda España participaron en el concurso, cuyos premios fueron
fallados el pasado mes de diciembre de 2015, tras la valoración ciega de los proyectos Scratch por un
grupo de 16 expertos (en su mayoría profesores de Informática de Primaria y Secundaria);
trascendiendo a los medios, especialmente, el sexo femenino de los ganadores, tanto en la categoría
de Primaria como de Secundaria (Yáñez, 2015). Veamos con algo más de detalle el contenido de 3
de los proyectos Scratch presentados, que obtuvieron una valoración excelente.
El proyecto “Flotar o no flotar: Esa es la cuestión” 182 es obra de un estudiante de Secundaria. Está
compuesto internamente por un total de 61 programas y 13 objetos, que conforman una simulación
física interactiva sobre la flotabilidad de distintos cuerpos-materiales en función del líquido sobre el
que se sumergen. Así, el ‘lector’ del proyecto puede ir probando a sumergir distintos materiales
(hierro, aluminio, oro, madera de roble…) en distintos fluidos (agua, aceite de oliva, mercurio
líquido), tratando de anticipar si el cuerpo flotará o no; obteniendo puntos por ello (Figura 2.26)
Figura 2.26. Proyecto Scratch “Flotar o no flotar: Esa es la cuestión” [https://scratch.mit.edu/projects/85723084/]
180
http://drscratch.org/contest [Dr. Scratch es una herramienta ‘on-line’ de análisis automático de proyectos-programas
informáticos escritos con Scratch, al que dedicaremos un sub-epígrafe específico en el Capítulo 3]
181
182
Disponible (y remezclable pinchando sobre ‘Ver dentro’) en: https://scratch.mit.edu/projects/85723084/
126
El proyecto “La aventura de Mark” 183 (1º Premio de la categoría de Primaria) es una narración
interactiva sobre las peripecias del perro Mark, que se ha quedado solo durante las vacaciones en el
laboratorio donde trabaja su dueña (una famosa química). El proyecto está internamente compuesto
por 178 programas y 37 objetos. Tal y como puede verse en la parte inferior derecha de la siguiente
Figura 2.27, este proyecto ha sido visto, acaso diríamos ‘leído’, por 45 personas; y ha sido
remezclado en 2 ocasiones.
Figura 2.27. Proyecto Scratch “La aventura de Mark” [https://scratch.mit.edu/projects/86270038/]
Finalmente, el proyecto “Concurs” 184, escrito en lengua valenciana por una alumna de 4º de
Primaria, consiste en un videojuego interactivo de preguntas y respuestas sobre ciencia (Figura 2.28)
Figura 2.28. Proyecto Scratch “Concurs” [https://scratch.mit.edu/projects/88301574/]
183
184
127
Si pinchamos en ‘Ver dentro’, accedemos a la composición interna del proyecto (cuyo código
podemos remezclar o, dicho de otra manera, re-escribir). En la parte inferior izquierda de la siguiente
Figura 2.29, podemos ver los 10 objetos que componen el proyecto “Concurs”, y a la derecha los
programas que controlan uno de dichos objetos.
1 de los 10 objetos
del Proyecto
Programas que
controlan dicho objeto
Figura 2.29. Composición interna, editable, del proyecto “Concurs” [https://scratch.mit.edu/projects/88301574/#editor]
A su vez, si acercamos nuestra observación hacia uno de los programas concretos que controlan uno
de los objetos, encontramos, por ejemplo, el script (programa corto) que se muestra en la Figura
2.30. Tal y como puede intuirse, este programa se ejecuta cuando el lector-jugador clica sobre la
probeta; entonces se le pregunta sobre el gas que necesitamos los humanos para respirar y, en
función de su respuesta, se le muestra un mensaje de felicitación o de ánimo para probar de nuevo.
Figura 2.30. Script que controla uno de los objetos del proyecto “Concurs”
128
Así pues, estos otros productos, fruto de la ampliación de foco que supone la codigoalfabetización,
presentan también las características señaladas anteriormente para el caso concreto de las ‘apps’.
Desde luego, son versátiles (pueden proyectarse sobre cualquier temática y en distintas formas, como
simulaciones, narraciones, videojuegos…); son útiles (por ejemplo, el proyecto “Flotar o no flotar”
sirve para el aprendizaje y estudio del concepto físico de densidad); y son usables-accesibles (basta
con disponer de la URL del proyecto y un dispositivo electrónico con conexión a Internet). Pero,
además, presentan algunas características adicionales: son sociales (los proyectos son comentados y
valorados en la plataforma por otros programadores, generándose comunidades de aprendizaje); son
remezclables (los proyectos no sólo se leen-consumen sino que se pueden re-escribir y reinventar
mediante sucesivas remezclas del código); y son cognitivamente complejos (para la creación de estos
proyectos deben ponerse en juego habilidades cognitivas de orden superior, como el establecimiento
de estructuras condicionales que se ejemplifica en la anterior Figura 2.30. Estas habilidades
cognitivas subyacente a la lectoescritura de código es lo que ha venido a denominarse ‘pensamiento
computacional’, al que dedicamos por completo el Capítulo 3.
En síntesis, encontramos evidencia sobre el valor y la deseabilidad de los productos digitales

derivados de la codigoalfabetización; y por tanto, hallamos fundamento para enunciar nuestra
hipótesis directiva de relevancia. Pero, análogamente, el sujeto codigoalfabetizado, capaz de leer y
escribir con los lenguajes informáticos de programación, adquiere progresivo valor en nuestra
sociedad digital. A su análisis crítico dedicamos el siguiente epígrafe.
2.5.2. Análisis crítico del sujeto codigoalfabetizado: ‘hackers’ y ‘makers’
El sujeto codigoalfabetizado está adquiriendo creciente valor económico en la sociedad digital. Por
un lado, es un sujeto capaz de leer y escribir software, el ‘meta-lenguaje’ que media toda la
comunicación digital actual; y en consecuencia, un sujeto que puede aportar valor añadido al
contexto profesional en el cual se inserte. Por otro lado, existe una creciente brecha entre la oferta de
puestos de trabajo que requieren competencias en programación informática y el número de sujetos
actualmente codigoalfabetizados; por ejemplo, sólo en Europa se calcula que, para 2020, habrá
800.000 puestos de trabajo en el área de la programación y la computación que quedarán vacantes
por falta de profesionales capacitados (European Schoolnet, 2015). Así pues, el sujeto
codigoalfabetizado es, por el momento, una rara avis muy apreciada en el mercado laboral digital.
Así las cosas, no es de extrañar que el ‘programador informático’, y otras emergentes profesiones
afines como el ‘científico de datos’ 185 (‘data scientist’), se halle entre los perfiles profesionales
mejor pagados. Incluso proliferan en la blogosfera artículos que ordenan, a modo de rankings, los
distintos lenguajes informáticos de programación en función de los sueldos asociados a su dominio
(Allan, 2014; Jee, 2015); sueldos que se mueven en el entorno de los 100.000 dólares anuales, las
ansiadas ‘six figures’, tal y como puede verse en la siguiente Figura 2.31 186.
185
El ‘científico de datos’ es un emergente perfil profesional en la intersección de la estadística y las ciencias de la
computación; cuya principal función es la extracción de conocimiento a partir del procesamiento de enormes cantidades
de datos digitales (incluyendo la programación de algoritmos que sirvan para su interpretación)
186
Nótese que uno de los lenguajes incluidos en esta figura es R [https://www.r-project.org/], un lenguaje específico para
el análisis estadístico desde un punto de vista computacional y muy usado por los ‘científicos de datos’
129
Figura 2.31. Ranking de sueldos para un programador informático en función del lenguaje que domine (Allan, 2014)
Pero más allá del valor económico del sujeto codigoalfabetizado, existe una dimensión ética, que ha
venido a denominarse ‘la ética del hacker’ (Himanen, 2004; Levy, 1984; Raymond, 2001, 2003). Lo
primero que hace dicha ética es rescatar las acepciones originales, no peyorativas, del término
‘hacker’ (del verbo inglés ‘to hack’ ≈ ‘cortar con un hacha de manera precisa, y luego montar los
trozos’). El ‘hacker’ no es el pirata o vándalo informático que pone sus conocimientos técnicos de
programación al servicio de la delincuencia (el término correcto que describe al delincuente
informático es ‘cracker’). Pero entonces, ¿qué es un ‘hacker’?; Pekka Himanen lo define así al
comienzo de su manifiesto “La ética del hacker y el espíritu de la era de la información”:
“En el centro de nuestra era tecnológica se hallan unas personas que se autodenominan
hackers. Se definen a sí mismos como personas que se dedican a programar de manera
apasionada y creen que es un deber para ellos compartir la información y elaborar software
gratuito. No hay que confundirlos con los crackers, los usuarios destructivos cuyo objetivo es
el de crear virus e introducirse en otros sistemas: un hacker es un experto o un entusiasta de
cualquier tipo que puede dedicarse o no a la informática. En este sentido, la ética hacker es
una nueva moral que desafía la ética protestante del trabajo, tal como la expuso hace casi un
siglo Max Weber en su obra clásica “La ética protestante y el espíritu del capitalismo”, y
que está fundada en la laboriosidad diligente, la aceptación de la rutina, el valor del dinero y
la preocupación por la cuenta de resultados. Frente a la moral presentada por Weber, la
ética del trabajo para el hacker se funda en el valor de la creatividad, y consiste en combinar
la pasión con la libertad. El dinero deja de ser un valor en sí mismo y el beneficio se cifra en
metas como el valor social y el libre acceso, la transparencia y la franqueza” (Himanen,
2004, p. 2)
En esta misma línea, Raymond (2001) expresa en unas pocas sentencias cómo convertirse en
‘hacker’, una mezcla de actitud-ética y competencia técnica; centrándonos en lo primero:
130
“La actitud del hacker. Los hackers resuelven problemas y construyen cosas, y creen en la
libertad y la ayuda voluntaria mutua (…) si quieres ser un hacker, repite lo que sigue hasta
que te creas lo que estás diciendo (…)
1. El mundo está lleno de problemas fascinantes que esperan ser resueltos: Es muy
divertido ser un hacker, pero es la clase de diversión que requiere mucho esfuerzo. El
esfuerzo requiere motivación. Los atletas triunfadores obtienen su motivación a partir de un
tipo de placer físico que surge de trabajar su cuerpo, al forzarse a sí mismos más allá de sus
propios límites físicos. De manera similar, para ser un hacker deberás sentir un
estremecimiento de tipo primitivo cuando resuelves problemas, afinas tus habilidades y
ejercitas tu inteligencia (…)
2. Ningún problema tendría que resolverse dos veces: Los cerebros creativos son un recurso
valioso y limitado. No deben desperdiciarse reinventando la rueda cuando hay tantos y tan
fascinantes problemas nuevos esperando por allí. Para comportarte como un hacker, debes
creer que el tiempo para pensar que emplean otros hackers es precioso —tanto, que es casi
una obligación moral para ti el compartir la información, resolver los problemas y luego
exponer la solución de manera que los otros hackers puedan resolver nuevos problemas, en
lugar de enfrentarse perpetuamente con los viejos (…)
3. El aburrimiento y el trabajo rutinario son perniciosos: Los hackers (y las personas

creativas en general) nunca debieran ser sometidas a trabajos estúpidamente repetitivos,
porque cuando esto sucede significa que no están haciendo lo único que son capaces de
hacer: resolver nuevos problemas. Este desperdicio de talento daña a todo el mundo. Por
ello, las tareas rutinarias, repetitivas y aburridas no sólo son desagradables, sino
intrínsecamente perversas (…) Para comportarte como un hacker, debes creer en esto lo
suficiente como para automatizar las tareas rutinarias todo lo que se pueda, no solamente
por ti mismo, sino para beneficio de todos los demás (especialmente otros hackers).
4. La libertad es buena: Los hackers son antiautoritarios por naturaleza. Cualquiera que
pueda darte órdenes, puede obligarte a dejar de resolver ese problema que te está fascinando
—y, dada la manera como trabajan las mentes autoritarias, encontrarán alguna razón
espantosamente estúpida para hacerlo. Por eso, la actitud autoritaria debe ser combatida
donde sea que se la encuentre, pues si se la deja te asfixiará, tanto a ti como a otros hackers.
5. La actitud no es sustituto para la competencia: Para ser un hacker, deberás desarrollar

algunas de esas actitudes. Pero tener solo la actitud no te transformará en hacker, como
tampoco te puede transformar en un atleta campeón o en estrella del rock. Para
transformarte en hacker necesitarás inteligencia, práctica, dedicación y trabajo duro”
(Raymond, 2001, en línea)
En cualquier caso, aunque la ética hacker nace originalmente en el contexto de las cibercomunidades
de programadores que desarrollan software libre de código abierto, es una ética que puede predicarse
de cualquier sujeto u organización que siga estos valores (Himanen, 2004): pasión, libertad,
conciencia social, verdad, anti-corrupción, lucha contra la alienación del hombre, libre acceso a la
información, valor social, accesibilidad, actividad, preocupación responsable, curiosidad, creatividad
131
o interés. En ese sentido, recientemente se vienen acuñando términos como ‘hackschooling’187

(TEDx Talks, 2013) o ‘eduhackers’ para designar prácticas educativas que siguen este marco
axiológico.
En paralelo al movimiento ‘hacker’ se ha venido produciendo, con una ética que podríamos
considerar análoga, el movimiento o cultura ‘maker’ (traducido en ocasiones al español como
‘cultura hacedora’). El movimiento ‘maker’ puede considerarse una extensión del movimiento
‘hacker’ desde el mundo digital hacia el mundo físico. En su manifiesto (Hatch, 2014), afirma:
“Hacer (‘make’ 188) es algo inherente a la condición humana. Tenemos que hacer, crear, y
expresarnos para sentirnos plenos. Hay algo único acerca de hacer [construir, fabricar]
objetos físicos. Estos objetos son como pequeños pedazos de nosotros mismos que encierran
parte de nuestro alma” (Hatch, 2014, p. 1)
Detrás del movimiento ‘maker’ hay también una cultura del ‘do it yourself (DIY)’ (‘hazlo por ti
mismo’); que aboga por la fabricación o reparación de cosas por uno mismo, de modo que la persona
que práctica el DIY ahorra dinero, aprende y se entretiene al mismo tiempo. Por tanto, el DIY es una
cultura de la autoproducción, que se lanza a la fabricación de objetos físicos propios y desde una
visión-convicción propia; sin esperar ni depender del consumo de objetos fabricados por terceros
desde sus particulares intereses. La ética DIY introduce un elemento nuevo de corte anticonsumista y
anticapitalista, por lo que en ocasiones se la sitúa cerca de otras manifestaciones contraculturales
(como el ‘punk’). Sea como fuere, el DIY también ha comenzado a calar en la esfera educativa, y se
empieza a hablar de ‘DIY education’: un notable ejemplo de esta nueva aproximación educativa es la
comunidad ‘on-line’ DIY.org (Figura 2.32) en la que niños de todo el mundo se enseñan mutuamente
‘que saben hacer por ellos mismos’:
Figura 2.32. Captura de pantalla de la comunidad ‘on-line’ DIY.org [https://diy.org/]
187
Aparece por primera vez en la charla TED “Hackschooling makes me happy” [Disponible en
https://www.youtube.com/watch?v=h11u3vtcpaY]
188
Nótese que la traducción del verbo inglés ‘to make’ se correspondería a un ‘hacer’ en sentido fuerte y físico (similar a
‘confeccionar’, ‘construir’ o ‘fabricar’)
132
En los últimos años, el movimiento ‘hacker’ y el movimiento ‘maker’ han fortalecido sus conexiones
mutuas a través de la proliferación del hardware libre (Arduino o Raspberry Pi), la robótica y la
impresión 3D. En suma, el mundo digital y el mundo físico se están viendo indisolublemente
conectados a través de la lectoescritura de software que opera sobre hardware libre y dispositivos de
fabricación, antaño enormes y accesibles únicamente para las grandes empresas, que hoy sólo
cuestan unas decenas o cientos de euros y que ocupan el espacio de una caja de mudanzas. Por lo
tanto, el sujeto plenamente codigoalfabetizado será un sujeto que entienda, y extienda, lo digital
sobre lo físico.
Desde una aproximación alternativa y en un tono más filosófico, el sujeto codigoalfabetizado puede
suponer una réplica a las críticas que, desde distintos ámbitos, se están realizando a la omnipresencia
de lo digital y sus efectos alienantes en el ser humano. Haremos el siguiente juego dialéctico:
presentaremos un destacado autor y su crítica a lo digital; y veremos si el sujeto codigoalfabetizado
puede suponer un alivio a la misma:
 #1 Jaron Lanier: critica cómo las decisiones de diseño, algunas casuales o arbitrarias, sobre
ciertas tecnologías digitales vienen determinando nuestra percepción del mundo. Por ejemplo,
cómo la tecnología MIDI (‘Musical Instrument Digital Interface’), estandarizada y
protocolizada en los años 80, ha ‘anclado’ todo el desarrollo posterior de creación y consumo
de música en formato digital. En ese sentido, Lanier, en su conocido ensayo “Contra el
rebaño digital” (Lanier, 2011) nos invita a cuestionar y superar estos ‘anclajes’ a los que nos
somete el software; entre dichos ‘anclajes’, destaca cómo el concepto de persona, la identidad
misma, está quedando ‘anclado’ en las decisiones de diseño de las redes sociales 189. Lanier
nos reta con estas palabras:
“Crea un sitio web que exprese algo sobre ti que no encaje en el molde disponible de
una red social. Cuelga de vez en cuando un vídeo cuya creación te haya exigido cien
veces más tiempo que el necesario para verlo. Escribe una entrada de blog que te
haya exigido semanas de reflexión hasta que has oído la vocecilla interior que
necesitaba salir” (Lanier, 2011, p. 37)
El sujeto codigoalfabetizado no da el software por sentado. Tiene capacidad de ‘desanclarse’

del mismo, escribiendo el suyo propio.
 #2 Byung-Chul Han: filósofo coreano asentado en Alemania. En su ensayo “En el

enjambre” (Han, 2014) analiza el comportamiento de las nuevas masas digitales, reunidas
alrededor de las redes sociales ‘on-line’. Según Han, las redes sociales, lejos de congregar a
un conjunto de personas en torno a una idea u objetivo (rasgo propio de la masa clásica, que
genera un grito coordinado y unísono); más bien agregan a una sucesión volátil de
individualidades narcisistas, enamoradas de sí mismas, que sólo generan ruido (como el
zumbido de un enjambre) por el reenvío y rebote constante de informaciones redundantes y
autocomplacientes. La promesa de la web 2.0, la web social y participativa, ha degenerado en
189
En los días que se escriben estas líneas es noticia de máxima actualidad cómo la inclusión de nuevos botones de
interacción en Facebook (una decisión de diseño de software, aparentemente arbitraria), puede implicar cambios
sustanciales en la forma de relacionarnos digitalmente (Dans, 2015b)
133
una espiral aquiescente de información; conocimiento en ningún caso. Posteriormente, Han

(2015) critica como las pantallas, pulidas y lisas, excesivas en positividad, impiden las
distancia contemplativa suficiente para que en lo digital se dé auténtica apreciación estética
de lo bello (a lo sumo, en una pantalla vislumbraremos lo agradable)
El sujeto codigoalfabetizado, con su conocimiento del software que subyace a la pantalla,

gana en profundidad de apreciación de lo digital. Se sitúa más allá de la pantalla y más
fácilmente se sustrae a la espiral que allí acaece.
 #3 Nicholas Carr: su libro “Superficiales: ¿Qué está haciendo Internet con nuestras
mentes?” (Carr, 2011) es una feroz crítica a cómo las tecnologías digitales, en particular
Internet, están alterando nuestra capacidad de atención y concentración. Las múltiples
pestañas abiertas en el navegador, las notificaciones constantes de nuestras aplicaciones, los
continuos enlaces de los hipertextos, etc.; generan un ecosistema multitarea cuya víctima es
la atención sostenida y la reflexión profunda.
El sujeto codigoalfabetizado, en su tarea de lectura-escritura de software está obligado a

detenerse, a centrarse. Cuando uno escribe código por un momento se deja en suspenso la
potencia y la velocidad de la propia máquina (igual que un coche se detiene en manos de un
mecánico que debe revisar sus tripas)
 #4 Lev Manovich: al que ya citamos en la introducción de esta tesis doctoral. En su ensayo

“El Software toma el mando” (Manovich, 2013) argumenta cómo el software se ha
convertido en el motor de las sociedades contemporáneas y, sin embargo, la poca atención
relativa que ha recibido como objeto de estudio cultural (y, en paralelo, como objeto de
enseñanza-aprendizaje en los sistemas educativos):
“El colegio y el hospital, la base militar y el laboratorio científico, el aeropuerto y la

ciudad (todos los sistemas sociales, económicos y culturales de la sociedad moderna)
funcionan con ayuda del software. El software es la cola invisible que mantiene
unidos todos los componentes. Si bien cada sistema de la sociedad moderna habla su
lenguaje y persigue sus propias metas, todos comparten la sintaxis del software:
sentencias condicionales de “si… entonces” o “mientras… hacer” (…) el software es,
asimismo, el motor de la globalización, en tanto en cuanto permite a las empresas
repartir nodos de gestión, centros de producción y puntos de almacenado y consumo
por todo el mundo (…) si fijamos nuestro punto de mira en cualquiera de estos nuevos
elementos de la vida contemporánea, nos daremos cuenta de que todos son posibles
gracias a la existencia de software. Ha llegado, pues, el momento de prestarle toda
nuestra atención” (Manovich, 2013, p. 24-26)
El sujeto codigoalfabetizado se sitúa a la altura que fija el papel predominante del software en
la sociedad actual. Por analogía, cualquier alfabetización digital será incompleta si no incluye
explícitamente la codigoalfabetización.
134
 #5 Sherry Turkle: prestigiosa psicóloga social del Massachusetts Institute of Technology

(MIT). En sus dos últimos libros, “Alone Together: Why We Expect More from Technology
and Less from Each Other” (Turkle, 2011) y “Reclaiming Conversation: The Power of Talk
in a Digital Age” (Turkle, 2015); advierte del peligro que supone sacrificar las relaciones
sociales auténticas por el mero ‘estar conectado’. Turkle constata cómo progresivamente
esperamos más de la tecnología y menos de las personas, y cómo nos vamos deslizando hacia
relaciones sociales digitales que podemos controlar a golpe de ‘clic’. Esta hiperconexión e
hipersocialización banal se constituye en una huida hacia delante para escapar de una
continua sensación de soledad y de aislamiento. Frente a ello, Turkle reclama la importancia
de volver a establecer conversaciones auténticas, cara a cara (o también digitales).
El sujeto codigoalfabetizado vuelve a situar a la persona en el centro del sistema. No le

importan las herramientas digitales por sí mismas, sino el proceso, cognitivo y social, de
lectoescritura de dichas herramientas a través del código. Dicho de otra manera, el sujeto
codigoalfabetizado es consciente de que no puede esperar nada del software por sí mismo,
pero sí de otro sujeto. Adicionalmente, las relaciones que se establecen al escribir código
colaborativamente se parecen más a conversaciones significativas para los interlocutores, que
el mero pinchar ‘me gusta’ al pie de foto de un contacto en Instagram.
 #6 Éric Sadin: autor de “La vie algorithmique: Critique de la raison numérique” (Sadin,
2015), aún no disponible en español y que podríamos traducir como “La vida algorítmica:
Crítica de la razón digital”. Sadin expone cómo cada vez más decisiones son basadas en
datos (‘data-driven’). Ello es posible, por un lado, por la enorme cantidad de datos que
emitimos continuamente, pero también por la existencia de algoritmos, reglas de decisión
escritas como programas informáticos, que alimentados de dicho datos establecen prioridades
y decisiones; en la mayoría de las ocasiones, dichos algoritmos están ocultos y no son
conocidos 190. Sadin advierte del peligro de caer en un sistema de ‘gobernanza algorítmica’,
una ‘dictadura dataísta’ en la cual los algoritmos se constituyan en autoridad última.
Encontramos abundantes ejemplos de cómo la vida está siendo progresivamente mediada por
algoritmos: seguros de vida que son o no concedidos en función del riesgo de enfermedad
calculado por un algoritmo secreto alimentado por los datos de tu tarjeta de crédito (que igual
revelan tu compra excesiva de alcohol y tabaco), o por los datos de tus contactos de Facebook
(que igual delatan tu afición por los deportes de riesgo); sueldos de conductores que varían en
función de los datos de telemetría emitidos por su móvil o GPS y sometidos a un algoritmo
que estima la percepción subjetiva de confort del pasajero (Dans, 2016); y un largo etcétera.
El sujeto codigoalfabetizado es capaz de leer y escribir programas informáticos, esto es,

capaz de pensar de forma algorítmica. Lejos de aceptar sin más que de un conjunto
determinado de datos (input) se derive una decisión unívoca (output), es conocedor de que la
clave se halla en el algoritmo que media entre ambos.
190
Por ejemplo, el algoritmo que ordena los resultados de búsqueda de Google se encuentra protegido bajo patente y su
composición no es públicamente conocida (acaso diríamos que es una versión digital de la fórmula secreta de la Coca-
Cola)
135
Así pues, podría decirse que la capacidad de leer y escribir con los lenguajes informáticos de
programación puede servir de antídoto a los aspectos más alienantes de la sociedad digital. Estar
codigoalfabetizado, de alguna manera, nos vacuna frente a ciertos vicios asociados a lo digital. En
esta línea se manifiesta Douglas Rushkoff, gurú del movimiento ‘code-literacy’ y uno de los
inspiradores de esta tesis doctoral, es su ensayo “Program or be programmed” (Rushkoff, 2010).
Dejemos hablar al autor con su propia voz:
“La tecnología digital está programada. Ello hace que esté sesgada hacia aquéllos con la
capacidad de escribir el código. En la era digital, debemos aprender cómo escribir el
software, o corremos el riesgo de volvernos como el software mismo (asimilarnos a él). No es
demasiado difícil, y no es demasiado tarde para, aprender el código que hay detrás de los
objetos digitales que utilizamos; o, al menos, para comprender que de hecho hay código
detrás de las pantallas (interfaces). De otra manera, estamos a merced de aquéllos que
programan, de la gente que les paga, o incluso de la tecnología misma (…) La
programación, el código en sí mismo, es el lugar desde donde emergen las innovaciones más
significativas de la era digital (…) Programar es el ‘punto dulce’, el máximo nivel de la
sociedad digital. Si no aprendemos a programar, corremos el riesgo de ser programados”
(Rushkoff, 2010, p. 134-139)
Pero no queremos caer en una absoluta complacencia respecto del sujeto codigoalfabetizado.
También hay algunas voces que alertan de la agenda oculta tras el movimiento ‘code-literacy’. En
esa línea, Williamson (2015) afirma que, tras la exhortación lanzada a los niños de todo el mundo de
‘¡aprende a programar!’ (‘learn to code!’), hay un currículum oculto cuyo objetivo no confeso es que
las nuevas generaciones interioricen que, para cualquier problema (incluidos los problemas políticos
y sociales), puede encontrarse una solución algorítmica que puede ser programada y automatizada,
solución que será optima si el algoritmo es alimentado con la cantidad suficiente de datos. De esta
manera, las nuevas generaciones asumirán, como parte de sus deberes ciudadanos, proveer de datos a
estos sistemas de ‘gobernanza algorítmica’; algunos de los cuales ya no residen en los estados
mismos, sino en corporaciones privadas. Morozov (2015) también ha advertido sobre lo que él llama
la ‘locura del solucionismo’, una premisa que se va inoculando en la sociedad actual y que sostiene
que pueden encontrarse soluciones óptimas para cualquier problema dado, si éste se formula en
términos algorítmicos. Nosotros nos distanciamos de ambos autores; creemos que el sujeto que ha
sido codigoalfabetizado de manera crítica, lejos de ser un fanático de los algoritmos, sabrá distinguir
cuándo, cómo, por qué y para qué utilizarlos.
En síntesis, diremos que el sujeto plenamente codigoalfabetizado debe integrar armónicamente todas
las dimensiones apuntadas: una dimensión laboral, profesional, y económica; una dimensión ética; y
una dimensión sociocrítica y empoderadora. En consonancia, los procesos educativos de
codigoalfabetización deberán contemplar todas ellas.
2.5.2.1. Breve aproximación desde la perspectiva de género
No queremos cerrar nuestro análisis del sujeto codigoalfabetizado sin hacer algunas breves
consideraciones desde la perspectiva de género.
136
Desde los comienzos de la informática, siempre ha existido una preocupación persistente por el bajo
porcentaje relativo de mujeres en los estudios universitarios relacionados con la computación, y por
la escasa presencia femenina en los contextos profesionales punteros donde se diseña y escribe el
software (Frenkel, 1990). Todavía hoy, inspirar, ‘reclutar’ y retener a las mujeres en las carreras
profesionales relacionadas con la programación y la computación, sigue siendo un reto pendiente
(Klawe, Whitney, & Simard, 2009). Por ejemplo, el reciente documental “CODE: Debugging the
Gender Gap” 191 (Hauser-Reynolds, 2015) cifra el desequilibrio de género en compañías como
Apple, Google, Twitter o Facebook en el entorno de 85% masculino vs. 15% femenino.
Una primera crítica que se ha realizado a este estado de cosas desde la perspectiva de género es que
la enseñanza-aprendizaje de la programación se ha venido tradicionalmente realizando, ya desde la
época de Logo en los años 80, en entornos de solución de problemas muy vinculados a aptitudes de
razonamiento lógico, y sesgados hacia una aproximación viso-espacial de la programación, con
ejercicios que consistían en muchos casos en codificar un diseño de tipo geométrico (Burnett et al.,
2011). Hay abundante evidencia desde la psicología y la pedagogía diferencial de que estas aptitudes
espaciales y de razonamiento lógico tienden a estar más desarrolladas entre los chicos (p.e. Caselles
Pérez, 1997; Linn & Petersen, 1985; Voyer, Voyer, & Bryden, 1995); por tanto, entornos de
programación de este tipo han venido favoreciendo al perfil aptitudinal masculino y, a la postre, han
devenido en la asunción de que programar ‘se les da mejor a los chicos que a las chicas’.
Desde la perspectiva de género, se ha venido aportando una nueva oleada de investigación que
balancea las anteriores premisas. Así, cuando la codigoalfabetización se realiza en entornos en los
cuales hay que programar una narración (‘story-telling’) o un juego interactivo, que implican
estructuras lingüísticas y verbales, se encuentra evidencia de que las chicas escriben secuencias de
código de mayor complejidad (Howland & Good, 2015; Robertson, 2012). Ello igualmente tiene
sentido desde la psicología y la pedagogía diferencial cuyo corpus clásico de investigación afirma la
superioridad femenina en la aptitud verbal (Caselles Pérez, 1997; Hyde & Linn, 1988)
Por tanto, parece que la lectoescritura de código no tiene en sí misma un sesgo masculino o
femenino; más bien, el sesgo aparece en función del contexto sobre el que se proyecte dicha
lectoescritura. En la medida que los contextos de codigoalfabetización se han ido diversificando y
permitiendo la programación de artefactos digitales más variados (ya no sólo diseños geométricos y
‘programas puramente lógicos’; sino también historias y animaciones digitales), igualmente ha ido
emergiendo un talento computacional más diverso y transversal a ambos géneros.
Un claro ejemplo de entorno de codigoalfabetización especialmente indicado para las chicas, es la

plataforma ‘Made with Code’ 192, promovida desde Google 193. En la plataforma ‘Made with Code’ las
chicas pueden aprender la lectoescritura de código sobre contextos-proyectos más significativos y
más cercanos a sus intereses habituales; por ejemplo, escritura de código para: crear música, diseños
de patrones de moda, creación de avatares, composición de coreografías, etc. Además de estos
contextos femeninos, la plataforma se completa con el apoyo de mentoras expertas que sirven
simultáneamente de ayuda y de modelo para las niñas programadoras (Figura 2.33)
191
Tráiler disponible en https://vimeo.com/136884902
192
https://www.madewithcode.com/
193
Google ha promovido la realización del documental “CodeGirl” (Chilcott, 2015) [http://www.codegirlmovie.com/]
137
Figura 2.33. Proyectos y Mentoras de la plataforma ‘Made with Code’ de Google [https://www.madewithcode.com/]
138
Precisamente, una segunda crítica desde la perspectiva de género ha sido la ausencia de modelos
femeninos de excelencia en el campo de la programación; y los abundantes estereotipos masculinos
asociados a la figura del programador (hombre joven, caucásico, con gran capacidad lógica y pocas
habilidades sociales; a veces considerado peyorativamente como ‘nerd’). Dicha combinación ha
venido impidiendo que las chicas, incluso las más dotadas e interesadas, hayan desarrollado carreras
e identidades profesionales sostenidas en programación y computación (Soe & Yakura, 2008)
Como réplica, desde la perspectiva de género se ha potenciado cierta investigación en entornos

‘single-sex’, en los que grupos exclusivamente formados por chicas aprenden a programar sin que
éstas vean comprometida su imagen femenina por los estereotipos comentados anteriormente. El
resultado de este reciente corpus de investigación va en el sentido de afirmar la bondad de los
entornos ‘single-sex’ para la codigoalfabetización de chicas, especialmente en edades ‘middle-
school’ (6º Primaria, 1º y 2º ESO), y trabajando sobre proyectos del tipo narraciones digitales y
juegos interactivos (Denner, Werner, & Ortiz, 2012; Kelleher, Pausch, & Kiesler, 2007)
En la línea de ir modificando los estereotipos asociados a la figura del programador, para que ésta
incluya una dimensión femenina, y de proveer modelos femeninos de excelencia en el área
tecnológica en general, e informática en particular; vienen conformándose en los últimos años grupos
como ‘Girls who code’ 194, ‘Black girls code’ 195, ‘Women who code’ 196 o ‘Women of Silicon
Valley’ 197. Por ejemplo, ‘Girls who code’ se declara como una organización sin ánimo de lucro cuyo
objetivo es trabajar por el cierre de la brecha de género en el sector tecnológico en general, y en el de
las ciencias de la computación en particular; para ello, ‘Girls who code’ promueve acciones para
educar, inspirar y equipar a chicas ‘high-school’ (3º ESO a 2º Bachillerato) con las habilidades y
recursos necesarios para perseguir sus sueños en el campo de la programación (Figura 2.34)
Figura 2.34. Ejemplo de cartel promocional 198 de ‘Girls who code’ (con apoyo de Microsoft)
194
http://girlswhocode.com/
195
http://www.blackgirlscode.com/
196
https://www.womenwhocode.com/
197
https://medium.com/@WomenOfSiliconValley
198
Se puede consultar una colección de 14 carteles de ‘Girls who code’ en http://www.huffingtonpost.com/entry/girls-
who-code_us_55ad5925e4b065dfe89f1b41
139
A través de los medios de comunicación hemos tenido noticia de algunos artefactos digitales
programados enteramente por chicas, que han sido empoderadas por los anteriores colectivos. Así,
Andrea Gonzales y Sophie Houser, dos chicas neoyorquinas de 17 años, tras participar en un
programa estival de codigoalfabetización promovido desde ‘Girls who code’, han creado un
videojuego llamado ‘Tampon Run’ 199 con la idea de combatir el tabú de la menstruación femenina
(Madrid, 2015). Cinco chicas de 14 años de Bangalore (India) han diseñado una ‘app’ para facilitar
el reciclaje de residuos en su comunidad (Elder, 2015). Un último ejemplo proveniente de Brasil, en
el que un grupo de jóvenes programadoras de entre 18 y 22 años han creado una aplicación a través
de la cual las mujeres valoran el nivel de seguridad de distintas avenidas y calles de las ciudades
brasileñas (Zeilinger, 2015).
En síntesis, una codigoalfabetización diversa e inclusiva debe garantizar la equidad de género en los
contextos de aprendizaje de la programación. Ello redundará en un acervo de artefactos digitales que
serán expresión y respuesta a necesidades tanto de mujeres como de hombres del siglo XXI.
2.6. Enunciación final de hipótesis directivas
Así pues, tras lo dicho en los apartados previos de este capítulo, consideramos que nuestras hipótesis
directivas han quedado suficientemente fundamentadas, y pueden ser enunciadas finalmente:
 Hipótesis de Adecuación (HA): introducir la codigoalfabetización en nuestro sistema

educativo es adecuado, pues implica incorporar un contenido de aprendizaje que desarrolla
aptitudes, habilidades y actitudes valiosas.
 Hipótesis de Viabilidad (HV): introducir la codigoalfabetización en nuestro sistema

educativo es viable, pues implica un proceso de aprendizaje actualmente abordable a través
de metodologías y múltiples recursos didácticos soportados tecnológicamente en línea, como
MOOCs o ‘apps’ específicos para el aprendizaje de la programación; todo ello en un contexto
político favorable a nivel de la UE para la introducción del ‘coding’ en los currículos.
 Hipótesis de Relevancia (HR): introducir la codigoalfabetización en nuestro sistema

educativo es relevante, pues implica generar productos de aprendizaje de creciente uso,
utilidad y valoración en nuestra sociedad (‘apps’, animaciones digitales, videojuegos, webs,
etc...), que pueden ser compartidos con audiencias reales y globales, y ser remezclados por
éstas; además el resultado final, el sujeto codigoalfabetizado, es un ciudadano y profesional
relevante en la sociedad digital.
2.7. Síntesis: del ‘Learn to Code’ al ‘Code to Learn’
A modo de epílogo de este capítulo, y como nexo de transición con el siguiente, rescatamos un
aforismo que ha ido ganando predicamento en el devenir reciente del movimiento de
codigoalfabetización. Se trata del lema ‘Learn to code, code to learn’ (Resnick, 2013b), así
expresado en un famoso artículo en la blogosfera por Mitch Resnick, director del grupo Lifelong
Kindergarten en el MIT Media Lab, y artífice del lenguaje Scratch. Dicho lema sintetiza el nuevo
paradigma bajo el cual lo principal no es ‘aprender a programar’ sino ‘programar para aprender’;
199
Disponible en la App Store: https://itunes.apple.com/app/tampon-run/id948757853
140
dicho de otra manera, se desplaza el foco desde el código como objeto de aprendizaje en sí mismo,
hacia el código como medio para aprender y desarrollar otras habilidades. Citando a Resnick (2013b,
en línea):
“¿Es importante que todos los niños aprendan a escribir? Después de todo, muy pocos de
esos niños llegarán a ser periodistas, novelistas, o escritores profesionales. Entonces, ¿por
qué deberían todos los niños aprender a escribir? Naturalmente, estas preguntas nos parecen
tontas. Las personas utilizamos la escritura en muchos ámbitos de nuestra vida (…) El acto
de escribir también involucra distintas formas de pensamiento. En la medida que escribimos,
aprendemos a organizar, refinar, y reflejar nuestras ideas. Claramente, ésas son poderosas
razones para que todos aprendamos a escribir (…)
Considero la programación informática (‘coding’) como una extensión de la escritura. La

capacidad de programar te permite ‘escribir’ nuevos tipos de artefactos (historias
interactivas, juegos, animaciones, y simulaciones). Al igual que con la escritura tradicional,
hay poderosas razones para que todos los niños aprendan a programar (…)
El reciente surgimiento del interés masivo por ‘aprender a programar’ se ha focalizado

especialmente en las oportunidades profesionales (…) pero considero que hay razones más
profundas para ello. En el proceso de aprender a programar, las personas aprenden muchas
otras cosas. No sólo están ‘aprendiendo a programar’, sino que están ‘programando para
aprender’ (…)
Programando para aprender no sólo conceptos matemáticos y computacionales (como

variables y condicionales), sino también estrategias de resolución de problemas, diseño de
proyectos, y comunicación de ideas. Todas estas habilidades son útiles no sólo para los
científicos de la computación sino para cualquier persona de la sociedad digital, sin
importar su edad, su profesión o sus intereses” (Resnick, 2013b, en línea)
En síntesis, el nuevo enfoque pone el acento no sólo en la lectoescritura de código por sí misma,
cuyas sintaxis particulares cambian con la evolución misma de los lenguajes informáticos; sino en
los procesos de pensamiento subyacentes: lo que se ha venido a denominar ‘pensamiento
computacional’ (PC), al que dedicamos el próximo capítulo.
Haciendo un símil, si el mundo globalizado implicó la transición del ‘aprender inglés’ (como objeto
separado de estudio) al ‘inglés para aprender’ (como lengua vehicular del resto de asignaturas); el
mundo digitalizado ha hecho lo propio con el código, desde objeto estático de aprendizaje a meta-
lenguaje dinámico que vehicula la construcción y expresión de todo tipo de artefactos digitales
(Figura 2.35).
141
Figura 2.35. Símil entre el mundo globalizado y el mundo digitalizado
142
CAPÍTULO 3
PENSAMIENTO COMPUTACIONAL
En la introducción de esta tesis doctoral ya definimos la codigoalfabetización (del inglés ‘code-

literacy’) como el proceso de enseñanza-aprendizaje de la lectoescritura con los lenguajes
informáticos de programación. Así, se considera que una persona está codigoalfabetizada cuando es
capaz de leer y escribir en el lenguaje de los ordenadores y otras máquinas, y de pensar
computacionalmente (Román-González, 2014a). Por tanto, si la codigoalfabetización alude en última
instancia a una nueva práctica de lectoescritura, el pensamiento computacional (PC) se refiere al
proceso cognitivo subyacente de resolución de problemas que le da soporte: son dos caras de una
misma moneda (Figura 3.1). Si el Capítulo 2 ha sido dedicado íntegramente a la
codigoalfabetización, como un nuevo alfabetismo crítico en la actual sociedad digital; este Capítulo 3
se focaliza en el pensamiento computacional, como emergente constructo psicológico susceptible de
ser definido, desarrollado, medido y evaluado.
Figura 3.1. Codigoalfabetización y Pensamiento Computacional: dos caras de una misma moneda
En la nueva realidad que vivimos, invadida por lo digital, no es sorprendente que haya un interés
renovado en muchos países por introducir el PC como un conjunto de habilidades de solución de
problemas que debe ser adquirido por la nueva generación de estudiantes; aún más, el PC se está
empezando a considerar como un elemento central de todas las disciplinas STEM: acrónimo de
‘science, technology, engineering & mathematics’, es decir, es decir ‘ciencia, tecnología, ingeniería y
matemáticas’ (Henderson, Cortina & Wing, 2007). Aunque aprender a pensar computacionalmente
viene siendo reconocido como relevante desde hace largo tiempo (p.e. Papert, 1980, cuando utiliza el
término ‘procedural thinking’), en la medida que la programación y la computación se han
convertido en omnipresentes, acciones que sustentan la comunicación, la ciencia, la cultura y los
negocios en nuestra sociedad digital (Howland & Good, 2015); el PC es progresivamente visto como
una habilidad esencial que nos posibilita crear, en vez de sólo consumir, tecnología (Resnick et al.,
2009, Zapata-Ros, 2015)
Volver al índice
Sin embargo, todavía hay poco consenso sobre una definición formal del PC, y discrepancias sobre
cómo debería ser integrado en los currículos educativos (Gouws, Bradshaw & Wentworth, 2013a). A
pesar de todas las definiciones formuladas desde 2006, año en que se publica el artículo fundacional
de la disciplina (Wing, 2006), se reconoce que aún no existe una idea clara sobre cómo incorporar el
PC a los sistemas educativos en sus distintas etapas; existiendo una enorme variedad y
heterogeneidad de intervenciones educativas al respecto (Lye & Koh, 2014). Igualmente, hay un
enorme vacío sobre cómo medir y evaluar el PC, hecho que debe ser abordado. Y es que sin la
atención suficiente sobre la medida y evaluación del PC, será muy difícil que éste se abra camino
exitosamente en cualquier currículum. Aún más, para poder juzgar la efectividad de cualquier
currículum que incorpore el PC, será necesario validar previamente instrumentos de medida que
permitan a los educadores evaluar en qué grado los estudiantes han desarrollado esa habilidad de
pensamiento (Grover & Pea, 2013a). Este vacío será el que anime el diseño y validación del ‘Test de
Pensamiento Computacional’ (TPC), que se presentará en el Capítulo 6, ya en la parte empírica.
Por el momento, la presente revisión teórica se organizará en tres apartados: uno dedicado al
concepto de ‘pensamiento computacional’ y las distintas definiciones que del mismo se han ido
formulando; otro apartado focalizado en modelos, experiencias y recursos para el desarrollo del
pensamiento computacional; y un último dedicado a su medida y evaluación.
3.1. Concepto
Para abordar el concepto de ‘pensamiento computacional’ procederemos a revisar las distintas

definiciones que se han ido ofreciendo del mismo. Diferenciaremos en los siguientes epígrafes entre
definiciones genéricas; operativas u operacionales; psicológico-cognitivas; y educativo-curriculares.
3.1.1. Definiciones genéricas
Hace una década, Jeannette M. Wing (2006) 200 publicó el artículo fundacional de la disciplina, en el
cual define que el “pensamiento computacional implica la resolución de problemas, el diseño de
sistemas, y la comprensión de la conducta humana, haciendo uso de los conceptos fundamentales de
la informática” (Wing, 2006, p. 33). Así, la esencia del PC sería pensar como un científico de la
computación cuando uno se enfrenta a un problema.
En dicho artículo, Wing afirma igualmente que el pensamiento computacional “representa un

conjunto de habilidades y actitudes, aplicable universalmente; que toda persona (no sólo los
científicos de la computación) debería estar ansiosa por adquirir y usar” (Wing, 2006, p. 33). Así,
la autora define el PC como una habilidad básica y fundamental para cualquier sujeto inmerso en la
actual realidad digital, llegando incluso a afirmar que el PC debería añadirse a la ‘lectura, escritura,
aritmética’ como paquete básico en el desarrollo de las habilidades analítico-instrumentales de
cualquier niño.
Sintetizamos a continuación qué es, y qué no es, pensamiento computacional en esta aproximación
pionera de Wing (2006):
200
Jeannette M. Wing es Jefa del Departamento de Ciencias de la Computación en la Universidad Carnegie Mellon
(Pittsburgh, PA)
144
 ‘Conceptualizing, not programming’ (‘conceptualizar, no programar’): pensar como un

científico de la computación, es decir, pensar computacionalmente, significa más que ser
capaz de programar un ordenador. Requiere pensar en múltiples niveles de abstracción.
 ‘Fundamental, not rote skill’ (‘habilidad básica, no puramente mecánica’): una habilidad
básica es aquella que cualquier persona debe dominar para funcionar en la sociedad actual.
 ‘A way that humans, not computers, think’ (‘una manera en que los humanos piensan, no las
computadoras’): el pensamiento computacional es una manera en que los seres humanos
solucionan problemas; no es tratar de que los humanos piensen como las computadoras. Las
computadoras son previsibles y aburridas; los humanos, inteligentes e imaginativos. Somos
los humanos los que hacemos a las computadoras interesantes. Los humanos, equipados con
la potencia de las computadoras, usamos nuestra inteligencia para abordar y resolver
problemas que no seríamos capaces de atacar en la era previa a la computación.
 ‘Complements and combines mathematical and engineering thinking’ (‘se complementa y se

combina con el pensamiento matemático e ingenieril’): las ciencias de la computación y, por
tanto, el pensamiento computacional, descansan sobre el pensamiento matemático dado que,
como todas las ciencias, sus bases formales surgen de las matemáticas. Además, las ciencias
de la computación descansan inherentemente en el pensamiento ingenieril dado que trata de
construir sistemas informáticos que interactúan con el mundo real-físico.
 ‘Ideas, not artifacts’ (‘ideas, no artefactos-objetos’): el pensamiento computacional no tiene

sólo que ver con los objetos de hardware y software que producimos, y que están presentes
físicamente a diario en nuestras vidas; tiene que ver sobre todo con los conceptos
computacionales que usamos para aproximarnos a los problemas y solucionarlos, para
gestionar nuestra vida, y comunicarnos e interactuar con otras personas de manera efectiva.
 ‘For everyone, everywhere’ (‘para cualquiera, en cualquier parte’): el pensamiento

computacional será una realidad cuando sea tan inherente a las tareas y esfuerzos humanos,
que desaparezca como término y filosofía explícitos.
Esta primera definición genérica, casi metafísica, del pensamiento computacional, viene siendo
revisada y especificada en intentos sucesivos a lo largo de los últimos años, sin llegar aún a un
acuerdo generalizado sobre la misma. Veámoslo.
La propia Wing revisita su definición algo más tarde (2008), clarificando que “el pensamiento
computacional incluye los procesos de pensamiento implicados en la formulación de problemas y de
sus soluciones, de tal modo que éstos estén representados de una manera que pueda ser abordada
efectivamente por un agente-procesador de información” (Wing, 2008, p. 3718), como un
ordenador. Siguiendo con este grupo de definiciones, de corte genérico, cuatro años más tarde Aho
(2012, p. 832) declara que el PC es “el proceso de pensamiento involucrado en la formulación de
problemas de tal manera que sus soluciones puedan ser representadas como pasos computacionales
discretos y algoritmos”. En ese mismo año, la Royal Society (2012) también aporta una definición
sucinta que trata de capturar la esencia del PC:
145
“El pensamiento computacional es el proceso de reconocimiento de los aspectos

computables en el mundo que nos rodea, y de aplicar las herramientas y técnicas de las
Ciencias de la Computación para comprender y razonar sobre sistemas y procesos, tanto
naturales como artificiales” (Royal Society, 2012, p. 29)
3.1.2. Definiciones operativas
De este grupo de definiciones generales, se va avanzando progresivamente a definiciones más

operativas u operacionales, que tratan de enumeran los elementos constitutivos del pensamiento
computacional. Así, por ejemplo, la Fundación Nacional para la Ciencia de los Estados Unidos
(‘National Science Foundation’) en el marco de su curso ‘CS Principles’ 201, cuyo objetivo es fijar y
transmitir las bases de las Ciencias de la Computación al alumnado de Bachillerato y primeros años
de universidad, define las siguiente siete ideas como esenciales del pensamiento computacional
(National Science Foundation, 2015, en línea):
i. “El pensamiento computacional es una actividad humana creativa.

ii. La abstracción (uno de los elementos constitutivos, sino el central, del pensamiento
computacional) reduce-elimina la información y detalles irrelevantes para focalizarse en los
conceptos relevantes a la hora de entender y resolver un problema.
iii. Los datos y la información facilitan la creación de conocimiento.
iv. Los algoritmos son herramientas para desarrollar y expresar soluciones a problemas
computacionales.
v. Programar es un proceso creativo que produce artefactos-objetos computacionales.
vi. Los dispositivos y sistemas digitales, y las redes que los interconectan, posibilitan y
potencian una aproximación computacional a la resolución de problemas.
vii. El pensamiento computacional permite la innovación en otros campos, incluyendo las
ciencias naturales, ciencias sociales, humanidades, artes, medicina, ingeniería, y negocios.”
Esta línea de especificar los elementos que constituyen el pensamiento computacional culmina con la
‘Operational Definition of Computational Thinking for K-12 Education’: una definición operativa
del PC que sirve de marco de trabajo y vocabulario compartido para los profesores de informática
(‘Computer Science Teachers’) en las etapas de Educación Secundaria y preuniversitaria
estadounidense. Esta definición operativa fue desarrollada inicialmente en 2011 por la ‘Computer
Science Teachers Association (CSTA)’ y la ‘International Society for Technology in Education
(ISTE)’ de los Estados Unidos; y sigue plenamente vigente en la actualidad. Así, la CSTA & ISTE
(2015, en línea) dicen que “el pensamiento computacional es un proceso de solución de problemas
que incluye (aunque no está limitado a) las siguientes características:
• Formular problemas de un modo que se haga posible utilizar un ordenador y otras máquinas
en su resolución.
• Organizar lógicamente y analizar datos
• Representar datos a través de abstracciones tales como modelos y simulaciones
• Automatizar soluciones a través del pensamiento algorítmico (una serie de pasos discretos y
ordenados)
201
http://apcsprinciples.org/
146
• Identificar, analizar e implementar posibles soluciones con el objetivo de lograr la

combinación más efectiva y eficiente de pasos y recursos
• Generalizar y transferir este proceso de solución de problemas a una amplia variedad de
situaciones.”
La novedad que aporta esta definición operativa (CSTA & ISTE, 2015, en línea) es añadir una
dimensión actitudinal al pensamiento computacional, pues continua diciendo: “estas habilidades son
apoyadas y reforzadas por una serie de disposiciones o actitudes que son también dimensiones
esenciales del PC. Estas disposiciones y actitudes incluyen:
• Confianza al manejarse con la complejidad

• Persistencia al trabajar con problemas difíciles
• Tolerancia a la ambigüedad
• Capacidad de hacer frente a problemas abiertos (sin una solución concreta y evidente)
• Capacidad de comunicarse y trabajar con otros para llegar a una meta-solución común”
En el marco de estas definiciones operativas, que suelen enunciarse como listados de elementos que
componen el pensamiento computacional, ha surgido el debate entre los investigadores, académicos
y expertos, sobre cuál es el elemento central (si lo hay), de mayor jerarquía, del PC. Siguiendo la
revisión de Grover & Pea (2013a), la ‘abstracción’ sería la clave de bóveda del pensamiento
computacional. Abstracción es “definir patrones, generalizar a partir de casos concretos; y es la
clave para lidiar con la complejidad” (Grover & Pea, 2013a, p. 39).
En cualquier caso, y como síntesis de las distintas definiciones operativas que han ido apareciendo
estos últimos años, Grover & Pea (2013a, p. 39-40) recogen “los elementos que han conseguido un
cierto consenso, y amplia aceptación, para formar parte del PC; y que deberían estar en la base de
cualquier currículum que pretenda su desarrollo:
• Abstracción y generalización de patrones (incluyendo modelos y simulaciones)

• Procesamiento sistemático de la información
• Sistemas de símbolos y representación
• Noción algorítmica de control de flujo
• Descomposición estructurada de problemas (modularización)
• Pensamiento iterativo, recursivo y paralelo
• Lógica condicional
• Limitadores de eficiencia y rendimiento
• Depuración y detección sistemática de errores”
3.1.3. Definiciones psicológico-cognitivas
Desde otro punto de vista, el grupo de investigación educativa de Google o ‘Google for Education’
ofrece una definición del pensamiento computacional como un ciclo de cuatro pasos-procesos
cognitivos. Más concretamente, dicen que el PC es “un conjunto de habilidades y técnicas de
solución de problemas que los ingenieros de software usan para escribir los programas informáticos
que subyacen a las aplicaciones que usamos a diario” (Google for Education, 2015, en línea). Sin
147
embargo, continua algo más adelante la definición, “el pensamiento computacional es aplicable a
prácticamente cualquier ámbito (…) e incluye las siguientes 4 fases específicas (Figura 3.2):
I. Descomposición de un problema o tarea en pasos discretos

II. Reconocimiento de patrones (regularidades)
III. Generalización de dichos patrones y abstracción (descubrir las leyes o principios que causan
dichos patrones)
IV. Diseño algorítmico (desarrollar instrucciones precisas para resolver el problema y sus
análogos)” (Google for Education, 2015, en línea)
Descomposición del
problema en pasos discretos
Diseño algorítimico
(instrucciones precisas para Reconocimiento de patrones
resolver el problema y sus y regularidades
análogos)
Generalización de dichos
patrones y abstracción
Figura 3.2. Las 4 fases-pasos cognitivos del pensamiento computacional
Veamos con algo más de detalle cada uno de estos 4 pasos, ejemplificando su aparición en distintos
tipos de problemas para ilustrar cómo el PC se puede proyectar sobre distintos ámbitos (Google for
Education, 2015, en línea):
I. Descomposición: o la capacidad para fraccionar una tarea minuciosa y detalladamente en los

pasos que la forman, de manera que luego podamos explicar unívocamente el proceso a una
tercera persona o a un ordenador, o incluso como notas de procedimiento para uno mismo.
Descomponer un problema frecuentemente conduce a un posterior reconocimiento y
generalización de patrones, y así en última instancia a la capacidad para diseñar un algoritmo.
Ejemplos:
a. Cuando probamos un nuevo plato de cocina e identificamos los distintos ingredientes

que dan forma a su sabor, estamos descomponiendo el plato en sus ingredientes
particulares.
148
b. Cuando le damos a alguien indicaciones precisas para llegar a nuestro domicilio (p.e.
“sales de la boca del metro, giras a la derecha, caminas recto y coges la segunda
calle a la izquierda…”), estamos descomponiendo el proceso de ‘ir de un sitio a otro’
c. En matemáticas, podemos descomponer un número, como 256,37, de la siguiente

manera: 2*102 + 5*101 + 6*100 + 3*10-1 + 7*10-2
II. Reconocimiento de patrones: o la capacidad para percibir similaridades o diferencias

comunes que nos ayudan a hacer predicciones y nos conducen hacia ‘atajos’ o ‘accesos
directos’ (‘shortcuts’) al núcleo de un problema. El reconocimiento de patrones es
frecuentemente la base para el diseño algorítmico y la resolución de problemas.
Ejemplos:
a. Los niños identifican patrones en las reacciones de sus padres y profesores a su

comportamiento, en orden a establecer qué está bien y qué está mal. Y basan su
comportamiento futuro en función de dichos patrones.
b. Los corredores de bolsa buscan patrones en el valor de las acciones para decidir
cuándo comprar y cuándo vender.
c. En matemáticas, podemos seguir un patrón para explicar la lógica que subyace a que
el producto de dos números negativos es un número positivo:
(-3) * (3) = -9
(-3) * (2) = -6
(-3) * (1) = -3
(-3) * (0) = 0
(-3) * (-1) = 3
(-3) * (-2) = 6
d. En geometría, al calcular el mayor área posible para un rectángulo de un perímetro

dado, podemos observar patrones que involucran el alto, ancho y área del mismo
como:
 En la medida que el alto y el ancho se aproximan el uno al otro en sus

valores, el área se incrementa.
 En la medida que aumenta la diferencia entre los valores del alto y del ancho,
el área se reduce.
 Este patrón nos conduce a la conclusión de que el rectángulo con el área
mayor es un cuadrado.
III. Generalización de patrones y abstracción: o la capacidad para filtrar e ignorar toda la

información que no es necesaria para resolver un cierto tipo de problema, y de generalizar la
que sí es necesaria. La generalización de patrones y la abstracción nos permiten representar
una idea o un proceso en sus términos generales-formales (p.e. variables) de manera que
149
podemos utilizar dicha representación para resolver problemas análogos de similar

naturaleza.
Ejemplos:
a. Un planificador diario o agenda utiliza una abstracción para representar la semana en

términos de días y horas, ayudándonos a organizar nuestro tiempo
b. Un mapamundi es una abstracción de la Tierra en términos de longitud y latitud,

ayudándonos a determinar la localización geográfica de un determinado lugar.
c. En matemáticas, escribimos fórmulas generalizadas en términos de variables, en vez

de con números; de manera que podemos utilizarlas para resolver distintos problemas
con valores diferentes: por ejemplo, [(a+b) * (a-b) = a2 – b2]
IV. Diseño algorítmico: o la capacidad de desarrollar una estrategia ‘paso por paso’ (secuencia
de instrucciones perfectamente definida) para resolver un problema. El diseño algorítmico
está basado a menudo en la descomposición previa de un problema y en la identificación de
los patrones que ayudan en su resolución. En Ciencias de la Computación, así como en
matemáticas, los algoritmos suelen escribirse de manera abstracta, utilizando variables en el
lugar de números específicos.
Ejemplos:
a. Cuando un chef de cocina escribe la receta para un plato, está creando un algoritmo
que otros pueden seguir para replicar el plato.
b. Cuando un entrenador crea el ‘libro de jugadas’ para su equipo de baloncesto, está

diseñando un conjunto de algoritmos para que sean seguidos por sus jugadores a lo
largo del partido.
c. En matemáticas, por ejemplo, cuando calculamos el ‘cambio porcentual’ entre dos

números, seguimos el siguiente algoritmo a lo largo de las siguientes líneas:
 Si el número original es mayor que el nuevo número, entonces usar la

ecuación siguiente para calcular el ‘cambio porcentual’: [Disminución
porcentual = 100*(original – nuevo)/original]
 Si el nuevo número es mayor que el número original, entonces usar la
ecuación siguiente para calcular el ‘cambio porcentual’: [Incremento
porcentual = 100*(nuevo – original)/original]
 Si ninguna de las anteriores es cierta, entonces el número original y nuevo
tienen el mismo valor, y el ‘cambio porcentual’ es cero
Podemos ir un paso más allá: una vez formulado correctamente un algoritmo (secuencia ordenada y
exhaustiva de pasos para llegar unívocamente a la solución de un cierto tipo de problemas), podemos
escribirlo en forma de programa (conjunto de instrucciones que pueden ser entendidas, procesadas y
ejecutadas por un ordenador), a través de un código concreto que siga la sintaxis de un lenguaje de
programación determinado. Así, el anterior algoritmo puede ser convertido en programa informático
150
a través de su codificación en, por ejemplo, lenguaje Python 202 (Figura 3.3); de manera que ya
podemos aprovechar la potencia computacional de nuestro ordenador para resolver rápida y
eficazmente el tipo de problema abordado. Así, pues, habríamos conseguido cerrar el círculo del
pensamiento computacional: formular el problema en términos de pasos discretos o algoritmos, de
manera que podamos apoyarnos luego en un ordenador para su resolución.
Figura 3.3. Algoritmo del ‘cambio porcentual’ escrito como programa informático a través de código Python
Otro ejemplo muy ilustrativo del ciclo cognitivo involucrado en el pensamiento computacional, lo
extraemos del curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a), sobre el que se focalizará
la evaluación de programas del Capítulo 7, ya en la parte empírica de esta tesis doctoral;
específicamente de su ‘Stage 3: Computational Thinking’ 203. Ahí se insta al profesor a introducir el
concepto de ‘pensamiento computacional’ entre sus estudiantes a través del siguiente ejemplo:
• “Di a tus estudiantes que quieres que sumen todos los números entre 1 y 200.
o (Utiliza tu lenguaje corporal para indicarles que no se trata de un examen).
 Ahora, hazles saber a tus estudiantes que deberán hacer la suma
mentalmente.
 Añade la limitación de tiempo a 30 segundos
 Seguramente, tus estudiantes se sentirán abrumados por el cálculo solicitado.
No te preocupes, es intencionado. Puedes comenzar la cuenta de 30 segundos
con un resonante: “Preparados… listos… ya”
• Observa a la clase mientras cronometras el tiempo. ¿Cuántos de tus estudiantes se han
perdido ya tratando de hacer la suma mentalmente?
• Cuando se cumpla el tiempo, pregunta si algún estudiante ha sido capaz de llegar al total.
• Pregunta si hay alguno que haya pensado que era tan difícil que ni siquiera lo ha intentado.
• ¿Hay alguno que lo haya intentado y sencillamente no haya llegado hasta el final?
o ¿Qué estrategia ha seguido en su intento?
• Ahora guía a tus estudiantes por un proceso de pensamiento algo distinto.
o Si ‘rompemos’ (descomposición) el problema en pequeñas partes, será más fácil de
manejar y resolver.
o Comencemos por los extremos: ¿cuánto es 200 + 1?
 ¿Y 199 + 2?
202
https://www.python.org/
203
https://studio.code.org/s/20-hour/stage/3/puzzle/1
151
 ¿Y 198 + 3?
o ¿Veis algo que se repita? (detección de patrones).
o ¿Cuántas de estas parejas, sumas de dos dígitos, tenemos?
 ¿Cuál es la última pareja que nos sale? 100 + 101.
 Eso significa que tenemos 100 parejas.
 Si tenemos un total de 100 parejas, y cada una suma 201, ¿cómo calculamos
el total?
 ¿Cuánto da 100 * 201?
o Ahora, ¿cómo hacemos para hallar el truco (la regla de cálculo) con otros números?
(generalización y abstracción)
 ¿Podemos hacerlo fácilmente con la suma de todos los números entre 1 y
2000?
 ¿Y entre 1 y 20.000?
 ¿Qué se mantiene constante entre ambos casos? ¿qué es diferente?
o Si utilizamos la abstracción para llegar a una expresión final que contenga algún
espacio que pueda cambiar (le llamaremos “blank” 204), entonces podemos llegar a
un algoritmo que funcione para cualquier número (diseño algorítmico)
 Trabaja con los estudiantes sobre el problema hasta llegar al algoritmo que
lo soluciona: Suma = (“blank”/2) * (“blank”+1)
 Haz varios ejemplos para mostrar que el algoritmo funciona para distintos
valores de la variable (para “blank”=2; “blank”=3… “blank=10”…
“blank=10.000”…)
• Como síntesis final, dile a tu clase: “Hemos hecho este juego para mostrar que si usas las
herramientas mentales del Pensamiento Computacional (descomposición, detección de
patrones, abstracción y generalización, y diseño algorítmico), entonces puedes descifrar
cómo solucionar problemas que nadie antes te haya enseñado. Esto será una habilidad
extraordinariamente potente para el resto de tu vida” [Extraído de ‘K-8 Intro to Computer
Science. Unidad 3: Computational Thinking’ (Code.org, 2015a)]
Curiosamente, y en este juego simétrico de espejos con las altas capacidades que viene atravesando
toda esta tesis, un ejemplo parecido se cuenta al ilustrar el genio precoz de Carl Friedrich Gauss a la
hora de enfrentar problemas matemáticos:
“Carl Friedrich Gauss (1777-1855), gran matemático alemán, fue un niño precoz que
destacó sobremanera en las matemáticas. De origen humilde, se cuentan de él anécdotas
geniales. Una de ellas es que de niño en el colegio, el profesor puso a los alumnos la tarea de
sumar todos los números del 1 a 100. Al cabo de muy poco tiempo Gauss ya tenía la
respuesta. Y no porque hubiera sumado muy rápido sino porque razonó de forma muy
particular, como tuvo que explicar al sorprendido profesor: 1 + 2 + 3 +… + 99 +100 =
(1+100) + (2+99) + (3+98) +… + (49+52) + (50+51) = 5050. La forma general de
expresar esta progresión sería: 1+2+…+n = (1+n)*(n/2)” (Jiménez Fernández, 2014, p. 29)
204
“blank” es la forma genérica de nombrar una variable en la mayoría de lenguajes informáticos
152
Parece, pues, que el pensamiento computacional es un proceso cognitivo que aspira a ser
desarrollado, en mayor o menor medida, en todos los sujetos (no sólo en los más capaces, aunque
precisamente en éstos pueda aparecer de forma espontánea, tal y como se ilustra en el episodio de
Gauss). Ello parece ineludible en una época en la cual ser capaz de formular los problemas en
términos algorítmicos (y, por tanto, susceptibles de ser convertidos luego en programas informáticos
a través de un determinado código) nos pone en situación de aprovechar toda la potencia
computacional de nuestros ordenadores, cada vez más presentes, cada vez más veloces.
3.1.4. Definiciones educativo-curriculares
Más que definiciones en sentido estricto, incluimos en este epígrafe un par de modelos o marcos
teóricos de integración del pensamiento computacional (‘computational thinking frameworks’) en el
sistema educativo.
a) Un marco desde Reino Unido: el modelo CAS (‘Computing at School’)
‘Computing at School’ (CAS) 205 es una alianza estratégica formada por el Ministerio de Educación
del Reino Unido, diversas universidades e investigadores del país, y empresas del ámbito informático
y tecnológico (p.e. Microsoft); cuyo principal objetivo es promover y apoyar la excelencia en la
educación en Ciencias de la Computación dentro del sistema británico. Nace en el contexto del
diseño e implantación en Reino Unido del nuevo currículum en Ciencias de la Computación (UK
Department of Education, 2013), que introduce, ya desde el curso 2014/2015 y a lo largo de todas las
etapas educativas obligatorias (desde los 5 a los 16 años), contenidos relativos a la programación
informática, pero siempre tratados desde la perspectiva del pensamiento computacional.
Una de las funciones de CAS es la sensibilización y formación del profesorado para que la
integración del nuevo currículum se haga efectiva en las aulas; a través de su comunidad web ‘CAS
Barefoot’ 206. En dicha comunidad se proclama:
“Nuestro objetivo es ayudar a nuestros jóvenes a interiorizar y sentirse confiados con el

pensamiento computacional, y a que tomen conciencia de cómo la tecnología y los datos
están en la base de nuestra sociedad actual. Para ello, ofrecemos a nuestros profesores esta
comunidad con recursos útiles y de alta calidad, unidades didácticas…” (CAS, 2015, en
línea)
Pues bien, la comunidad ‘CAS Barefoot’ aporta su propia definición de pensamiento computacional,
y un marco conceptual genérico para su integración en las aulas:
“El pensamiento computacional es abordar un problema de manera que un ordenador pueda

ayudarnos luego en su resolución (…) éste es un proceso de dos fases: primera, pensamos en
los pasos que se necesitan para resolver el problema; segunda, utilizamos nuestras
habilidades técnicas para poner a nuestro ordenador a trabajar sobre el problema (…) el
pensamiento computacional no es pensar sobre ordenadores ni pensar como ordenadores.
Los ordenadores no piensan por sí mismos, ¡al menos no todavía!” (CAS, 2015, en línea)
205
http://www.computingatschool.org.uk/
206
http://barefootcas.org.uk/
153
A partir de la definición anterior, desde ‘CAS Barefoot’ se define el siguiente modelo conceptual
para la integración del pensamiento computacional en el aula. Así, defienden que el pensamiento
computacional incluye 6 conceptos (‘lógica’, ‘algoritmos’, ‘descomposición’, ‘patrones’,
‘abstracción’, y ‘evaluación sistemática’) y 5 aproximaciones (‘experimentación’, ‘creación’,
‘depuración’, ‘perseverancia’, y ‘colaboración). Se detalla en la Figura 3.4, póster que este
doctorando ha visto personalmente colgado en múltiples aulas del Reino Unido a lo largo de su
estancia de investigación durante el verano de 2015. Veamos cada uno de los conceptos y
aproximaciones propuestos con algo más de detalle, en los términos en que aparecen expuestos
originalmente (CAS, 2015, en línea)
Figura 3.4. Marco-modelo de pensamiento computacional en el aula propuesto desde ‘CAS Barefoot’
Conceptos:
 Lógica (‘Logic’): el razonamiento lógico nos ayuda a explicar por qué algo sucede. Si
configuramos dos ordenadores de la misma manera, les damos las mismas instrucciones (el
‘programa’) y el mismo ‘input’, podemos entonces garantizar que llegaremos al mismo
‘output’. Los ordenadores no hacen las cosas según les apetezca, ni trabajan diferente en
función de cómo se sientan ese día. Esto significa que son previsibles. Por esta razón,
podemos utilizar el razonamiento lógico para determinar exactamente lo que un programa
informático hará.
154
 Algoritmos (‘Algorithms’): un algoritmo es una secuencia de instrucciones o conjunto de

reglas para llevar algo a cabo. Podemos pensar, por ejemplo, en el camino más rápido para ir
del colegio a casa (p.e. “gira a la izquierda, sigue recto 5 kilómetros, gira a la derecha…”)
Podemos concebir esto como un algoritmo (una secuencia de instrucciones que nos lleva al
destino seleccionado). Los ‘algoritmos’ están escritos generalmente para ser entendidos por
humanos (p.e. una receta de cocina, Figura 3.5); en este sentido se diferencian de los
‘programas’, escritos para ser ejecutados por un ordenador.
Figura 3.5. Ejemplo de algoritmo: secuencia de instrucciones para preparar una tostada 207 (CAS, 2015, en línea)
 Descomposición (‘Decomposition’): el proceso de fraccionar un problema en sus partes

constitutivas, más pequeñas y manejables, se conoce como descomposición. La
descomposición nos ayuda a resolver problemas complejos y a gestionar proyectos grandes.
Esta aproximación tiene múltiples ventajas: hace que el proceso sea manejable y abordable
(un problema grande es desalentador, pero un conjunto de problemas pequeños y
relacionados entre sí es más llevadero). También implica que la tarea puede ser llevada a
cabo por un equipo trabajando juntos y coordinados, cada uno aportando su experiencia y
habilidades en la parte del problema adecuada.
 Patrones (‘Patterns’): los patrones están por todas partes, por ejemplo, usamos patrones
meteorológicos para predecir qué tiempo hará mañana; los niños pueden percibir patrones en
cómo sus profesores reaccionan a sus conductas para decidir cómo comportarse la próxima
ocasión. Al identificar patrones podemos hacer predicciones, crear reglas y resolver
problemas más generales (Figura 3.6). En computación, el método de buscar una
aproximación general a toda una clase de problemas análogos se llama ‘generalización’ 208
207
Pueden rastrearse en la Red varios vídeos grabados por profesores del Reino Unido, en los que se muestra cómo
introducir lúdicamente a los estudiantes en el concepto de ‘algoritmo’ a través de dicho ejemplo con la tostada. Por
ejemplo, se recomienda visualizar https://youtu.be/leBEFaVHllE
208
Los científicos de la computación se esfuerzan por resolver problemas rápida y eficientemente, y para ello reutilizan
métodos y soluciones creados previamente. Si detectan un patrón común a lo largo de un problema (o programa), tratarán
de crear una solución común ‘tipo’ (o módulo) para ser reutilizada varias veces. Esto significa que sólo tendrán que
diseñar este ‘módulo común’ una vez, en lugar de hacerlo en muchas ocasiones. Los módulos comunes de código se
denominan habitualmente funciones (‘functions’) o procedimientos (‘procedures’); la mayoría de los lenguajes de
programación tienen librerías compartidas de estas funciones (CAS, 2015, en línea)
155
Figura 3.6. La detección del patrón revela la regla ortográfica (ejemplo tomado de ‘CAS Barefoot’)
 Abstracción (‘Abstraction’): la abstracción se sitúa en el corazón del pensamiento

computacional. El proceso de abstraer, decidir a qué detalles necesitamos prestar atención y
cuáles ignorar, atraviesa (está en el núcleo) del pensamiento computacional. La abstracción
tiene que ver con simplificar las cosas; identificando qué es importante sin preocuparnos
demasiado por lo anecdótico o irrelevante. La abstracción nos permite manejar la
complejidad. Usamos abstracciones para gestionar la complejidad de la vida en las aulas. Por
ejemplo, un horario escolar es una abstracción de lo que ocurre en una típica semana de
curso: recoge la información clave (qué asignatura es impartida en cada aula, cada día, a cada
hora, y por cuál profesor), dejando fuera múltiples capas de complejidad (objetivos de la
asignatura, actividades y materiales, etc…)
 Evaluación sistemática (‘Evaluation’): la evaluación tiene que ver con hacer juicios, de una
manera objetiva y sistemática cuando sea posible. Evaluar es algo que hacemos cada día:
hacemos juicios sobre qué hacer y qué pensar basados en una variedad de factores y criterios.
Por ejemplo, al considerar la compra de un nuevo dispositivo digital para el aula, podría
haber una serie de criterios a ser considerados, por ejemplo: el sistema operativo, la
portabilidad, memoria, tamaño de pantalla, facilidad de uso, precio… En Ciencias de la
Computación, la evaluación es sistemática y rigurosa; tiene que ver con juzgar la calidad, la
efectividad y la eficiencia de las soluciones, sistemas, productos y procesos. La evaluación
comprueba que las soluciones aportadas hacen el trabajo para el que fueron diseñadas.
Aproximaciones:
 Experimentación (‘Tinkering’): El ‘tinkering’ 209 significa probar a hacer (activamente) las

cosas. Para los niños pequeños es la forma natural de aprender sobre algo: el juego
espontáneo, la exploración y la experimentación. Para los estudiantes más mayores y adultos,
es una exploración intencionada y un hacer basado en el ‘ensayo, error y mejora’.
209
‘Tinker’ es un término de jerga inglesa que tiene significados como ‘reparar’, ‘hacer bricolaje’, ‘remendar’… y que se
ha extendido al campo semántico de la codigoalfabetización y el pensamiento computacional al hacer hincapié en los
procesos activos de ‘ensayo y error’ típicos en el aprendizaje de estas áreas; dando, por ejemplo, nombre a una de las
plataformas-lenguajes de aprendizaje de código para niños más conocidas: https://www.tynker.com/
156
Habitualmente hacemos ‘tinkering’ cuando nos encontramos con algo nuevo y queremos
descubrir cómo funciona; por ejemplo, cuando adquirimos un teléfono móvil nuevo,
podríamos probar todas sus características y funcionalidades, para posteriormente utilizar
intencionadamente aquellas que nos sirvan. Tener la libertad de explorar a través de retos
lúdicos en un ambiente no punitivo genera confianza y una actitud proactiva. Problemas
abiertos animan la creatividad y la diversidad de ideas. Así, el ‘tinkering’ (como
aproximación al desarrollo del pensamiento computacional en el aula) debería ser divertido,
libre, creativo y lleno de preguntas, retos y sorpresas.
 Creación (‘Creating’): crear tiene que ver con planificar, hacer y evaluar cosas (p.e.
animaciones, juegos o robots). Programar es un proceso creativo. El trabajo creativo implica
tanto originalidad como la generación de un producto valioso: típicamente algo que es útil o
que encaja con el propósito previsto. A veces lo que creamos son productos que dan respuesta
a necesidades particulares; a veces lo que creamos parte de iniciativas para dar rienda suelta a
nuestra expresión. Los productos del pensamiento computacional pueden ser tanto puramente
digitales (a través de la creación de software), como artefactos físicos y tangibles (a través de
la extensión hacia el hardware).
 Depuración (‘Debugging’): los errores en un algoritmo, programa o código se denominan

‘bugs’ 210, y el proceso de encontrarlos y arreglarlos se denomina ‘debugging’ (puede
traducirse al españolo como ‘depuración’). El ‘debugging’ habitualmente lleva mucho más
tiempo que escribir originalmente el código. En la vida cotidiana, depuramos todo el tiempo:
sencillamente es darse cuenta de los errores y solucionarlos. Por ejemplo, podemos
comprobar una frase que hemos escrito en un correo electrónico para ver si tiene sentido y, en
caso contrario, arreglarla-depurarla. El proceso de depurar un programa para que funcione
bien puede ocasionar frustración y bullicio en el aula; para afrontarlo, una manera adecuada
es proporcionar a los estudiantes un buen conjunto de estrategias de depuración que puedan
usar para detectar-arreglar cualquier ‘bug’ de programación. Algunos ‘bugs’ son errores
lógicos, otros son errores sintácticos. Los errores lógicos son como escribir una historia en la
cual la trama no tiene sentido; los errores sintácticos son como escribir una historia con fallos
gramaticales, ortográficos o de puntuación.
 Perseverancia (‘Persevering’) 211: la programación informática es una tarea dura. Esto es

parte de su encanto: escribir código elegante y eficaz es un reto intelectual que requiere, no
sólo una comprensión algorítmica del problema a resolver y codificar (y un conocimiento del
lenguaje de programación utilizado para ello), sino también la disposición a perseverar sobre
algo que es a menudo difícil y frustrante. Algunos ven en la experiencia de jugar a ciertos
videojuegos desafiantes algo similar al ‘coding’: al jugar a un videojuego hay un continuo
ciclo retroalimentación entre causas y efectos de la conducta del jugador, similar a cuando un
programador codifica y depura. Ambos, ‘coders’ y ‘gamers’ experimentan una sensación de
210
Literalmente ‘bug’ en inglés significa ‘bicho’; pero se ha extendido internacionalmente para denominar a los errores
informáticos.
211
En este punto, la comunidad ‘CAS Barefoot’ utiliza recurrentemente la siguiente cita atribuida a Einstein: “It’s not
that I’m so smart, it’s just that I stay with problems longer” (“No es que yo sea tan listo, es simplemente que trabajo
sobre los problemas durante más tiempo”)
157
flujo en la cual permanecen absorbidos y focalizados en esa única tarea; lo que

probablemente les ayuda a motivarse y perseverar hasta acabar el juego o resolver el
problema.
 Colaboración (‘Collaborating’): colaborar significa trabajar con otros para asegurar un

mejor resultado. Es complicado pensar en cualquier trabajo o actividad de ocio en la sociedad
digital actual que no involucre la colaboración. El trabajo colaborativo tiene además una larga
tradición en nuestro sistema educativo (especialmente en la Educación Primaria), y la
computación no debería suponer un cambio al respecto. Al programar, muchos ven el ‘pair
programming’ (‘programación por parejas’) con una forma particularmente eficaz de escribir
código, con dos programadores compartiendo una pantalla y un teclado (Figura 3.7),
trabajando juntos para crear software. Habitualmente, uno en la pareja actúa como
‘conductor’ (‘driver’, el que teclea y presta atención al detalle del código), mientras que el
otro toma el papel de ‘navegador’ (‘navigator’, el que tiene en mente una visión amplia del
problema, el ‘paisaje completo’). Los dos miembros de la pareja intercambian regularmente
sus roles, de manera que ambos tengan contacto con el código detallado y la visión de
conjunto.
Figura 3.7. Ejemplo de ‘pair programming’ (tomado de ‘CAS Barefoot’)
b) Un marco desde Estados Unidos: el modelo MIT-Harvard
Desde los Estados Unidos, los prestigiosos investigadores Karen Brennan (Universidad de Harvard)
y Mitch Resnick (MIT) han formulado un modelo alternativo del pensamiento computacional
(Brennan & Resnick, 2012) 212. A lo largo de 5 años, han ido desarrollando su ‘computational
thinking framework’, a través de la observación directa, entrevistas y análisis de proyectos de niños y
jóvenes trabajando como diseñadores digitales interactivos (‘interactive media designers’)
El contexto para la investigación y formulación de su modelo es Scratch 213: una plataforma-lenguaje

visual de programación ‘por bloques’ que permite a los niños y jóvenes crear sus propias historias
interactivas, animaciones, juegos y simulaciones; y posteriormente compartir dichas creaciones a
través de una comunidad online con otros jóvenes programadores alrededor del mundo (Maloney,
Resnick, Rusk, Silverman, & Eastmond, 2010; Resnick et al., 2009). En la medida que Scratch se ha
212
Una síntesis web del modelo puede verse en http://scratched.gse.harvard.edu/ct/index.html
213
158
convertido en el lenguaje de programación para niños más usado en el mundo, y el que mejores
características tiene para desarrollar el pensamiento computacional (Grover & Pea, 2013a), el
modelo que presentamos a continuación es admitido como una referencia de primer orden a la hora
de enmarcar la integración del PC en el aula.
Este modelo, que llamaremos MIT-Harvard, se articula alrededor de 3 dimensiones clave: a)

‘conceptos computacionales’ (‘computational concepts’), es decir, los conceptos que los niños
emplean cuando programan; b) ‘prácticas computacionales’ (‘computational practices’), esto es, las
prácticas que los niños emplean mientras programan; c) ‘perspectivas computacionales’
(‘computational perspectives’), es decir, las perspectivas que los niños se forman sobre el mundo que
les rodea y sobre sí mismos como consecuencia de la programación. Se diagrama en la Figura 3.8.
Conceptos Prácticas Perspectivas

computacionales computacionales computacionales
• Secuencias • Experimentación e • Expresarse
• Bucles iteración • Conectarse
• Eventos • Evaluación y depuración • Interrogarse
• Paralelismos • Reutilización y remezcla
• Condicionales • Abstracción y
• Operadores modularización
• Datos
Figura 3.8. Diagrama resumen del Modelo MIT-Harvard de pensamiento computacional (Brennan & Resnick, 2012)
Veámoslo con algo más detalle:
 Conceptos computacionales (‘computational thinking concepts’) [¿Qué aprenden?]: según

los niños aprenden a programar, diseñando objetos digitales interactivos con Scratch, toman
contacto con un conjunto de conceptos computacionales (alineados con los tipos de bloques
de programación que ofrece el lenguaje Scratch), que son comunes a la mayoría de los
lenguajes de programación. Brennan y Resnick (2012) han identificado 7 conceptos de alto
uso y utilidad en un amplio rango de proyectos Scratch, y que pueden ser transferidos a otros
entornos, tanto de programación como de resolución de problemas en general:
o Secuencias (‘sequences’): un concepto clave en programación es identificar y

expresar una actividad o tarea como una serie de pasos individuales (discretos) y
ordenados, que puedan ser ejecutados por un ordenador. Como una receta de cocina,
una secuencia de instrucciones de programación específica el comportamiento o
acción que debe producirse.
o Bucles (‘loops’): los bucles permiten ejecutar una misma secuencia de instrucciones
en múltiples ocasiones; convirtiendo a los programas en expresiones más sucintas y
elegantes. Así, en la Figura 3.9 vemos a la izquierda una secuencia de 9 instrucciones
en lenguaje Scratch; a la derecha, la misma secuencia escrita de manera más sucinta al
utilizar un bucle dentro del programa.
159
Figura 3.9. Una secuencia con instrucciones repetidas (a la izquierda), expresada a través de un bucle (a la derecha)
o Eventos (‘events’): se refiere a ‘cuando algo pasa, entonces causa (dispara) que otra
cosa ocurra’. Los eventos son componentes esenciales de los objetos programados
interactivos. Por ejemplo, un botón de ‘start’ que está programado para que, cuando
sea pulsado, dispare el inicio de un vídeo musical; o un evento consistente en que,
cuando una tecla determinada es presionada, un personaje se mueva en una dirección
dada.
o Paralelismos (‘parallelism’): son varias secuencias de instrucciones que se ejecutan

al mismo tiempo, simultáneamente (‘en paralelo’). La mayoría de lenguajes de
programación modernos soportan paralelismos. En Figura 3.10 vemos un programa de
Scratch, en el que el objeto (un gato) ha sido programado para ejecutar 3 secuencias
de actividad en paralelo en respuesta al evento ‘al presionar la bandera verde’
Figura 3.10 Ejemplo de 3 secuencias ejecutadas en paralelo en respuesta al mismo evento (‘al presionar bandera verde’)
160
o Condicionales (‘conditionals’): otro concepto computacional clave en programación

son los condicionales, es decir, la capacidad de tomar decisiones basadas en ciertos
estados o situaciones. Ello permite a un programa expresar distintos resultados en
función de las condiciones dadas, dotándolo de versatilidad.
o Operadores (‘operators’): los operadores permiten al programador incluir

expresiones lógicas, matemáticas y de cadena, en sus programas. Scratch soporta una
amplia variedad de operadores (Figura 3.11)
o Datos (‘data’): incluye el almacenamiento, recuperación y actualización de valores en

un programa. Scratch, por ejemplo, ofrece dos tipos de contenedores de datos:
‘variables’ (que pueden almacenar, recuperar y actualizar un solo número; algo que se
utiliza, por ejemplo, para hacer un marcador de tantos en un videojuego que va
actualizando la puntuación del jugador) y ‘listas’ (que pueden almacenar, recuperar y
actualizar conjuntos de números)
Figura 3.11. Operadores disponibles en Scratch
 Prácticas computacionales (‘computational thinking practices’) [¿Cómo lo aprenden?]: si

los conceptos computacionales se enfocan al contenido de aprendizaje (lo que el niño aprende
al programar), las prácticas computacionales se focalizan en cómo lo aprenden. Es decir, las
prácticas computacionales se refieren a qué tipo de procesos y prácticas ponen en marcha los
niños cuando construyen sus programas. Brennan y Resnick (2012) identifican 4 tipos de
prácticas:
o Experimentación e iteración (‘experimenting and iterating’): diseñar-programar un

proyecto no es un proceso absolutamente ‘limpio’ y lineal, en el cual primero se
concibe una idea, después se desarrolla un plan para su diseño, y finalmente se
implementa dicho diseño en forma de código. Más bien, es un proceso adaptativo e
iterativo, en el cual el plan de diseño va transformándose según se van encontrando
las soluciones en forma de código, a través de sucesivas aproximaciones por pequeños
161
pasos. Según informan los propios ‘scratchers’, su proceso de construcción del

programa se asemeja a ciclos iterativos de ‘imaginar y construir’: ‘developing a little
bit, then trying it out, then developing more’ (‘desarrollar un poco, entonces probar, y
entonces desarrollar un poco más’)
o Evaluación y depuración (‘testing and debugging’): los programas raramente

funcionan a la primera y en la forma que fueron imaginados. Para los diseñadores-
programadores es crítico desarrollar estrategias para anticipar y afrontar los errores
que aparecen en sus programas. Según informan los propios ‘scratchers’, durante el
proceso de construcción de sus programas ponen en marcha espontáneamente
procedimientos de evaluación y depuración de los mismos a través de sucesivas
pruebas de ‘ensayo y error’, y búsqueda de apoyo en otros pares de la comunidad con
mayor nivel de pericia.
o Reutilización y remezcla (‘reusing and remixing’): es decir, escribir un programa a

partir de otros programas preexistentes. Construir a partir del trabajo de otros es una
práctica habitual con larga tradición en el mundo de la programación; que ha sido
amplificada a partir de que las tecnologías digitales se han conectado en red a través
de Internet, proporcionando acceso a una enorme cantidad de trabajo de otros
programadores listo para ser usado y remezclado. Uno de los objetivos de la
comunidad en línea de Scratch es precisamente ayudar a los jóvenes diseñadores-
programadores a reusar y remezclar, orientándoles para encontrar ideas y código
sobre el que puedan construir nuevos programas; capacitándoles para crear objetos
digitales mucho más complejos de lo que hubieran podido abordar por sí mismos 214.
La reutilización y la remezcla promueven además la habilidad de ‘lectura crítica’ del
código escrito por otros, y abren preguntas importantes acerca de la propiedad y la
autoría de los programas.
o Abstracción y modularización (‘abstracting and modularizing’): la abstracción y la

modularización, que podemos caracterizar como el proceso de construir algo de gran
tamaño a partir de ir agregando conjuntos de elementos más pequeños, es una práctica
muy importante para la solución de problemas en general, y para el diseño-
programación en particular. En Scratch es muy habitual desarrollar proyectos muy
complejos a partir de agregaciones de conjuntos de código más sencillos.
 Perspectivas computacionales (‘computational thinking perspectives’) [¿Para qué lo

aprenden?]: a lo largo de sus entrevistas con ‘scratchers’, Brennan y Resnick (2012)
recogen frecuentes testimonios de los jóvenes diseñadores-programadores relatando cómo, a
partir de su aprendizaje con Scratch, ha evolucionado su comprensión de sí mismos, de la
relación con los otros, y del mundo digital-tecnológico que les rodea. Así, los autores añaden
una tercera dimensión a su modelo, las perspectivas computacionales, que se centran en los
‘cambios de perspectiva’ que experimentan los niños a partir de su aprendizaje con Scratch.
Distinguen entre:
214
Por ejemplo, en https://scratch.mit.edu/projects/88486311/remixtree/ se accede al ‘árbol de reinvenciones-remezclas’
del proyecto Scratch llamado ‘Tour the world’
162
o Expresarse (‘expressing’): estamos rodeados de objetos digitales interactivos, pero la

mayoría de nuestras experiencias con dichos objetos son como ‘consumidores’. Un
‘pensador computacional’ concibe la tecnología como algo más que objetos de
consumo; la computación es un medio que puede ser utilizado para la creación, el
diseño y la autoexpresión.
o Conectarse (‘connecting’): los jóvenes ‘scratchers’ describen el poder que supone

tener acceso, a través de la comunidad ‘on-line’ de Scratch, a otros jóvenes
programadores, a sus proyectos e ideas: ‘I can do different things when I have access
to others’ (‘Puedo hacer cosas distintas cuando tengo acceso a los otros’). Este ‘tener
acceso a otros’ tendría una doble dimensión:
 El valor de crear con otros (reusando y remezclando sus creaciones; o

programando colaborativamente con otros; o consultando a otros cuando no se
sabe cómo avanzar)
 Y el valor de crear para otros, al tener acceso a audiencias reales que pueden
disfrutar de tus diseños-programas (entreteniéndoles con tus creaciones y, a la
vez, equipándoles con nuevos conjuntos de código que pueden reutilizar)
o Interrogarse (‘questioning’): se observa que, a través de la programación, los jóvenes

‘scratchers’ se sienten empoderados a hacerse preguntas acerca del mundo digital que
les rodea. Al aprender a escribir código, aprenden también a no dar por sentado los
objetos digitales que consumen a diario, y a preguntarse por su naturaleza y por los
posibles cambios que se podrían introducir en los mismos.
3.1.5. Una definición propia del dominio muestral del constructo
En este punto, estamos en condiciones de ofrecer una definición propia de ‘pensamiento

computacional’. Es una definición operativa u operacional ‘de trabajo’, muy focalizada en los
‘conceptos computacionales’ (‘computational concepts’), que nace con el ánimo de delimitar
claramente el dominio muestral del constructo; y así posibilitar su posterior medida y evaluación
desde una perspectiva psicométrica clásica.
Esta definición nos servirá de partida para el diseño y validación del ‘Test de Pensamiento
Computacional’ (TPC), del que se da cuenta en el Capítulo 6 de esta tesis.
Así, para nosotros:
“El pensamiento computacional es la capacidad de formular y solucionar problemas

apoyándose en los conceptos fundamentales de la computación, y usando la lógica inherente
a los lenguajes informáticos de programación: secuencias o direcciones básicas, bucles,
condicionales, funciones, y variables”
Hemos venido utilizando dicha definición en algunos trabajos previos a esta tesis, que han contado
con alta receptividad por la comunidad científica (Román-González, 2015a, 2015b; Román-
González, Pérez-González, & Jiménez-Fernández, 2015)
163
3.2. Desarrollo
En este epígrafe nos centramos en cómo desarrollar el pensamiento computacional (PC),

especialmente en contextos educativos y durante el periodo de escolarización obligatoria. Veremos,
en primer lugar, una terna de modelos de implantación del PC en distintos sistemas educativos; y,
posteriormente, una revisión de experiencias y recursos para el desarrollo del PC en entornos
escolares.
3.2.1. Modelos de desarrollo del pensamiento computacional
Presentamos una terna de modelos de desarrollo del pensamiento computacional, cada uno de los
cuales parte de un enfoque bien distinto: en primer lugar, y nacido en el contexto escolar
estadounidense, en el que las Ciencias de la Computación no tienen entidad de asignatura obligatoria
y continuada en su currículum, detallamos el ‘Modelo transversal de desarrollo del PC de Barr &
Stephenson’ (Barr & Stephenson, 2011). En segundo lugar, también desde los Estados Unidos,
presentamos los estándares curriculares propuestos por la ‘Computer Science Teachers Association’
(CSTA, 2011) para el desarrollo del pensamiento computacional a lo largo de las distintas etapas de
su sistema educativo. Finalmente, proveniente del contexto escolar británico en el que las Ciencias
de la Computación sí han sido incluidas como asignatura obligatoria en su currículum a lo largo de
todas las etapas obligatorias (UK Department of Education, 2013), desde los 5 a los 16 años,
detallamos el ‘Modelo longitudinal de desarrollo del PC: los itinerarios CAS’ (Dorling, 2015).
a) Modelo transversal de desarrollo del PC de Barr & Stephenson
Según estos autores estadounidenses, los estudiantes de hoy en día viven, y vivirán, en sociedades
fuertemente influenciadas por la computación; y muchos de ellos trabajarán en campos que están
implicando progresivamente procesos computacionales en mayor o menor medida. En ese sentido,
afirman que los estudiantes “deben comenzar a adquirir habilidades de solución algorítmica de
problemas, y a trabajar con métodos y herramientas computacionales desde las etapas de
escolarización obligatoria” (Barr & Stephenson, 2011, p. 49)
El objetivo de sus trabajos de investigación es articular un conjunto de conceptos computacionales

clave que puedan ser impartidos y aplicados de manera transversal en las distintas disciplinas del
currículum, “destacando las habilidades de solución algorítmica de problemas y las aplicaciones de
la computación a través de las distintas disciplinas y asignaturas (…) ayudando a integrar los
métodos y herramientas de la computación en las diversas áreas de aprendizaje” (Barr &
Stephenson, 2011, p. 49) que marca el currículum obligatorio de los Estados Unidos; en el que las
Ciencias de la Computación no tienen entidad de asignatura propia. Para abordarlo, parten de la
siguiente definición de partida sobre el pensamiento computacional:
“El pensamiento computacional es un enfoque o aproximación particular a la solución de

problemas, de manera que éstos puedan ser formulados y resueltos con la ayuda de un
ordenador. Con su desarrollo, los estudiantes se convierten de meros usuarios de
herramientas a constructores de las mismas. A través del desarrollo del pensamiento
computacional, los estudiantes adquieren un conjunto de conceptos tales y como la
abstracción, la recursividad, y la iteración, que utilizan para procesar y analizar datos, y
164
para crear artefactos tanto físicos como digitales. En suma, el pensamiento computacional es
una metodología de solución de problemas que puede ser automatizada, transferida y
aplicada a lo largo de las distintas materias y asignaturas” (Barr & Stephenson, 2011, p. 51)
Partiendo de esta definición general, y alineados igualmente con la definición operativa sobre
pensamiento computacional formulada originalmente en el año 2011 por la ‘Computer Science
Teachers Association’ de los Estados Unidos (CSTA & ISTE, 2015, en línea) que vimos algo más
arriba; Barr & Stephenson (2011) enuncian un modelo de integración transversal de los distintos
conceptos y capacidades que componen el PC a través de las distintas áreas del currículo. Dicho
modelo se resume en la siguiente Tabla 3.1.
Tabla 3.1 Modelo transversal de desarrollo del PC de Barr & Stephenson (2011)
Concepto/Capacidad Área Curricular

del Pensamiento Informática y Ciencias Ciencias Lengua y
Computacional Matemáticas
Tecnología Naturales Sociales Literatura
Encontrar una fuente
de datos para un tipo
Encontrar una Analizar/estudiar
de problemas, por Realizar
fuente de datos las estadísticas de
ejemplo, el Recoger datos de análisis
Recogida de datos para un problema
‘lanzamiento de un experimento
una batalla, o los
lingüísticos de
o conjunto de datos
monedas’ o ‘el frases
problemas demográficos
lanzamiento de
dados’
Contar las
Escribir un Identificar
ocurrencias de Identificar
programa para patrones para
aparición de caras en Analizar los datos tendencias en los
hacer cálculos distintos tipos
Análisis de datos estadísticos
el lanzamiento de provenientes de un datos estadísticos
de frases y
monedas y dados, y experimento de un fenómeno
básicos sobre un estructuras
analizar los social
conjunto de datos sintácticas
resultados
Utilizar
Utilizar histogramas, Representar los
estructuras de
gráficos de barras y Sintetizar/resumir patrones
datos como
de sectores, para Sintetizar/resumir y representar detectados en
Representación de matrices, listas
representar los datos. los datos de un tendencias de distintos tipos
datos vinculadas,
Utilizar listas y experimento fenómenos de frases y
apilamientos,
apilamientos para sociales estructuras
gráficos de
alojar datos sintácticas
dispersión, etc…
Definir objetos y Aplicar el orden de Hacer una

Descomposición de Escribir un
métodos; definir las operaciones en taxonomía de
problemas esquema
funciones una expresión especies
Utilizar Utilizar variables en

procedimientos álgebra; identificar
para encapsular los hechos esenciales
un conjunto de en un problema Utilizar símiles
órdenes que se expresado Construir un Sintetizar/resumir y metáforas;
repiten verbalmente; modelo de alguna hechos; deducir escribir una
Abstracción frecuentemente en estudiar funciones de entidad o fenómeno conclusiones de historia con
una función; álgebra y físico los hechos ramas y
utilizar compararlas con bifurcaciones
condicionales, funciones
bucles, equivalentes en
recursividad programación
165
Concepto/Capacidad Área Curricular

del Pensamiento Informática y Ciencias Ciencias Lengua y
Computacional Matemáticas
Tecnología Naturales Sociales Literatura
Estudiar
algoritmos Realizar
clásicos; diseñar e factorizaciones para
Llevar a cabo un Escribir un
Algoritmos & implementar un resolver divisiones
procedimiento conjunto de
Procedimientos algoritmo para grandes; acarrear en
experimental instrucciones
resolver un las operaciones de
determinado tipo adición y sustracción
de problema
Utilizar herramientas Utilizar

como: geometer Utilizar Utilizar críticamente un
Automatización sketch pad 215, star ‘probeware’ 217 críticamente Excel corrector
logo 216 ortográfico
Ejecutar
Dividir los datos y
Resolver sistemas de simultáneamente
disponerlos en
ecuaciones lineales; varias réplicas del
diferentes hilos
Paralelización para que puedan
realizar mismo experimento
multiplicaciones con diferentes
ser procesados en
matriciales parámetros de
paralelo
configuración
Representar
dinámica y
Animación gráficamente una Hacer una
Simular el Jugar críticamente
algorítmica; Uso función en un plano representación
Simulación de ‘parámetros de cartesiano,
movimiento del a ‘Age of
o recreación de
Sistema Solar Empires’ 218
barrido’ modificando los una historia
valores de las
variables
En orden a promover una cultura de aula que potencie el pensamiento computacional, Barr &
Stephenson (2011) identifican una serie de estrategias generales que serían beneficiosas para lograr
dicho objetivo:
 Incremento del uso, tanto por parte de estudiantes como de profesores, de vocabulario
computacional apropiado (p.e. ‘algoritmo’, ‘iteración’, ‘paralelización’, etc…); que les
permita describir correctamente problemas y soluciones en términos computacionales.
 Aceptación, tanto por parte de estudiantes como de profesores, de los intentos fallidos de
solución de un problema; reconociendo que un fallo temprano nos sitúa a menudo en el
camino correcto hacia una solución exitosa.
 Trabajo en equipo de los estudiantes, con uso explícito de:
o ‘Descomposición’ (‘decomposition’): fraccionar los problemas en partes más
pequeñas, lo que hace más sencilla su resolución.
215
Geometer Sketch Pad es un software para la visualización dinámica de geometrías matemáticas. Disponible en
http://www.dynamicgeometry.com/
216
http://education.mit.edu/portfolio_page/starlogo-tng/
217
‘Probeware’ es un término que designa herramientas de software que recogen datos en tiempo real de un entorno
experimental; representando y analizando dichos datos igualmente en tiempo real.
218
http://www.ageofempires.com/
166
o ‘Abstracción’ (‘abstraction’): simplificar de lo concreto a lo general a medida que las

soluciones están siendo desarrolladas.
o ‘Negociación’ (‘negotiation’): los distintos sujetos y grupos, trabajando juntos y en
equipo, deben unir las diferentes partes de la solución en un todo que funcione.
o ‘Construcción de consensos’ (‘consensus building’): trabajar construyendo
solidariamente alrededor de una idea y una solución común.
b) Los estándares curriculares de la CSTA
También desde los Estados Unidos, y muy vinculados al modelo anterior, presentamos los estándares
curriculares para las Ciencias de la Computación propuestos por la ‘Computer Science Teachers
Association’ (CSTA, 2011), que cubren todas las etapas educativas pre-universitarias del sistema
educativo estadounidense. Tal y como venimos comentando, las ‘Ciencias de la Computación’
(‘Computer Science’) no existe como asignatura obligatoria y continuada a lo largo del currículum
educativo de los Estados Unidos; por lo tanto, estos estándares se conciben para ser abordados de
manera transversal a través de las distintas materias o asignaturas que el estudiante va cursando en su
trayectoria educativa (que sí puede incluir las ‘Ciencias de la Computación’, a modo de asignatura
optativa en algunos cursos concretos).
Los estándares están organizados en 5 familias o hebras: ‘Pensamiento Computacional’

(‘Computational Thinking’); ‘Prácticas de Computación y Programación’ (‘Computing Practice and
Programming’); ‘Colaboración’ (‘Collaboration’); ‘Dispositivos Informáticos y de Comunicación’
(‘Computer and Communication Devices’); ‘Impactos Éticos, Globales y sobre la Comunidad’
(‘Community, Global and Ethical Impacts’). Se entiende que las 5 familias se complementan e
interpenetran; y se representan en la Figura 3.12:
Figura 3.12. Familias de estándares curriculares para las ‘Ciencias de la Computación’ de la CSTA (2011)
167
A su vez, las 5 familias de estándares se diferencian en función de 3 niveles escolares:
 ‘Nivel 1’ (‘Level 1’, incluye los Grados K1-K6, equivalentes a 1º Primaria-6º Primaria);
 ‘Nivel 2’ (‘Level 2’, incluye los Grados K6-K9, equivalentes a 6º Primaria-3º ESO);
 ‘Nivel 3’ (‘Level 3’, incluye los Grados K9-K12, equivalentes a 3º ESO-2º Bachillerato)
Centrándonos en las 2 primeras familias de estándares, es revelador comprobar cómo la CSTA

distingue conceptualmente entre el ‘pensamiento computacional’ y la ‘programación informática’.
Tal y como venimos repitiendo a lo largo de esta tesis, mientras la programación informática es una
práctica particular de lectoescritura (lectoescritura de programas informáticos usando la sintaxis
particular de un lenguaje de programación); el pensamiento computacional es un proceso cognitivo
de resolución de problemas, que se apoya en los conceptos de la computación, y que sirve de base a
las tareas de programación pero también a muchas otras, siendo transferible a gran cantidad de áreas.
Dicho de otra manera, cuando programamos siempre estamos utilizando y desarrollando nuestro
pensamiento computacional; pero podemos también utilizar y desarrollar nuestro pensamiento
computacional en tareas que no incluyen la programación informática.
Así se desprende de las definiciones que, al comienzo de sus estándares curriculares, ofrece la CSTA
al respecto de estas 2 familias: ‘Pensamiento Computacional’ (‘Computational Thinking’) y
‘Prácticas de Computación y Programación’ (‘Computing Practice and Programming’).
Concretamente, al respecto del pensamiento computacional, se dice:
“Consideramos que el pensamiento computacional puede ser usado a través de todas las
disciplinas para resolver problemas, diseñar sistemas, crear nuevo conocimiento, y mejorar
nuestra comprensión sobre el poder y los límites de la computación en la era digital. El
estudio y desarrollo del pensamiento computacional capacita a todos los estudiantes a
conceptualizar mejor, analizar, y resolver problemas complejos mediante la selección y
aplicación de las estrategias y herramientas adecuadas; tanto en un entorno digital como
físico, virtual o real (…) así pues, el pensamiento computacional es una metodología de
resolución de problemas que puede servir de puente entre las Ciencias de la Computación y
el resto de las disciplinas, proporcionando un particular enfoque a la formulación y
resolución de problemas, de manera que éstos puedan ser solucionados computacionalmente.
Con su foco puesto en la abstracción, la automatización y el análisis, el pensamiento
computacional es un elemento central de la disciplina más amplia de las Ciencias de la
Computación, y por dicha razón se incluye como una de las familias de estándares a lo largo
de todos los niveles de aprendizaje” (CSTA, 2011, p. 9-10)
En la siguiente Tabla 3.2 se presentan los estándares curriculares para ambas familias propuestas por
la CSTA a lo largo de todos los niveles educativos contemplados. En conjunto, la sucesión de
estándares expuesta puede considerarse un modelo de desarrollo del pensamiento computacional (y
de las prácticas de programación informática) a lo largo de todas las etapas educativas pre-
universitarias:
168
Tabla 3.2. Estándares curriculares propuestos por la CSTA (2011) para el ‘Pensamiento Computacional’ y las ‘Prácticas de Computación y Programación’
Familia de estándares
Pensamiento Computacional Prácticas de Computación y Programación
(Computational Thinking – CT) (Computing Practices and Programming – CPP)
Nivel 1 Grados K1-K3 (L1:3.CT) Grados K1-K3 (L1:3.CPP)
(‘Level 1’ – L1) El estudiante será capaz de: El estudiante será capaz de:
1. Utilizar recursos tecnológicos-digitales (p.e. puzles, programas de 1. Utilizar recursos tecnológico-digitales para llevar a cabo
pensamiento lógico) para resolver problemas adecuados a su edad. investigaciones apropiadas a su edad.
2. Utilizar herramientas de escritura, cámaras digitales, y herramientas de 2. Utilizar recursos digitales-multimedia adecuados a su etapa evolutiva
dibujo para ilustrar pensamientos, ideas e historias de manera ‘paso por (p.e. libros educativos y software educativo), para apoyar su
paso’ aprendizaje a través del currículum.
3. Entender cómo organizar (clasificar) información en un orden útil 3. Crear productos digitales-multimedia adecuados a su etapa evolutiva
(como, por ejemplo, ordenar a sus compañeros por fecha de con el apoyo de sus profesores, familia y compañeros de aula.
nacimiento); sin necesidad de utilizar un ordenador. 4. Construir un conjunto de sentencias/afirmaciones que sirvan para
4. Reconocer que el software es creado para controlar las operaciones que acometer una tarea sencilla (p.e. una receta de cocina)
realiza el ordenador. 5. Identificar trabajos que utilizan la computación y la tecnología.
5. Demostrar como los 0s y 1s pueden ser usados para representar 6. Reunir y organizar información utilizando herramientas de mapeo
información (modo binario) conceptual
169
Nivel 1 Grados K3-K6 (L1:6.CT) Grados K3-K6 (L1:6.CPP)
1. Comprender y utilizar los pasos básicos de la solución algorítmica de 1. Utilizar recursos tecnológico-digitales (p.e. calculadoras, instrumentos
problemas (p.e. planteamiento y exploración del problema, examen de de recogida de datos, dispositivos móviles, videos, software educativo,
casos de la muestra, diseño, implementación y evaluación) y herramientas web) para la resolución de problemas y el aprendizaje
2. Desarrollar una comprensión sencilla de un algoritmo (p.e. un auto-dirigido.
algoritmo de búsqueda, un algoritmo de clasificación, o una secuencia 2. Utilizar herramientas y periféricos que apoyen y promuevan la
de eventos), a través de ejercicios sin ordenador. productividad personal, remedien los déficits de habilidades, y faciliten
3. Demostrar como una cadena de bits puede ser utilizada para representar el aprendizaje.
información alfanumérica. 3. Utilizar herramientas tecnológico-digitales (p.e. presentaciones
4. Describir cómo se puede utilizar una simulación para resolver un multimedia, herramientas web, cámaras digitales, y escáneres) para
problema. realizar escritura individual y colaborativa, así como actividades de
5. Hacer una lista de sub-problemas a considerar a la hora de afrontar un comunicación y publicación.
problema de magnitud mayor. 4. Reunir y manipular datos utilizando una amplia variedad de
6. Comprender las conexiones entre las ciencias de la computación y otras herramientas digitales.
áreas. 5. Construir/escribir un programa como conjunto de instrucciones ‘paso
por paso’ que debe ser llevado a cabo (p.e. cómo hacer un sándwich de
mantequilla y mermelada)
6. Implementar soluciones a problemas utilizando lenguajes de
programación visuales ‘por bloques’.
7. Utilizar dispositivos computacionales-digitales para acceder a
información remota, y comunicarse con otros para apoyar el
aprendizaje directo e independiente; y perseguir los intereses
personales.
8. Navegar a través de páginas web utilizando hipervínculos, y llevar a
cabo búsquedas simples utilizando motores de búsqueda.
9. Identificar un amplio rango de trabajos que requieren conocimientos de
computación.
10. Reunir u manipular datos utilizando una amplia variedad de
herramientas digitales.
170
Nivel 2 Grados K6-K9 (L2.CT) Grados K6-K9 (L2.CPP)
1. Utilizar los pasos básicos de la resolución algorítmica de problemas 1. Seleccionar las herramientas y recursos tecnológico-digitales
para diseñar soluciones eficaces a los mismos. apropiados para acometer una amplia variedad de tareas y solucionar
2. Describir el proceso de paralelización en la medida que se relaciona problemas.
con la solución de problemas. 2. Utilizar una amplia variedad de herramientas y periféricos multimedia-
3. Definir un algoritmo como una secuencia de instrucciones que puede digitales para apoyar la productividad personal y el aprendizaje a lo
ser procesada por un ordenador. largo del currículum.
4. Evaluar de qué manera diferentes algoritmos pueden ser usados para 3. Diseñar, desarrollar, publicar y presentar productos (p.e. páginas web,
resolver el mismo problema. aplicaciones móviles, animaciones) utilizando recursos tecnológico-
5. Representar algoritmos de búsqueda y algoritmos de ordenación. digitales, que demuestren y comuniquen conceptos curriculares.
6. Describir y analizar una secuencia de instrucciones que está siendo 4. Demostrar la comprensión de algoritmos y sus aplicaciones prácticas.
seguida-ejecutada (p.e. describir el comportamiento de un personaje en 5. Implementar soluciones a problemas utilizando un lenguaje informático
un videojuego como objeto controlado por reglas y algoritmos) de programación, incluyendo: bucles, sentencias condicionales,
7. Representar datos en una amplia variedad de formas, incluyendo texto, expresiones lógicas, variables y funciones.
sonidos, imágenes y números. 6. Demostrar buenas prácticas en lo relativo a la seguridad de la
8. Utilizar representaciones visuales para dar cuenta del estado de un información personal; utilizando contraseñas, encriptación y
problema o estructura de datos (p.e. gráficos, cuadros, diagramas de transacciones seguras.
red, diagramas de flujo) 7. Identificar carreras interdisciplinares que son potenciadas por las
9. Interactuar con modelos y simulaciones relativas a contenidos ciencias de la computación.
específicos (p.e. ecosistemas, epidemias, dinámica molecular), para 8. Demostrar una actitud positiva a la resolución de problemas abiertos y
apoyar su aprendizaje e investigación. a la programación (p.e. sentirse cómodo con la complejidad,
10. Evaluar qué tipo de problemas pueden ser resueltos utilizando modelos persistencia, adaptabilidad, paciencia, propensión a la experimentación,
y simulaciones. creatividad, aceptación de retos)
11. Analizar el grado en el que un modelo computacional representa con 9. Recoger y analizar datos que se emitan como resultado de múltiples
exactitud el mundo real. ejecuciones de un programa informático.
12. Utilizar la abstracción para descomponer un problema en sub-
problemas.
13. Comprender la noción de jerarquía y abstracción en la computación,
incluyendo lenguajes de alto nivel, traducción, conjuntos de
instrucciones, y circuitos lógicos.
14. Examinar las conexiones entre elementos de las matemáticas y de las
ciencias de la computación, incluyendo números binarios, lógicas,
variables y funciones.
15. Proporcionar ejemplos de aplicaciones interdisciplinares del
pensamiento computacional.
171
Nivel 3 Grados K9-K12 (L3.CT) Grados K9-K12 (L3.CPP)
1. Utilizar funciones y parámetros predefinidos, clases y métodos para 1. Crear y organizar páginas web a través del uso de una amplia variedad
dividir un problema complejo en partes más simples. de herramientas de diseño y programación web.
2. Describir el proceso de desarrollo del software utilizado para resolver 2. Utilizar dispositivos móviles y emuladores para diseñar, desarrollar, e
los problemas en el mismo (p.e. diseño, codificación, evaluación y implementar aplicaciones móviles (‘apps’)
verificación) 3. Utilizar varios métodos de depuración y testeo para asegurar la
3. Explicar cómo la secuenciación, la selección, la iteración y la corrección de los programas informáticos.
recursividad forman los bloques de construcción de los algoritmos. 4. Aplicar técnicas de análisis, diseño e implementación para resolver
4. Comparar distintas técnicas para analizar colecciones masivas de datos. problemas (p.e. usar uno o más modelos cíclicos-iterativos de software)
5. Describir las relaciones entre las representaciones binarias y 5. Usar APIs (‘Application Program Interfaces’) y librerías para facilitar
hexadecimales. soluciones de programación.
6. Analizar la representación (e intercambio/traducción) entre distintas 6. Seleccionar formatos de archivo adecuados para diversos tipos y usos
formas de información digital. de datos.
7. Describir cómo varios tipos de datos son almacenados en un sistema 7. Describir/conocer una variedad de lenguajes de programación
informático. disponibles para resolver problemas y desarrollar sistemas.
8. Utilizar la modelización y la simulación para representar y comprender 8. Explicar el proceso de ejecución de un programa.
fenómenos naturales. 9. Explicar los principios de la seguridad informática a través del estudio
9. Discutir/debatir el valor de la abstracción para gestionar la complejidad de la encriptación, la criptografía, y las técnicas de autenticación.
de los problemas. 10. Explorar una variedad de carreras profesionales en las cuales es central
10. Describir el concepto de procesamiento en paralelo como una estrategia la computación.
para resolver problemas de magnitud superior 11. Describir/conocer técnicas para localizar y recoger conjuntos de datos a
11. Describir cómo la computación comparte características con el arte y la pequeña y gran escala.
música; en la traducción de una intención humana a un objeto o 12. Describir/conocer cómo las funciones matemáticas y estadísticas, así
artefacto. como los conjuntos y la lógica, son utilizados en la computación.
172
c) Modelo longitudinal de desarrollo del PC: los itinerarios CAS
Finalmente, proveniente del contexto escolar británico en el que las Ciencias de la Computación han
sido incluidas como asignatura obligatoria en su currículum a lo largo de todas las etapas obligatorias
(UK Department of Education, 2013), desde los 5 años (‘Year 1’) a los 16 años (‘Year 11’),
detallamos el ‘Modelo longitudinal de desarrollo del PC: los itinerarios CAS’ (Dorling, 2015).
Estos itinerarios, denominados ‘Computing Progression Pathways’, han sido desarrollados en el

marco del consorcio CAS (‘Computing at School’) de Reino Unido, del que ya hemos hablado
anteriormente. Su objetivo es trazar con detalle un camino o progresión a lo largo de la nueva
asignatura de ‘Ciencias de las Computación’, fijando los logros que deben ser adquiridos por los
estudiantes, específicamente entre el ‘Year 1’ (5-6 años, equivalente a nuestro último curso de
Educación Infantil) y el ‘Year 9’ (13-14 años, equivalente a nuestro 2º ESO). El modelo distingue
entre 6 itinerarios diferentes, todos ellos deben ser transitados por el estudiante:
 ‘Algoritmos’ (‘Algorithms’)
 ‘Programación y Desarrollo’ (‘Programming & Development’)
 ‘Datos y Representación de Datos’ (‘Data & Data Representation’)
 ‘Hardware y Procesamiento’ (‘Hardware & Processing’)
 ‘Comunicación y Redes’ (‘Communication & Networking’)
 ‘Tecnologías de la Información’ (‘Information Technology’)
Tal y como puede observarse, y a diferencia del esquema desarrollado por la CSTA de los Estados
Unidos, el ‘Pensamiento Computacional’ no aparece como itinerario diferenciado. Por el contrario,
en el contexto británico, el PC se entiende como central, en el corazón, de todos los itinerarios
propuestos; de manera que, para todos los logros que se fijan en ellos, se indica qué concepto del
pensamiento computacional (‘computational thinking concept’) se está desarrollando:
 ‘Abstracción’ (‘Abstraction’ = AB)
 ‘Descomposición’ (‘Decomposition’ = DE)
 ‘Pensamiento Algorítmico’ (‘Algorithmic Thinking’ = AL)
 ‘Evaluación’ (‘Evaluation’ = EV)
 ‘Generalización’ (‘Generalization’ = GE)
En la siguiente Tabla 3.3 se reproducen los 6 itinerarios 219, indicando la progresión de logros que se
espera a lo largo de cada uno de ellos, junto con el concepto computacional involucrado (Dorling,
2015)
219
Accesible en su versión original inglesa en PDF: http://community.computingatschool.org.uk/files/5094/original.pdf
173
Tabla 3.3. ‘CAS Computing Progressión Pathways’ (Traducción de Dorling, 2015)
Itinerarios
Progresión
del ‘Datos y
‘Programación y ‘Hardware y ‘Comunicación y ‘Tecnologías de la
estudiante ‘Algoritmos’ Representación de
Desarrollo’ Procesamiento’ Redes’ Información’
Datos’
Comprende qué es un Sabe que los usuarios Reconoce que el Comprende que los Obtiene contenido de Utiliza software bajo el
algoritmo y es capaz de pueden desarrollar sus contenido digital ordenadores no tienen Internet utilizando un control del profesor para
expresar algoritmos propios programas, y puede ser inteligencia, y que no navegador web (AL) crear, almacenar y editar
simples-lineales (sin lo muestra creando un representado de hacen nada al menos contenido digital,
Comprende la
ramas) de manera programa simple en un muchas formas (AB) que un programa sea utilizando nombres
importancia de
simbólica (AL) entorno que no (GE) ejecutado (AL) apropiados para carpetas
comunicarse de manera
requiere texto (p.e. y archivos (AB) (GE)
Comprende que los Distingue entre Reconocen que todo el segura y respetuosa on-
robots programables) (DE)
ordenadores necesitan algunas de estas software ejecutado en line, y la necesidad de
(AL)
instrucciones precisas formas y puede los dispositivos mantener en privado la Comprende que la gente
(AL) Ejecuta, comprueba y explicar sus digitales está información personal interactúa con las
modifica programas diferencias a la hora programado (AL) (EV) computadoras.
Muestra cuidado y
(AL) de comunicar (AB) (GE)
precisión para evitar Sabe qué hacer cuando Comparte su
información (AB)
errores (AL) Comprende que los le afecta/preocupa algún uso/conocimiento de la
programas se ejecutan contenido o es tecnología en la escuela
siguiendo contactado on-line (AL)
Conoce usos comunes de
Year 1-2 instrucciones precisas
las tecnologías de la
(AL)
información más allá del
aula (GE)
Habla acerca de su
trabajo y hace cambios
para mejorarlo (EV)
174
‘Datos y
‘Algoritmos’ Representación de
Datos’
Comprende que los Utilizar operadores Reconoce diferentes Reconoce que existe Navega la red y puede Utiliza la tecnología con
algoritmos son aritméticos, sentencias tipos de datos: texto, un amplio abanico de llevar a cabo búsquedas una independencia
implementados en los condicionales ‘If’, y número (AB) (GE) dispositivos digitales web sencillas para creciente, organizando
dispositivos digitales bucles en sus que pueden ser recopilar contenido contenido digital con
Aprecia que los
como programas programas (AL) considerados como un digital (AL) (EV) arreglo a un objetivo
programas pueden
informáticos (AL) ordenador (AB) (GE) (AB)
Utiliza el funcionar con Evidencia un uso de los
Diseña algoritmos razonamiento lógico diferentes tipos de Reconoce y puede usar ordenadores seguro y Muestra conciencia sobre
simples utilizando bucles para predecir el datos (GE) una variedad de responsable, conociendo la calidad del contenido
y condiciones (p.e. comportamiento de los dispositivos que diversas vías para digital recopilado (EV)
Reconoce que los
sentencias ‘If’) (AL) programas (AL) soportan ‘inputs’ y informar de contenidos
datos pueden ser Utiliza una amplia
‘outputs’ o contactos on-line
Utiliza el razonamiento Detecta y corrige estructurados en variedad de software para
inaceptables.
lógico para predecir errores simples tablas para hacerlos Comprende cómo los manipular y presentar
resultados (AL) semánticos (p.e. más útiles (AB) (DE) programas especifican contenido digital: datos e
depuración) en los las funciones de un información (AL)
Detecta y corrige errores
programas (AL) ordenador, dentro de
(p.e. depuración) en Comparte sus
su propósito general
algoritmos (AL) experiencias con la
(AB)
tecnología en el aula y
Year 2-3 más allá de la misma
(GE) (EV)
Habla sobre su trabajo y
hace mejoras a sus
soluciones basadas en el
feedback recibido (EV)
175
‘Datos y
Datos’
Diseña soluciones Crea/escribe Comprende la Sabe que los Comprende la diferencia Recopila, organiza y
(algoritmos) que usan programas que diferencia entre datos ordenadores recogen entre Internet y un presenta datos e
repeticiones y implementan e información (AB) datos de varios servicio de internet (p.e información en forma de
condicionales compuestos algoritmos para lograr dispositivos de ‘input’, la ‘World Wide Web’) contenido digital (AB)
Sabe por qué ordenar
(p.e. ‘If/else’) (AL) metas fijadas (AL) incluidos sensores y (AB)
datos en un archivo Crea contenido digital
software de
Utiliza diagramas para Declara y asigna plano puede mejorar Muestra conciencia de, para logra una meta
aplicaciones (AB)
expresar soluciones (AB) variables (AB) la búsqueda de y utiliza, una variedad determinada, a través de
información (EV) Comprende la de servicios de internet la combinación de
Utiliza el razonamiento Usa bucles indefinidos
diferencia entre (p.e. VOIP 220) distintos paquetes de
lógico para predecir (‘post-tested loops’, Utiliza filtros o puede
hardware y software software y servicios de
resultados (‘outputs’), p.e. ‘repeat until’) y realizar búsquedas Reconoce qué es un
de aplicaciones, y sus internet para comunicar
mostrando conciencia de secuencias de unicriteriales de comportamiento
roles dentro del con una audiencia más
su afectación por las sentencias información (AL) aceptable e inaceptable
sistema informático amplia (p.e. ‘blogging’)
entradas (‘inputs’) (AL) condicionales cuando se utilizan
(AB) (AL)
compuestas (p.e. tecnologías y servicios
‘If/else’) (AL) on-line. Hace mejoras apropiadas
a sus soluciones basadas
Year 3-4 en el feedback recibido, y
puede comentar acerca
del éxito de dicha
solución (EV)
220
‘Voz sobre protocolo de internet’ (VOIP), es un conjunto de recursos que hacen posible que la señal de voz viaje a través de Internet empleando el protocolo IP (Protocolo de Internet)
176
‘Datos y
Datos’
Muestra conciencia de Comprende la Realiza búsquedas Comprende por qué y Comprende cómo usar Hace juicios sobre
qué tareas son diferencia, y los usos más complejas de cuándo se utilizan los de manera efectiva los contenidos digitales, con
completadas mejor por apropiados, entre las información (p.e. ordenadores (EV) motores de búsqueda, y el fin de evaluarlos y
personas o por sentencias utilizando operadores sabe cómo se proponer mejoras
Comprende las
ordenadores (EV) condicionales simples Booleanos y seleccionan los dirigidas a audiencias
funciones principales
(‘If’) y las compuestas operadores resultados de búsqueda; determinadas (EV) (GE)
Diseña soluciones a de un sistema
(‘If/else’) (AL) relacionales) (AL) incluyendo que los
través de la operativo (DE) (AB) Identifica la audiencia
(GE) (EV) buscadores utilizan
descomposición de un Utiliza variables y cuando diseña y crea
Conoce la diferencia programas de ‘rastreo
problema, y crea una sub- operadores Analiza y evalúa contenido digital (EV)
entre redes físicas, sin web’ 222 (AB) (GE) (EV)
solución para cada una de relacionales 221 dentro datos e información,
cables y móviles (AB) Comprende el potencial
estas partes (DE) (AL) de un bucle para y reconoce que una Selecciona, combina y
de las tecnologías de la
(AB) determinar su pobre calidad de los usa distintos servicios
información para el
terminación (AL) (GE) datos conduce a de internet (EV)
Reconoce que existen trabajo colaborativo
resultados no
diferentes soluciones para Diseña, escribe y Demuestra un uso cuando los ordenadores
confiables y a
el mismo problema (AL) depura programas responsable de las están conectados en red
conclusiones
Year 4-5 (AB) modulares utilizando tecnologías y servicios (GE)
inexactas (AL) (EV)
procedimientos y on-line, y conoce
Utiliza criterios para
funciones (AL) (DE) diversas vías para
evaluar la calidad de las
informar de sus
Sabe que un soluciones; puede
inquietudes y
procedimiento o identificar mejoras
preocupaciones.
función puede ser haciendo retoques sobre
utilizado para ocultar una solución actual, y
el detalle de una sub- futuras soluciones (EV)
solución (AL) (DE)
(AB) (GE)
221
Los ‘operadores relacionales’ son aquéllos que permiten establecer relaciones del tipo ‘mayor que’, ‘menor que’, ‘igual’, ‘diferente’, etc...
222
Un ‘rastreador web’ es un programa que inspecciona las páginas del World Wide Web de forma metódica y automatizada.
177
‘Datos y
Datos’
Comprende que la iteración Comprende que la Sabe que los Reconoce y comprende Comprende cómo los Evalúa la adecuación de
es la repetición de un programación funciona ordenadores y la función de las motores de búsqueda distintos dispositivos
proceso, como un bucle (AL) de puente entre las dispositivos digitales principales partes clasifican y ordenan los digitales, servicios de
soluciones algorítmicas y utilizan el sistema internas que forman la resultados de la misma internet y software de
Reconoce que existen las computadoras (AB) binario para representar arquitectura básica de un (AL) aplicaciones para logras
diferentes algoritmos para el todos los datos (AB) ordenador (AB) metas determinadas (EV)
mismo problema (AL) (GE) Tiene experiencia Comprende cómo construir
práctica en lenguajes Comprende cómo los Comprende los una página web estática Reconoce los aspectos éticos
Representa soluciones textuales de patrones de bits conceptos que hay detrás utilizando HTML 226 y en torno a la aplicación de
utilizando una notación programación de alto representan números e de los ciclos de ejecución CSS 227 (AL) (AB) las tecnologías de la
estructurada (AL) (AB) nivel 223, utilizando imágenes (AB) y procesamiento (AB) información más allá de la
librerías estandarizadas (AL) Comprende la transmisión escuela.
Puede identificar similitudes Sabe que los de datos entre dispositivos
y diferencias entre de código cuando
programa (AB) (AL) ordenadores transfieren Sabe que hay un amplio digitales a través de las Diseña criterios para evaluar
situaciones, y utilizarlo para los datos en sistema abanico de sistemas redes, incluyendo Internet de manera crítica la calidad
resolver problemas análogos Utiliza un amplio abanico binario (AB) operativos y de software (p.e. direcciones IP y de las soluciones; utiliza
(reconocimiento de patrones) de operadores y de aplicaciones para un conmutación de dichos criterios para
(GE) expresiones (p.e. Comprende la relación mismo hardware (AB) paquetes 228) (AL) (AB) identificar mejoras y puede
Year 5-6 entre el sistema binario
operadores booleanos 224), realizar retoques apropiados
y los aplica en el y el tamaño de los a la solución (EV)
contexto del control de archivos (no
los programas (AL) comprimidos) (AB)
Selecciona Define diferentes tipos

apropiadamente entre los de datos: números reales
distintos tipos de datos y booleanos (AB)
(AL) (AB) Consulta datos en una
tabla utilizando un
lenguaje de consulta 225
(‘query language’)
habitual (AB)
223
Un lenguaje de programación ‘de alto nivel’ se caracteriza por expresar el algoritmo de una manera adecuada a la capacidad cognitiva humana, en lugar de la capacidad ejecutora de las
máquinas.
224
Los ‘operadores booleanos’ son operadores de tipo lógico; los principales son: AND, OR y NOT
225
Un ‘lenguaje de consulta’ es un lenguaje informático usado para hacer consultas en bases de datos y sistemas de información.
226
HTML, siglas de ‘HyperText Markup Language’ (‘lenguaje de marcas de hipertexto’), hace referencia al lenguaje de marcado para la elaboración de páginas web.
227
Hoja de estilo en cascada o CSS (siglas en inglés de ‘cascading style sheets’) es un lenguaje usado para definir y crear la presentación de un documento estructurado escrito en HTML
228
La conmutación de paquetes es un método de envío de datos en una red de computadoras.
178
‘Datos y
Datos’
Comprende que una solución Utiliza sentencias Comprende cómo los Comprende la Conoce los nombres del Justifica la elección de, y
recursiva a un problema condicionales anidadas números, las imágenes, arquitectura Von hardware (p.e. ‘hubs’ 230, combina y usa de manera
aplica repetidamente la (AL) los sonidos, o los Neumann 229 en relación ‘routers’ 231, ‘switches’ 232) independiente, múltiples
misma solución a casos conjuntos de caracteres con los ciclos de y de los protocolos (p.e. dispositivos digitales,
particulares del mismo (AL) Aprecia la necesidad de, pueden usar los mismos ejecución, incluyendo SMTP, iMAP, POP, FTP, servicios de internet y
(GE) y escribe, funciones patrones de bits (AB) cómo los datos son TCP/ IP) asociados con las software de aplicaciones
personalizadas a través (GE) almacenados en la redes de sistemas para lograr unas metas
Reconoce que algunos del uso de parámetros memoria (AB) (GE) informáticos. determinadas (EV)
problemas comparten las (AL) (AB) Realiza operaciones
mismas características y simples utilizando Comprende las Utiliza las tecnologías y Evalúa la fiabilidad del
utilizan el mismo algoritmo Conoce la diferencia patrones de bits (p.e. operaciones y funciones servicios online de manera contenido digital, y toma en
para ser resueltos (AL) (GE) entre, y usa adición binaria) (AB) básicas de la memoria segura, y sabe cómo consideración la usabilidad
apropiadamente, (AL) localizada y identificar e informar de de los distintos aspectos del
Entiende la noción de procedimientos y direccionable (AB) conductas inapropiadas diseño visual a la hora de
rendimiento de un algoritmo, funciones (AL) (AB) Comprende la relación (AL) crear artefactos digitales
y aprecia que algunos entre la resolución y la para una audiencia conocida
algoritmos tienen distinto Comprende y utiliza la profundidad de color de
negación en los (EV)
nivel de rendimiento una imagen digital,
operadores (AL)
Year 6-7 aplicados en una misma incluido su efecto sobre Identifica y explica cómo el
tarea (AL) (EV) Utiliza y manipula el tamaño del archivo uso de la tecnología puede
estructuras de datos (AB) impactar sobre la sociedad.
unidimensionales (AB) Distingue entre los Diseña criterios para los
Detecta y corrige errores datos usados en un usuarios para evaluar la
sintácticos (AL) programa particular calidad de las soluciones,
(una variable) y la utiliza el feedback de los
estructura de usuarios para identificar
almacenamiento para mejoras, y puede realizar
esos datos (AB) ajustes adecuados a la
solución (EV)
229
La arquitectura Von Neumann, también conocida como modelo de Von Neumann o arquitectura Princeton, es una arquitectura de computadoras basada en la descrita en 1945 por el
matemático y físico John von Neumann y otros.
230
Concentrador (‘hub’) es el dispositivo que permite centralizar el cableado de una red de computadoras, para luego poder ampliarla.
231
Un ‘router’ (también conocido como enrutador o encaminador de paquetes) es un dispositivo que proporciona conectividad a nivel de red.
232
Conmutador (‘switch’) es el dispositivo digital lógico de interconexión de equipos que opera en la capa de enlace de datos. Su función es interconectar dos o más segmentos de red.
179
‘Datos y
Datos’
Reconoce que el diseño Aprecia el efecto del Conoce la relación Sabe que los Conoce el propósito del Emprende proyectos
de un algoritmo es alcance de una entre la procesadores tienen hardware y los creativos que recogen,
distinto de su expresión variable (p.e. una representación de los conjuntos de protocolos asociados analizan, y evalúan datos
particular en un lenguaje variable local no puede datos y la calidad de instrucciones, y que con las redes de para cubrir las
de programación (que ser accedida desde el los datos (AB) éstos se relacionan con sistemas informáticos necesidades de un
dependerá de los exterior de su función) las instrucciones de (AB) (AL) determinado grupo de
Comprende la
comandos y sintaxis de (AB) (AL) bajo nivel que son usuarios (AL) (DE) (EV)
relación entre el Comprende el modelo
programación llevadas a cabo por el
Comprende y aplica la sistema binario y los cliente-servidor, Diseña de manera
disponibles) (AL) (AB) ordenador (AB) (AL)
transferencia de circuitos eléctricos, incluido cómo las efectiva artefactos
(GE)
Evalúa la efectividad de parámetros (AB) (GE) incluyendo la lógica páginas web dinámicas digitales para una
algoritmos y modelos (DE) Booleana (AB) utilizan secuencias de audiencia amplia y
aplicados a problemas comandos del lado del remota (AL) (DE)
Comprende la Comprende cómo, y
similares (AL) (AB) (GE) servidor, y procesan y
diferencia entre, y usa, por qué, los valores Considera las
almacenan datos
Reconoce qué los bucles son datos escritos o propiedades de los
introducidos por el
información puede ser indefinidos 233 ‘pre- codificados en medios cuando los
usuario (AL) (AB) (DE)
filtrada e ignorada para tested’ (p.e. ‘while muchos lenguajes incorpora a sus artefactos
Year 7-8 generalizar la soluciones loop’), y ‘post-tested’ diferentes, cuando Reconoce que la digitales (AB)
a un problema (AL) (AB) (p.e. ‘until loop’) (AL) son manipulados persistencia y
Documenta el feedback
(GE) durante los programas perdurabilidad de los
Aplica una de los usuarios, las
(AB) datos en Internet
Utiliza el razonamiento aproximación modular mejoras identificadas y
requiere de una
lógico para explicar cómo a la detección y los ajustes realizados a la
protección cuidados de
funciona un algoritmo corrección de errores solución (AB)
la identidad y la
(AL) (AB) (DE) (AB) (DE) (GE)
privacidad on-line Explica y justifica cómo
Representa algoritmos el uso de la tecnología
utilizando un lenguaje impacta en la sociedad,
formal-estructurado (AL) desde una perspectiva
(DE) (AB) tanto social como
económica, política,
legal, ética y moral (EV)
233
Un bucle indefinido, en vez de repetirse un número determinado de veces, lo hace mientras se cumpla una condición (‘while loop’), o hasta que una condición se cumpla (‘until loop’)
180
‘Datos y
Datos’
Diseña la solución a un Diseña y escribe Realiza operaciones Tiene experiencia Comprende el hardware Comprende los aspectos
problema que depende de programas modulares utilizando patrones de práctica con algún asociado con las redes de éticos en torno a la
soluciones a casos anidados que refuerzan la bits (p.e conversión del lenguaje de sistemas informáticos, aplicación de las tecnologías
particulares dentro del reusabilidad utilizando sistema binario al programación de bajo incluyendo WANs 237 y de la información, y la
mismo problema sub-rutinas siempre que hexadecimal, nivel 235 (AB) (AL) (DE) LANs 238; comprende su existencia de marcos legales
(recursividad) (AL) (DE) sea posible (AL) (AB) sustracción binaria, (GE) propósito y cómo que rigen su uso (p.e. ‘Data
(AB) (GE) (GE) (DE) etc...) (AB) (AL) (GE) funcionan, incluyendo las Protection Act’ 240,
Comprende y puede direcciones MAC 239 (AB) ‘Computer Misuse Act’,
Comprende que algunos Comprende la diferencia Comprende y puede explicar la Ley de (AL) (DE) (GE) ‘Copyright’, etc.) (EV)
problemas no pueden ser entre un bucle ‘while’ explicar la necesidad de Moore 236 (GE)
resueltos (‘repetir mientras’) y un comprimir los datos, y
computacionalmente (AB) bucle ‘for’ que usa un puede ejecutar métodos Comprende y puede
(GE) contador (AL) (AB) simples de compresión explicar la capacidad
Year 8-9 (AL) (AB) multitarea de los
Comprende y utiliza ordenadores (AB) (AL)
estructuras de datos Conoce qué es un base (DE)
bidimensionales (AB) de datos relacional 234
(DE) (‘relational database’),
y comprende los
beneficios de almacenar
datos en múltiples tablas
(AB) (GE) (DE)
Concepto de Pensamiento Computacional: ‘Abstracción’ (AB); ‘Descomposición’ (DE); ‘Pensamiento Algorítmico’ (AL); ‘Evaluación’ (EV); ‘Generalización’ (GE)
234
Una ‘base de datos relacional’ (BDR) es un tipo de base de datos (BD) que permite establecer interconexiones o relaciones entre los datos que la forman.
235
Un lenguaje de programación de características ‘bajo nivel’ es aquel en el que sus instrucciones ejercen un control directo sobre el hardware y están condicionados por la estructura física de
las computadoras que lo soportan.
236
La Ley de Moore expresa que aproximadamente cada dos años se duplica el número de transistores en un microprocesador.
237
Una red de área amplia, o WAN, (‘Wide Area Network’ en inglés), es una red de computadoras que abarca varias ubicaciones físicas, proveyendo servicio a una zona, un país, incluso varios
continentes
238
Una red de área local o LAN (por las siglas en inglés de ‘Local Area Network’) es una red de computadoras que abarca un área reducida a una casa, un departamento o un edificio.
239
En las redes de computadoras, la dirección MAC (siglas en inglés de ‘Media Access Control’; en español ‘Control de Acceso al Medio’) es un identificador de 48 bits (6 bloques
hexadecimales) que corresponde de forma única a una tarjeta o dispositivo de red.
240
Equivalente a nuestra Ley de Protección de Datos.
181
3.2.2. Experiencias y recursos para el desarrollo del pensamiento computacional
Tal y como venimos comentando a lo largo de esta tesis, la programación informática (‘coding’) es
la manera más habitual y evidente para el desarrollo del pensamiento computacional (PC) (Basogain,
Olabe, & Olabe, 2015; Compañ-Rosique, Satorre-Cuerda, Llorens-Largo, Molina-Carmona, 2015).
La programación informática implica necesariamente que el sujeto ponga en juego su PC, al tener
que manejar los distintos conceptos computacionales de manera coordinada y orientada a la
resolución del problema al que el programa trata de dar respuesta. Dicho de otra manera, la
programación informática hace que el pensamiento computacional cobre vida, al proyectarse y
cristalizar en la construcción de artefactos digitales concretos (Kafai & Burke, 2013; Resnick et al.,
2009). Pero, igualmente, el pensamiento computacional, como proceso cognitivo de resolución de
problemas que es, puede ser desarrollado en entornos que no incluyen la programación informática y,
aún más, que no incluyen siquiera ordenadores (entornos ‘unplugged’)
Desde esta dualidad, en este epígrafe: en primer lugar realizamos una revisión de la literatura
científica que da cuenta de recientes experiencias de desarrollo del pensamiento computacional
explícitamente a través de la programación informática, y en etapas escolares pre-universitarias (K-
12); en segundo lugar, mostramos algunos ejemplos de experiencias y recursos para el desarrollo del
pensamiento computacional en entornos ‘unplugged’, sin necesidad de ordenadores.
A modo de síntesis integradora de ambos polos, se finaliza con un sub-epígrafe que detalla el
programa-curso trimestral ‘K-8 Intro to Computer Science’ (Code.org, 2015a), objeto central de la
evaluación de programas que abordaremos en el Capítulo 7 de esta tesis, y excelente ejemplo de
curso que integra en su estructura tanto sesiones de ‘coding on-line’ como sesiones ‘unplugged’.
a) Revisión de experiencias de desarrollo del pensamiento computacional a través de la

programación informática en etapas escolares pre-universitarias.
Es la proliferación y disponibilidad de los nuevos lenguajes visuales de programación, gratuitos y de

aprendizaje ‘amigable’ como Scratch (Resnick et al., 2009) o Alice (Cooper, Dann, & Pausch, 2000;
Graczyńska, 2010), el hecho fundamental que viene potenciando en los últimos años un renovado
interés por introducir la programación informática en los entornos escolares pre-universitarios (Lye
& Koh, 2014)
En contraste con los lenguajes tradicionales de programación (lenguajes ‘textuales’ como Java o
C++), cuya forma de representación y sintaxis se aproxima más a la forma de procesar de un
ordenador (Smith, Cypher, & Tesler, 2000); los lenguajes visuales de programación están más
cercanos a la forma humana de representar el lenguaje (Figura 3.13). Además, los lenguajes visuales
de programación (p.e. Scratch o Alice) son más sencillos de comprender y comenzar a utilizar, pues
proveen feedback visual en tiempo real del programa que se está escribiendo en forma de objetos
digitales animados, permitiendo al estudiante crear animaciones y juegos digitales-interactivos que
posteriormente puede compartir.
182
Figura 3.13. El mismo programa informático escrito en un lenguaje textual (Java, a la izquierda) y en un lenguaje visual
(Scratch, a la derecha)
Así, en conjunto, parece que los lenguajes visuales de programación son más adecuados que los
lenguajes tradicionales ‘textuales’ a la hora de facilitar, en contextos escolares pre-universitarios, las
3 dimensiones del pensamiento computacional definidas por Brennan y Resnick (2012): conceptos
computacionales (‘computational concepts’), prácticas computacionales (‘computational practices’)
y perspectivas computacionales (‘computational perspectives’). Así lo defienden Lye y Koh (2014)
cuando dicen que:
 Los lenguajes visuales de programación reducen o eliminan elementos de sintaxis

innecesarios que están presentes en los lenguajes textuales (p.e. el uso de paréntesis, llaves, y
puntos y coma); y los comandos-órdenes de los lenguajes visuales están más próximos al
lenguaje humano natural-hablado. Al utilizar los lenguajes visuales, habitualmente el
estudiante sólo necesita ‘arrastrar y soltar’ (‘drag-and-drop’) los bloques de comandos, que
encajan unos con otros según su funcionalidad, para ir construyendo el programa. Con estas
características, los lenguajes visuales de programación ayudan a reducir la carga cognitiva del
sujeto y “permiten a los estudiantes focalizarse en la lógica y las estructuras implicadas en
la programación, en vez de preocuparse sobre los aspectos mecánico-sintácticos de la
escritura del programa” (Kelleher & Pausch, 2005). Así las cosas, parece que los lenguajes
visuales de programación potencialmente permiten a los estudiantes, especialmente en etapas
escolares, adquirir los conceptos computacionales (‘computational concepts’) más
fácilmente, sin la necesidad farragosa de aprender sintaxis de programación complejas como
las de los lenguajes textuales.
 Igualmente, los lenguajes visuales de programación facilitan que los estudiantes promuevan y
desarrollen la distintas prácticas computacionales (‘computational practices’), dado que los
resultados de su tarea de programación pueden ser visualizados en forma de objetos digitales
animados. Dicha visualización hace que algunas prácticas computacionales, como el testeo
(‘testing’) o la depuración (‘debugging’) de programas, sean cognitivamente menos
demandantes. Además, este tipo de lenguajes convierten a la tecnología progresivamente de
un ‘objeto de aprendizaje’ a un ‘compañero de aprendizaje’ (‘technology as a partner’ en la
terminología de Jonassen et al., 2008), y posibilitan que los estudiantes expandan y
transfieran estas prácticas computacionales a la potenciación de su habilidad general de
solución de problemas (Lin & Liu, 2012; Ratcliff & Anderson, 2011)
 Finalmente, los lenguajes visuales de programación enganchan a los estudiantes en la

construcción de productos digitales multimedia, y por tanto convierten la actividad de
183
programación en una vía a través de la cual los estudiantes pueden expresar sus ideas. Dicha
actividad puede contribuir a perfilar la perspectiva computacional (‘computational
perspective’) del estudiante acerca del mundo tecnológico-digital que le rodea. Estos
lenguajes visuales permiten que los estudiantes desarrollen un alfabetismo digital de alto
nivel para crear, compartir y remezclar recursos digitales (Mills, 2010; Ng, 2012); y en ese
proceso los estudiantes pasan de ser consumidores pasivos a creadores activos de tecnología
(Resnick et al., 2009). Por todo ello, los lenguajes visuales de programación, como
herramientas especialmente adecuadas para edades escolares, se están convirtiendo en
entornos de máxima importancia para proporcionar a los estudiantes experiencias de
alfabetización digital de máximo nivel (Mills, 2010)
Sin embargo, en el actual estado de la literatura científica, hay aún escasez de artículos que exploren
específicamente el desarrollo del pensamiento computacional a través de la programación en
contextos escolares K-12 (pre-universitarios) (Grover & Pea, 2013a). Recientemente, Lye y Koh
(2014) han realizado una revisión sistemática al respecto, encontrando tan solo 9 artículos que den
cuenta de experiencias e investigaciones que cumplan con dichos parámetros (‘computational
thinking’ AND ‘programming’ AND ‘K-12’). Partimos de dicha revisión, ampliándola con otros 3
artículos de corte empírico, publicados en el año 2015 en el primer monográfico sobre pensamiento
computacional en lengua española (Bender, Urrea, & Zapata-Ros, 2015); en el cual, este doctorando
ha tenido el privilegio de participar (Moreno-León, Robles, & Román-González, 2015)
En la Tabla 3.4 se sintetizan los 12 artículos revisados, indicándose: autor/es del trabajo; número,
perfil y edad de los estudiantes participantes en el estudio; duración de la intervención; lenguaje de
programación utilizado; y asignatura marco de la intervención.
Tabla 3.4. Relación de artículos, en orden alfabético, que estudian explícitamente el desarrollo del pensamiento
computacional a través de la programación en contextos escolares K-12
Nº de Perfil de los Edad de los Duración de la Lenguaje de Asignatura

Autor/es
Participantes participantes participantes intervención programación marco
Bender & Niños/as de

Arte y
Urrea 45 Educación 8-12 años 12 meses Logo Visual
Diseño
(2015) Primaria
Estudiantes
masculinos en una
Burke
10 actividad 12-14 años 7 semanas Scratch Lengua
(2012)
extraescolar
voluntaria
Estudiantes
Burker masculinos en un
14 11-14 años 2 semanas Logo Visual Tecnología
(2015) campamento de
verano
Estudiantes
féminas en una
Denner et
59 actividad 12-14 años 14 meses Stagecast Creator Informática
al. (2012)
extraescolar
voluntaria
184
Fessakis et Niños/as de
10 5-6 años 75 minutos Logo Visual Matemáticas
al. (2013) Educación Infantil
Kahn et al. Estudiantes de alto

31 9-13 años 7-10 semanas Toontalk Matemáticas
(2011) rendimiento
Kazakoff Entorno híbrido

Niños/as de
& Bers 58 4,5-6,5 años 20 horas de programación- Informática
Educación Infantil
(2012) robótica
Caso único en
Lee (2010) 1 actividad 9 años 6 meses Scratch Lengua
extraescolar
Participantes en un
Lin & Liu
3 campamento de 9-10 años 5 días Logo Visual Informática
(2012)
verano
Miller Discapacitado
1 13 años 3 meses Logo Visual Lengua
(2009) auditivo
Niños/as de
Moreno-
Educación
León et al. 109 10-14 años 1 hora Scratch Informática
Primaria y
(2015)
Secundaria
Estudiantes de
Wang &
instituto con Flash Action
Chen 115 12-14 años 6 semanas Informática
experiencia previa Script
(2010)
en Flash
Tal y como puede observarse en la Tabla 3.4, hay una gran variedad de intervenciones: desde
estudios con más de 100 estudiantes (p.e. Moreno-León et al., 2015; Wang & Chen, 2010) hasta
estudios de caso único (Lee, 2010; Miller, 2009); con sujetos cuyas edades oscilan entre los 4 y 14
años, abarcando las etapas de Educación Infantil, Primaria y Secundaria; tanto en entornos
educativos formales (p.e. Bender & Urrea, 2015) como no formales (p.e. Lin & Liu, 2012); tanto en
grupos mixtos (p.e. Fessakis et al., 2013), como en grupos ‘single sex’ ya sean masculinos (Burke,
2012) o femeninos (Denner et al., 2012), e incluso con población discapacitada (Miller, 2009); con
intervenciones cuya duración abarca desde una sola sesión de clase (Moreno-León et al., 2015), a un
curso académico completo (Bender & Urrea, 2015).
Los lenguajes de programación más utilizados fueron Scratch y versiones ‘visuales por bloques’ de
Logo. Ambos lenguajes tienen en común ser ‘low floor, high ceiling, wide walls’ (Resnick et al.,
2009); características que los hacen ideales para ser utilizados en poblaciones escolares que
pretendan desarrollar su pensamiento computacional:
 ‘Low floor’ (de ‘suelo bajo’): es decir, son lenguajes que no requieren que el estudiante tenga
conocimientos previos de programación para comenzar a ser utilizados. Son sencillos e
intuitivos, posibilitando que el estudiante novel comience a experimentar con ellos,
obteniendo resultados de manera inmediata. Estos lenguajes han bajado las ‘barreras de
entrada’ a la programación.
185
 ‘High ceiling’ (de ‘techo alto’): es decir, pese a su sencillez inicial, permiten a los estudiantes
crear programas extraordinariamente sofisticados. De manera que el estudiante puede avanzar
en la escritura de programas de creciente complejidad sin encontrar techo a su aprendizaje.
Scratch permite, incluso, que el estudiante cree sus propios bloques personalizados de
programación
 ‘Wide walls’ (de ‘paredes anchas’): es decir, permiten proyectarse y transferirse a gran
cantidad de áreas. Con estos lenguajes se puede hacer una narración multimedia, un
videojuego interactivo, codificar una melodía, diseñar una geometría, modelizar una ley
física, etc…
Así, en la docena de estudios revisados, además de la natural integración de las experiencias de

aprendizaje en la asignatura de Informática, la programación se proyectó sobre:
 La asignatura o área de Lengua: por ejemplo, Burke (2012) sugiere en las conclusiones de su
estudio que Scratch ofrece “un nuevo medio a través del cual los niños pueden ejercitar las
habilidades de composición escrita adquiridas durante las clases tradicionales de Lengua, al
tiempo que adicionalmente adquieren los beneficios de aprender ‘coding’ en edades
tempranas” (Burke, 2012, p. 131)
 La asignatura o área de Matemáticas: a través del ‘coding’ se adquieren conceptos

matemáticos, y éstos se externalizan al representarlos en forma de objetos digitales
programados por los estudiantes (p.e. adquisición de conceptos geométricos a través de la
codificación de formas). Pueden consultarse al respecto los estudios de Fessakis et al. (2013)
o Khan et al. (2011)
 La asignatura o área de Tecnología: por ejemplo, en Burker (2015) se relata cómo los
estudiantes, a través de una versión visual ‘por bloques’ del lenguaje Logo, programan una
serie de diseños geométricos que, posteriormente, son procesados y exportados a la realidad
física a través de la tecnología de impresión 3D. Es un buen ejemplo de la creciente fusión
entre mundo digital y físico, entre ‘hackers’ y ‘makers’. Como dice el autor: “El software y el
hardware deben ser vistos como herramientas en el aula moderna, indistinguibles en
importancia y potencial creativo, como lo son el lápiz y el papel” (Burker, 2015, p. 1)
 Finalmente, también encontramos integraciones del ‘coding’ para el desarrollo del

pensamiento computacional en el área de arte y diseño (Bender & Urrea, 2015). En la Figura
3.14. se muestra una galería de diseños artísticos producidos por los estudiantes que
participaron en este estudio.
Recordemos que, precisamente, el enfoque del pensamiento computacional pone el énfasis en la

transferencia de esta habilidad de solución de problemas a gran variedad de áreas y asignaturas. Vista
desde el prisma del pensamiento computacional, la programación informática, por tanto, no sería un
objetivo de aprendizaje en sí mismo (‘Learn to Code’) sino un medio, o un enfoque, a través del cual
potenciar el aprendizaje de otras áreas (‘Code to Learn’); tal y como ya adelantamos en el apartado
2.7 de transición entre el Capítulo 2 y el Capítulo 3.
186
Figura 3.14. Galería de diseños artísticos producidos por estudiantes a través del lenguaje Logo (Bender & Urrea, 2015)
Por otra parte, podemos comparar esta docena de estudios en función de cuál es el tipo de diseño de
investigación utilizado; y según cuál o cuáles de las dimensiones del pensamiento computacional
(Brennan & Resnick, 2012) han sido abordadas en el trabajo. Tal y como puede apreciarse en la
Tabla 3.5, prácticamente no se encuentran diseños de tipo experimental, con grupo experimental y de
control, una carencia que trataremos de contribuir a paliar con la evaluación de programas que
presentamos en el Capítulo 7. En los dos estudios experimentales revisados (Kazakoff & Bers, 2012;
Wang & Chen, 2010), se informa de resultados a favor de los grupos experimentales en los
conceptos computacionales medidos (p.e. bucles y variables)
Por otra parte, en la Tabla 3.5 se aprecia que la mayoría de estudios se focalizan en los ‘conceptos
computacionales’ (10 artículos). En menor medida, aparecen trabajos que tomen en consideración las
‘prácticas computacionales’ (5 artículos): por ejemplo, Moreno-León et al. (2015) muestran los
efectos positivos de su interveción en una práctica que implica testeo (‘testing’), depuración
(‘debugging’) y mejora por iteración (‘iterating’) de proyectos Scratch. Y, por último, apenas
encontramos trabajos que tomen en consideración las ‘perspectivas computacionales’ (2 artículos),
destacando el trabajo de Burke (2012) en el cual los estudiantes reflexionan y se expresan a través de
la codificación de narraciones e historias digitales con Scratch. Parece pues, que, por el momento,
existe cierto vacío de trabajos que integren las 3 dimensiones del PC propuestas.
187
Tabla 3.5. Comparación de artículos según diseño de investigación y dimensiones del pensamiento computacional
Dimensiones del Pensamiento Computacional

Diseño de
Autor/es Intervención
investigación Conceptos Prácticas Perspectivas
Computacionales Computacionales Computacionales
Bender & Análisis Concurso de

Urrea cualitativo de programación entre * *
(2015) productos escolares
Burke Estudio de
Narración digital * *
(2012) caso
Burker Estudio de Creación e impresión

* *
(2015) caso 3D de diseños
Análisis
Denner et
cualitativo de Creación de juegos *
al. (2012)
productos
Guiada por el profesor

Fessakis et Estudio de a toda el aula con
*
al. (2013) caso pizarra digital
interactiva
Modelado
Kahn et al. Estudio de
computacional de *
(2011) caso
conceptos matemáticos
Experimental: Uso de
un lenguaje ‘tangible’
de programación
Kazakoff
combinando bloques
& Bers Experimental *
físicos y en pantalla
(2012)
Control: Actividades
tradicionales de arte
Estudio de
Lee (2010) Trabajo individual *
caso
Lin & Liu Estudio de

Programación por pares * *
(2012) caso
Miller Estudio de
Modelado *
(2009) caso
Moreno- Desarrollo de proyectos

León et al. Encuesta a través de ‘feed-back’ * *
(2015) automatizado formativo
Experimental: juegos
que implican desafío y
Wang &
programación
Chen Experimental *
(2010)
Control: juegos que
implican sólo desafío
188
Si analizamos qué tipo de aproximaciones de intervención se están utilizando para potenciar el

pensamiento computacional a través de la programación, encontramos 2 enfoques bien diferenciados:
 Reforzamiento de conceptos computacionales: en esta aproximación, los conceptos

computacionales son reforzados con la ayuda del ordenador, que proporciona ‘feed-back’
automático en un entorno de aprendizaje gamificado (p.e. Wang & Chen, 2010). Este enfoque
parte de una concepción conductista del aprendizaje, en la cual la ejecución deseada es
moldeada a través de técnicas de control de la conducta como refuerzo y castigo.
Se identifica con los recursos de aprendizaje del ‘coding’ del tipo de ‘resolución de
problemas cerrados / puzles / retos de programación’ (‘close-ended’) que vimos en la
taxonomía del epígrafe 2.4.1.
 Construcción de programas con andamiaje: en esta aproximación, los aprendices

construyen sus propios programas con alguna ayuda o andamiaje. Este tipo de enfoque, que
potencialmente podría abordar las 3 dimensiones del PC citadas anteriormente, descansa en el
‘construccionismo’ que “concede especial importancia al papel de las construcciones en el
mundo, como un apoyo a las construcciones que están en la cabeza” (Papert, 1994, p. 143);
superando y diferenciándose así de las doctrinas puramente mentalistas (léase
‘constructivismo’). En el construccionismo, los estudiantes están activamente comprometidos
en la construcción de conocimiento, a través de la creación de productos significativos para
otros o para sí mismos (Kafai & Resnick, 1996). Para dicha creación de productos, los
estudiante construyen programas informáticos con ayuda y andamiaje de distinto tipo:
andamiaje proporcionado por el propio ordenador o ‘computer scaffolding’ (Moreno-León et
al., 2015); andamiaje del profesor o ‘teacher’s scaffolding’ (p.e. Burke, 2012; Fessakis et al.,
2013; Kahn et al., 2011); guía parental (Lin & Liu, 2012); o aprendizaje por pares o ‘peer to
peer’ (Denner et al., 2012), que si se realiza ‘on-line’ nos sitúa ya en una perspectiva
‘conectivista’ (Siemens, 2005, 2010). La metodología de construcción de programas con
andamiaje es consistente con numerosas evidencias de investigación que concluyen que el
puro aprendizaje por exploración y descubrimiento no es un método efectivo para la
adquisición de altas habilidades de programación (Mayer, 2004); mientras que el
descubrimiento guiado o andamiado parece ser la vía más adecuada para ello (p.e. Clements
& Merriman, 1988; Lehrer, Lee, & Jeong, 1999)
Esta aproximación se identifica con los recursos de aprendizaje del ‘coding’ del tipo ‘diseño
y creación de objetos-proyectos digitales abiertos (narraciones, aplicaciones, simulaciones,
etc…)’ (‘open-ended’) que vimos en la taxonomía propuesta en el epígrafe 2.4.1.
Finalmente, Lye & Koh (2014), a partir de la exhaustiva revisión realizada, extraen una serie de
recomendaciones para la investigación futura en esta área, que tomaremos en consideración para
nuestros estudios empíricos:
 Realizar estudios que se contextualicen naturalmente en el aula ordinaria (‘naturalistic

classroom settings’), y con población escolar ordinaria; dado que la mayoría de investigación
realizada hasta la fecha en edades pre-universitarias se ha orientado a contextos
extraescolares y con poblaciones específicas.
189
 Realizar estudios que tomen en consideración, y de manera conjunta, ‘conceptos

computacionales’, ‘prácticas computacionales’ y ‘perspectivas computacionales’.
 Examinar el proceso mental del estudiante a la hora de programar: por ejemplo, a través de la
grabación de las consolas de programación utilizadas por el sujeto durante el proceso (lo cual
permitiría analizar los procedimientos de codificación llevados a cabo); sería análogo a
grabar la pantalla de un escritor mientras utiliza un procesador de textos. Otra opción es
solicitar a los estudiantes que verbalicen sus procesos cognitivos mientras programan.
 Analizar los productos digitales que se hayan programado a través de una aproximación
complementaria cuantitativa-cualitativa.
b) Algunas experiencias y recursos para el desarrollo ‘unplugged’ del pensamiento

computacional
Veamos brevemente un par de iniciativas para el desarrollo del pensamiento computacional a través
de actividades ‘unplugged’, es decir, sin necesidad de ordenador.
Una de ellas es ‘CS4FN’ 241 (‘Computer Science for Fun’), promovida desde la Queen Mary
University of London. ‘CS4FN’ es una página web, con un magazine digital asociado, desde la cual
se proporcionan recursos que ilustran el lado divertido de las Ciencias de la Computación, y cómo
contribuyen a la resolución de problemas y creación de artefactos en el mundo real. Por ejemplo,
recientemente han publicado el especial “The Magic of Computer Science” (Curzon & McOwan,
2015), que propone actividades para aprender divertidos trucos de magia y mentalismo
aprovechando el uso de algoritmos mentales (p.e. un algoritmo que permite adivinar la carta elegida
al azar por el espectador a partir de una serie de preguntas aparentemente no relacionadas)
La otra iniciativa, más destacada si cabe, proviene de la Universidad de Canterbury (Nueva Zelanda)
en colaboración con Google, y se denomina ‘CS Unplugged’ 242. Aunque tenga su origen en nuestras
antípodas, es bien conocida y utilizada a lo largo de todo el planeta, y hace escasas fechas encontraba
eco en la revista digital española ‘Educación 3.0’, en el post ‘CS Unplugged: aprendiendo
programación en el aula… ¡sin ordenadores!’:
“La Universidad de Canterbury, de Nueva Zelanda, en colaboración con la empresa

americana Google, llevan desde 1998 creando, renovando y rediseñando uno de esos
recursos fundamentales para el mundo de la programación: Computer Science Unplugged 243
que, por si fuera poco, son recursos completamente gratuitos y están disponibles para todo
aquel que desee utilizarlos (…) Su principal activo es un libro de 243 páginas (Bell, Witten,
& Fellows, 2015) con recursos para enseñar programación sin ordenadores de por medio, y
que incluyen ejercicios desde la base más inicial hasta alcanzar a comprender el Test de
Turing, pasando por el aprendizaje del código binario o una primera introducción en el
mundo de la algorítmica (…) Todos los ejercicios están planteados de forma que puedan
241
http://www.cs4fn.org/
242
http://csunplugged.org/
243
Un tráiler de video muy ilustrativo de las actividades propuestas por ‘CS Unplugged’ se puede consultar en
https://youtu.be/KOYy4kyLEHs
190
realizarse de forma sencilla, con apenas papel y algún lápiz o bolígrafo, o a lo sumo con
fichas que están incluidas. En cada uno de ellos se plantean un conjunto de instrucciones
sobre cómo plantearlos, además de por supuesto unos objetivos y edades mínimas
recomendadas. CS Unplugged está diseñado para niños de edades a partir de los 7 años,
aunque en algunos casos los ejercicios pueden ser para 9 u 11 años, en adelante, siendo un
recurso fundamental para todo docente de la informática en primaria e incluso, en muchos
casos, también en secundaria. Como decimos es completamente gratuito y aquí podéis
acceder a su web oficial donde encontraréis toda la información” (Espeso, 2015, en línea)
Detallamos algo más a continuación una de las actividades propuestas por ‘CS Unplugged’ para que
el lector adquiera una idea más clara de su naturaleza; en concreto, la actividad ‘Sorting Networks’244
(‘Redes de ordenación y clasificación’), en la cual los estudiantes representan físicamente el
funcionamiento de un algoritmo sencillo de clasificación ‘en paralelo’. Es una actividad
recomendada para edades a partir de 7 años, y en la cual se desarrolla el pensamiento computacional,
especialmente la parte algorítmica, de forma física y colaborativa (Bell, Witten, & Fellows, 2015, p.
80-86). Para realizarla, en primer lugar se debe dibujar en el suelo (p.e. en el patio, con tiza) la
siguiente red (Figura 3.15)
Figura 3.15. Red de ordenación y clasificación (Tomado de Bell, Witten, & Fellows, 2015, p. 81)
La actividad muestra al estudiante cómo las computadoras son capaces de ordenar conjuntos
aleatorios de números, u otros datos, utilizando una red de clasificación (‘sorting network’). Para
ello: a) se divide a la clase en grupos de 6 estudiantes; b) cada miembro del grupo coge
aleatoriamente una tarjeta con un número; cada miembro comienza, aleatoriamente, en uno de los
cuadrados de la parte izquierda de la red; d) los miembros van avanzando por la red según indican las
flechas: cuando se llega a un círculo se debe esperar la llegada de otro miembro y comparar los
números de ambos; e) el sujeto con el número menor toma el camino de la izquierda, y el sujeto con
el número mayor toma el camino de la derecha; f) al final de la red, los números quedan ordenados
de menor a mayor.
244
Veáse un grupo de estudiantes realizando la actividad en https://youtu.be/30WcPnvfiKE
191
3.2.2.1. Un ejemplo de integración ‘online-unplugged’: el curso ‘K-8 Intro to

Computer Science’ de Code.org
A modo de síntesis integradora, se finaliza con un sub-epígrafe que detalla el programa-curso

trimestral ‘K-8 Intro to Computer Science’ 245 (Code.org, 2015a) (Figura 3.16), objeto central de la
evaluación de programas que abordaremos en el Capítulo 7 de esta tesis, y excelente ejemplo de
curso que integra en su estructura tanto sesiones de ‘coding on-line’ como sesiones ‘unplugged’.
Figura 3.16. Código QR de enlace al curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a)
El curso ‘K-8 Intro to Computer Science’ (también denominado ‘Accelerated Intro to CS Course’)
está diseñado por la fundación estadounidense sin ánimo de lucro Code.org, cuyo objetivo
fundamental es la desmitificación de la programación entre los estudiantes y su introducción en los
colegios desde edades tempranas. 246
Este curso introduce al estudiante en las ciencias de la computación y en los conceptos

fundamentales de la programación informática, desde la perspectiva del pensamiento computacional.
Está diseñado específicamente para el nivel ‘middle school’ de los Estados Unidos, es decir, para los
grados 6º, 7º y 8º de su sistema educativo (equivalentes respectivamente a nuestro 6º Primaria, 1º y
2º de la ESO); con un tiempo estimado de aprendizaje de entre 15 y 25 horas. Se puede acceder al
mismo ‘on-line’ y de manera gratuita a través de la URL: https://studio.code.org/s/20-hour
A continuación, se aporta la traducción de algunos de los aspectos psicopedagógicos más relevantes

del curso 247:
a) ¿Qué es ‘K-8 Intro to Computer Science’?
‘K-8 Intro to Computer Science’ es un curso gratuito que tiene como objetivo desmitificar las
ciencias de la computación y mostrar a los estudiantes K-8 que su aprendizaje puede ser divertido,
colaborativo y creativo. El curso está diseñado con el fin de motivar a estudiantes y educadores para
proseguir en el futuro con el aprendizaje de las ciencias de la computación, mejorando así las
relaciones entre la escuela y el mundo real, progresivamente más tecnológico y digital; promoviendo
las conexiones entre educación y la vida cotidiana, repleta de objetos programables.
Este curso enseñará a los estudiantes acerca de las ciencias de la computación, tratando de desarrollar
su pensamiento computacional y sus habilidades básicas de programación.
245
Acceso a la portada-índice del curso en https://studio.code.org/s/20-hour
246
Una breve visión de los fines y resultados de Code.org disponible en: http://code.org/files/Code.orgOverview.pdf
247
Extraído y traducido de https://code.org/educate/20hr
192
Por último, con este curso los educadores tendrán la oportunidad de fomentar un ambiente de
aprendizaje colaborativo que haga hincapié en la toma de riesgos. Se enseña que “el éxito no viene
en el primer intento, al igual que los problemas más difíciles del mundo no se resuelven en el primer
intento. El desafío es bueno cuando es apoyado por planes y herramientas que conducen al éxito”.
Este curso ayudará a los estudiantes a perseverar en la solución de problemas.
b) ¿Cuáles son los conceptos clave (‘key concepts’) impartidos en el curso?
- ¿Qué son las Ciencias de la Computación?

- ¿Qué es un científico de la computación?
- Ser un científico de la computación ético y responsable
- Aplicaciones de las Ciencias de la Computación
- Comprensión básica del código binario
- Cómo depurar errores (‘debugging’)
- Cuál es el funcionamiento de Internet
- Conceptos básicos de programación = Conceptos computacionales:
o Secuenciación
o Bucles (‘loops’)
o Condicionales
o Funciones
o Funciones con parámetros
o Variables
- Pensamiento computacional
o Descomposición
o Patrones
o Abstracción
o Algoritmos
c) ¿Qué itinerario curricular sigue el curso?
El curso sigue un modelo ‘b-learning’ (‘blended learning’) de enseñanza de las Ciencias de la

Computación, lo cual implica que los estudiantes aprenden a partir de una mezcla de actividades
autoguiadas de ‘coding on-line’; y de actividades sin conexión (‘unplugged’), que son dirigidas de
manera más tradicional por el profesor sin necesidad de uso del ordenador.
El conjunto de actividades resultante se estructura en 20 etapas: 9 etapas de ‘coding on-line’ y 11

etapas ‘unplugged’, que se van alternando a lo largo del itinerario curricular del curso. A su vez, las
etapas de ‘coding on-line’ están internamente compuestas por una serie de niveles-retos de
programación; con un total de 98 niveles-retos existentes a lo largo de las 9 etapas.
Cada etapa está diseñada para ser abordada en una sesión de clase de alrededor de 45-60 minutos de
duración. Habitualmente, este curso se integra en el aula ordinaria impartiéndose 2 etapas semanales
(2 sesiones de clase a la semana), con lo cual su completamiento lleva alrededor de las 10 semanas
(aproximadamente un trimestre escolar). En la siguiente Figura 3.17 se ilustra el itinerario curricular
completo del curso.
193
Nivel-reto de programación
Actividad autoguiada en línea

(Etapa de ‘coding on-line’)
Actividad sin ordenador ni conexión

(Etapa ‘unplugged’)
Figura 3.17. Itinerario curricular-formativo del curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a)
En las Figuras 3.18 y 3.19 se muestran sendos ejemplos de los niveles-retos de programación que
componen las etapas de ‘coding on-line’. Como puede apreciarse, en la parte izquierda de la pantalla
se muestra el problema-reto a resolver, que debe ser solucionado mediante la codificación de un
algoritmo; en la parte central se muestran los bloques de código disponibles, que son arrastrados por
el aprendiz a la parte derecha para después ejecutar el programa (finalmente, también se muestra el
código JavaScript subyacente). Igualmente, tal y como puede adivinarse en la parte inferior
izquierda, se ofrecen al estudiante ayudas y pistas adicionales para resolver el reto, en forma de
breves videotutoriales.
194
Figura 3.18. Nivel 15 de la Etapa 2 del curso ‘K-8 Intro to Computer Science’. Disponible en https://studio.code.org/s/20-
hour/stage/2/puzzle/15
Figura 3.19. Nivel 7 de la Etapa 7 del curso ‘K-8 Intro to Computer Science’. Disponible en https://studio.code.org/s/20-
hour/stage/7/puzzle/7
195
Por otro lado, cada una de las etapas ‘unplugged’ se inicia con el visionado de un video introductorio
(en casa o en el aula), y se apoya en una ficha didáctica para el profesor (‘lesson plan’) que explicita
la actividad a desarrollar 248: sus objetivos, su desarrollo, el material necesario, etc…
d) ¿Qué estándares de aprendizaje aborda el curso?
El curso ‘K-8 Intro to Computer Science’ está alineado con los estándares de aprendizaje249
propuestos por la ‘Computer Science Teachers Association’ de los Estados Unidos (CSTA, 2011),
que ya revisamos en la Tabla 3.2 de este capítulo. En concreto, cumple con los siguientes estándares:
 Pensamiento Computacional
 CT.L2-01: Utilizar los pasos básicos en la resolución de problemas a través de

algoritmos, para el diseño de soluciones óptimas.
 CT.L2-07: Representar los datos en una variedad de maneras, incluyendo texto,
sonidos, imágenes y números.
 Prácticas de Computación y Programación
 CPP.L2-05: Implementar soluciones de problemas utilizando un lenguaje de

programación, incluyendo: bucles, sentencias condicionales, operadores lógicos,
expresiones, variables y funciones.
 Ordenadores y dispositivos de comunicación:
 CD.L2-01: Reconocer que las computadoras y ordenadores son dispositivos que

ejecutan programas.
e) ¿Qué posibles ventajas metodológicas tiene el curso?
A priori, observamos ciertas ventajas metodológicas que incitan a la implantación del curso en
nuestras aulas, y su posterior evaluación:
 Permite el registro gratuito tanto del perfil ‘profesor’ como del perfil ‘alumno’. El profesor
puede generar en el interior del curso su propia aula en la que realizar un seguimiento
detallado y en tiempo real del avance de sus estudiantes (‘tracking’). Se ilustra en la Figura
3.20 (izquierda)
 En el perfil del estudiante queda guardado su avance por el itinerario del curso. Dicho avance
está individualizado para cada alumno y ‘gamificado’: el estudiante obtiene ‘feed-back’
inmediato de sus errores y recompensas a sus progresos en forma de ‘badges’ (trofeos o
insignias digitales). Se ilustra en la Figura 3.20 (derecha)
248
Por ejemplo, para la Etapa 3, ‘unplugged’, que trata específicamente sobre Pensamiento Computacional
[https://studio.code.org/s/20-hour/stage/3/puzzle/1], se comienza con el visionado del vídeo
https://youtu.be/injJWiSA0pw; y se apoya en el ‘lesson plan’ disponible para el profesor en
https://studio.code.org/unplugged/unplug2-es-ES.pdf
249
Información extraída del repositorio documental de Code.org:
https://docs.google.com/document/d/16UYAETJBWLQ3e9HyEkTJjlqgyAF3bU5n6RHV2GZqv_Y/pub
196
Figura 3.20. Panel de seguimiento (‘tracking’) del profesor (a la izquierda); y galería de trofeos digitales (‘badges’) del
estudiante (a la derecha) en el curso ‘K-8 Intro to Computer Science’
 El curso está disponible tanto en inglés como en español. Por tanto, permite ser utilizado
transversalmente como actividad de desarrollo de la competencia lingüística extranjera (es de
reseñar que los lenguajes de programación se apoyan fundamentalmente en la lengua inglesa)
 La metodología ‘b-learning’ del curso permite flexibilidad a la hora de organizar las distintas
sesiones, y repartir los tiempos de aprendizaje entre el aula y el domicilio del estudiante. Así
pues, posibilita utilizar un esquema ‘self-paced’ (ritmo de aprendizaje autoguiado por el
propio estudiante). Y requiere escasa preparación previa por parte del profesor, dado que
todos los materiales y recursos ya se encuentran diseñados.
 El curso es ‘browser-based’ (basado en navegador); y es accesible tanto a través de

ordenadores PC u ordenadores portátiles, como a través de tabletas y otros dispositivos
móviles. Sólo se requiere conexión a Internet para las actividades ‘on-line’ (las actividades
‘unplugged’ no requieren ordenador)
 El curso permite y promueve el aprendizaje socio-colaborativo por pares a través de la

metodología ‘pair programming’ 250 (dos estudiantes por cada ordenador). Además, el curso
permite a los estudiantes compartir sus productos de aprendizaje a través de redes sociales;
detalle que puede enriquecer extraordinariamente el potencial educativo del mismo (Colás-
Bravo, González-Ramírez, & de Pablos-Pons, 2013)
A modo de resumen de los contenidos y recursos que se incluyen en el curso ‘K-8 Intro to Computer
Science’, en las siguientes Tablas 3.6 y 3.7 se presentan, de manera sintetizada, las etapas de ‘coding
on-line’ y ‘unplugged’ que lo componen.
250
Más información sobre la metodología ‘pair programming’ en http://www.ncwit.org/resources/pair-programming-
box-power-collaborative-learning
197
Tabla 3.6. Resumen de las 9 etapas de ‘coding on-line’ del curso ‘K-8 Intro to Computer Science’
Nº de niveles-retos que Tipo de Interfaz Programa necesario para resolver el último o

Etapa Conceptos computacionales abordados
componen la etapa utilizada penúltimo nivel-reto de la etapa
20 niveles 251
Se introduce al estudiante en 2 conceptos
‘Stage 2: The Desde: computacionales clave: Bucles (tanto
Maze’ https://studio.code.org/s/2
Laberintos ‘Repeat times’ como ‘Repeat until’); y
(‘Etapa 2: El 0-hour/stage/2/puzzle/1
Hasta: Condicionales (tanto simples ‘If’, como
Laberinto’)
https://studio.code.org/s/2 compuestos ‘If/Else’)
0-hour/stage/2/puzzle/20
10 niveles
Se introduce al alumno en la interfaz de
‘Stage 5: The Desde: dibujo computacional, practicando con los
Artist’ https://studio.code.org/s/2 comandos de: Direcciones básicas (avanzar
Lienzo de diseño
(‘Etapa 5: El 0-hour/stage/5/puzzle/1 y girar), aprendiendo cómo secuenciarlos
Artista’) Hasta: dentro de bucles con el bloque ‘Repetir
https://studio.code.org/s/2 veces’ (‘Repeat times’)
11 niveles El estudiante continúa trabajando sobre la

interfaz de dibujo computacional,
Desde: practicando con los comandos de
‘Stage 7: The
https://studio.code.org/s/2 direcciones básicas (avanzar y girar), y
Artist 2’ (‘Etapa Lienzo de Diseño
0-hour/stage/7/puzzle/1 aprendiendo cómo secuenciarlos dentro de
7: El Artista 2’) Hasta: bucles con el bloque ‘Repetir veces’. La
https://studio.code.org/s/2 novedad está en la introducción de bucles
0-hour/stage/7/puzzle/11 anidados
251
Estas 20 pantallas coinciden precisamente con las que Code.org propone en su tutorial de 1 hora para el evento global ‘The Hour of Code’
198

Se introduce al alumno en la interfaz de ‘El

11 niveles Granjero’: el personaje debe avanzar por un
camino dado llenando las zanjas y
‘Stage 9: The Desde: eliminando los montones que encuentra en
https://studio.code.org/s/2 Parrilla/Cuadrícula
Farmer’ (‘Etapa su recorrido. Se trabajan los siguientes
0-hour/stage/9/puzzle/1 (‘Grid’)
9: El Granjero’) Hasta: conceptos computacionales: ‘Direcciones
https://studio.code.org/s/2 básicas’, ‘Repetir veces’, ‘Condicional
0-hour/stage/9/puzzle/11 simple (If)’ y se introduce por primera vez
el bloque ‘Mientras (While)’
El estudiante continúa trabajando sobre la

11 niveles interfaz de dibujo computacional. Si en el
nivel anterior de ‘El Artista’, los alumnos
‘Stage 11: The Desde: aprendieron a secuenciar bucles simples y
https://studio.code.org/s/2
Artist 3’ (‘Etapa Lienzo de diseño anidados con el bloque ‘Repetir veces’; en
11: El Artista 3’) Hasta: esta etapa la novedad está en la introducción
https://studio.code.org/s/2 de ‘Funciones’ y del bucle ‘Contador’ (lo
0-hour/stage/11/puzzle/11 cual les introduce en el concepto de
iteración)
10 niveles
El alumno continúa profundizando en la
‘Stage 13: The Desde: interfaz de ‘El Granjero’. La novedad que se
Farmer 2’ https://studio.code.org/s/2 Parrilla/Cuadrícula introduce en esta etapa es que el alumno
(‘Etapa 13: El 0-hour/stage/13/puzzle/1 (‘Grid’) debe definir y llamar ‘Funciones’ para
Granjero 2’) Hasta: resolver las distintas pantallas que se le
https://studio.code.org/s/2 plantean.
199

10 niveles
Desde: El estudiante continúa trabajando sobre la

‘Stage 15: The
https://studio.code.org/s/2 interfaz de dibujo computacional. La
Artist 4’ (‘Etapa Lienzo de diseño
0-hour/stage/15/puzzle/1 novedad en esta etapa es la introducción de
15: El Artista 4’) Hasta: las ‘Funciones con parámetros’
9 niveles Esta etapa es un repaso sobre lo ya visto en

las etapas 9 y 13, añadiendo las ‘Funciones
‘Stage 17: The Desde: con parámetros’ y el bucle ‘Contador’. Y
Farmer 3’ https://studio.code.org/s/2 Parrilla/Cuadrícula con la dificultad añadida de que lo que se
(‘Etapa 17: El 0-hour/stage/17/puzzle/1 (‘Grid’) solicita al estudiante es depurar (‘debug’) un
Granjero 3’) Hasta: programa (cognitivamente es más complejo
https://studio.code.org/s/2 depurar un programa dado, que
0-hour/stage/17/puzzle/9 secuenciarlo)
Se experimenta en la interfaz de dibujo

6 niveles computacional sobre algoritmos complejos
previamente dados, en los que se invita al
‘Stage 19: The Desde: estudiante a probar ligeras modificaciones
Artist 5’ (‘Etapa Lienzo de diseño para ver sus efectos sobre la geometría
19: El Artista 5’) Hasta: resultante. El diseño resultante se guarda en
https://studio.code.org/s/2 su galería y/o se comparte por redes sociales
0-hour/stage/19/puzzle/6 a través de la URL permanente que se
genera (ver ejemplo a la derecha) https://studio.code.org/c/77294845/edit
200
Tabla 3.7. Resumen de las 11 etapas ‘unplugged’ del curso ‘K-8 Intro to Computer Science’
Vídeo y Ficha didáctica

Etapa Breve descripción Ilustración gráfica
(‘Lesson Plan’) de apoyo
‘Stage 1: El objetivo principal es: ‘Dar a la clase una idea de qué son las
Introduction to Vídeo: Ciencias de la Computación, y cómo éstas pueden serles útiles en
Computer su vida’.
https://youtu.be/HsXaVV6fFDY
Science’
La actividad final que se propone es que los estudiantes codifiquen
‘Lesson Plan’:
(‘Etapa 1: en binario su nombre (o sus iniciales) en unas tiras de papel
Introducción a las https://studio.code.org/unplugged/ cuadriculadas (que luego pueden llevarse como pulseras), o en unas
Ciencias de la unplug1-es-ES.pdf cuadrículas (que luego se pueden pegar a un imán y colocarse en la
Computación’) nevera)
El objetivo principal es: ‘Introducir el pensamiento computacional

‘Stage 3: Vídeo: como una manera de abordar y formular problemas reales de
Computational manera que éstos sean resolubles a través de ordenadores y otros
https://youtu.be/injJWiSA0pw
Thinking’ medios digitales’
‘Lesson Plan’:
(‘Etapa 3: La actividad que se propone consiste básicamente en que, divididos
Pensamiento https://studio.code.org/unplugged/ por grupos, analicen varios dibujos de ‘monstruos’, los
Computacional’) unplug2-es-ES.pdf descompongan y abstraigan sus partes, y escriban un algoritmo para
que otro grupo dibuje un nuevo ‘monstruo’
‘Stage 4: Graph
Vídeo: El objetivo principal es: ‘Ayudar a los estudiantes a entender qué
Paper
significa programar’
Programming’ https://youtu.be/4e3fi_ls8CA
La actividad que se propone consiste en que los estudiantes
(‘Etapa 4: ‘Lesson Plan’:
codifiquen las instrucciones necesarias para que un compañero
Programación https://studio.code.org/unplugged/ pueda dibujar un diseño dado sobre un papel cuadriculado (a base
sobre hoja unplug3-es-ES.pdf de rellenar cuadraditos)
cuadriculada’)
201

El objetivo principal es explicar que: ‘Un mismo problema puede

ser abordado de maneras distintas, y que hay maneras mejores (más
eficientes) que otras’.
Vídeo:
‘Stage 6: La actividad se divide en 2 partes. En la primera parte, por parejas,
https://youtu.be/gW_aPXjgBTc
Algorithms’ un estudiante hace de ‘programador’ y otro de ‘computadora’
‘Lesson Plan’: (luego alternan). El ‘programador’ tiene que dar las instrucciones
(‘Etapa 6:
https://studio.code.org/unplugged/
precisas a la ‘computadora’ para que ejecute un diseño geométrico
Algoritmos’)
unplug4-es-ES.pdf dado del clásico Tangram sobre un papel cuadriculado. En la
segunda parte, ambos investigan las diversas maneras de doblar un
folio en 16 cuadrados iguales, y discuten cuál es la solución más
eficiente.
El objetivo principal es: ‘Ilustrar cómo las tareas repetitivas pueden

agruparse en una pequeña unidad (función) que puede ser ‘llamada’
Vídeo: varias veces, en lugar de perder espacio y tiempo con una gran
‘Stage 8: cantidad de copias de la misma instrucción’.
https://youtu.be/NAViNTHS3LU
Functions’
En la actividad los estudiantes tienen que construir un collar de
‘Lesson Plan’:
(‘Etapa 8: cuentas-abalorios siguiendo una secuencia dada. Detectan
Funciones’) https://studio.code.org/unplugged/ conjuntos de instrucciones que se repiten en la secuencia y las
unplug5-es-ES.pdf agrupan bajo un nombre-función. Finalmente escriben el programa
para construir el collar, llamando a las funciones creadas en el
orden correspondiente.
El objetivo principal es: ‘Introducir a los estudiantes en los

condicionales a través del juego con una/s baraja/s de cartas’.
Vídeo: En la actividad se introduce el concepto de ‘condicional’ y se aplica
‘Stage 10:
https://youtu.be/yr6g0AWE7yw sobre un juego de cartas. Así, se escribe una pequeña sentencia
Conditionals’
‘condicional’ para añadir o quitar puntos a los equipos en que se
‘Lesson Plan’:
(‘Etapa 10: divide la clase en función de la carta que se extraiga de la baraja
Condicionales’) https://studio.code.org/unplugged/ (roja o negra, por ejemplo). También se aprovecha para familiarizar
unplug6-es-ES.pdf a los estudiantes con la sintaxis de los condicionales en JavaScript
(recordándoles que es el código que hay por detrás de los bloques
visuales que ellos utilizan en el curso) y en ‘pseudocódigo’
202

El objetivo principal es que: ‘Los estudiantes aprendan cómo

definir una función (‘Function Definition’) y cómo llamar a dicha
función (‘Function Call’) posteriormente’.
‘Stage 12: Song Vídeo: En la actividad se introduce el concepto de ‘definir/llamar una
Writing’ https://youtu.be/hx0tBso08aA función’ haciendo una analogía con cómo se escriben (y luego se
cantan) algunas canciones: se define el estribillo (‘chorus’) al
(‘Etapa 12: ‘Lesson Plan’:
inicio, y luego se le va llamando a lo largo de la canción cuando
Escritura de https://studio.code.org/unplugged/ toca repetirlo de nuevo. Aún más, se propone ir un poco más lejos
canciones’) unplug7-es-ES.pdf en esta etapa, introduciendo el concepto de ‘funciones con
parámetros’ siguiendo con la analogía anterior con canciones cuyo
estribillo tiene una parte fija y otra variable (p.e. la conocida ‘Old
MacDonald had a farm’ 252)
El objetivo principal es: ‘Ayudar a los estudiantes a darse cuenta de

lo frecuentemente que utilizan la abstracción en su vida cotidiana’.
Vídeo: En la actividad se introduce el concepto de ‘abstracción’: eliminar
‘Stage 14: los detalles de una solución, de manera que dicha solución pueda
https://youtu.be/FGpzpYD9ZVs
Abstraction’ funcionar para una amplia variedad de problemas. Para ilustrar el
‘Lesson Plan’: concepto, se proporciona a los estudiantes una plantilla-estructura
(‘Etapa 14:
https://studio.code.org/unplugged/
común para que cada uno escriba una historia completando los
Abstracción’)
unplug8-es-ES.pdf huecos (luego se leen y comparan las distintas historias
producidas); y más tarde, a la inversa, se les proporciona 2 historias
que difieren en sólo los detalles, para que abstraigan su estructura
común.
Vídeo:
El objetivo principal es: ‘Enfatizar la importancia de escribir los
programas en el orden adecuado, y de revisar-depurar los
‘Stage 16: Relay https://youtu.be/FFpvtooUrzg algoritmos escritos por otras personas en tu equipo’.
Programming’
‘Lesson Plan’: Esta actividad es una continuación de la Etapa 4. Por equipos, y a
(‘Etapa 16:
https://studio.code.org/unplugged/ modo de carrera de relevos, se va escribiendo progresivamente el
Programación por
unplug9-es-ES.pdf algoritmo correspondiente a un diseño gráfico previamente dado.
relevos’)
Cada nuevo relevo debe revisar (y depurar en su caso) el algoritmo
escrito por sus predecesores, y completarlo un poco más.
252
Se puede consultar dicha canción en https://youtu.be/5oYKonYBujg
203

El objetivo principal es que: ‘Los estudiantes aprendan cómo

Vídeo: funciona Internet, en lo que se refiere a las direcciones URL y
‘Stage 18: The páginas web’.
https://youtu.be/Zs26JgnWbTE
Internet’
Como actividad, se propone representar mediante movimiento el
‘Lesson Plan’:
(‘Etapa 18: proceso que sigue un mensaje desde que es enviado por un
Internet’) https://studio.code.org/unplugged/ internauta hasta su llegada y descodificación en un servidor; y en
unplug10-es-ES.pdf función de si el mensaje se transmite a través de Wi-Fi, cable
ADSL o fibra óptica.
El objetivo principal es: ‘Ayudar a la clase a revivir-repasar sus

momentos favoritos durante el curso K-8, y orientarles en los
próximos pasos que pueden tomar por sí mismos si están
interesados en continuar su viaje de aprendizaje de las Ciencias de
la Computación’
En esta última actividad se les divide en grupos; a cada grupo se le
asigna un conjunto de etapas o conceptos computacionales de los
Vídeo: aprendidos durante el curso y, en base a ellos, se les anima a
‘Stage 20: Wrap- diseñar una nueva actividad-juego ‘unplugged’ que ponga en juego
https://youtu.be/Rbi7keldjZY
up’ esos conceptos.
‘Lesson Plan’:
(‘Etapa 20: También se propone facilitar al estudiantes todo el conjunto de
Repaso y cierre’) https://studio.code.org/unplugged/ recursos en línea para que puedan continuar su aprendizaje por sí
unplug11-es-ES.pdf
mismos más allá del K-8:
http://code.org/learn/beyond
Se insiste en recordar a los alumnos que han aprendido en 20
lecciones mucho más de lo que la mayoría de los adultos saben
sobre ‘coding’ y pensamiento computacional. También puede ser
un buen momento para entregar a cada estudiante su certificado de
haber realizado el K-8.
204
3.3. Evaluación
Tal y como hemos visto en los apartados previos, se reconoce que aún no existe consenso, ni en una
definición de ‘pensamiento computacional’ (PC), ni en cómo éste se desarrolla y se puede incorporar
a los distintos sistemas educativos; existiendo una enorme variedad y heterogeneidad de
intervenciones educativas al respecto (Lye & Koh, 2014). Igualmente, hay un enorme vacío sobre
cómo evaluar y medir el PC, hecho que debe ser abordado. Así, se viene señalando desde hace varios
años por diversos grupos de expertos (Fincher & Petre, 2004) la necesidad de poner el foco
precisamente en “la evaluación de los aspectos cognitivos vinculados con la programación
informática y la comprensión de las computadoras” (Holmboe, McIver, & George, 2001), esto es,
del pensamiento computacional. Y es que:
“Sin la atención suficiente sobre la medida y evaluación del PC, será muy difícil que éste se
abra camino exitosamente en cualquier currículum. Aún más, para poder juzgar la
efectividad de cualquier currículum que incorpore el PC, es necesario validar previamente
instrumentos de medida que permitan a los educadores evaluar en qué grado los estudiantes
han desarrollado esa habilidad de pensamiento” (Grover & Pea, 2013a, p. 41)
Este apartado se organiza de la siguiente forma: en primer lugar, revisamos un par de modelos
comprensivos de evaluación del pensamiento computacional; en segundo lugar, revisamos
instrumentos de medida del pensamiento computacional, haciendo especial hincapié en los dos que
utilizaremos para el estudio de validez convergente de nuestro ‘Test de Pensamiento
Computacional’: las ‘tareas Bebras’ y ‘Dr. Scratch’.
3.3.1. Modelos de evaluación del pensamiento computacional
Revisamos un par de marcos o modelos que abordan la evaluación del pensamiento computacional
desde una perspectiva holística y comprensiva.
a) Modelo de evaluación MIT-Harvard
Dentro del pasado epígrafe ‘3.1.4. Definiciones educativo-curriculares’ del pensamiento

computacional, ya vimos con detalle el ‘computational thinking framework’ propuesto por Brennan y
Resnick (2012), que distingue las siguientes 3 dimensiones del PC: ‘conceptos computacionales’
(‘computational concepts’), ‘prácticas computacionales’ (‘computational practices’), y ‘perspectivas
computacionales’ (‘computational perspectives’).
A partir de dicho marco teórico, los autores proponen 3 aproximaciones complementarias para
evaluar el desarrollo del PC entre los estudiantes (Brennan & Resnick, 2012), específicamente en el
contexto del diseño de objetos digitales interactivos con Scratch:
 ‘Aproximación #1: Análisis de portfolio-proyectos’ (‘project portfolio analysis’). Cada

miembro de la comunidad ‘on-line’ de Scratch tiene una página de perfil que guarda y
muestra sus creaciones y proyectos. Dicho conjunto de proyectos puede ser considerado un
portfolio, que puede ser sometido a análisis automático de contenido a través de herramientas
205
como ‘Scrape – User Analysis’ 253 (Wolz, Hallberg, & Taylor, 2011). Esta herramienta
analiza el código interno de los proyectos Scratch, registrando qué tipos de bloques-
comandos de programación han sido utilizados por el autor (y con qué frecuencia) en cada
uno de sus proyectos. Como resultado del análisis, se genera una representación visual que
ilustra de manera resumida e intuitiva el contenido computacional del conjunto de proyectos
de un sujeto (Figura 3.21): cada columna representa un proyecto Scratch y todos los bloques-
comandos de programación que lo forman; cada fila representa un tipo específico de bloque
de programación (el color más oscuro en una celda indica un uso muy frecuente de dicho
bloque de programación a lo largo de ese proyecto); la columna final muestra los bloques de
programación que nunca han sido utilizados por el sujeto.
Figura 3.21. Visualización resultante del análisis de un conjunto de proyectos Scratch a través de la herramienta ‘Scrape’
Como fortaleza de esta aproximación a la evaluación del PC podemos destacar que, en la

medida que los bloques de programación de Scratch se encuentran alineados con los
‘conceptos computacionales’ que propone el modelo MIT-Harvard, entonces este tipo de
análisis provee información directa de los ‘conceptos computacionales’ que maneja un
determinado sujeto. Especialmente interesante es el uso de este tipo de herramientas de
análisis automático desde una perspectiva de evaluación formativa 254, que sirva de
retroalimentación para que el sujeto progrese en la programación de proyectos Scratch más
complejos, y no tanto su uso meramente sumativo para ofrecer una calificación final a un
portfolio.
Como limitación de esta aproximación, se puede señalar que está completamente orientada al
análisis del producto, dejando de lado aspectos fundamentales del proceso seguido por el
253
http://happyanalyzing.com/downloads/userAnalysis/
254
Algo más adelante, veremos que este plus formativo es el que aporta una herramienta como ‘Dr. Scratch’ respecto a
‘Scrape’
206
estudiante al programar (p.e. ¿Qué tipo de ‘prácticas computacionales’ ha seguido el sujeto

para producir el proyecto? ¿Ha remezclado o depurado el proyecto de una tercera persona, o
lo ha hecho ‘desde cero’?... los bloques de programación que ha utilizado para producir su
proyecto, ¿los usa porque los entiende? ¿Los usa porque los ha visto en proyectos de otros
compañeros? ¿Los usa porque ha sido expuesto a programas-modelo similares en clase?).
Otra limitación a señalar es que las herramientas de análisis automático como ‘Scrape’ sólo
se focalizan en aspectos cuantitativos (presencia y frecuencia de aparición de cada uno de los
tipos de bloques de programación), dejando de lado aspectos cualitativos de los proyectos
(p.e. su calidad estética, su originalidad, su tipología…)
 ‘Aproximación #2: Entrevistas basadas en artefactos-objetos’ (‘artifact-based

interviews’). Desde esta aproximación, se pide a los sujetos que seleccionen un par de entre
sus proyectos Scratch, y sobre los mismos se les realiza una entrevista semiestructurada
(véase Brennan & Resnick, 2012, p. 15-16), tratando de evaluar no sólo los ‘conceptos
computacionales’ utilizados sino igualmente las ‘prácticas computacionales’ seguidas. Así,
para cada proyecto: se comienza preguntando al sujeto sobre las motivaciones que originaron
la programación del mismo; se continúa ejecutando el proyecto en pantalla para ver cómo
funciona; entonces se pregunta al sujeto cómo fue evolucionando el proyecto a lo largo del
proceso de programación (qué problemas encontró, cómo los resolvió, etc…); y finalmente se
debate y reflexiona con el sujeto acerca del producto conseguido (de qué parte está más
orgulloso, cómo se podría mejorar, etc…).
Esta aproximación presenta como fortaleza el superar algunas de las limitaciones de la

aproximación anterior. Por ejemplo, con las entrevistas se hace evidente que el hecho de que
aparezca un bloque de programación en un proyecto no es necesariamente un indicador de
que el sujeto tenga una comprensión profunda sobre el ‘concepto computacional’
correspondiente, ni que lo sepa transferir a un contexto de programación diferente.
Adicionalmente, este enfoque permite profundizar sobre las ‘prácticas computacionales’
seguidas por el sujeto mientras fue desarrollando el proyecto.
Como limitación, las ‘entrevistas basadas en artefactos-objetos’ son de aplicación individual

y requieren de mucho tiempo para el evaluador. Además, tienen ciertos riesgos de sesgo
como, por ejemplo, la discrecionalidad del sujeto a la hora de seleccionar los proyectos que se
someterán a la entrevista, o las distorsiones de la memoria a la hora de relatar el proceso de
programación seguido.
 ‘Aproximación #3: Escenarios-situaciones de diseño’ (‘design scenarios’). En esta tercera

aproximación son los evaluadores los que proporcionan una serie de proyectos Scratch a los
estudiantes, a modo de escenarios-situaciones iniciales que funcionan como puntos de partida
para el proceso de diseño y programación. Concretamente, se les ofrece una serie de
proyectos, de creciente complejidad, y se les pide: a) explicar qué es lo que hace el código del
proyecto; b) describir cómo el proyecto podría ser ampliado; c) arreglar un ‘bug’ (error de
código) del proyecto; y d) remezclar el proyecto, añadiéndole alguna nueva característica.
207
La fortaleza fundamental de esta aproximación reside que en que evalúa in situ la fluidez del
sujeto tanto en el manejo de ‘conceptos computacionales’ como de ‘prácticas
computacionales’ (a diferencia de la aproximación anterior, basada en un relato de memoria).
Como limitación, comparte con la aproximación anterior el alto consumo de tiempo exigido.
Además, se corre el riesgo de que los proyectos, externamente elegidos, no conecten con los
intereses del sujeto, subestimando sus capacidades computacionales.
En la Tabla 3.8 se sintetiza la conexión entre las 3 aproximaciones de evaluación con el

‘Computational Thinking Framework’ propuesto por los autores.
Tabla 3.8. Conexión entre las 3 aproximaciones de evaluación del PC y el ‘Computational Thinking Framework’
(Traducido de Brennan & Resnick, 2012)
Perspectivas
Conceptos computacionales Prácticas computacionales
computacionales
No se cubre
Aproximación #1: La presencia de bloques como (se podría cubrir con la
Análisis de indicador de la existencia de No se cubre extensión del análisis a los
portfolio-proyectos conceptos (sin matices) comentarios que generan los
proyectos en la plataforma)
Se cubre, basado en
Aproximación #2: Se evalúa comprensión
experiencias propias y Quizás se cubre, pero es
Entrevistas basadas conceptual con matices, pero a
auténticas de diseño- difícil preguntarlo
en artefactos- partir de un conjunto limitado de
programación; pero sujetas a directamente
objetos proyectos
las limitaciones de la memoria
Se evalúa comprensión Se cubre, basado en una
Aproximación #3:
conceptual con matices (y amplio situación novedosa y en Quizás se cubre, pero es
Escenarios-
rango de conceptos), pero a partir tiempo real, pero con difícil observarlo
situaciones de
de un conjunto de proyectos proyectos externamente directamente
diseño
seleccionados externamente seleccionados
Dado que ninguna de las 3 aproximaciones cubre suficientemente las 3 dimensiones del PC, se
recomienda una combinación de ellas a la hora de evaluar el pensamiento computacional de los
estudiantes.
b) Modelo Multinivel Bender-Urrea
Desde un punto de vista algo distinto, Walter Bender y Claudia Urrea proponen un modelo de
evaluación multinivel, específicamente diseñado para valorar y hacer visible el impacto de las
recientes reformas curriculares que están introduciendo la programación y el pensamiento
computacional en los sistemas educativos (Bender & Urrea, 2015; Urrea & Bender, 2012). Para ello,
proponen una serie de recomendaciones y pautas de innovación evaluativa a tres niveles:
 Nivel micro (‘micro level’): es el nivel de los estudiantes tomados individualmente. Se

propone fundamentalmente que los estudiantes desarrollen portfolios digitales que incluyan
sus proyectos de programación; y que éstos les sirvan de ayuda (también a profesores y
padres) para tomar conciencia de su aprendizaje a través de la documentación sistemática de
su trabajo, y de la reflexión subsiguiente sobre el mismo.
 Nivel meso (‘mezzo level’): es el nivel de aula o de centro. Se trata de ayudar a los profesores
a que analicen y comprendan sistemáticamente el impacto del currículo de programación
208
introducido. Para ello se les proporcionan herramientas que analizan automáticamente datos
derivados de las actividades de programación en línea de los estudiantes. Al estilo de lo visto
anteriormente con la herramienta ‘Scrape’ para proyectos Scratch, estos autores desarrollan
una analítica automatizada para proyectos realizados con una versión visual por bloques del
lenguaje Logo (Bender & Urrea, 2015)
 Nivel macro (‘macro level’): es el nivel de sistema educativo nacional y global. Se propone
crear repositorios en línea, que incluyan los objetos digitales creados por los estudiantes a
través de distintos entornos de programación; para conectarlos entre sí (tanto objetos como
estudiantes), generando un acervo cultural-digital propio.
3.3.2. Instrumentos de medida del pensamiento computacional
Contar con instrumentos validados de medida es algo necesario y valioso en cualquier área. Sin
embargo, y por el momento, todavía existe un gran vacío de instrumentos de medida relativos al
‘pensamiento computacional’ (PC) que hayan pasado por un proceso completo de validación
psicométrica (Mühling, Ruf, & Hubwieser, 2015). Tal y como afirman Buffum et al. (2015):
“Desarrollar medidas validadas del aprendizaje de los estudiantes es un área urgente de

desarrollo para el campo, relativamente joven, de la educación en Ciencias de la
Computación. Ello permitirá avanzar hacia una maduración de la disciplina, y equipararse
al estado de otras como la Física y las Matemáticas, que ya desde hace tiempo han
establecido sus pruebas de medida estandarizadas” (Buffum et al., 2015, p. 622)
Tanto los profesores como los investigadores podrían beneficiarse de la existencia de un conjunto de
instrumentos de medida validados del PC. Los profesores pueden utilizarlos para evaluar y ofrecer
‘feed-back’ a los estudiantes con una medida externa e independiente a los exámenes, habitualmente
diseñados por los propios profesores y que, por tanto, pueden estar afectados de sesgos personales e
incontrolables. Por su parte, los investigadores pueden utilizar estos instrumentos para evaluar la
efectividad de distintas intervenciones, metodologías, e incluso currículums en el área de la
educación en Ciencias de la Computación (Mühling, Ruf, & Hubwieser, 2015)
Dada la relativa novedad del ‘pensamiento computacional’ como constructo psicológico, y la falta
aún de consenso sobre su definición, no es de extrañar que nos encontremos todavía en un estado
incipiente en lo que se refiere a su medida a través de instrumentos validados y estandarizados
(‘tests’) 255. A este respecto, nos parece ilustrativo comparar el número de resultados que Google
Scholar devuelve para el input de búsqueda “computational thinking test”, en comparación con otros
instrumentos que, a priori, parecen afines: “logical thinking test”, “critical thinking test”,
“mathematical thinking test”, y “problem solving test”. Tal y como puede apreciarse en la Tabla
3.9, el input “computational thinking test” es, con diferencia, el que menos resultados devuelve: sólo
20 resultados, y todos ellos del año 2013 hacia delante; todo lo cual parece un claro indicador del
momento inicial en el que se encuentra la investigación al respecto, y el amplio camino por recorrer
para equipararse con la medición psicométrica de otros constructos afines.
255
Sí que se encuentran algunos antecendentes históricos en los años 60, y en el contexto de la selección de personal para
las nacientes empresas informáticas del momento como IBM, de ‘baterías de aptitudes de programación’ (‘Aptitude
Assessment Battery Programming’), hoy día ya en desuso y descatalogadas. (véase, p.e., Wolfe, 1968)
209
Tabla 3.9. Comparativa de resultados de búsqueda entre el input “computational thinking test” y otros afines
Input de búsqueda Nº de resultados devueltos por Google Scholar (diciembre de 2015)

“computational thinking test” 256 20 resultados 257
“mathematical thinking test” 57 resultados
“logical thinking test” 174 resultados
“critical thinking test” 2.890 resultados
“problem solving test” 4.290 resultados
Si revisamos este corpus de investigación reciente que aborda la problemática de la medida y

evaluación del PC, podemos diferenciar inicialmente entre estudios realizados con población
universitaria (habitualmente estudiantes de primeros cursos de carreras relacionadas con la
Informática); y estudios realizados con población pre-universitaria (habitualmente estudiantes de
finales de primaria, secundaria y bachillerato)
a) Estudios con población universitaria
Por ejemplo, en Sudáfrica, se ha desarrollado el ‘Computational Thinking Framework (CT-F)’, un

marco de trabajo que sirve de referencia para diseñar y evaluar materiales y recursos de aprendizaje
del PC (como, por ejemplo, ‘Light-Bot’ 258), y evaluar a los estudiantes (Gouws, Bradshaw &
Wentworth, 2013a). Este grupo de investigación ha estudiado igualmente el rendimiento de
estudiantes de primer año de universidad en su ‘Test for Computational Thinking’ (Gouws,
Bradshaw & Wentworth, 2013b; Marais, & Bradshaw, 2015): las preguntas usadas en esta
evaluación fueron seleccionadas de entre el banco de ítems liberados por la ‘Computer Olympiad
Talent Search’ 259 una olimpiada informática cuyo objetivo es detectar y premiar el talento
computacional, y que pretende orientar a los estudiantes sudafricanos con más aptitudes en PC hacia
carreras técnicas. En la Figura 3.22 se muestra un ejemplo de ítem utilizado (“Una rana se encuentra
en el fondo de un pozo de 19 metros de profundidad. La rana salta 4 metros hacia arriba del pozo,
pero entonces necesita 1 hora para recuperarse. Durante esa hora, la rana se desliza hacia abajo 2
metros. ¿Cuántas horas llevará a la rana salir del pozo?”). Los autores sólo presentan resultados de
rendimiento en el test de sus estudiantes, pero no un estudio de las propiedades psicométricas del
mismo.
Figura 3.22. Ítem utilizado en el ‘Test for Computational Thinking’ (Gouws, Bradshaw & Wentworth, 2013b),
perteneciente a la categoría de ‘Patrones y Algoritmos’ (la respuesta correcta es 8 horas)
256
https://scholar.google.es/scholar?hl=es&q=%22computational+thinking+test%22&btnG=&lr=
257
Todos ellos desde el año 2013 hacia adelante. Además, de entre los 20 resultados, ya aparecen 2 trabajos en los cuales
ha tenido el privilegio de participar este doctorando (Moreno-León, Robles, & Román-González, 2015; Román-
González, 2015a)
258
https://lightbot.com/
259
http://www.olympiad.org.za/talent-search/
210
En la Universidad de Kentucky, se han examinado las conexiones entre el PC y el pensamiento

crítico en estudiantes universitarios, desarrollando su propio instrumento de medida del PC
consistente en una combinación de preguntas cortas y de elección múltiple que trata de evaluar a los
estudiantes en diversos conceptos computacionales; este instrumento aún no está validado ni resulta
suficientemente fiable (Walden, Doyle, Garns & Hart, 2013).
Otra aproximación, algo distinta, proviene del grupo de investigación de la Universidad de Nebraska
(Miller et al., 2013, 2014; Shell et al., 2014), que se propone como objetivo promover el desarrollo
del pensamiento computacional de sus estudiantes de primer año universitario en el Grado de
Informática (curso denominado habitualmente ‘CS1’ o ‘Computer Science 1’). Su línea de
investigación se basa en un enfoque innovador que integra el ‘pensamiento computacional’ y el
‘pensamiento creativo’ (‘creative thinking’) en el marco de referencia de la Teoría de la
Generatividad de Epstein (Epstein, Schmidt, & Warfel, 2008). Para ello, diseñan e implementan un
conjunto de ejercicios de pensamiento creativo alineados-vinculados con conceptos del pensamiento
computacional: los ‘Computational Creativity Exercises’ (CCE); con la premisa de que los
estudiantes puedan aprovechar y transferir su ejercitación en habilidades de pensamiento creativo
con dichos ejercicios para, posteriormente, ‘desbloquear’ su comprensión del pensamiento
computacional. Los CCE tampoco han sido sometidos a un proceso de validación psicométrica.
También en el nivel CS1, denominación del primer año universitario en el Grado de Informática de
los Estados Unidos, destacan los trabajos de Tew y Guzdial (2010, 2011). Estos autores,
provenientes del Instituto Tecnológico de Georgia (Georgia Tech), desarrollan y validan el
‘Foundational CS1 Assessment Instrument’ (FCS1): un instrumento cuyo objetivo es evaluar la
adquisición que los estudiantes CS1 hacen de los conceptos fundamentales de la computación, y que
tiene la ventaja de ser independiente de cualquier pedagogía particular o lenguaje informático
concreto que se utilice para dicho curso universitario CS1. Los conceptos computacionales
abordados por el instrumento FCS1 son: operadores lógicos, condicionales simples y compuestos,
bucles definidos e indefinidos, matrices, funciones simples y con parámetros, recursividad, variables,
y orientación a objetos.
b) Estudios con población pre-universitaria
Desde la Universidad de California, se propone el instrumento ‘Fairy Assessment in Alice’, (Werner,

Denner, Campe & Kawamoto, 2012), que se basa tanto en valorar objetos creados-programados por
los estudiantes como en analizar sus respuestas a reactivos de programación prediseñados. En ambos
casos, para tratar de medir la comprensión y uso de los estudiantes ‘middle school’ (6º Primaria a 2º
ESO) de la abstracción, la lógica condicional, el pensamiento algorítmico y otros conceptos del PC
que se aplican para resolver problemas. Sin embargo, es un instrumento diseñado adhoc para ser
utilizado en el contexto de aprendizaje del entorno de programación Alice 260 (Graczyńska, 2010), y
que no se ha sometido a un proceso de validación psicométrica.
El grupo de investigación de la Clemson University (Carolina del Sur), aporta una perspectiva
complementaria (Daily, Leonard, Jörg, Babu, & Gundersen, 2014; Leonard et al., 2015). Proponen
una aproximación kinestésica al aprendizaje (‘embodied learning’) y evaluación del pensamiento
260
http://www.alice.org/index.php
211
computacional con estudiantes de ‘upper elementary and middle school’ (específicamente 5º y 6º de

Primaria); para ello alternan actividades de programación de secuencias de movimiento
(coreografías) en el entorno Alice, con la representación de esas mismas secuencias en un entorno
físico-kinestésico. El instrumento de evaluación combina igualmente ambos entornos (Figura 3.23),
pero no se reportan sus propiedades psicométricas. Los autores sí que informan de las virtudes
específicas de esta aproximación kinestésica para atraer a las chicas hacia el aprendizaje de la
programación.
Un enfoque complementario en la medida del crecimiento del PC a lo largo de la escuela secundaria

ha sido estudiar el desarrollo entre los estudiantes del uso de vocabulario y terminología específica
relacionados con la Informática (Grover, 2011)
Figura 3.23. Aproximación kinestésica al aprendizaje (‘embodied learning’) del PC. A la izquierda, un ejemplo de ítem
utilizado en el instrumento diseñado por Leonard et al. (2015)
En Taiwán, recientemente se ha realizado una evaluación del PC a gran escala entre alumnos de
secundaria, bachillerato y formación profesional, usando para ello una selección de 15 tareas-
problemas extraídos del ‘International Bebras Contest’ 261 (Lee, Lin & Lin, 2014). En su trabajo, los
autores informan sobre el rendimiento de los estudiantes taiwaneses en las distintas tareas
propuestas. Pero no se considera el conjunto de tareas como un instrumento de medida a validar, ni
se estudian sus propiedades psicométricas. Retomaremos específicamente el concurso Bebras en el
sub-epígrafe 3.3.2.1.
Otra línea de investigación muy interesante con estudiantes ‘middle school’ (6º Primaria, 1º y 2º
ESO) es la que aporta el grupo de la Universidad de Colorado. Trabajan con los estudiantes en el
entorno de programación de videojuegos ‘AgentSheets’ 262. En un primer grupo de estudios (Koh,
Basawapatna, Bennett, & Repenning, 2010), identifican una serie de ‘patrones de pensamiento
computacional’ (‘Computational Thinking Patterns’ o CTP) que los jóvenes programadores abstraen
y desarrollan durante el diseño de sus videojuegos: por ejemplo, el patrón ‘colisión’ (‘collision’) que
es programado para que dos personajes del videojuego choquen; o el patrón ‘transporte’
261
El ‘International Bebras Contest’ es un concurso a nivel internacional sobre fluidez informática y computacional en
niños, adolescentes y jóvenes. Tiene su origen en Lituania (http://www.bebras.org/), aunque ya cuenta con filiales por
toda Europa como, por ejemplo, la destacada de Reino Unido (http://www.beaver-comp.org.uk/).
262
http://www.agentsheets.com/
212
(‘transportation’) que se pone en marcha para determinar que un personaje del juego lleve o arrastre
algún objeto de un lugar a otro. En este contexto, diseñan el ‘Computational Thinking Patterns
Graph’, una herramienta automática que analiza los videojuegos programados por los estudiantes, y
que representa de manera gráfica en qué medida cada videojuego ha puesto en juego los diferentes
‘patrones de pensamiento computacional’ en comparación con un videojuego modelo (Figura 3.24)
Figura 3.24. ‘Computational Thinking Patterns Graph’ desarrollado por la Universidad de Colorado
En un segundo grupo de estudios (Basawapatna, Koh, Repenning, Webb, & Marshall, 2011), los
autores tratan de evaluar si los estudiantes son capaces de transferir los ‘patrones de pensamiento
computacional’ adquiridos durante la programación de videojuegos, al nuevo contexto de
programación de simulaciones científicas (p.e. si son capaces de transferir el patrón ‘colisión’ para
programar una simulación del choque entre dos átomos; o si son capaces de transferir el patrón
‘transporte’ para programar una simulación de la circulación de la hemoglobina por el cuerpo
humano a través de los glóbulos rojos). Para realizar esta evaluación desarrollan el instrumento de
medida ‘Computational Thinking Pattern Quiz’, compuesto por una serie de preguntas en forma de
vídeos, tras cuyo visionado el estudiante debe reconocer los patrones que han aparecido en el mismo.
De este instrumento tampoco se reportan datos de fiabilidad o validez.
213
Así pues, se constata globalmente una ausencia notable, y preocupante, de instrumentos de medida
del ‘pensamiento computacional’ que hayan sido sometidos a un proceso completo y sistemático de
validación. Este hecho es remarcado recientemente por Buffum et al. (2015), de la Universidad de
Carolina del Norte, cuando afirman que, en el campo de la educación en Ciencias de la Computación
(‘Computer Science Education’ o ‘CSE’), no se han venido aplicando a sus instrumentos de medida y
evaluación los criterios psicométricos exigidos de fiabilidad (en qué medida el instrumento es
preciso y consistente, internamente y a lo largo de varias aplicaciones) y validez (en qué medida el
instrumento mide realmente lo que afirma medir). Para afrontar dicho vacío, este grupo de
investigación propone una guía práctica de 7 pasos para el diseño, desarrollo y validación de tests en
el área de las Ciencias de la Computación, específicamente para poblaciones de estudiantes ‘middle
school’ (6º Primaria, 1º y 2º ESO); y que cumple con los estándares de medición psicométrica fijados
por la American Educational Research Association (AERA, APA, & NCME, 2014). A continuación,
sintetizamos los 7 pasos de la guía (Buffum et al., 2015), que nos han servido de referencia para el
diseño y validación de nuestro ‘Test de Pensamiento Computacional’ (TPC) que será presentado en
el Capítulo 6:
i. Identificar el propósito del test: es importante enunciar explícitamente el objetivo del test.
ii. Definir el constructo de interés: se debe definir operacionalmente el constructo que va a ser
sometido a medición. Ello implica una definición del dominio del constructo, basado en la
literatura científica previa.
iii. Preparar las especificaciones del test: se debe decidir el formato del test (p.e. si será un test
de elección múltiple o de respuesta abierta). Los autores recomiendan optar por un test de
elección múltiple, dada: su mayor facilidad de corrección; su posibilidad de escalamiento y
de aplicaciones colectivas a muestras de gran tamaño; su susceptibilidad a ser sometido a
técnicas estadísticas de validación; su adecuación para poblaciones ‘middle school’ que
pueden mostrarse en ocasiones poco colaborativas si se les solicita evocar una respuesta
abierta. Si, finalmente, se opta por la construcción de un test de elección múltiple se dan las
siguientes pautas: que cada ítem ofrezca 4 alternativas de respuesta; que la longitud del test
sea de, al menos, 20 ítems; y que el tiempo de aplicación tome de referencia la duración de
una sesión ordinaria de clase (p.e. si las clases son de 60 minutos, el tiempo máximo de
aplicación no debería exceder los 45 minutos para posibilitar una buena gestión de todo el
proceso: lectura de instrucciones, periodo de respuesta, recogida de los test).
iv. Generar los ítems candidatos del test: se debe generar un conjunto inicial de ítems
candidatos a formar parte del test. Dicho conjunto debe constituir una muestra suficiente y
representativa del dominio total del constructo definido anteriormente. Se aconseja que el
número de ítems candidatos sea alrededor del doble de la longitud final estimada (es decir,
unos 40 ítems candidatos), dado que muchos de estos ítems serán desechados en el próximo
paso.
v. Realizar una revisión formal de la validez de los ítems generados: se recomienda que
dicha revisión se realice a través de un panel de expertos (al menos 5), compuesto por una
mezcla de profesores universitarios y de secundaria en el área de las Ciencias de la
Computación. Cada experto, de manera independiente, debe valorar cada ítem candidato de
214
acuerdo a una serie de criterios, que pueden ser presentados como preguntas dicotómicas
(‘incluir el ítem / no incluir el ítem’) o como escalas tipo Likert. También se recomienda que
los expertos puedan expresar sugerencias y comentarios abiertos para la mejora de los ítems.
vi. Someter al test a una aplicación piloto con una muestra representativa de la población
de interés: se recomienda que dicha muestra sea de, al menos, 100 estudiantes. Igualmente,
se sugiere que todos los sujetos, en esta situación pretest, tengan un nivel similar de
exposición previa a la programación. Una vez recogidos los datos de la aplicación piloto, se
recomiendan los siguientes análisis estadísticos: fiabilidad como consistencia interna, índice
de dificultad por ítem, índice de discriminación por ítem, y correlaciones ítem-total (ITC). El
test estará bien construido si sus ítems tienen: índices de dificultad que cubran un rango
amplio (ítems fáciles, medios, y difíciles); índices de discriminación y correlaciones ítem-
total superiores a 0,3.
vii. Iterativamente depurar y refinar el test, sometiéndolo a nuevas aplicaciones en cada
ciclo: a partir de los análisis estadísticos anteriores, se propone depurar y refinar el test en
sucesivos ciclos o iteraciones (p.e. se propone eliminar los ítems con índices de
discriminación y/o correlaciones ítem-total inferiores a 0,3). Cada iteración finaliza con la
aplicación de la última versión depurada del test. El proceso iterativo es teóricamente infinito.
En el momento presente, tan sólo encontramos 2 ejemplos de instrumentos que hayan tomado en
consideración las recomendaciones de Buffum et al. (2015): a) el ‘Test for Measuring Basic
Programming Abilities’ de la Universidad Técnica de Múnich (Mühling, Ruf, & Hubwieser, 2015); y
b) el ‘Commutative Assessment’ desarrollado en la Northwestern University (Weintrop & Wilensky,
2015a)
 ‘Test for Measuring Basic Programming Abilities’ (Mühling, Ruf, & Hubwieser, 2015)
Este test está construido para población escolar de entre 10 y 15 años (Grados 7 a 10 del sistema
educativo alemán, equivalentes a nuestro 1º - 4º de la ESO). Su objetivo es medir la habilidad de los
estudiantes para ejecutar un programa dado, basado en las denominadas ‘estructuras de control de
flujo’ (‘flow control structures’); que se consideran en el corazón del ‘pensamiento computacional’
para estas edades:
 Secuenciación: hacer una cosa, siguiendo los pasos que la componen uno tras otro
 Selección: hacer una cosa, u otra cosa
 Repetición: hacer una cosa, una y otra vez
Dichas ‘estructuras de control de flujo’ implican los siguientes conceptos computacionales, que
conforman el dominio del constructo medido por el test:
 Secuencias de operaciones (direcciones básicas)
 Sentencias condicionales: tanto condicionales simples (sin alternativa: ‘if’) como
condicionales compuestos (con alternativa: ‘if/else’)
 Bucles con un número fijo de iteraciones: ‘repetir x veces’ (‘repeat x times’)
 Bucles con una condición de salida (‘conditional loop’): por ejemplo, el bucle ‘repetir hasta’
(‘repeat until’) o el bucle ‘repetir mientras’ (‘repeat while’)
 Anidamiento de los anteriores conceptos computacionales entre sí.
215
El formato de diseño de los ítems se pretende que sea independiente de cualquiera de los entornos de
aprendizaje de la programación existentes: se trata de una cuadrícula (‘grid’) en la cual una figura
puede ser movida a partir de la combinación de los conceptos computacionales citados
anteriormente. Cada ítem contiene dicha cuadrícula, una figura situada en alguna de las celdas de la
misma, y un pequeño programa escrito en forma textual de ‘pseudocódigo’ 263. El sujeto debe
responder, para cada ítem, la celda en la que acabará la figura tras ejecutar el programa y su
orientación (Figura 3.25):
Figura 3.25. Ejemplo de ítem del ‘Test for Measuring Basic Programming Abilities’ (Mühling, Ruf, & Hubwieser, 2015)
El test ha sido diseñado siguiendo la Teoría de Respuesta al Ítem (TRI o, en inglés, IRT) (DiBello &
Stout, 2007), que asume la unidimensionalidad del rasgo latente medido y la independencia de los
ítems entre sí. En el momento presente, este equipo de investigación se encuentra realizando
aplicaciones piloto y depurando los ítems del Test para que se ajusten al modelo Rasch (Rasch,
1993); y, una vez cubierta esa fase, se proponen una re-aplicación en muestras de mayor tamaño para
completar los estudios de validación del test definitivo y completo.
263
‘Pseudocódigo’: lenguaje informático textual simplificado, que no sigue específicamente la sintaxis de ninguno de los
lenguajes informáticos existentes. Es un lenguaje de programación diseñado para ser leído por el humano, no por la
maquina.
216
 ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a)
Este test está diseñado para población ‘high school’ (Grados 9 a 12 del sistema educativo
estadounidense, equivalente a nuestro 3º ESO a 2º Bachillerato), y pretende medir la comprensión de
los estudiantes de distintos conceptos computacionales, en función de si éstos se presentan a través
de programas escritos en lenguajes ‘block-based’ (‘visuales por bloques’) o ‘text-based’ (‘textuales’).
Esta comparación se considera muy relevante dado que, en estas edades y en el marco de la
asignatura optativa de ‘Computer Science’ de los Estados Unidos, suele abordarse la transición entre
la lectoescritura de código con lenguajes ‘visuales por bloques’ a lo propio con lenguajes ‘textuales’,
que son los utilizados ya mayoritariamente en el ámbito universitario y profesional.
El test, compuesto por un total de 28 ítems, aborda los siguientes conceptos computacionales, que se
consideran centrales en el desarrollo computacional para estas edades: ‘sentencias condicionales’;
‘bucles definidos/determinados’; ‘bucles indefinidos/indeterminados’; ‘funciones simples’; y
‘funciones con parámetros/variables’. Todos los ítems son de elección múltiple con 5 opciones de
respuesta. Cada ítem consiste en un pequeño fragmento de código, que aleatoriamente puede
aparecer escrito en el lenguaje Snap! 264 (‘visual por bloques) o en el lenguaje JavaScript (‘textual’), y
el sujeto debe interpretar su funcionamiento. Por ejemplo, en la Figura 3.26 vemos las dos formas en
las que puede presentarse una pregunta sobre ‘bucles definidos/determinados’ (“¿Cuántas veces será
impresa la palabra ‘here’ cuando se ejecute el programa?” La respuesta correcta es “10 veces”)
Figura 3.26. Ejemplo de ítem del ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a)
En una primera aplicación piloto del test sobre 90 estudiantes, los autores informan de un
rendimiento significativamente superior de los estudiantes en el instrumento cuando los ítems son
mostrados en la modalidad ‘visual por bloques’ tanto en los ‘condicionales’, como en los ‘bucles’ y
‘funciones’. Estos resultados son consistentes con la hipótesis de que los lenguajes ‘visuales por
bloques’ son más sencillos de interpretar que los lenguajes ‘textuales’; aunque aún dejan abierta la
cuestión de si el aprendizaje con los primeros es una buena preparación para el aprendizaje de los
segundos.
En un estudio complementario (Weintrop & Wilensky, 2015b), los autores presentan los resultados
de las entrevistas realizadas a esos mismos 90 estudiantes sobre su percepción diferencial entre
lenguajes ‘visuales por bloques’ y ‘textuales’, tras un curso de introducción a la programación de 10
264
http://snap.berkeley.edu/
217
semanas de duración en el que tuvieron contacto tanto con Snap! como con JavaScript. Los
estudiantes mayoritariamente contestaron en el sentido de que los lenguajes ‘visuales por bloques’
son más sencillos que los ‘textuales’, por distintos motivos: que los bloques están escritos en un
lenguaje mucho más próximo al lenguaje natural, y, por tanto, son más fáciles de leer; que la forma y
color de los bloques ofrecen pistas visuales sobre cómo encajan unos con otros y, por tanto, es más
sencillo ir componiendo el programa; que las librerías de bloques existentes liberan memoria al
programador y facilitan su recuerdo de las funcionalidades disponibles, a diferencia de los lenguajes
textuales en las que uno debe recordar sus detalles de sintaxis en todo momento durante la escritura.
Por otro lado, los estudiantes también reconocen algunos inconvenientes de los lenguajes ‘visuales
por bloques’, a saber, su menor potencia, su limitación a los tipos de bloques pre-existentes y el
hecho de que no son los que utilizarán en entornos profesionales de programación.
En cualquier caso, tanto el ‘Test for Measuring Basic Programming Abilities’ (Mühling, Ruf, &
Hubwieser, 2015) como el ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a) se encuentran
en pleno proceso de validación. Aún no disponemos de sus versiones públicas y definitivas con las
que poder realizar un estudio de validez convergente con nuestro ‘Test de Pensamiento
Computacional’ (TPC). Para ello, utilizaremos otras 2 medidas alternativas, que describimos a
continuación: tareas extraídas del ‘Bebras International Contest’ (‘Concurso Internacional Bebras’);
y análisis de proyectos Scratch con la herramienta de análisis automático ‘Dr. Scratch’, desarrollada
por nuestros colegas de la Universidad Rey Juan Carlos.
3.3.2.1. El Concurso Internacional Bebras
El Concurso Internacional Bebras 265 tiene su origen en Lituania en 2003. Su objetivo es promover el
interés y la excelencia de los escolares de todo el mundo en el área de la Informática en general, y
particularmente en lo que al pensamiento computacional se refiere (Cartelli, Dagiene, & Futschek,
2012; Dagiene & Futschek, 2008; Dagiene & Stupuriene, 2014). Desde su nacimiento, se ha ido
extendiendo a lo largo de diferentes países de la zona OCDE (‘Organización para la Cooperación y el
Desarrollo Económicos’) consolidando su carácter internacional; pasando de los 3.470 participantes
lituanos del año 2004, a los 523.319 participantes provenientes de 21 países del año 2013.
La dinámica del concurso es la siguiente: en los meses de primavera, se celebra un simposio

internacional al que asisten los respectivos organizadores locales del concurso de cada uno de los
países participantes (habitualmente profesores de Ciencias de la Computación de nivel universitario
o pre-universitario), y éstos proponen una serie de problemas o tareas (‘Bebras tasks’) para que sean
incluidas en el concurso del año en curso. Durante el simposio se seleccionan y mejoran las tareas
que se incluirán en el banco común o ‘pool’ definitivo de problemas para el concurso, alrededor de
400 tareas por año, que se celebra en el mes de noviembre. Posteriormente, cada comité nacional
selecciona un subconjunto de tareas de dicho ‘pool’, las traduce a su idioma, y las aplica en su país.
Al año siguiente se repite el proceso, renovándose el ‘pool’ de tareas disponibles.
Existe un conjunto de criterios establecidos que deben seguir las tareas Bebras para ser aceptadas
(Dagiene & Futschek, 2008), según mostramos en la siguiente Tabla 3.10.
265
http://www.bebras.org/ [‘Bebras’ es ‘castor’ en lengua lituana; en inglés es ‘beaver’; representa la conducta
inteligente, orientada a objetivos, persistente y creativa, que pone en juego el animal al acometer sus construcciones]
218
Tabla 3.10. Criterios para diseñar una adecuada tarea Bebras (Dagiene & Futschek, 2008)
Las buenas tareas Bebras… Explicación
Están relacionadas con las Ciencias de El objetivo del concurso es promover el interés y desarrollo del pensamiento
la Computación computacional entre los escolares
Permiten experiencias de aprendizaje En la resolución de los problemas, los estudiantes deben aprender algo
interesante, que les produzca interés y satisfacción
Cada tarea puede ser resuelta en 3 minutos es el tiempo promedio para resolver una tarea
alrededor de 3 minutos
Cada tarea debe tener especificado un 1/3 de las tareas deben ser sencillas (Nivel A), 1/3 de las tareas deben ser
nivel de dificultad intermedias (Nivel B), y 1/3 de las tareas deben ser difíciles (Nivel C)
Cada tarea debe estar dirigida a un Actualmente, se distinguen los siguientes grupos de edad: Benjamines
grupo específico de edad (equivalentes a nuestro 5º-6º Primaria); Cadetes (1º-2º ESO); Junior (3º-4º
ESO); y Senior (1º-2º Bachillerato)
Deben ser independientes de cualquier Las tareas no están basadas en los contenidos curriculares concretos de
currículum nacional en particular Informática de ningún sistema educativo nacional; sino que se orientan a la
resolución de problemas reales, y significativos para los estudiantes, a través
de los principios y conceptos generales de la computación
Deben ser independientes de cualquier Las tareas no deben basarse en (ni dar por hecho) ningún conocimiento
sistema informático en particular previo particular sobre sistemas operativos, aplicaciones o lenguajes
informáticos concretos.
Deben tener enunciados fácilmente La enunciación de la tarea debe ser tan sencilla como sea posible,
comprensibles utilizando, cuando sea factible: imágenes, ejemplos, una historia que
contextualice y dé significatividad a la tarea, interactividad…
Cada tarea puede ser presentada y Cada tarea no debe exceder los límites de una página-pantalla; tratando de
resuelta en una sola página-pantalla evitar el ‘scroll’ con el ratón
Son resolubles a través de un ordenador, Para su resolución, es suficiente con el pensamiento computacional de los
sin necesidad de lápiz y papel, ni de estudiantes. No hace falta ni calculadora, ni otros medios adicionales
software o hardware adicional
Son políticamente correctas Las buenas tareas no contienen estereotipos de género, raciales o religiosos
Deberían ser divertidas El concurso tiene carácter lúdico y su fin último es motivar a los estudiantes
hacia el desarrollo de sus habilidades computacionales, como expresión
máxima de la alfabetización digital en el siglo XX1
Deberían incluir imágenes Las imágenes deben hacer la tarea más divertida. Pero no son meras
ilustraciones, sino que deben servir de apoyo para el pensamiento
computacional del estudiante.
Deberían incluir elementos interactivos Aunque el formato de respuesta más habitual de las tareas Bebras es la
elección múltiple entre alternativas (‘multiple choice’), siempre que sea
posible se tratará de formatear la tarea de manera que pueda ser resuelta de
algún modo interactivo más allá de clicar sobre la opción de respuesta
elegida
Deberían ofrecer ‘feed-back’ inmediato Una vez completada la tarea, el estudiante debe recibir ‘feed-back’
inmediato para tener la certeza de haberlo hecho correctamente
219
En lo relativo a su contenido, cada tarea Bebras puede ser asignada en, al menos, una de las
siguientes categorías:
 INF: ‘Information comprehension’ (‘Comprensión de la información’). Concepción,

comprensión y representación de la información (simbólica, numérica, gráfica). Sistemas de
codificación y encriptación.
 ALG: ‘Algorithmic thinking’ (‘Pensamiento algorítmico’). Descripción y formalización de
acciones según ciertas reglas. Fundamentos de programación.
 USE: ‘Using computer systems’ (‘Uso de sistemas informáticos’). Principios generales de
interacción con los componentes informáticos: motores de búsquedas, directorios de
archivos...
 STRUC: ‘Structures, patterns and arrangements’ (‘Estructuras, patrones y disposiciones’).
Combinatoria, estructuras binarias (p.e. ‘binary trees’ o ‘árboles binarios’) , estructuras
discretas (p.e. estructuras condicionales)
 PUZ: ‘Puzzles’. Puzles y juegos lógicos, mapas mentales.
 SOC: ‘ICT and Society’ (‘TIC y Sociedad’). Aspectos sociales, éticos, culturales, y legales,
de las tecnologías de la información y la comunicación.
Además, en un reciente trabajo (Dagiene & Stupuriene, 2014), se trata de categorizar adicionalmente
cada tarea Bebras en función de la taxonomía Bloom (1972), en su versión revisada para el contexto
digital: ‘Remembering’ (‘recordar’); ‘Understanding’ (‘comprender’); ‘Applying’ (‘aplicar’);
‘Analysing’ (‘analizar’); ‘Evaluating’ (‘evaluar’); ‘Creating’ (‘crear’).
El Concurso Internacional Bebras finalmente se materializa en la aplicación de una prueba,

habitualmente ‘on-line’, compuesta del subconjunto de tareas finalmente escogidas y traducidas por
cada país del ‘pool’ común de ese año, para cada uno de los grupos de edad. Las pruebas suelen tener
una longitud de alrededor de 20 tareas (puede haber ligeras variaciones de un país a otro, y de un
grupo de edad a otro), e incluyen tareas de diverso grado de dificultad. Las tareas adquieren en su
mayoría el formato de ítems de elección múltiple. Por ejemplo, en la Figura 3.27 vemos la tarea ‘Ice
Cream Machine’ (‘La Máquina de Helados’), extraída de la edición 2013 del Concurso Bebras: es
una tarea dirigida al grupo de edad ‘Benjamines’ (5º-6º Primaria); adscrita a la categoría ‘ALG’
(pensamiento algorítmico); incluida en el nivel ‘comprender’ de la taxonomía de Bloom.
Figura 3.27. Tarea ‘Ice Cream Machine’ de la Edición 2013 del Concurso Internacional Bebras [Traducción: “La
Máquina de helados siempre pone las bolas en el mismo orden. En el dibujo de la derecha, puedes ver 3 ejemplos de
ello. ¿Qué orden (patrón) podría salir de la máquina?”]
220
En la Figura 3.28, se ilustra la tarea ‘Visiting Friends’ (‘Visitando amigos’), también extraída de la
edición 2013 del concurso: es una tarea dirigida al grupo de ‘Juniors’ (3º-4º ESO); adscrita a las
categorías ‘ALG’ (pensamiento algorítmico) y ‘STRUC’ (estructuras); incluida en el nivel ‘analizar’
de la taxonomía de Bloom.
Figura 3.28. Tarea ‘Visiting friends’ 266 de la Edición 2013 del Concurso Internacional Bebras
Tal y como puede comprobarse, el enfoque general de las tareas Bebras es la solución de problemas
‘reales’ y significativos para los estudiantes, a través de la transferencia y proyección del
pensamiento computacional sobre el contexto del problema. Éstos son independientes de cualquier
software o hardware concreto, y pueden ser aplicados a sujetos sin ninguna experiencia previa en
programación. Por todas estas características, se vienen señalando la tareas Bebras como un más que
probable embrión para unas futuras pruebas PISA (‘Programme for International Student
Assessment’) en el ámbito de las Ciencias de la Computación (Hubwieser & Mühling, 2014); lo que
supondría un respaldo definitivo a la integración de esta disciplina de manera central en todos los
currículum de la zona OCDE. Otro indicio de la más que probable expansión de las tareas Bebras al
ámbito de la evaluación comparada es la progresiva adaptación que se está realizando de sus tareas
para poder ser accesibles a toda la diversidad del alumnado; p.e., se recomienda consultar el reciente
trabajo en el que se adaptan tareas Bebras para población escolar invidente (Jašková & Kováčová,
2015)
En cualquier caso, debemos recordar que el Concurso Internacional Bebras, por el momento, es un
certamen de promoción del pensamiento computacional, no un instrumento de medida; entre otras
cosas, porque no constituye un conjunto estable y determinado de ítems, sino una prueba que varía
de año en año, y con ligeras modificaciones entre país y país. Sin embargo, su creciente expansión ha
266
Traducción: “El Sr. Castor tiene 4 amigos viviendo en pueblos diferentes, y planea visitar a uno de estos amigos cada
tarde. Inicialmente, todas las flechas apuntan al camino de la izquierda. Cuando atraviesa la intersección, el Sr. Castor
gira la flecha a la dirección opuesta. Por ejemplo, en el día 1, el Sr. Castor toma el camino de la izquierda en la primera
intersección y otra vez el camino de la izquierda en la segunda intersección, llegando al pueblo W. En el día 2, el Sr.
Castor toma el camino de la derecha en la primera intersección, y el de la izquierda en la segunda, llegando al pueblo Y
¿Qué pueblo visitará el Sr. Castor el día 30?”
221
despertado el interés de investigadores y psicómetras, que han comenzado a indagar sobre sus
posibles virtudes como instrumento de medida del pensamiento computacional. Así, se han
publicado recientemente estudios descriptivos sobre el nivel de ejecución de los estudiantes en las
tareas Bebras correspondientes a ediciones del concurso celebradas en Alemania (Hubwieser &
Mühling, 2014, 2015), Italia (Bellettini et al., 2015), Taiwán (Lee, Lin, & Lin, 2014) o Turquía
(Kalelioğlu, Gülbahar, & Madran, 2015). En todos ellos se reportan rendimientos significativamente
superiores en los chicos frente a las chicas, en la mayoría de las tareas.
Adicionalmente, hay un par de estos grupos de investigación (Bellettini et al., 2015; Hubwieser &
Mühling, 2015) que están buscando subconjuntos de tareas Bebras que satisfagan los requerimientos
de la Teoría de Respuesta al Ítem (TRI), a saber, que las tareas de dicho subconjunto formen una
escala unidimensional y midan un mismo rasgo latente (‘single latent trait’); de la cual se derive un
futuro instrumento que pueda someterse a un proceso completo de validación. Son líneas de
investigación aún por concluir.
3.3.2.2. Un caso particular: Dr. Scratch
Dr. Scratch 267 es una aplicación web libre y de código abierto que permite analizar de forma simple y
automática proyectos programados con Scratch 268 (Maloney, Resnick, Rusk, Silverman, &
Eastmond, 2010), así como obtener retroalimentación que puede usarse para mejorar las habilidades
de programación y desarrollar el pensamiento computacional (PC) de los estudiantes. Dr. Scratch es
una herramienta desarrollada por el grupo de investigación GSyC/LibreSoft 269 de la Universidad Rey
Juan Carlos (Moreno-León & Robles, 2014, 2015). Para analizar un proyecto con Dr. Scratch puede
subirse a la web de la herramienta un archivo de extensión .sb o .sb2, ya que la herramienta soporta
tanto proyectos de la versión Scratch 1.4 como 2.0, o bien se puede copiar-pegar directamente la
URL del proyecto Scratch a analizar.
Cuando se analiza un proyecto Scratch, Dr. Scratch informa al usuario sobre el grado de desarrollo
del pensamiento computacional demostrado en el mismo, asignando una puntuación total de PC. Al
estar basado en ‘Hairball’ 270, Dr. Scratch detecta adicionalmente ciertos malos hábitos de
programación o errores potenciales, como: el uso de nombres no significativos para los personajes; la
repetición de código; existencia de código que no llega a ejecutarse; y/o la inicialización incorrecta
de atributos de objetos.
Para asignar la puntuación total de PC al proyecto, Dr. Scratch infiere la competencia demostrada
por el programador en cada una de las siguientes siete dimensiones: ‘Abstracción y descomposición
de problemas’, ‘Paralelismo’, ‘Pensamiento lógico’, ‘Sincronización’, ‘Nociones algorítmicas de
control de flujo’, ‘Interactividad con el usuario’ y ‘Representación de la información’. La evaluación
de la competencia en cada una de estas dimensiones sigue las reglas-algoritmos de la Tabla 3.11; que
ha sido diseñada en base a la investigación previa sobre evaluación de proyectos Scratch (p.e., Seiter
267
http://drscratch.org/
268
269
Grupo de investigación sobre Ingeniería del Software Libre, adscrito a la Escuela Técnica Superior de Ingeniería de
Telecomunicación de la Universidad Rey Juan Carlos (http://gsyc.escet.urjc.es/)
270
‘Hairball’ es un analizador de código estático que detecta problemas potenciales en los programas, como código que
nunca se ejecuta, mensajes que no recibe ningún objeto, o atributos que no se inicializan correctamente (Boe et al., 2013)
222
& Foreman, 2013; Wilson, Hainey, & Connolly, 2012; Wolz, Hallberg, & Taylor, 2011), combinada
con algunas propuestas de docentes de distintos niveles educativos que utilizan Scratch en sus clases.
Tabla 3.11. Criterios que aplica Dr. Scratch 271 para medir el nivel de competencia en las distintas dimensiones del PC
Nivel de competencia:
Se asigna en función de si en el proyecto Scratch analizado aparece…
Dimensión del PC
Ninguno Básico Intermedio Avanzado
(0) (1 punto) (2 puntos) (3 puntos)
Abstracción y Más de un
Definición de bloques
descomposición de - programa y más de Uso de clones
propios (funciones)
problemas un objeto
Dos programas en ‘tecla Dos programas en ‘cuando reciba
presionada’, dos mensaje’, crear clon, dos
Dos programas en
Paralelismo - programas en ‘al programas en ‘cuando %s es > %’,
‘bandera verde’
presionar’ el mismo dos programas en ‘cuando el
objeto escenario cambie a’
Pensamiento lógico - Si (‘If’) Si/sino (‘If/else’) Operaciones lógicas
Enviar, cuando reciba
mensaje, parar todos, Esperar hasta, cuando el escenario
Sincronización - Esperar
parar programas, parar cambie a, enviar y esperar
programas del objeto
Secuencia de
Control de flujo - Repetir, por siempre Repetir hasta
bloques
Tecla presionada, objeto
Interactividad con presionado, preguntar y
- Bandera verde Cuando %s es >%s, vídeo, audio
el usuario esperar, bloques de
operaciones con ratón
Modificadores de
Representación de Operaciones con
- propiedades de Operaciones con listas
la información variables
objetos
Para ilustrar cómo asigna Dr. Scratch un nivel de competencia en cada dimensión del PC, en la
Figura 3.29 se muestran los 3 niveles de ‘Pensamiento lógico’, en función del tipo de bloques
utilizados en el proyecto Scratch sometido a análisis.
En función de la puntuación total (o ‘Mastery’) de PC asignada al proyecto por Dr. Scratch, que
puede oscilar de 0 a 21 puntos, la cantidad de información de ‘feed-back’ mostrada en la pantalla de
resultados es distinta. Así, si el nivel de PC es bajo (≤ 10 puntos), se asume que el usuario es un
programador novato y, en consecuencia, la herramienta solamente muestra información básica sobre
las mejoras más importantes que pueden realizarse en el código del proyecto. Según va aumentando
la puntuación, Dr. Scratch muestra más información de los proyectos analizados. Así, los usuarios
avanzados reciben un informe de retroalimentación con toda la información disponible, tanto en
términos de habilidades de PC que pueden desarrollar, como en lo relativo a los malos hábitos de
programación que deben desterrar. La Figura 3.30 ilustra las diferencias en cantidad y complejidad
de la información mostrada en pantalla en función de la puntuación de PC obtenida.
271
Puede consultarse el código implementado en Dr. Scratch para ejecutar automáticamente estos algoritmos en:
https://github.com/jemole/hairball/blob/master/hairball/plugins/mastery.py
223
Figura 3.29. Diferentes niveles de competencia en la dimensión ‘Pensamiento lógico’: arriba a la izquierda, nivel básico
(‘If’); arriba a la derecha, nivel intermedio (‘If/else’); abajo, nivel avanzado (‘If/else’ con operadores lógicos)
Figura 3.30. Retroalimentación de Dr. Scratch en función del nivel de competencia demostrado
224
En resumen, Dr. Scratch es una aplicación web que permite a educadores y alumnos analizar
automáticamente proyectos Scratch, el lenguaje de programación más utilizado globalmente en
educación primaria y secundaria. Con Dr. Scratch, alumnos y educadores pueden comprobar si los
proyectos se han programado correctamente, aprender de sus errores y recibir retroalimentación para
mejorar su código, y desarrollar su capacidad de pensamiento computacional (PC). Otro de los
objetivos de Dr. Scratch, además de ayudar al docente en las tareas de evaluación, es ser un estímulo
para animar a los aprendices a seguir mejorando sus habilidades de programación. Para comprobar la
efectividad de la herramienta en este sentido, en un reciente estudio en el que este doctorando ha
tenido el privilegio de participar (Moreno-León, Robles, & Román-González, 2015), se organizaron
talleres en 8 colegios con alumnos de entre 10 y 14 años en los que los estudiantes analizaron uno de
sus proyectos Scratch con Dr. Scratch, leyeron la información del informe de resultados e intentaron
mejorar sus proyectos usando los consejos ofrecidos por la herramienta. Al finalizar el taller, los
alumnos mejoraron significativamente su puntuación de PC así como sus habilidades como
programadores.
3.4. Síntesis: hacia una consolidación del pensamiento computacional como constructo
psicopedagógico
A lo largo del presente capítulo ha quedado patente el estado aún incipiente del ‘pensamiento
computacional’ (PC) como constructo psicopedagógico de estudio. Así, no existe una definición
consensuada del PC, y se percibe una notable dispersión y confusión terminológica alrededor del
mismo. Ello tiene que ver, en esencia, con que las Ciencias de la Computación han puesto
tradicionalmente su foco en generar nuevas y mejores tecnologías, y no tanto en construir un corpus
sistemático de conceptos para ser sometidos a transmisión y medición educativas, en especial en las
etapas pre-universitarias; hecho que debemos contribuir a paliar si deseamos que las Ciencias de la
Computación se integren con fuerza en el corazón de nuestros sistemas educativos.
Igualmente, en el campo de las intervenciones educativas para el desarrollo del PC se comprueba una
gran variedad y heterogeneidad de las mismas: programas de duración variable, en contextos y
poblaciones distintas, con metodologías diferentes, y en la mayoría de ocasiones investigadas a
través de diseños débiles (estudios descriptivos o de casos). Situación parecida nos encontramos en
el campo de la medida y evaluación del PC, existiendo una notable ausencia de instrumentos
estandarizados, que hayan atravesado una completa validación, para ser aplicados sobre poblaciones
escolares.
Así las cosas, creemos valioso y necesario: por una parte, diseñar y validar algún instrumento de
medida del PC, dirigido a población escolar española; por otra parte, evaluar programas de desarrollo
del PC en contextos escolares a través de diseños experimentales o cuasi-experimentales (que
incluyan grupos ‘control’ y ‘de tratamiento’; con medidas estandarizadas pre y post). Ambas líneas
pueden marcar el punto de inicio para situar la investigación educativa del PC en los niveles propios
de otros constructos psicopedagógicos ya bien establecidos. A ello dedicaremos, respectivamente, los
Capítulos 6 y 7 de esta tesis doctoral, ya en la parte empírica que nos disponemos a afrontar.
225
II. PARTE EMPÍRICA
La parte práctica de la presente tesis doctoral está compuesta por tres estudios empíricos.
En primer lugar, se desarrolla un estudio descriptivo-exploratorio (estudio no experimental) mediante

metodología de encuesta sobre el evento ‘La Hora del Código’ 272 (‘The Hour of Code’), promovido
por la fundación Code.org 273 y considerado como la mayor iniciativa a nivel mundial para la
promoción y desmitificación del aprendizaje de código informático en las escuelas, y su impacto en
España durante las ediciones de diciembre 2013 y diciembre 2014. En este estudio han participado
un total de 29 centros educativos procedentes de múltiples puntos de la geografía española,
acumulándose una muestra total de 1.662 estudiantes encuestados. Las conclusiones de este primer
estudio descriptivo-exploratorio orientarán posteriormente el diseño de los otros dos estudios
empíricos de esta tesis doctoral.
En segundo lugar, se procede a la validación de un instrumento, el Test de Pensamiento

Computacional (TPC), específicamente diseñado para población escolar española de primer ciclo de
la Educación Secundaria Obligatoria (1º ESO – 2º ESO), pero con aplicaciones complementarias en
el último ciclo de Educación Primaria (5º Primaria – 6º Primaria) y en el segundo ciclo de la
Educación Secundaria Obligatoria (3º ESO y 4º ESO). Para la validación de contenido del TPC
hemos contado con el juicio de 20 expertos; y la versión definitiva del instrumento ha sido aplicada
sobre un total de 1.251 estudiantes, de 24 centros educativos distintos. A partir de dicha aplicación
hemos podido estudiar y establecer la fiabilidad del test así como sus diferentes indicios de validez:
criterial (tanto con medidas concurrentes como predictivas), discriminante, convergente, y factorial.
Todo este proceso de validación nos ha permitido utilizar posteriormente el TPC como herramienta
de evaluación en el tercer estudio empírico, que se sintetiza en el siguiente párrafo.
En tercer lugar, se procede a la evaluación de programas de codigoalfabetización y desarrollo del

pensamiento computacional. Se realiza una evaluación principal, en profundidad, sobre el programa-
curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) implementado en 1º y 2º Ciclo de la ESO
durante el 2º trimestre del año académico 14/15 en 12 centros educativos de la Comunidad
Valenciana. Dicha evaluación principal se acompaña de una evaluación complementaria y de menor
profundidad, realizada sobre el programa-curso ‘K-5 Computer Science Fundamentals (Course 2)’
(Code.org, 2015b) implementado en 3º Ciclo de Educación Primaria durante el 2º trimestre del año
académico 14/15 en 1 centro educativo de la Comunidad de Andalucía (Sevilla). Finalmente, se
presenta un breve estudio de casos de alumnos con altas capacidades computacionales de primer
ciclo de la ESO que, adicionalmente al programa-curso ‘K-8 Intro to Computer Science’ seguido por
sus compañeros de aula ordinaria, siguieron un programa-curso complementario de mayor dificultad
a través de la plataforma Khan Academy: ‘Computer Programming’ (Khan Academy, 2015);
mediante una metodología de ‘clase invertida’ (‘flipped classroom’) (Tourón & Santiago, 2015)
272
273
https://code.org/
Volver al índice
CAPÍTULO 4
OBJETIVOS Y METODOLOGÍA
4.1. Objetivos
Distinguimos entre objetivos generales y objetivos específicos.
4.1.1. Generales
Los objetivos generales de esta parte empírica son:
 Objetivo 1 (O1): Describir el impacto del evento ‘La Hora del Código’ (a partir de ahora,
siguiendo la abreviatura inglesa habitual, ‘HoC’) en España a lo largo de sus dos primeras
ediciones: HoC-2013 y HoC-2014.
 Objetivo 2 (O2): Explorar evidencias empíricas en dicho evento ‘HoC’ que den apoyo y
fundamento a nuestras hipótesis directivas de investigación, ya enunciadas en el apartado 2.6
de esta tesis.
 Objetivo 3 (O3): Diseñar y validar un instrumento que mida el nivel de desarrollo del
pensamiento computacional, o ‘Test de Pensamiento Computacional’ (TPC), en población
escolar española de primer ciclo de la Educación Secundaria Obligatoria (1º ESO – 2º ESO).
 Objetivo 4 (O4): Evaluar el programa-curso ‘K-8 Intro to Computer Science’ (Code.org,

2015a), desde el marco fijado por nuestras hipótesis directivas de investigación, ya
enunciadas en el apartado 2.6 de esta tesis.
 Objetivo 5 (O5): Evaluar el programa-curso ‘K-5 Computer Science Fundamentals (Course

2)’ (Code.org, 2015b), desde el marco fijado por nuestras hipótesis directivas de
investigación, ya enunciadas en el apartado 2.6 de esta tesis.
 Objetivo 6 (O6): Estudiar casos de sujetos con alta capacidad computacional en el contexto
del programa-curso ‘Computer Programming’ (Khan Academy, 2015); desde el marco fijado
por nuestras hipótesis directivas de investigación, ya enunciadas en el apartado 2.6 de esta
tesis.
Los objetivos O1 y O2 son abordados en el Capítulo 5 (primer estudio empírico); el objetivo O3 es

abordado en el Capítulo 6 (segundo estudio empírico); y los objetivos O4, O5 y O6 son abordados en
el Capítulo 7 (tercer estudio empírico).
4.1.2. Específicos
Los objetivos específicos se enuncian de manera explícita en los capítulos en los que se abordan
respectiva y sucesivamente los objetivos generales anteriores. Así:
Volver al índice
PARTE EMPÍRICA / Capítulo 4 / Román-González (2016)
 Los objetivos generales O1 y O2 se abordan en el Capítulo 5 (primer estudio empírico), y sus

objetivos específicos se enuncian explícitamente en el apartado 5.2.
 El objetivo general O3 se aborda en el Capítulo 6 (segundo estudio empírico), y sus objetivos

específicos se enuncian explícitamente en el apartado 6.2.
 El objetivo general O4 se aborda en el Capítulo 7 (tercer estudio empírico), y sus objetivos

específicos se enuncian explícitamente, a modo de hipótesis específicas, en el epígrafe 7.1.2.

específicos se enuncian explícitamente, a modo de hipótesis específicas, en el epígrafe 7.2.2.

específicos se enuncian explícitamente en el epígrafe 7.3.2.
4.2. Metodología
En consonancia con el principio general de complementariedad metodológica (García Hoz, 1991;

Pérez Juste, 2000), se aplican metodologías distintas en función de los objetivos generales
planteados. Estos objetivos se abordan a través de una sucesión de tres estudios empíricos
concatenados. A continuación, catalogamos los tres estudios en función de su metodología; para ello
nos apoyamos en las taxonomías y terminologías, por orden de aparición, de Montero y León (2007),
Colás y Buendía (1992), y García Llamas (2003).
 El primer estudio, que aborda los objetivos generales O1 y O2, puede clasificarse como
estudio descriptivo de poblaciones mediante encuestas con muestras probabilísticas; siendo
éstas, muestras independientes sucesivas (Montero & León, 2007). Las encuestas combinan
la aproximación cuantitativa (preguntas cerradas) y cualitativa (preguntas abiertas). A su vez,
dentro del primer estudio, se puede diferenciar que:
• El objetivo general O1 se aborda desde una perspectiva longitudinal, comparando la

evolución de las dos muestras independiente sucesivas (HoC-2013 y HoC-2014)
• El objetivo general O2 se aborda desde una perspectiva transversal, acumulando

ambas muestras independientes sucesivas como una sola cohorte de población
bianual, que es posteriormente analizada.
 El segundo estudio, que aborda el objetivo general O3, puede clasificarse como estudio
instrumental (Montero & León, 2007) de diseño, construcción y validación de una prueba
psicométrica; desde la ‘Teoría Clásica de los Tests’ (TCT) (Muñiz, 1992; Navas Ara, 2001).
El proceso de desarrollo de nuestro ‘Test de Pensamiento Computacional’ (TPC) sigue la
guía metodológica de Buffum et al. (2015) para la construcción y validación de instrumentos
de medida en el área de las Ciencias de la Computación con poblaciones ‘middle school’ (de
6º Primaria a 2º ESO); guía que está alineada, a su vez, con los estándares para la medición
psicométrica educativa fijados por la American Educational Research Association (AERA) y
la American Psychological Association (APA) (ver AERA, APA, & NCME, 2014)
228
 El tercer estudio está, a su vez, dividido en tres sub-estudios interrelacionados:
• El primer sub-estudio, que aborda el objetivo general O4, aplica distintas

metodologías en función del tipo de hipótesis específicas sometidas a contraste:
 Las hipótesis específicas enunciadas en el marco de la directiva de adecuación

son contrastadas a través de un diseño cuasi-experimental de dos grupos no
equivalentes (Colás y Buendía, 1992); que incluye medidas psicométricas
pretest y postest, tanto en el grupo de tratamiento como en el grupo de control,
habiéndose constituido dichos grupos de manera natural. En terminología de
Montero y León (2007), hablaríamos de un cuasi-experimento pre-post, de dos
grupos, uno de cuasi-control.
 Las hipótesis específicas enunciadas en el marco de la directiva de viabilidad

son contrastadas a través de una metodología descriptivo-cuantitativa apoyada
en encuestas (preguntas cerradas) e indicadores objetivos de seguimiento
(‘tracking’) del curso K-8 (Code.org, 2015a)
 Las hipótesis específicas enunciadas en el marco de la directiva de relevancia

son contrastadas a través de una metodología interpretativo-cualitativa,
apoyada en encuestas (preguntas abiertas).
• El segundo sub-estudio, que aborda el objetivo general O5, aplica distintas

metodologías en función del tipo de hipótesis específicas sometidas a contraste:
 La hipótesis específica enunciada en el marco de la directiva de adecuación es

contrastada a través de un diseño pre-experimental de un solo grupo con
pretest y postest (Colás y Buendía, 1992); que sólo incluye grupo de
tratamiento (no hay grupo de control). En terminología de Montero y León
(2007), hablaríamos de un cuasi-experimento débil pre-post, un grupo.
 La hipótesis específica enunciada en el marco de la directiva de viabilidad es

contrastada a través de una metodología descriptivo-cuantitativa, apoyada en
indicadores objetivos de seguimiento (‘tracking’) del curso K-5 (Code.org,
2015b)
• El tercer sub-estudio, que aborda el objetivo general O6, sigue una metodología de
estudio de casos múltiples (García Llamas, 2003) o estudio de caso, múltiple
(Montero & León, 2007); apoyado en medidas de distinto tipo en función del objetivo
específico abordado:
 El objetivo específico enunciado en el marco de la directiva de adecuación es

abordado a través del análisis de las medidas psicométricas de los sujetos-
casos.
229
 El objetivo específico enunciado en el marco de la directiva de viabilidad es

abordado a través de los indicadores de seguimiento (‘tracking’) de los
sujetos-casos en el curso ‘Computer Programming’ (Khan Academy, 2015)
 El objetivo específico enunciado en el marco de la directiva de relevancia es

abordado a través del análisis de las producciones (programas y código
informático escrito) de los sujetos-casos en el curso ‘Computer Programming’
4.2.1. Plan de análisis de datos
Para la realización efectiva de los objetivos generales, se lleva a cabo el siguiente plan de análisis de
datos, que diferenciamos para cada uno de los tres estudios empíricos:
 En el primer estudio empírico (estudio descriptivo mediante encuestas sobre el evento ‘La
Hora del Código’):
• Con respecto a los datos cuantitativos: se realizan análisis descriptivos (frecuencias,
porcentajes, tendencia central, variabilidad y asimetría); análisis de asociación entre
variables nominales (coeficientes de contingencia C); análisis de correlación entre
variables al menos de cuasi-intervalo (correlaciones de Pearson r); análisis
inferenciales de diferencias entre categorías (Chi-cuadrado χ2), de diferencias de
medias entre dos grupos (t de Student) o entre n-grupos (análisis de varianza ANOVA
con F de Fisher); análisis de tamaños del efecto (d de Cohen); y distintos análisis
multivariante (análisis de varianza multivariado MANOVA, análisis de componentes
principales con rotación Varimax, análisis de cluster, análisis de regresión múltiple, y
análisis discriminante). Todo ello acompañado de sus correspondientes tablas (tablas
de frecuencia, tablas de contingencia y tablas resumen), y gráficas de representación
(gráficas de barras, gráficas de sectores, histogramas, diagramas de dispersión, y otras
representaciones construidas adhoc para ilustrar los resultados obtenidos).
• Con respecto a los datos cualitativos: se realizan análisis de contenido textual sobre
las respuestas a las preguntas abiertas de las encuestas; con desarrollo inductivo de
categorías de análisis, a partir de un sistema de codificación abierta (García Llamas,
2003)
 En el segundo estudio empírico (estudio instrumental del Test de Pensamiento
Computacional o TPC): para la validación de contenido del instrumento, mediante juicio de
expertos, se calculan coeficientes de correlación intra-clase (α) con el fin de determinar la
fiabilidad inter-jueces. Para establecer la psicometría general del TPC, se realizan análisis
descriptivos sobre la puntuación total en el mismo (frecuencias, porcentajes, tendencia
central, variabilidad, asimetría, curtosis y baremación por percentiles), y análisis inferenciales
sobre diferencias de rendimiento en el TPC según distintas variables (t de student y ANOVA
con F de Fisher); así como el cálculo de los tamaños del efecto asociados a dichas diferencias
(d de Cohen). Para el análisis de ítems del TPC, se calculan ‘indice de dificultad’ (pi),
‘correlación ítem-total’ (‘item-total correlation’ o ITC), e ‘índice de discriminación’ (D).
Para establecer la fiabilidad del TPC se calcula el estadístico Alfa de Cronbach de
consistencia interna (α), y el coeficiente ρxx de estabilidad temporal. Para la validez criterial y
230
convergente de nuestro instrumento, se calculan coeficientes de correlación de Pearson (r)

entre las puntuaciones totales en el TPC con los distintos criterios y medidas alternativas del
pensamiento computacional, respectivamente. Para la validez discriminante del TPC se
calcula la Curva COR de potencia diagnóstica con respecto al criterio dicotómico, que será
justificado, de ‘alta capacidad computacional’. Finalmente, para establecer la validez factorial
del TPC se realizará un análisis factorial exploratorio (rotación oblicua Promax)
 En el tercer estudio empírico (evaluación de programas, con estudio de casos
subsiguiente), podemos diferenciar, a su vez, por cada uno de los sub-estudios que lo forman:
• En el primer sub-estudio (evaluación cuasi-experimental K-8):
 Para contrastar las hipótesis específicas en el marco de la directiva de
adecuación, esto es, el efecto del curso K-8 (Code.org, 2015a) sobre distintas
variables dependientes, se realizan análisis de covarianza (ANCOVA con F de
Fisher) sobre el postest de dichas variables, en función de la condición
‘experimental-tratamiento’ o ‘control’ de los grupos, y controlando las
diferencias iniciales en pretest (covariable). Los ANCOVA se complementan
con pruebas t de diferencias de medias para muestras independientes (para
establecer la equivalencia entre grupos, en pretest y postest), y para muestras
relacionadas-emparejadas (para establecer la ganancia pre-post, tanto del
grupo ‘experimental’ como ‘control’). Se calculan igualmente los tamaños del
efecto (d de Cohen) asociados a la F del ANCOVA y a las distintas pruebas t
de Student. También se presentan gráficos resumen del diseño cuasi-
experimental para cada una de las variables dependientes analizadas.
viabilidad, se realizan análisis descriptivos (frecuencias, porcentajes,
tendencia central y variabilidad)
relevancia, se realiza análisis de contenido textual (frecuencias y categorías)
sobre las respuestas a las preguntas abiertas de las encuestas.
• En el segundo sub-estudio (evaluación pre-experimental K-5): la hipótesis específica
en la directiva de adecuación se contrasta mediante una prueba t para muestras
relacionadas; y la hipótesis específica en la directiva de viabilidad se contrasta
mediante análisis descriptivos (frecuencias, porcentajes, tendencia central y
variabilidad)
• En el tercer sub-estudio (estudio de casos de ‘alta capacidad computacional’): se
realizan análisis descriptivos sobre las puntuaciones psicométricas de los casos y
sobre sus estadísticas de desempeño (‘tracking’) en Khan Academy, y un análisis de
contenido sobre el código informático escrito por los sujetos-casos en dicha
plataforma.
Globalmente, para los análisis cuantitativos se ha utilizado Excel 2013 y SPSS 22.0; y para los
análisis cualitativos de contenido textual se ha utilizado Atlas.ti 7.0.
231
CAPÍTULO 5
PRIMER ESTUDIO: LA HORA DEL CÓDIGO EN ESPAÑA
5.1. Antecedentes
Tal y como vimos en la parte teórica de esta tesis doctoral, concretamente en el Capítulo 2, sub-
epígrafe 2.2.3.1, ‘La Hora del Código’ 274 (‘The Hour of Code’, o simplemente ‘HoC’) es el mayor
evento a nivel mundial para la promoción del aprendizaje de la programación informática
(coloquialmente ‘coding’) en las escuelas. A dicho sub-epígrafe remitimos al lector para una
información más detallada sobre el evento.
5.2. Objetivos específicos
Recordemos previamente que el presente estudio descriptivo-exploratorio tiene dos grandes objetivos
generales:
 Objetivo 1 (O1): Describir el impacto del evento ‘La Hora del Código’ (a partir de ahora,
ediciones: HoC-2013 y HoC-2014
 Objetivo 2 (O2): Explorar evidencias empíricas en dicho evento ‘HoC’ que den apoyo y
fundamento a nuestras hipótesis directivas de investigación, ya enunciadas en el apartado 2.6
de esta tesis.
Dentro del objetivo general O1 nos proponemos los siguientes objetivos específicos:
• O1a: Describir el impacto del evento a lo largo de las ediciones HoC-2013 y HoC-2014, en
función del área geográfica de procedencia de los centros educativos participantes.
• O1b: Describir el impacto del evento a lo largo de las ediciones HoC-2013 y HoC-2014, en
función de la titularidad de los centros educativos participantes.
• O1c: Describir el impacto del evento a lo largo de las ediciones HoC-2013 y HoC-2014, en
función de la tipología de los centros educativos participantes.
Dentro del objetivo general O2 nos proponemos los siguientes objetivos específicos:
 En lo relativo a los profesores/as organizadores del evento ‘La Hora del Código’ en sus
respectivos centros, nos planteamos los siguientes (O2P*):
 En el marco de la hipótesis directiva de adecuación:
• O2Pa: Explorar qué aptitudes y habilidades considera el profesorado que
desarrolla la programación informática o ‘coding’.
274
Volver al índice
• O2Pb: Explorar si el profesorado considera el ‘coding’ como especialmente

apropiado para algún tipo específico de estudiante.
• O2Pc: Explorar si el profesorado considera que hay algún tipo de correlación
entre el nivel de ejecución de los estudiantes en tareas relativas al ‘coding’ y
su rendimiento en otras áreas curriculares.
 En el marco de la hipótesis directiva de viabilidad:
• O2Pd: Explorar el grado de conocimiento del profesorado sobre los recursos,
plataformas-tutoriales en línea, existentes para el aprendizaje del ‘coding’.
• O2Pe: Explorar por qué tipo concreto de plataformas-tutoriales en línea se han
decidido los profesores para ser utilizados durante el evento HoC.
• O2Pf: Explorar si el profesorado considera viable que a través de una actividad
de tan solo 1 hora se puede introducir a los estudiantes en el mundo y la
práctica del ‘coding’.
• O2Pg: Explorar con qué apoyos y resistencias de la comunidad educativa se ha
encontrado el profesorado a la hora de organizar el evento HoC en su centro.
 En el marco de la hipótesis directiva de relevancia:
• O2Ph: Explorar si el profesorado considera el aprendizaje de la programación o
‘coding’ como una competencia relevante para el futuro de sus estudiantes
como ciudadanos.
• O2Pi: Explorar si el profesorado considera el aprendizaje de la programación o
‘coding’ como una competencia relevante para el futuro de sus estudiantes
como trabajadores.
 Adicionalmente, y con fines de índole más descriptiva sobre el evento HoC, nos
planteamos recabar informaciones de los profesores para:
• O2Pj: Describir en detalle qué actividades se planificaron inicialmente en cada
centro.
• O2Pk: Describir en detalle qué actividades se llevaron finalmente a cabo.
• O2Pl: Recopilar los aspectos más positivos derivados de la celebración del
evento.
• O2Pm: Recopilar los aspectos más negativos derivados de la celebración del
evento.
• O2Pn: Recopilar anécdotas o hechos excepcionales derivados de la celebración
del evento.
• O2Pñ: Sondear la intención del profesorado de proseguir con actividades y
currículos de aprendizaje del ‘coding’ más allá de la celebración del evento.
233
 En lo relativo a los estudiantes participantes en el evento ‘La Hora del Código’, nos
planteamos los siguientes objetivos específicos (O2E*)
 Desde un punto de vista meramente descriptivo:
• O2Ea: Determinar cuántos estudiantes han oído hablar de la programación
informática o ‘coding’ con anterioridad al evento.
• O2Eb: Determinar cuántos estudiantes han tenido experiencia previa con la
programación informática o ‘coding’ con anterioridad al evento.
• O2Ec: Determinar con qué lenguajes informáticos han tenido contacto los
estudiantes con experiencia previa en programación.
 En el marco de la hipótesis de adecuación:
• O2Ed: Determinar en qué medida los estudiantes consideran que la actividad de
‘coding’ realizada durante el evento ha servido para desarrollar distintas
aptitudes y habilidades.
 En el marco de la hipótesis de viabilidad:
• O2Ee: Determinar en qué medida los estudiantes se perciben ‘auto-eficaces’ en
tareas de ‘coding’ tras la celebración del evento.
• O2Ef: Determinar qué porcentaje de estudiantes pudo finalizar la actividad de
‘coding’ propuesta para el evento en su centro.
• O2Eg: Explorar la posible relación entre las dos cuestiones anteriores y el
rendimiento académico habitual del estudiante en distintas áreas.
• O2Eh: Determinar en qué medida los estudiantes se sienten motivados para
proseguir el aprendizaje del ‘coding’ tras el evento.
• O2Ei: Determinar qué porcentaje de estudiantes se muestra dispuesto a seguir
aprendiendo ‘coding’ a través de plataformas-tutoriales en línea tras el evento.
• O2Ej: Determinar qué plataformas-tutoriales en línea de aprendizaje del
‘coding’ son más conocidos por los estudiantes.
 En el marco de la hipótesis de relevancia:
• O2Ek: Explorar si los estudiantes consideran el aprendizaje de la programación
o ‘coding’ como una competencia relevante para su futuro como ciudadanos.
• O2El: Explorar si los estudiantes consideran el aprendizaje de la programación
o ‘coding’ como una competencia relevante para su futuro como profesionales.
5.3. Método
Para acometer los anteriores objetivos, llevamos a cabo un estudio descriptivo-exploratorio mediante
metodología de encuesta; o más técnicamente, en la denominación de Montero y León (2007), un
estudio descriptivo de poblaciones mediante encuestas con muestras probabilísticas; siendo éstas,
muestras independientes sucesivas.
234
La recogida de datos se realiza en dos oleadas sucesivas, diciembre de 2013 (edición HoC-2013) y
diciembre de 2014 (edición HoC-2014); con la intención de acumular una muestra representativa del
territorio nacional y de tamaño suficiente. Como veremos en el siguiente epígrafe 5.3.1., la muestra
productora de datos en la HoC-2013 es distinta que la muestra productora en la HoC-2014 (muestras
independientes sucesivas), y su tratamiento será diferente en función del objetivo general abordado:
 El objetivo general O1 (y sus objetivos específicos derivados) se aborda desde una

perspectiva longitudinal, comparando la evolución de las dos muestras independiente
sucesivas (HoC-2013 y HoC-2014)
 El objetivo general O2 (y sus objetivos específicos derivados) se aborda desde una

perspectiva transversal, acumulando ambas muestras independientes sucesivas como una sola
cohorte de población bianual, con el objeto de elevar la potencia estadística de nuestros
análisis posteriores.
5.3.1. Muestra
5.3.1.1. Muestra de centros
Como población se considera el conjunto total de centros educativos españoles que se registran para
participar en las ediciones HoC-2013 y HoC-2014 del evento ‘La Hora del Código’. A dicha
población se puede acceder cada año a través de la URL: https://hourofcode.com/es/events/all/es
Por un procedimiento de muestreo aleatorio ‘por lista’ se contacta por correo electrónico con un
subconjunto de centros pertenecientes a dicha población, y se les invita a participar en la
investigación. De esta muestra invitada, sólo una parte acaba aceptando y produciendo datos. En la
Tabla 5.1 se detalla el número de centros registrados, invitados y aceptantes para cada una de las dos
ediciones objeto de estudio.
Tabla 5.1. Centros registrados, invitados y aceptantes por edición de ‘La Hora del Código’
Centros Educativos
Registrados Invitados Aceptantes 275 % Inv. / Reg. % Acep. / Reg. % Acep. / Inv.
HoC-2013 96 23 10 23,95 % 10,41 % 43,47 %
HoC-2014 490 54 19 11,02 % 3,87 % 35,18 %
Total 586 77 29 13,13 % 4,94 % 37,66 %
En las siguientes Tablas 5.2 y 5.3 se detallan los centros educativos invitados a participar en la
investigación, respectivamente para las ediciones HoC-2013 y HoC-2014. En la medida que esta
muestra de centros invitados es aleatoria con respecto del total de la población (conjunto de centros
que se registraron en el evento), la descripción de dicha muestra de centros invitados podrá dar una
imagen adecuada del conjunto en diversas variables relevantes (área geográfica de procedencia de
los centros, titularidad de los centros, tipología de los centros…); dando así respuesta a los objetivos
específicos enunciados más arriba O1a…O1c. Con ello iniciaremos el apartado 5.4 de ‘Resultados’.
275
Se considera ‘Aceptante’ cualquier centro que haya producido datos en alguno de los tres cuestionarios aplicados en
este estudio.
235
Tabla 5.2. Muestra de centros invitados a la edición HoC-2013 (N = 23 centros)
Área Comunidad Centro Educativo Población Etapas Educativas

Titularidad
Geográfica Autónoma (Web) (Provincia) impartidas 276
IES El Greco
Castilla-La Mancha Toledo S, B y FP Público
(http://ieselgreco.es/)
American School of Madrid
Pozuelo de Alarcón I, P, S y B Privado
(http://www.asmadrid.org/)
Centro
Comunidad de Colegio Sagrado Corazón – Fuencarral
Madrid I, P, S y B Concertado
Madrid (http://www.sagradocorazonfuencarral.com/)
Colegio Tajamar
Madrid I, P, S, B y FP Concertado
(http://tajamar.es/)
CP Cabueñes
Asturias Gijón IyP Público
(http://web.educastur.princast.es/cp/cabuenes/joomla/)
American School of Bilbao Berango
Noroeste I, P, S y B Privado
(http://www.asob.es/) (Vizcaya)
País Vasco
Lauro Ikastola Sociedad Cooperativa Loiu
I, P, S y B Concertado
(http://www.lauroikastola.eus/) (Vizcaya)
American School of Barcelona Esplugues de Llobregat
I, P, S y B Privado
(http://www.a-s-b.com/) (Barcelona)
Aula Escola Europea
Barcelona I, P, S y B Privado
(http://www.aula-ee.com/escola/)
Benjamin Franklin International School
(http://www.bfischool.org/)
Escola Projecte
Cataluña Barcelona I, P y S Concertado
(http://www.escolaprojecte.org/)
Este y Baleares
Escola Vilorai
Barcelona I, P, S y B Concertado
(http://www.virolai.com/)
Jesuites Casp
Barcelona I, P, S y B Concertado
(http://www.casp.fje.edu/)
St. Paul's School
(http://www.stpauls.es/)
Comunidad American School of Valencia Puzol
I, P, S y B Privado
Valenciana (https://www.asvalencia.org) (Valencia)
276
I = Infantil; P = Primaria; S = Secundaria; B = Bachillerato; FP = Formación Profesional
236

Titularidad
IES L'Almadrava Benidorm
S, B y FP Público
(http://www.iesalmadrava.com/) (Alicante)
IES L'Eliana L'Eliana
S, B y FP Público
(http://iesleliana.edu.gva.es/) (Valencia)
IES Penyagolosa
Castellón de la Plana SyB Público
(http://mestreacasa.gva.es/web/iespenyagolosa/)
IES San Antonio de Benagéber San Antonio de Benagéber
SyB Público
(http://iesbenageber.edu.gva.es/) (Valencia)
IES Tavernes Blanques
Tavernes Blanques (Valencia) S, B y FP Público
(http://mestreacasa.gva.es/web/iestavernesblanques)
IES Francisco Romero Vargas Jerez de la Frontera
S, B y FP Público
(http://www.iesromerovargas.es/) (Cádiz)
Andalucía
IES Pedro Soto de Rojas
Sur y Canarias Granada S, B y FP Público
(http://www.iespedrosoto.es/)
Colegio Nuryana La Laguna
Canarias I, P, S y B Privado
(http://nuryana.com/) (Santa Cruz de Tenerife)
Tabla 5.3. Muestra de centros invitados a la edición HoC-2014 (N = 54 centros)

Titularidad
Casa de Juventud de Las Rozas
Las Rozas NF Público
(http://www.rozasjoven.es/)
CEIP Lope de Vega
Madrid IyP Público
(http://www.ceiplopedevega.es/colegio.htm)
Colegio Alameda de Osuna
Madrid I, P, S y B Privado
Comunidad de (http://www.colegio-alameda.com/)
Centro
Madrid Colegio Balmes
Móstoles I, P y S Concertado
(http://www.educa.madrid.org/web/cc.balmes.mostoles/)
Colegio Corazón Inmaculado
Madrid I, P, S y B Concertado
(http://www.corazoninmaculado.es/)
Colegio Educrea
Villalbilla I, P, S y B Concertado
(http://www.grupoeducrea.com/)
277
I = Infantil; P = Primaria; S = Secundaria; B = Bachillerato; FP = Formación Profesional; NF = Educación No Formal
237

Titularidad
Colegio Estudio
Madrid I, P, S y B Privado
(http://colegio-estudio.es/)
Colegio Mirasur
Pinto I, P, S y B Privado
(http://www.colegiomirasur.com/)
Humanitas Bilingual School
Tres Cantos I, P y S Concertado
(http://www.humanitastrescantos.com/)
IES Europa
Móstoles S, B y FP Público
(http://www.educa2.madrid.org/web/centro.ies.europa.mostoles)
IES Ramiro de Maeztu
Madrid SyB Público
(http://www.educa.madrid.org/web/ies.ramirodemaeztu.madrid/)
CP Cabueñes
Gijón IyP Público
(http://web.educastur.princast.es/cp/cabuenes/joomla/)
IESO El Sueve
Asturias Arriondas S Público
(http://www.iesoelsueve.es/)
The English School of Asturias
Pruvia de Abajo I, P, S y B Privado
(http://www.colegioingles.com/)
IES Leonardo Torres Quevedo
Cantabria Santander SyB Público
(http://www.iestorresquevedo.net/)
CEIP Campo Charro
Salamanca IyP Público
(http://cpcampocharro.centros.educa.jcyl.es)
CEIP León Felipe
Valladolid IyP Público
(http://ceip-leonfelipe.centros.educa.jcyl.es/)
Noroeste
CIFP Juan de Colonia
Burgos FP Público
(http://cifpjuandecolonia.centros.educa.jcyl.es/)
Castilla y León
Colegio San Agustín
Valladolid I, P, S y B Concertado
(http://www.colegiosanagustin.net/)
Colegio Santísima Trinidad
Zamora I, P y S Concertado
(http://www.amordediospinilla.es/)
IES Delicias
Valladolid SyB Público
(http://www.iesdelicias.com/)
CEIP Noalla-Telleiro Sanxenxo
IyP Público
(http://www.edu.xunta.es/centros/ceipdenoalla/) (Pontevedra)
Galicia
CEIP Ponte dos Brozos Arteixo
IyP Público
(http://www.edu.xunta.es/centros/ceippontebrozos/) (La Coruña)
238

Titularidad
CEP Xosé María Brea Segade Rianxo
P Público
(http://www.edu.xunta.es/centros/cepbreasegade/) (La Coruña)
IES Castro Alobre Vilagarcía de Arousa
S, B y FP Público
(http://www.edu.xunta.es/centros/iescastroalobrevilagarcia/) (Pontevedra)
IES Ramón Otero Pedrayo
La Coruña S Público
(http://www.edu.xunta.es/centros/iesoteropedrayocoruna/)
Santiago de
IES Rosalía de Castro
Compostela SyB Público
(http://iesrosalia.net/)
(La Coruña)
IES Tomiño Tomiño
SyB Público
(http://www.edu.xunta.es/centros/iesdetomino/) (Pontevedra)
CEIP Hermanos Argensola
Zaragoza IyP Público
(http://www.web.hermanosargensola.es/)
Aragón
CEIP La Jota
Zaragoza IyP Público
(http://www.colegiolajota.com/)
CEIP Escola Agustí Gifre Sant Gregori
IyP Público
(http://www.xtec.cat/ceip-agusti-gifre/) (Gerona)
CEIP Escola Àngels Alemany i Boris Lloret de Mar
IyP Público
(http://ceipangels.blogspot.co.uk/) (Gerona)
CEIP Escola Antoni Brusi
Barcelona IyP Público
(http://www.antonibrusi.cat/)
CEIP Escola El Gegant del Rec Salt
Este y Baleares IyP Público
(http://gegantdelrec.blogspot.co.uk/) (Gerona)
CEIP Escola Esteve Carles Lloret de Mar
Cataluña IyP Público
(http://blocs.xtec.cat/estevecarles/) (Gerona)
CEIP Escola L'Estelada Cànoves
IyP Público
(http://ceiplestelada.org/) (Barcelona)
CEIP Escola Montfalgars
Gerona IyP Público
(http://escolamontfalgars.cat/)
CEIP Escola Mossèn Joan Batlle Blanes
IyP Público
(http://blocs.xtec.cat/mjbatlle) (Gerona)
CEIP Escola Pere Torrent Lloret de Mar
IyP Público
(http://blocs.xtec.cat/escolaperetorrent15/) (Gerona)
239

Titularidad
Col.legi La Mercè Martorell
I, P, S y B Privado
(http://www.lamercemartorell.cat/) (Barcelona)
Complex Cultural i Esportiu Montessori-Palau
Gerona I, P, S y B Privado
(http://www.montessori-palau.net/)
IES Institut de Terrassa Terrasa
S, B y FP Público
(http://web.iesterrassa.cat/) (Barcelona)
Cambridge House Community College Rocafort
I, P, S y B Privado
(http://www.cambridgehouse.es/) (Valencia)
CEIP Carles Salvador
Valencia IyP Público
(http://ampacarlessalvador.es/)
English School Los Olivos Godella
I, P, S y B Privado
Comunidad (http://www.los-olivos.es) (Valencia)
Valenciana IES Fuente de San Luis
Valencia S, B y FP Público
(http://iesfuentesanluis.edu.gva.es/nova/index.php
IES La Torreta Elche
S, B y FP Público
(http://ies-latorreta.es/) (Alicante)
IES Ximén d'Urrea L’Alcora
S, B y FP Público
(http://ximendurrea.edu.gva.es/iesximen) (Castellón)
Colegio San Jorge La Alcayna
Región de Murcia I, P, S, B y FP Privado
(http://colegiosanjorge.es/) (Murcia)
Colegio La Presentación
Málaga I, P, S y B Concertado
(http://www.lapresentacion.com/malaga/)
Colegio Portocarrero Roquetas de Mar
Andalucía I, P, S, B y FP Concertado
(http://www.colegioportocarrero.net/) (Almería)
IES Ciudad de Dalías Dalías
S Público
Sur y Canarias (http://www.iesdalias.es/) (Almería)
Las Palmas de Gran
CEIP Laurisilva
Canarias Canaria IyP Público
(http://www.gobiernodecanarias.org/educacion/3/WebC/laurisilva/)
(Las Palmas)
IES Abyla
Ceuta Ceuta S, B y FP Público
(http://www.iesabyla.com/)
240
En la siguiente Tabla 5.4 se detallan los 29 centros educativos aceptantes de la investigación,

indicando la edición en la que fueron invitados a participar en el estudio, así como en qué
cuestionarios produjeron datos (estos cuestionarios se describirán en detalle en el epígrafe 5.3.2
dedicado a ‘Instrumentos’)
Tabla 5.4. Muestra de centros educativos aceptantes en ambas ediciones HoC (N = 29)
Edición
Cuestionario profesores - pre Cuestionario profesores - post Cuestionario estudiantes
invitada
American School of Bilbao American School of Bilbao American School of Bilbao HoC-2013
(The) American School of (The) American School of (The) American School of
HoC-2013
Madrid Madrid Madrid
American School of Valencia American School of Valencia American School of Valencia HoC-2013
Aula Escola Europea - - HoC-2013
Benjamin Franklin International Benjamin Franklin International Benjamin Franklin International
HoC-2013
School School School
CP Cabueñes CP Cabueñes - HoC-2013
IES Francisco Romero Vargas IES Francisco Romero Vargas - HoC-2013
IES L'Almadrava - - HoC-2013
IES Penyagolosa IES Penyagolosa IES Penyagolosa HoC-2013
IES San Antonio de Benagéber IES San Antonio de Benagéber IES San Antonio de Benagéber HoC-2013
- - Casa de Juventud de Las Rozas HoC-2014
CEIP Escola Agustí Gifre CEIP Escola Agustí Gifre CEIP Escola Agustí Gifre HoC-2014
CEIP Escola Antoni Brusi - - HoC-2014
CEIP Escola Pere Torrent CEIP Escola Pere Torrent CEIP Escola Pere Torrent HoC-2014
- - CEIP La Jota HoC-2014
CEIP Laurisilva CEIP Laurisilva CEIP Laurisilva HoC-2014
CEIP Lope de Vega CEIP Lope de Vega CEIP Lope de Vega HoC-2014
Colegio Educrea - Colegio Educrea HoC-2014
- - Colegio Mirasur HoC-2014
- - Colegio San Agustín HoC-2014
- - Colegio San Jorge HoC-2014
English School Los Olivos - English School Los Olivos HoC-2014
Humanitas Bilingual School - - HoC-2014
IES Abyla IES Abyla IES Abyla HoC-2014
IES Castro Alobre - IES Castro Alobre HoC-2014
- - IES Fuente de San Luis HoC-2014
- - IES María Blasco HoC-2014
IES Ramiro de Maeztu - IES Ramiro de Maeztu HoC-2014
IES Ximén d'Urrea IES Ximén d'Urrea IES Ximén d'Urrea HoC-2014
22 centros 14 centros 23 centros 29 centros
241
5.3.1.2. Muestra de profesores
Tal y como se detalla en la siguiente Tabla 5.5, un total de 23 profesores (N=23) procedentes de 22
centros educativos distintos (se recogieron dos respuestas del CEIP Escola Pere Torrent procedentes
de 2 profesores distintos, ID_17 e ID _23, ambos coordinadores del evento HoC en el centro)
contestaron al cuestionario pre.
Tabla 5.5. Relación de sujetos que contestaron al cuestionario pre para profesores
Etapas
Edición ID Nombre y educativas
Centro Educativo Provincia Titularidad
HoC Sujeto 278 apellidos implantadas en
el Centro 279:
1 John Asensi American School of Bilbao Vizcaya Privado I, P, S, B
2 Lidia Stabile IES San Antonio de Benagéber Valencia Público S, B
3 Antonio Coloma IES L’Almadrava Alicante Público S, B, FPM, FPS
4 Samuel Landete American School of Valencia Valencia Privado I, P, S, B
HoC 5 José A. Gómez IES Francisco Romero Vargas Cádiz Público S, B, FPM, FPS
2013 6 Lisa Howells Benjamin Franklin International School Barcelona Privado I, P, S, B
7 Alan MacLean (The) American School of Madrid Madrid Privado I, P, S, B
8 Jordi Losantos Aula Escola Europea Barcelona Privado I, P, S, B
9 Joaquín López IES Penyagolosa Castellón Público S, B
10 Laura Carrascal CP Cabueñes Asturias Público I, P
11 Jorge Lobo CEIP Lope de Vega Madrid Público I, P
12 Miguel Señor IES Abyla Ceuta Público S, B, FPM, FPS
13 Marta Figueras CEIP Escola Antoni Brusi Barcelona Público I, P
14 Carlos Campos IES Ximén d’Urrea Castellón Público S, B, FPM, FPS
15 Elsa García CEIP Laurisilva Las Palmas Público I, P
16 Mª Rosa Ayats CEIP Escola Agustí Gifre Gerona Público I, P
HoC
17 Carlos Martín CEIP Escola Pere Torrent Gerona Público I, P
2014
18 Paul F. Love English School Los Olivos Valencia Privado I, P, S, B
19 Iván Alfaro Colegio Educrea Madrid Concertado I, P, S, B
20 Arcadio García IES Ramiro de Maeztu Madrid Público S, B
21 Sandra Gómez Humanitas Bilingual School Madrid Concertado I, P, S
22 Susana Oubiña IES Castro Alobre Pontevedra Público S, B, FPM
23 Gerard Gutierrez CEIP Escola Pere Torrent Gerona Público I, P
De estos 23 profesores: 10 profesores (43,5%) corresponden a la edición HoC-2013, y 13 profesores

(56,5%) a la edición HoC-2014; 15 son hombres (65,2%) y 8 son mujeres (34,8%). Con respecto a
las características de los centros educativos de procedencia de dichos 23 profesores: 12 profesores
(52,2%) contestan desde el área geográfica ‘Este y Baleares’ (6 desde Cataluña y 6 desde la
Comunidad Valenciana), 5 profesores (21,7%) provienen del área ‘Centro’ (todos ellos de la
Comunidad de Madrid), 3 profesores (13,0%) provienen del área ‘Noroeste’ (1 de Asturias, 1 de
Galicia y 1 del País Vasco), y los 3 profesores restantes (13,0%) lo hacen desde el área ‘Sur y
Canarias’ (1 de Andalucía, 1 de Ceuta y 1 de las Islas Canarias). Además, 15 profesores (65,2%)
278
Los ID se asignaron por orden cronológico de llegada de las respuestas.
279
I: Infantil; P: Primaria; S: Secundaria; B: Bachillerato; FPM: Formación Profesional de Grado Medio; FPS: Formación
Profesional de Grado Superior.
242
contestan desde centros públicos, 6 (26,1%) desde centros privados, y los 2 restantes (8,7%) desde
centros concertados. Finalmente, señalar que 8 profesores (34,8%) lo son de IES (Institutos Públicos
de Educación Secundaria, Bachillerato y/o FP), 8 profesores (34,8%) lo son de centros ‘Multietapa’
(Privados o Concertados), y los 7 restantes (30,4%) son profesores, más exactamente maestros, en
CEIP (Colegios Públicos de Educación Infantil y/o Primaria).
De entre los 23 profesores que contestaron al cuestionario pre, un total de 14 profesores (N=14)
procedentes de 14 centros educativos distintos contestaron al cuestionario post (lo cual supone un
39,13% de mortalidad experimental). Concretamente, los 14 sujetos que contestaron a ambos
cuestionarios son los ID: 1, 2, 4, 5, 6, 7, 9, 10, 11, 12, 14, 15, 16, y 23.
5.3.1.3. Muestra de estudiantes
En la Tabla 5.6 se muestra el número de estudiantes registrados 280 por cada edición del evento ‘La
Hora del Código’, así como la muestra finalmente productora de datos válidos a través del
‘Cuestionario para estudiantes’.
Tabla 5.6. Número de estudiantes registrados y finalmente productores de datos por edición
Estudiantes registrados Muestra válida de estudiantes % Válidos / Registrados

Hora del Código 2013 11.340 335 2,95 %
Hora del Código 2014 57.880 1.327 2,29 %
Total Acumulado 69.220 1.662 2,40 %
Tal y como se detalla en la anterior Tabla 5.6, a dicho cuestionario contestaron un total de 1.662
estudiantes (N=1.662); de los cuales 335 (20,2%) fueron recogidos en la edición HoC-2013, y 1.327
(79,8%) en la edición HoC-2014.
Con respecto a la distribución por sexo del conjunto de la muestra, se detalla en la Tabla 5.7. Como
puede observarse, la muestra está bien balanceada por sexos (52,6% de chicos frente a 47,4% de
chicas), indicativo de que la celebración del evento HoC fue transversal a todo tipo de aulas (y no
sólo a las aulas de la asignatura optativa de ‘Informática’ o similar, en la que, como veremos en los
Capítulos 6 y 7, la proporción aproximada por género que aparece es de 66%-33% a favor de los
chicos).
Tabla 5.7. Distribución por sexo de la muestra de estudiantes
Frecuencia Porcentaje Porcentaje válido Porcentaje acumulado

Chico 846 50,9 52,6 52,6
Válido Chica 761 45,8 47,4 100,0
Total 1607 96,7 100,0
Perdidos Sistema 55 3,3
Total 1662 100,0
280
Estrictamente los que se registran en el evento son los centros, no los estudiantes. Pero, al registrarse, los centros
indican de manera orientativa qué número de sus estudiantes participarán en el evento; dicho número es el que aquí
tomamos en consideración.
243
Con respecto a la distribución por edad del conjunto de la muestra, se detalla en las Tablas 5.8 y 5.9,
y en el histograma de la Figura 5.1. Es una distribución no normal (Zk-s = 0,110; p (Zk-s) = 0,000 <<
0,05), con media 𝑋� = 13,01 años, y desviación típica s = 2,337. Aunque el rango es muy amplio,
abarcando de 8 a 20 años, alrededor del 80% de la muestra se concentra en el intervalo de entre 10 y
15 años (último ciclo de Educación Primaria y Educación Secundaria Obligatoria), que será donde
focalizaremos precisamente el segundo y el tercer estudio empírico de esta tesis doctoral (Capítulos 6
y 7)
Tabla 5.8. Estadísticos descriptivos relativos a la edad de la muestra de estudiantes
Válido 1637
N
Perdidos 25
Media 13,01
Mediana 13,00
Moda 12
Desviación estándar 2,337
Varianza 5,460
Asimetría ,193
Error estándar de asimetría ,060
Curtosis -,540
Error estándar de curtosis ,121
Mínimo 8
Máximo 20
Tabla 5.9. Distribución por edad de la muestra de estudiantes
Edad (en años)

8 ó menos 18 1,1 1,1 1,1
9 53 3,2 3,2 4,3
10 203 12,2 12,4 16,7
11 214 12,9 13,1 29,8
12 238 14,3 14,5 44,3
13 224 13,5 13,7 58,0
Válido 14 204 12,3 12,5 70,5
15 231 13,9 14,1 84,6
16 137 8,2 8,4 93,0
17 90 5,4 5,5 98,5
18 13 ,8 ,8 99,3
20 ó más 12 ,7 ,7 100,0
Total 1637 98,5 100,0
Total 1662 100,0
244
Figura 5.1. Histograma con la distribución por edad de la muestra de estudiantes
Con respecto a la distribución de la muestra de estudiantes en función de la ‘etapa educativa’ que

están cursando, se detalla en la Tabla 5.10. Tal y como puede apreciarse, el centro de gravedad de la
muestra está en Educación Secundaria (con prolongaciones hacia el último ciclo de Primaria).
Tabla 5.10. Distribución de la muestra de estudiantes según etapa educativa
Etapa Educativa
Primaria 505 30,4 30,7 30,7
Secundaria 966 58,1 58,8 89,5
Válido Bachillerato 157 9,4 9,6 99,1
Formación Profesional 15 ,9 ,9 100,0
Total 1643 98,9 100,0
Total 1662 100,0
Tal y como puede verse en la Tabla 5.11 y Figura 5.2, la muestra de estudiantes proviene de 23
centros educativos distintos. Cada centro aporta, como valor promedio, alrededor de 70 estudiantes a
la investigación. Por encima de este valor promedio, destacan las contribuciones de los siguientes 8
centros: Benjamin Franklin International School, CEIP La Jota, CEIP Lope de Vega, Colegio
Mirasur, Colegio San Jorge, IES Castro Alobre, IES María Blasco, e IES San Antonio de Benagéber.
245
Tabla 5.11. Centros educativos de procedencia de la muestra de estudiantes
Centro Educativo
Porcentaje Porcentaje
Frecuencia Porcentaje
válido acumulado
American School of Bilbao 45 2,7 2,8 2,8
(The) American School of Madrid 1 ,1 ,1 2,8
American School of Valencia 39 2,3 2,4 5,2
Benjamin Franklin International School 117 7,0 7,2 12,4
Casa de Juventud de Las Rozas 24 1,4 1,5 13,9
CEIP Escola Agustí Gifre 3 ,2 ,2 14,1
CEIP Escola Pere Torrent 10 ,6 ,6 14,7
CEIP La Jota 111 6,7 6,8 21,5
CEIP Laurisilva 18 1,1 1,1 22,6
CEIP Lope de Vega 125 7,5 7,7 30,3
Colegio Educrea 1 ,1 ,1 30,3
Colegio Mirasur 249 15,0 15,3 45,6
Válido
Colegio San Agustín 21 1,3 1,3 46,9
Colegio San Jorge 98 5,9 6,0 52,9
English School Los Olivos 40 2,4 2,5 55,4
IES Abyla 45 2,7 2,8 58,2
IES Castro Alobre 79 4,8 4,9 63,0
IES Fuente de San Luis 25 1,5 1,5 64,6
IES María Blasco 106 6,4 6,5 71,1
IES Penyagolosa 15 ,9 ,9 72,0
IES Ramiro de Maeztu 17 1,0 1,0 73,0
IES San Antonio de Benagéber 431 25,9 26,5 99,5
IES Ximén d'Urrea 8 ,5 ,5 100,0
Total 1628 98,0 100,0
Total 1662 100,0
Figura 5.2. Centros educativos de procedencia de la muestra de estudiantes
246
Respecto a la distribución de los estudiantes en función del ‘Área Geográfica’, ‘Comunidad

Autónoma’, ‘Titularidad’ y ‘Tipología’ de sus respectivos centros, se detalla en las Tablas 5.12 a
5.15. Tal y como puede observarse, casi el 75% de la muestra de estudiantes proviene de la
Comunidad Valenciana y Cataluña (área Este), o de la Comunidad de Madrid (área Centro); reflejo
del desequilibrio territorial que veremos al analizar el conjunto de centros invitados a la
investigación. En la muestra hay representación suficiente de estudiantes procedentes de centros
públicos (tanto de CEIP como de IES) y de centros privados-concertados (Multietapa).
Tabla 5.12. Distribución de la muestra de estudiantes por área geográfica
Área Geográfica
Este y Baleares 1003 60,3 61,6 61,6
Centro 417 25,1 25,6 87,2
Válido Noroeste 145 8,7 8,9 96,1
Sur y Canarias 63 3,8 3,9 100,0
Total 1628 98,0 100,0
Total 1662 100,0
Tabla 5.13. Distribución de la muestra de estudiantes por Comunidad Autónoma
Comunidad Autónoma
Comunidad Valenciana 664 40,0 40,8 40,8
Comunidad de Madrid 417 25,1 25,6 66,4
Cataluña 130 7,8 8,0 74,4
Aragón 111 6,7 6,8 81,2
Región de Murcia 98 5,9 6,0 87,2
Válido Galicia 79 4,8 4,9 92,1
Ceuta 45 2,7 2,8 94,8
País Vasco 45 2,7 2,8 97,6
Castilla y León 21 1,3 1,3 98,9
Canarias 18 1,1 1,1 100,0
Total 1628 98,0 100,0
Total 1662 100,0
Tabla 5.14. Distribución de la muestra de estudiantes por titularidad de su centro
Titularidad
Público 1017 61,2 62,5 62,5
Privado 589 35,4 36,2 98,6
Válido
Concertado 22 1,3 1,4 100,0
Total 1628 98,0 100,0
Total 1662 100,0
247
Tabla 5.15. Distribución de la muestra de estudiantes por tipología de su centro
Tipología
Porcentaje Porcentaje
Frecuencia Porcentaje
válido acumulado
IES – Inst. Públ. Secundaria, Bachiller. y/o FP 726 43,7 44,6 44,6
Centro Privado o Concertado Multietapa 611 36,8 37,5 82,1
Válido CEIP - Colegio Público Infantil y/o Primaria 267 16,1 16,4 98,5
Centro Municipal de Educación No Formal 24 1,4 1,5 100,0
Total 1628 98,0 100,0
Total 1662 100,0
5.3.2. Instrumentos
Para el presente estudio empírico, se han diseñado y aplicado los siguientes 3 instrumentos (todos
ellos en lengua española e inglesa, dado que algunos de los centros participantes son bilingües):
cuestionario pre para profesores; cuestionario post para profesores; y cuestionario para estudiantes.
Los vemos con detalle en los siguientes sub-epígrafes.
5.3.2.1. Cuestionario pre para profesores
El “CSEW281: Cuestionario para profesores/as (previo)” es un cuestionario que se aplica ‘on-line’ a

través de un formulario diseñado en Google Drive 282. Está dirigido al profesor en cada centro
participante responsable de la coordinación del evento ‘La Hora del Código’ y es cumplimentado
antes del inicio del mismo, habitualmente a lo largo de la semana previa (Figura 5.3)
Este cuestionario se construye según las siguientes directrices:
 Dada la novedad del tema de investigación y el leve contacto que se tiene con muchos de los
profesores (en muchas ocasiones se limita a un cruce previo de correos electrónicos), al
comienzo del cuestionario se explicita la finalidad general de la investigación para buscar la
concienciación y complicidad del profesor. A continuación, se presentan unas breves
instrucciones y se solicitan datos personales básicos al encuestado.
 En una segunda página se presentan 10 preguntas abiertas, dado el carácter inicial y

exploratorio de este cuestionario, que se redactaron en consonancia con los objetivos
específicos enunciados más arriba:
o Preguntas 1…3 para cubrir respectivamente los objetivos O2Pa…O2Pc
o Preguntas 4…7 para cubrir respectivamente los objetivos O2Pd…O2Pg
o Preguntas 8…9 para cubrir respectivamente los objetivos O2Ph…O2Pi
o Pregunta 10 final de síntesis descriptiva para cubrir el objetivo O2Pj
281
Recordamos que CSEW son las siglas de ‘Computer Science Education Week’, semana a lo largo de la cual se celebra
el evento ‘La Hora del Código’ (HoC)
282
http://goo.gl/xCRO26
248
Figura 5.3. Código QR que enlaza al ‘CSEW: Cuestionario para profesores (previo)’ (Román-González, 2013d)
En el Anexo A se reproduce igualmente el contenido exacto de este cuestionario, para su consulta

detallada por parte del lector interesado.
5.3.2.2. Cuestionario post para profesores
El “CSEW: Cuestionario para profesores/as (post)” es igualmente un cuestionario que se aplica ‘on-
line’ a través de un formulario diseñado en Google Drive 283. Está dirigido al profesor en cada centro
participante responsable de la coordinación del evento ‘La Hora del Código’ y es cumplimentado
después de la finalización del mismo, normalmente en la semana siguiente a su celebración (Figura
5.4). Este cuestionario consta de 5 preguntas abiertas (Preguntas 1…5), que se redactaron
consistentemente para cubrir los objetivos específicos enunciados más arriba (O2Pk...O2Pñ). En el
Anexo B se reproduce el contenido completo de este cuestionario.
Figura 5.4. Código QR que enlaza al ‘CSEW: Cuestionario para profesores (post)’ (Román-González, 2013e)
5.3.2.3. Cuestionario para estudiantes
El “CSEW: Cuestionario para estudiantes” es igualmente un cuestionario que se aplica ‘on-line’ a

través de un formulario diseñado en Google Drive 284. Está dirigido a los estudiantes participantes en
el evento ‘La Hora del Código’ y es cumplimentado justo tras finalizar la actividad de introducción a
la programación, habitualmente en los últimos 5 minutos de la hora de clase en la que se celebra
(Figura 5.5)
Este cuestionario consta de un total de 12 preguntas, siendo una combinación de preguntas de

elección múltiple, de selección múltiple (casillas de verificación), de escalas tipo Likert, y de
preguntas abiertas. Las preguntas se redactaron consistentemente para cubrir los objetivos
específicos enunciados más arriba:
• Preguntas 1…3 para cubrir respectivamente los objetivos O2Ea…O2Ec
• Pregunta 4 para cubrir el objetivo O2Ed

283
https://goo.gl/RRV9E5
284
https://goo.gl/c3j5xq
249
• Preguntas 5…10 para cubrir respectivamente los objetivos O2Ee…O2Ej
• Preguntas 11…12 para cubrir respectivamente los objetivos O2Ek…O2El
Figura 5.5. Código QR que enlaza al ‘CSEW: Cuestionario para estudiantes’ (Román-González, 2013f)
En el Anexo C se reproduce el contenido completo de este cuestionario, para su consulta detallada

por parte del lector interesado.
5.3.3. Procedimiento
El procedimiento seguido para este estudio empírico se sintetiza en los siguientes pasos:
i. Se accede al listado de ‘centros educativos registrados’ en el evento HoC 285, en las ediciones
de diciembre de 2013 y diciembre de 2014.
ii. Por un procedimiento de muestreo aleatorio ‘por lista’, se selecciona un subconjunto de
dichos ‘centros registrados’, a los que se invita a participar en la investigación (‘centros
invitados’)
iii. Se establece contacto con cada ‘centro invitado’ a través de un correo electrónico dirigido al
coordinador TIC del mismo, habitualmente responsable del desarrollo del evento HoC.
iv. Del conjunto de ‘centros invitados’, sólo un subconjunto responde afirmativamente a
participar en la investigación: son los ‘centros aceptantes’.
v. Al responsable del evento HoC en cada ‘centro aceptante’ se le remite con anterioridad al
mismo: el cuestionario pre para profesores (para ser cumplimentado por dicho profesor
responsable en la semana previa al evento); y el cuestionario para estudiantes (para ser
cumplimentado por los alumnos justo al finalizar la actividad HoC, en los últimos 5 minutos
de la clase)
vi. En la semana posterior al evento HoC, se remite a cada ‘centro aceptante’ el cuestionario post
para profesores, para ser cumplimentado por la misma persona que el pre.
vii. Una vez finalizada la recogida de cuestionarios descargamos las respuestas desde nuestras
bases de datos asociadas en Google Drive. Los datos cualitativos (respuestas a las preguntas
abiertas) se vuelcan sobre archivos de texto de extensión .rtf, y se analizan con el software de
análisis cualitativo Atlas.ti 286 versión 7. Los datos cuantitativos son exportados, y depurados,
en un archivo de extensión .sav, y se analizan con el software de análisis cuantitativo SPSS287
versión 22.
285
https://hourofcode.com/es/events/all/es
286
http://atlasti.com/es/
287
http://www-01.ibm.com/software/es/analytics/spss/
250
5.4. Resultados
Dado el gran volumen de resultados obtenidos, se presentarán en el cuerpo del texto sólo las figuras
y tablas principales. Las figuras y tablas complementarias se trasladan y presentan en el Anexo D.
5.4.1. Relativas a las características de los centros
Dentro del objetivo general O1, el primer resultado destacable es que, tal y como vimos algo más
arriba en la Tabla 5.1, el número de centros registrados en España en el evento de ‘La Hora del
Código’ se incrementó desde 96 centros en 2013 a 490 centros en 2014; es decir, el número de
centros registrados se multiplicó por algo más de 5 en tan solo un año. 288
Más concretamente, y para dar respuesta a los objetivos específicos O1a…O1c, en la medida que los
centros educativos invitados a la investigación fueron muestreados de manera aleatoria (‘por lista’)
del total de la población (= total de centros educativos registrados); entonces, un análisis de las
características de los 77 centros educativos invitados será representativa del conjunto, sirviendo así
para una descripción general del fenómeno. De los 77 centros invitados, 23 corresponden a la edición
HoC-2013 y 54 a la edición HoC-2014.
En la Tabla 5.16 (y Figura D.1 del anexo) se detalla la distribución por área geográfica 289 de
procedencia de los 77 centros educativos invitados:
Tabla 5.16. Área geográfica de procedencia de los centros invitados a la investigación

Este y Baleares 34 44,2 44,2
Noroeste 20 26,0 70,1
Centro 15 19,5 89,6
Sur y Canarias 8 10,4 100,0
Total 77 100,0
Acercando más el foco, en la Tabla 5.17 (y Figura D.2 del anexo) se detalla la Comunidad Autónoma
de procedencia de los 77 centros educativos invitados a la investigación:
Tabla 5.17. Comunidad Autónoma de procedencia de los centros educativos invitados a la investigación

Cataluña 19 24,7 24,7
Comunidad de Madrid 14 18,2 42,9
Comunidad Valenciana 12 15,6 58,4
Galicia 7 9,1 67,5
288
En las semanas previas al depósito de esta tesis doctoral, hemos tenido noticia del número de centros registrados en
España en la edición HoC-2015, que ha ascendido a 1581 centros. Ello supone que el número de centros registrados en
nuestro país se ha multiplicado por más de 15 veces en tan sólo 2 años (de diciembre de 2013 a diciembre de 2015)
289
Se han codificado las siguientes áreas geográficas: Este y Baleares (incluye Aragón, Cataluña, Comunidad
Valenciana, Región de Murcia e Islas Baleares); Noroeste (incluye Galicia, Asturias, Cantabria, País Vasco, Navarra, La
Rioja y Castilla y León); Centro (Comunidad de Madrid y Castilla La Mancha); y Sur y Canarias (Extremadura,
Andalucía, Ceuta, Melilla e Islas Canarias)
251

Castilla y León 6 7,8 75,3
Andalucía 5 6,5 81,8
Asturias 4 5,2 87,0
Aragón 2 2,6 89,6
Canarias 2 2,6 92,2
País Vasco 2 2,6 94,8
Cantabria 1 1,3 96,1
Castilla-La Mancha 1 1,3 97,4
Ceuta 1 1,3 98,7
Región de Murcia 1 1,3 100,0
Total 77 100,0
Analizamos a continuación si las anteriores distribuciones han sufrido una variación significativa
entre la edición HoC-2013 y HoC-2014. Así, en la Figura 5.6 (y Tabla D.1 del anexo) se presenta la
distribución por área geográfica de los centros invitados, diferenciada para ambas ediciones.
Aplicando una prueba de Chi-Cuadrado (y Coeficiente de Contingencia), se encuentra una variación
no significativa de la distribución por área geográfica entre las dos ediciones (χ2 = 3,543; p(χ2) =
0,315 > 0,05; C = 0,210; p(C) = 0,315 > 0,05).
Figura 5.6. Distribución de los centros invitados por área geográfica, diferenciada para ambas ediciones
Hacemos lo propio para la Comunidad Autónoma de procedencia de los centros invitados en la

Figura 5.7 (y Tabla D.2 del anexo), encontrándose igualmente una variación no significativa de la
distribución entre las dos ediciones (χ2 = 18,626; p(χ2) = 0,135 > 0,05; C = 0,441; p(C) = 0,135 > 0,05).
252
Figura 5.7. Distribución de los centros invitados por Comunidad Autónoma, diferenciada para ambas ediciones
Con respecto a la titularidad de los centros educativos invitados a la investigación (titularidad

pública, concertada, o privada), se muestra en la Tabla 5.18 (y Figura D.3 del anexo). Encontramos
en este caso una variación, en el límite de la significatividad, de la distribución de centros por
titularidad a lo largo de ambas ediciones (χ2 = 5,857; p(χ2) = 0,053 ≈ 0,05; C = 0,266; p(C) = 0,053 ≈
0,05). En la Figura 5.8 (y Tabla D.3 del anexo) se muestra dicha variación.
Tabla 5.18. Titularidad de los centros educativos invitados a la investigación

Público 46 59,7 59,7
Privado 17 22,1 81,8
Concertado 14 18,2 100,0
Total 77 100,0
Finalmente, en cuanto a la tipología 290 de los centros invitados, se presenta en la Tabla 5.19 (y la
Figura D.4 del anexo). Encontramos, aquí sí claramente, una variación significativa de la
distribución de centros por tipología a lo largo de ambas ediciones (χ2 = 10,343; p(χ2) = 0,016 < 0,05;
C = 0,344; p(C) = 0,016 < 0,05). En la Figura 5.9 (y Tabla D.4 del anexo) queda ilustrada de manera
evidente dicha variación.
290
Por tipología entendemos si el centro educativo pertenece a alguna de las siguientes categorías (exhaustivas y
mutuamente excluyentes): CEIP (Colegio Público de Educación Infantil y/o Primaria); IES (Instituto Público de
Educación Secundarias y/o Bachillerato y/o Formación Profesional); Centro Privado o Concertado Multietapa (en el
mismo centro se imparten, al menos, las etapas de Primaria y Secundaria); Centro de Educación No Formal (p.e. Casas
de Juventud, Centros de Día, Asociaciones…)
253
Tabla 5.19. Tipología de los centros educativos invitados a la investigación.

Centro Privado o Concertado Multietapa 31 40,3 40,3
IES - Instituto Público Secundaria, Bachillerato y/o FP 24 31,2 71,4
CEIP - Colegio Público Infantil y/o Primaria 21 27,3 98,7
Centro Municipal de Educación No Formal 1 1,3 100,0
Total 77 100,0
Figura 5.8. Distribución de los centros invitados por titularidad, diferenciado por cada edición HoC
Figura 5.9. Distribución de los centros invitados por tipología, diferenciado por cada edición HoC
254
A modo de resumen, en la Tabla 5.20 se muestran sintéticamente las pruebas estadísticas aplicadas
para comprobar la significatividad de las variaciones sufridas, en las distintas variables consideradas,
por la distribución de centros invitados a lo largo de las dos ediciones HoC. No se encuentra
significatividad en las variables ‘Área geográfica’ y ‘Comunidad Autónoma’ de procedencia del
centro invitado; en el límite de la significatividad para la variable ‘Titularidad’; y sí claramente
significativa la variación en la distribución de centros por ‘Tipología’ a lo largo de ambas ediciones.
Tabla 5.20. Resumen de significatividad de las variaciones en la distribución de centros invitados a la investigación, a lo
largo de las ediciones HoC
Grados de Chi- Coeficiente de ¿Signific. a un
Signific. Signific.
libertad Cuadrado Contingencia nivel de confianza
p(χ2) p(C)
(gl) (χ2) (C) del 95%?
Área Geogr. 3 3,543 0,315 0,210 0,315 No
CC.AA. 13 18,626 0,135 0,441 0,135 No
Titularidad 2 5,857 0,053 0,266 0,053 En el límite
Tipología 3 10,343 0,016 0,344 0,016 Sí
5.4.2. Relativos al cuestionario pre para profesores
Pasamos ahora a dar respuesta a los objetivos O2Pa…O2Pj, que se abordan a través del “CSEW:
Cuestionario para profesores/as (previo)” (Anexo A).
A través de la Figura 5.10 se puede acceder a un documento 291 con el contenido literal y completo de
las respuestas de los 23 profesores a las 10 preguntas abiertas que componen el “CSEW:
Cuestionario para profesores/as (previo)” (más la ‘Pregunta 0’ inicial de control), y que cubren
respectivamente los objetivos O2Pa…O2Pj de la investigación.
Figura 5.10. Código QR al documento con el contenido completo de las respuestas al cuestionario pre para profesores
En lo relativo a la Pregunta 0 del cuestionario [“Cargo/s que ocupa usted en el Centro. Indique,
además de su docencia, si tiene alguna otra responsabilidad en su centro (p.ej. Coordinador TIC,
Coordinador de Etapa, Jefe de Departamento, Dirección, etc…)”]: la respuesta típica de los sujetos
que ejercen en Secundaria es la de ser, además de profesores, jefes del Departamento de Informática
y Coordinadores TIC de sus respectivos centros, especialistas encargados de la integración de la
tecnología en el mismo (“Technology Integration Specialist” en palabras del sujeto ID_7) y de la
formación continua del profesorado en este aspecto (“…coordinating ICT across the campus and
providing professional development for teachers” en palabras del sujeto ID_6). En el caso de los
sujetos que ejercen en Primaria, el perfil es más variado: además de ser muchos Coordinadores TIC,
291
Disponible en https://goo.gl/5Kxy2x
255
hay quien es “Tutora 4º y Especialista de Música” (ID_13), o afirma “imparto Matemáticas,

Conocimiento del Medio en 6º y TIC’s en 6º y 5º” (ID_15), o “Maestra Inglés y maestra informática
3° y 4° (de Primaria)” (ID_16). Además, hay 2 sujetos excepcionales que no son estrictamente
personal docente de su respectivo centro educativo, pero que fueron los coordinadores del evento ‘La
Hora del Código’ en el mismo: uno es “antiguo alumno del centro” (ID_20) y otro sujeto (ID_21)
relata “yo no trabajo en el centro. Mi hija estudia en el centro. Yo fui quien le presentó al centro la
iniciativa del ‘Hour of Code’ y de forma voluntaria daré el día 9 ‘The Hour of Code’ a los alumnos
de primaria y el día 15 lo daré a alumnos de la ESO”; lo cual sugiere una buena interpenetración y
permeabilidad del fenómeno entre los colectivos familia-escuela.
En lo relativo a la Pregunta 1 del cuestionario [“¿Qué aptitudes y habilidades considera usted que
desarrolla el aprendizaje de la programación informática (‘coding’)?”], que cubre el objetivo de
investigación O2Pa: las respuestas más frecuentes se centran alrededor del pensamiento lógico, en sus
distintas formulaciones (“pensamiento analítico, lógico, matemático”…“desarrolla su capacidad
lógica”…“logical skills”…“razonamiento”…“desarrollo del pensamiento lógico-
matemático”…“pensamiento abstracto”…“promover el pensamiento crítico y analítico del
alumnado”…“creo que desarrolla el pensamiento abstracto”…“the ability to think
linearly”…“pensamiento analítico”…“desarrolla el pensamiento lógico, estructurado”), y con
aplicaciones sobre conceptos matemáticos (“deepens understanding of certain mathematical
concepts, sequencing and organizing information”); e igualmente se repiten con frecuencia
respuestas alrededor de la resolución de problemas, también a través de distintas formulaciones (“les
estructura la forma de pensar, les enseña a pensar y aumenta sus habilidades para solución de
problemas”…“habilidades en la resolución de problemas”…“planificación, evaluar
resultados”…“precisión en la elaboración de una solución; pensamiento estratégico; autonomía en
la elaboración y autocorrección de la solución alcanzada”…“división de problemas”…“resolución
de problemas; organización de ideas”…“nos ayuda a ordenar, pautar y pensar cómo conseguir
llegar a un fin, o problema o reto”…“para planificar diferentes tareas y conseguir objetivos y metas
previstas”…“the ability to break a large problem down into smaller ones”…“permite poner en
forma de secuencia una tarea; es decir ejercita el paso de un pensamiento global, problema a
resolver a buscar una secuencia ordenada que te permite resolver la tarea”…“aprenden a buscar
soluciones alternativas (Think out of the box) 292”)
Aparecen también respuestas, aunque en menor medida, que afirman que la programación
informática o ‘coding’ desarrolla, por ejemplo: aptitudes perceptivas espacio-temporales (“la
distribución espacial”…“la inteligencia espacial”…“la organización espacial, la organización
temporal”); aptitudes atencionales-motivacionales (“concentración”…“autoaprendizaje y
autonomía”…“mejora de la autonomía e iniciativa personal”…“considerar el error y la copia
como motor de aprendizaje”); creatividad (“creatividad”…“estética, expresión
artística”…“desarrolla la creatividad del alumno que se adueña del comportamiento del programa
y por lo tanto le motiva de forma intrínseca a la creación de sus propios
programas”…“creatividad”…“podrán desarrollar juegos, expresar emociones y sentimientos, así
292
“Think out of the box”: traducido al español como “Pensar fuera de la caja”, es una metáfora que significa pensar
diferente, de manera no convencional o desde una nueva perspectiva. Esta frase casi siempre se refiere al pensamiento
novedoso o creativo
256
como, reflejar pensamientos e ideas de una forma interactiva y creativa”); trabajo en equipo
(“trabajo colaborativo”…“promover el aprendizaje entre iguales, el intercambio de estrategias y
conocimientos entre ellos”…“el trabajo colaborativo”); actitudes prosociales (“habilidades como la
responsabilidad social al compartir proyectos”); e incluso “inglés”. Y también las posibilidades del
aprendizaje del ‘coding’ para la atención de la diversidad (“ofrecer actividades y propuestas a
alumnos desmotivados, alumnado de altas capacidades y de NEE”)
Finalmente, llama la atención que el término ‘pensamiento computacional’ sólo es nombrado

explícitamente en una ocasión, por el sujeto ID_22 (“se trabaja el pensamiento o lógica
computacional”), sugiriendo que, por el momento, es un término que no está extendido entre el
colectivo docente (a diferencia del colectivo académico-investigador). Ahora bien, sí aparecen
respuestas en la línea que propugna el enfoque del ‘pensamiento computacional’, tal y como vimos
en la parte teórica de esta tesis, defendiendo que el ‘coding’ no debe ser un fin en sí mismo sino un
medio para desarrollar una amplia gama de aptitudes y habilidades, transferibles a diversos campos
(“usar la tecnología no como instrumento sino como contexto de situaciones de aprendizaje”…“la
clave para lograr todo el potencial que tiene la programación informática para desarrollar distintas
aptitudes y capacidades es que el docente la entienda como una herramienta multidisciplinar y la
utilice dentro de su programación didáctica con distintos enfoques, dependiendo del objetivo que se
proponga en cada momento”)
En lo relativo a la Pregunta 2 del cuestionario [“¿Considera usted el aprendizaje del ‘coding’

especialmente adecuado para algún tipo específico de estudiante? (p.ej. para los chicos frente a las
chicas, para los alumnos de alta capacidad frente a los alumnos de capacidad media, para los
estudiantes de ESO frente a los estudiantes de Primaria, etc…) ¿Por qué?”], que cubre el objetivo
de investigación O2Pb: hay un consenso generalizado alrededor del ‘no’ o, dicho de otra forma, de la
adecuación del ‘coding’ para todo tipo de alumnos (“no, creo que el coding es adecuado para todos
los alumnos, sean chicos o chicas”…“creo que el coding es necesario para todo tipo de
alumnado”…“no, todos los estudiantes están cualificados, dentro de las posibilidades de su edad,
para aprender a programar igual que lo están para aprender a escribir o comprender
matemáticas”…“I think learning about coding and at least some introductory coding is appropriate
for any and all users of technology”…“creo que el aprendizaje de la programación es aconsejable
para alumnos de todo tipo y edad; en mi opinión se trata de un conocimiento transversal, útil para
todo tipo de alumnos, y que se puede hacer atractivo para todos ellos”…“no, eso sería como decir
que la lectoescritura o el cálculo o cualquier otra área es especialmente adecuada para un tipo
específico de estudiante; como en cualquier otro campo, a unos estudiantes se les da mejor que a
otros, a unos les gusta más que otros… pero es positivo para todos”…“no creo que sea
especialmente adecuado para un grupo concreto de alumnado”…“I have found that it is suitable for
all ages, levels and both genders!”…“en mi opinión es apto para todas las edades, sexos y diferentes
capacidades”).
En menor medida, aparece también cierto consenso alrededor de que: el aprendizaje del ‘coding’
puede iniciarse en edades tempranas, incluso contemplando la etapa de Educación Infantil (“cuanto
antes empiecen a programar, el desarrollo de las aptitudes y habilidades antes mencionadas será
mayor”…“sería bueno que empezaran a aprender a programar en los últimos cursos de
primaria”…“las actividades relacionadas con la programación informática se pueden desarrollar
257
desde la Educación Infantil, pero, obviamente, no pueden ser las mismas para alumnos de cuatro
años que para alumnos de catorce”…“desde educación infantil el alumnado responde a estos
aprendizajes con habilidad, seguridad y motivación”…“es importante remarcar que cuanto más
pequeños más entusiasmo y menos miedo a enfrentar; los pequeños enfrentan este aprendizaje sin
complejos y con una habilidad sorprendente; de manera que un trabajo prematuro en este tipo de
aprendizaje puede ser mucho beneficioso para ellos en su proceso educativo posterior”); la virtud
que tiene el aprendizaje de la programación informática para adaptarse al ritmo de cada estudiante
(“en especial porque resulta muy fácil de adaptar a los distintos ritmos de trabajo de los alumnos,
que es una de las principales dificultades con las que se encuentran los maestros hoy en
día”…“permite que cada uno siga su propio ritmo”); la advertencia de que no siempre los alumnos
que destacan en las asignaturas tradicionales son los que destacan en el ‘coding’ (“no depende de la
inteligencia cognitiva sino de otro tipo de inteligencia que la puede tener o no cualquiera”…“el
alumnado con más capacidades en las áreas habituales no siempre es el más interesado ni el más
hábil”); o el peligro de que las chicas no opten por aprender programación por los estereotipos
negativos de género asociados (“more males tend to take programming classes partly because the
female students don't like the ‘nerd’ stigma that is attached to programmers”…“actualmente existe
una brecha muy grande entre las chicas que se dedican a la computación y los chicos; lo que habría
que hacer es involucrar más a las chicas en este mundo, quitarles la ideas tanto a unos como a otros
de que la programación/computación es cuestión de chicos”)
En lo relativo a la Pregunta 3 del cuestionario [“¿Espera usted algún tipo de correlación entre el
rendimiento habitual del estudiante en algún/as área/s curricular/es y su nivel de motivación y
ejecución en la actividad de la CSEW? (p.ej. posible correlación entre el rendimiento en
matemáticas y su futuro desempeño en la CSEW)”], que cubre el objetivo de investigación O2Pc:
aparecen moderadamente algunas respuestas que correlacionan el rendimiento en el área de
matemáticas (a veces acompañadas de otras áreas) con el nivel de ejecución en tareas de ‘coding’, y
con la matización de que estudiantes con bajo rendimiento habitual en matemáticas pueden también
motivarse y divertirse con el ‘coding’, aunque su desempeño no sea excelente (“it is likely that
students who demonstrate strength in mathematics, may also show strength related to the coding
activities; however, there may also be students who respond to the visual component of coding on the
computer who may show greater strength when coding then in their classroom”…“I think there is a
positive correlation between math and programming, however, some students who are weak at math
also enjoy programming”…“especialmente en las matemáticas y también en las ciencias
experimentales al fomentar su autonomía”…“creo que los alumnos con notas medias más altas,
especialmente en matemáticas y música, tendrán más facilidad para la ejecución de la actividad,
pero no creo que el rendimiento vaya a influir en el nivel de motivación”…“en cuanto a áreas, las
matemáticas, pero nuestra programación favorece todas las competencias básicas”…“posiblemente
será así, cuánta más capacidad matemática se tenga, más rápido y fácil será la ejecución de la
actividad”…“correlación con matemáticas, artística”…“en la ESO se podría esperar un mejor
rendimiento en aquellos que obtienen buenos resultados en las áreas de matemáticas y física y
química con facilidad”).
En otro sentido se expresa algún profesor que narra cómo alumnos de bajo rendimiento consiguen
incrementarlo a raíz de una alta motivación en tareas de programación: “tengo la experiencia
258
personal de alumnos con bajo rendimiento en otras áreas y alta motivación en ciencias de la
computación, incluso, que esta motivación, con el tiempo, les ayuda a mejorar su rendimiento
general cuando ven la necesidad de las matemáticas, la comprensión lectora o el inglés en el ámbito
de la informática y más concretamente en la programación”
En lo relativo a la Pregunta 4 del cuestionario [“Existen distintas plataformas-tutoriales ‘on-line’

(p.ej. ‘Scratch’) para el aprendizaje del ‘coding’ ¿Cuáles de ellas conoce? ¿Cuáles de ellas le
parecen más apropiadas para cada edad?”], que cubre el objetivo de investigación O2Pd: los
profesores encuestados reportan una amplia variedad de recursos ‘on-line’ para el aprendizaje del
‘coding’. Ordenados orientativamente según la edad de uso referida por los profesores para cada
recurso, se señalan para Educación Infantil y comienzo de Educación Primaria: ‘Kodable’ 293,
‘Lightbot’ 294, ‘Bee-Bot app’ 295, ‘ScratchJr’ 296, ‘Daisy the Dinosaur’ 297 o ‘The Foos’ 298; para finales
de Educación Primaria y comienzos de Educación Secundaria: ‘Blockly’ 299, ‘Hopscotch’300,
‘Code.org’ (tutorial de Angry Birds) 301, ‘Tynker’ 302, ‘Alice’ 303, ‘Kodu’ 304 y ‘Scratch’ 305 (de éste
último se destaca repetidamente su gran versatilidad para ser utilizado con estudiantes de distintas
edades y distintos niveles de experiencia previa en programación); para finales de Educación
Secundaria y Bachillerato: ‘App Inventor’ 306, ‘Code Combat’ 307, ‘TouchDevelop’ 308,
‘Codecademy’ 309, ‘Code School’ 310, ‘Khan Academy’ 311 (de éste último trío de recursos se destaca
repetidamente por los profesores que son sólo aptos para alumnos independientes, de estilo
autónomo).
Adicionalmente, los profesores refieren otros recursos conocidos como ‘CS Unplugged’ 312, kit de
juegos de aprendizaje de conceptos computacionales sin utilizar ordenador; u otros recursos que
permiten conectar el código con el mundo físico a través de la robótica y la electrónica: ‘Lego
Mindstorms’ 313, ‘Moway’ 314, ‘BitBloq’ 315 o ‘Arduino’ 316
293
https://www.kodable.com/
294
http://lightbot.com/
295
https://itunes.apple.com/es/app/bee-bot/id500131639?mt=8
296
http://www.scratchjr.org/
297
https://itunes.apple.com/es/app/daisy-the-dinosaur/id490514278?mt=8
298
http://thefoos.com/
299
https://blockly-games.appspot.com/
300
https://www.gethopscotch.com/
301
https://studio.code.org/hoc/1
302
https://www.tynker.com/
303
http://www.alice.org/
304
http://www.kodugamelab.com/
305
306
307
https://codecombat.com/
308
309
https://www.codecademy.com/
310
https://www.codeschool.com/
311
312
http://csunplugged.org/
313
http://www.lego.com/en-us/mindstorms/
314
http://moway-robot.com/
315
http://bitbloq.bq.com
316
https://www.arduino.cc/
259
En lo relativo a la Pregunta 5 del cuestionario [“Para planificar las actividades de la CSEW, ¿ha
comparado distintas plataformas-tutoriales ‘on-line’ tal y como se sugiere en
http://csedweek.org/learn? ¿Por cuál/es se ha decidido? ¿Por qué?”], que cubre el objetivo de
investigación O2Pe: para el tramo de edad de entre 10-15 años (que, como vimos en la Figura 5.1 es
el mayoritario en participación en ‘La Hora del Código’, representando sobre el 80% del total de
estudiantes) el tutorial más utilizado es el propuesto por Code.org 317 con los personajes del
videojuego ‘Angry Birds’ 318, por varias razones (“la actividad de ‘Angry Birds’ programada creo
que se adapta muy bien al tiempo de una hora, está muy bien explicada, está en castellano desde el
principio, es repetitiva en los pasos iniciales, totalmente gráfica… además es simpática”…“la de
Angry Birds por ser más atractiva para los estudiantes”…“Angry Birds tutorials are the most
robust”…“efectivamente, he comparado distintas actividades y la que me ha parecido más fácil y
atractiva para los alumnos/as que realizarán la actividad es la de los bloques de Angry
Birds”…“para el alumnado de 4º, 5º y 6º (Primaria) he optado por Angry Birds porque pienso que
conectará directamente con su interés al ser protagonistas unos personajes que ya conocen, por el
nivel de dificultad”…“si he preferido Angry Birds porque a priori resulta de interfaz más atractiva y
de resolución más sencilla”…“me decidí por el de http://hourofcode.com/code porque era el más
‘popular’ en cuanto a los personajes (Angry Birds) para enganchar a los chic@s”). Este tutorial
consiste en un conjunto de 20 pantallas, cada una de las cuales plantea un problema cerrado o puzle
de programación, que el estudiante debe resolver secuenciando el algoritmo correcto con los bloques
de código de los que dispone (Figura 5.11)
Figura 5.11. Captura de una de las pantallas del tutorial propuesto por Code.org, utilizando los personajes de ‘Angry
Birds’. A la izquierda se plantea el problema o puzle de programación (llevar al pájaro hasta el cerdo por el camino
señalado); a la derecha se resuelve el puzle secuenciado un algoritmo con los bloques de los que se dispone.
317
https://studio.code.org/hoc/1
318
https://www.angrybirds.com/
260
Para alumnos menores de 10 años, el tutorial más utilizado durante la HoC es ‘Lightbot’ (Figura
5.12), referenciado algo más arriba, por su sencillez (“Empezaremos por las más simples como el
Lightbot…”), que consiste igualmente en retos cerrados o puzles de programación, pero que en este
caso pueden resolverse mediante flechas (sin necesidad de lectura)
Figura 5.12. Captura de una de las pantallas del tutorial ‘Lightbot’ para la HoC. A la izquierda se plantea el puzle de
programación (llevar al robot hasta la casilla azul); a la derecha, la secuencia de instrucciones que lo resuelve.
Y en el caso de alumnos de Secundaria con algo de experiencia previa en programación, los

tutoriales más utilizados son los de Scratch 319; en este caso, son proyectos abiertos (‘open-ended’) en
los que el estudiante parte de un ‘lienzo en blanco’ y, con ayuda de un tutorial, crea una animación,
historia interactiva o juego a través del lenguaje de programación visual de Scratch. Algún profesor
reportó al respecto la utilización de la metodología ‘live coding’ (“voy a hacer una clase de ‘live
coding’ con Scratch haciendo un juego de laberinto”), en la cual el docente proyecta en la pizarra
cómo va programando en tiempo real una animación o juego en Scratch, mientras el resto sigue su
ejemplo como referencia para programar el suyo propio.
En lo relativo a la Pregunta 6 del cuestionario [“Entendemos que al incorporar a su centro a la

CSEW (‘An Hour of Code’) considera viable que con una actividad de una hora se pueda introducir
a los estudiantes en el mundo del ‘coding’, ¿es así? ¿Cómo es esto posible?”], que cubre el objetivo
de investigación O2Pf: la práctica totalidad de los profesores está de acuerdo en señalar que con una
actividad de una hora es posible introducir a los estudiantes en el mundo y práctica del ‘coding’,
desde una perspectiva lúdica y como forma de incentivar su curiosidad para proseguir con un
aprendizaje más profundo del mismo (“sí, ya que pueden ver cómo se ‘programa’ y algunos de ellos
(no todos) que les falta el ‘empujoncito’ pueden iniciarse en los recursos online (que posiblemente
no conocen)…“one hour of code is to give the students of taste of coding; it can also help them to
decide whether they want to take the programming electives offered at our school”…“con una hora
podemos generar un cierto interés, que esperamos que se extienda por toda la comunidad educativa
319
https://scratch.mit.edu/hoc/
261
del centro”…“creo que les puede despertar la curiosidad”…“es posible introducir a los estudiantes
en el mundo del coding, será suficiente para que unos pocos se interesen, y para que algunos de esos
pocos pidan o busquen información de forma más seria”…“una actividad de una hora sirve para
generar una sensación en el alumno; un interés que después debe ser conducido hacia un trabajo en
profundidad haciendo uso de las plataformas mencionadas”...“lo que hacemos es darles el
‘caramelo’, que lo prueben y ya es cuestión de seguir fomentando desde el cole (lo ideal) o desde
casa el gusto por la programación”…“como programadora y madre pienso (y la cara y emoción de
los chicos del martes pasado me lo confirman) que sí se puede introducir en una hora a los
estudiantes en el mundo de la programación”…“a mis alumnos le gusta la programación; esta
actividad les abre otras posibilidades que no aún no conocen y les seducen”)
También se señala la importancia del evento para dar una idea a los estudiantes, y demás comunidad
educativa, de la accesibilidad de aprender ‘código’ a través de los nuevos lenguajes visuales (“con
iniciativas como esta se permite que la gente se dé cuenta de que programar es más accesible de lo
que parece, ya que en la actualidad hay una gran gama de recursos que simplifican el proceso”); y
para desmitificar su extrema dificultad (“como la propia organización Code.org dice, es
perfectamente posible aproximarse a los fundamentos básicos de la programación con su tutorial de
una hora; de esta forma se desmitifica la creencia de que la programación informática es sólo para
gurús”).
Por último, se resalta la importancia de que, con los nuevos lenguajes y plataformas de aprendizaje
del ‘coding’, se generen de manera inmediata productos que el estudiante puede disfrutar y compartir
al momento (“es posible que vean en qué consiste desarrollar un mini-programa o pequeño juego y
de ahí imaginar lo que es una programación más a fondo”…“con Scratch en una hora se puede
hacer un juego sencillo con los alumnos ya que no tienen que escribir y los resultados aparecen en
la pantalla inmediatamente sin tener que compilar y ejecutar”)
En lo relativo a la Pregunta 7 del cuestionario [“Durante la preparación de las actividades de la

CSEW, ¿qué apoyos está encontrando entre la comunidad educativa de su centro? ¿Qué
resistencias?”], que cubre el objetivo de investigación O2Pg: en general, los profesores reportan gran
cantidad de apoyos por parte de la comunidad educativa (“apoyo total, tanto de dirección que les
gustó mucho la idea, me consta que lo comentaron con inspección y que también gustó, como del
resto de compañeros a los cuales les he tenido que pedir que cedan a sus alumnos durante las horas
programadas para que todo el alumnado del centro no sólo los alumnos de informática participaran
en esta actividad”…“the admin was very supportive of this week”…“apoyo total por parte del
equipo directivo y de los padres más implicados en las actividades del colegio, principalmente
socios de la AMPA; apoyo también por parte de profesores con los que tengo más relación personal
y que confían en mi criterio al proponer una actividad”…“apoyo total por parte del director y
buena acogida y colaboración por parte de los compañeros involucrados”); comunidad educativa
que se muestra sensible al valor del ‘coding’ en la sociedad actual (“creo que todo el mundo entiende
el valor profesional de la programación y las perspectivas de futuro que tiene”…“they are
supportive as they understand the importance of programming in today’s society!”), y sus beneficios
para el desarrollo de aptitudes valiosas (“he recibido muchos apoyos por parte de los profesores que
entienden que la programación ayuda a organizar la mente y al razonamiento abstracto”)
262
Prácticamente no se indican resistencias (“resistencia: ninguna”…“no hemos detectado ninguna

resistencia al proyecto”…“no ha habido (que yo sepa) reticencias”…“resistencia ninguna”…“no
he tenido resistencias en mi centro”…“ninguna resistencia por parte de la comunidad
educativa”…“ninguna resistencia; los dos profesores de informática así lo decidimos y no hubo
ningún problema, al contrario”…“no ha habido ninguna resistencia”), si acaso algún reparo de
otros profesores por cierto temor o inseguridad ante el ‘coding’ (“las resistencias son por parte de
profesores que piensan que va a ser difícil o que afirman no tener tiempo para organizar más
eventos o actividades”), o más bien alguna dificultad derivada de insuficiencias técnicas del centro
(“la parte negativa es el poco ancho de banda disponible en el centro, lo cual ralentiza la conexión
a la red”)
En lo relativo a la Pregunta 8 del cuestionario [“¿Considera ‘aprender a programar’ una

competencia relevante para el futuro personal (como ciudadanos) de sus estudiantes? ¿Por qué?”],
que cubre el objetivo de investigación O2Ph: prácticamente la totalidad de los profesores declaran que
sí, por distintas razones. Por un lado, razones que tienen que ver con la omnipresencia de lo digital
en el mundo que les ha tocado vivir, y que les espera en el futuro (“sí, totalmente necesaria porque
(…) desarrollarán su capacidad de adaptación a todos los cambios tecnológicos que se están
produciendo y se van a producir…“sí, porque cada día dependemos más de los ordenadores y para
prácticamente cualquier faceta de la vida se usará un programa”…“considero que es interesante en
tanto que las nuevas tecnologías están adquiriendo una presencia fundamental en todos los ámbitos
de la vida; me parece esencial que todas las personas tengan unos conocimientos básicos de
programación que les hagan más eficientes a la hora de comprender el funcionamiento de los
ordenadores”…“totalmente de acuerdo; nuestros alumnos son digitales y por lo tanto los tenemos
que prepararlos para su total integración en la sociedad”…“sí, ya que se verán enfrentados al uso
de ordenadores en su día a día”).
También aparecen justificaciones relativas a las aptitudes y habilidades cognitivas de alto nivel que
pueden desarrollar los estudiantes al aprender ‘coding’ (“sí, como he dicho antes permite ver la
‘resolución de problemas’ de otra manera”…“el pensamiento computacional se puede aplicar en
todos los ámbitos de la vida, por lo que habiéndolo desarrollado mediante el aprendizaje de la
programación les permitirá afrontar situaciones o solucionar problemas de muy diversa índole de
una forma más eficaz”…“definitivamente sí; creo que aprender a resolver problemas por medio de
la programación informática puede ayudarles a ser más reflexivos y analíticos en su vida, en la
toma de decisiones y al afrontar otros retos”…“sí, debe considerarse una herramienta que ayude a
resolver problemas; programar para aprender”…“yes, it is essential; specially in Spain where I am
concerned about the methods used to study; there does not appear to be a method of problem-
solving, which is essential for university and further study”…“totalmente; aunque el día de mañana
no se dediquen a la computación, lo que aprenden programando les va a servir para muchas otras
áreas de su vida: van a aprender a ser estructurados, lógicos, ordenados, creativos”)
En menor medida, los profesores esgrimen razones de índole creativa (“sí, porque hay muchos
dispositivos digitales y es bueno saber crear contenido”...“además al potenciar la creatividad y de
apropiación de la creación, puede permitir a los alumnos el desarrollo de sus potencialidades como
seres humanos en cualquier ámbito”…“considero que dentro de un entorno de programación, los
alumnos/as podrán desarrollar juegos, expresar emociones y sentimientos, así como, reflejar
263
pensamientos e ideas de una forma interactiva y creativa”); o de raíz crítica, en el sentido de hacer a
los estudiantes conscientes de lo que hay ‘tras las pantallas’ para no asumir de manera irreflexiva su
funcionamiento (“I think all students should have at least one programming class, as it gives them
some perspective on computing and what exists behind the screen; perhaps this will help in thinking
more clearly about information accessed via the computers and increase critical thinking skills that
would hopefully contribute to being a more engaged citizen”…“por otra parte, tendrán una visión
más crítica como consumidores de tecnología, además de que podrán, en algunos casos, crear
herramientas adaptadas a sus necesidades”). Finalmente, también aparece una respuesta en
términos de aprender a programar como un nuevo alfabetismo (“sí, en este momento creo que es
como saber leer o escribir o interpretar un plano”)
En lo relativo a la Pregunta 9 del cuestionario [“¿Considera ‘aprender a programar’ una

competencia relevante para el futuro profesional (como trabajadores) de sus estudiantes? ¿Por
qué?”], que cubre el objetivo de investigación O2Pi: a excepción de una terna de profesores que
limitan la relevancia del ‘coding’ para algunas profesiones específicas (“si trabajan en un área
relacionada con la informática, sí; si no pues no creo que les sirva de mucho saber
programar”…“sólo en ciertas profesiones (ingeniería, ciencias)”…“siempre que quieras dedicarte
más a este sector”); el resto de docente están de acuerdo en afirmar la relevancia del ‘coding’ para el
futuro profesional de sus estudiantes: bien sea por la creciente demanda de trabajadores con perfiles
que incluyan conocimientos de programación (“van a surgir nuevos puestos de trabajo que
requieren conocimientos en ‘coding’ y la tendencia de formación en estas áreas no parece que vaya
a cubrir todas las necesidades futuras”…“también ya que cada vez son necesarios más
programadores”…“es la profesión del futuro”…“sí claro; muchos de los trabajos implican
conocimiento de lenguas e informática; las máquinas se programan”), o bien por considerarse que
las habilidades desarrolladas con el ‘coding’ pueden transferirse a la inmensa mayoría de trabajos de
la sociedad digital (“sí, ya que en cualquier trabajo se le van a presentar problemas no esperados y
van a tener que resolverlos”…“cada día dependemos más de los ordenadores y es difícil imaginar
un trabajo dentro de 10 años que no utilice un programa de algún modo; automatizar tareas es
fundamental para ser productivo y gracias a la programación puede conseguirse”…“sí, hasta en
Excel hay ya fórmulas que parecen programas; si programas, haces análisis, diseño, codificación y
prueba”…“I think all students should learn some basic level of coding, as I see it as a form of
literacy; many jobs require use of computing and some understanding of a variety of tools; the most
skill and information an individual has will likely correlate to future opportunities in their
professional life”…“sí, en algún momento en su carrera profesional deberán hacer algo
relacionado directa o indirectamente con la programación”…“el pensamiento computacional podrá
aplicarse a resolver situaciones o problemas del entorno laboral; además, actualmente el uso de
ordenadores y aplicaciones informáticas está a la orden del día en casi cualquier trabajo, y va a ir
en aumento; la diferencia entre saber cómo utilizar una aplicación informática determinada o saber
cómo funciona dicha aplicación puede ser abismal; y no digamos si le sumamos la posibilidad de
adaptar o crear una aplicación para cubrir las necesidades específicas de una determinada
tarea”…“el desarrollo de software está cada vez más presente en áreas que no están exclusivamente
relacionadas con la informática; en este sentido, tener un contacto con el coding, les puede
favorecer en un futuro profesional”…“sí, porque mejorará sus capacidades de resolución de
264
problemas y porque les permitirá crear aquellas aplicaciones que puedan necesitar y no tengan a su
disposición en el futuro”)
Finalmente, en lo relativo a la Pregunta 10 del cuestionario [“Por favor, describa la/s actividad/es
que tiene previsto realizar durante la CSEW: ¿cuántos estudiantes? ¿De qué edades? ¿Con qué
recursos? ¿Con qué metodología? ¿Habrá algún tipo de evaluación? Puede incluir en su
descripción igualmente cualquier otro comentario (o enlaces) que desee hacer al respecto”], que
cubre el objetivo de investigación O2Pj: las descripciones completas, algunas bastante extensas,
pueden leerse al final del documento en la ‘nube’ 320, que hemos enlazado con el código QR de la
Figura 5.10. Baste aquí reflejarse que, en líneas generales, las actividades planificadas se apoyan en
una multitud de recursos y tutoriales ‘on-line’, adaptados para cada edad, como los referidos algo
más arriba; que, en muchos centros la actividad involucra de manera masiva a todo el estudiantado
(“participa la totalidad del centro: 330 estudiantes”...“vamos a participar con 24 grupos de
Enseñanza Secundaria Obligatoria, unos 600 alumnos”…“all age groups in secondary; years 7 to
13 will be undertaking 1 class of programming this Week”), dándose al evento una amplia difusión,
tanto intramuros como extramuros, a través de la cartelería, videos y ‘merchandising’ diverso que se
proporciona desde la web de ‘La Hora del Código’ 321 (“hemos colgado en la página web
información sobre el evento y colocado dentro del centro, los carteles que proporcionaba la
organización; durante esta semana en los descansos se proyectará en una pantalla de recepción y se
escuchará por la megafonía del centro uno de los vídeos que explicaban el evento; en las clases de
informática les estamos explicando en que va a consistir este evento; los alumnos van a traducir y
comentaremos después en clase las distintas frases que hay en los posters que hemos colgado por el
centro; también hemos enviado por email a los padres copia de la carta que habíamos colgado en la
web”).
En la mayor parte de los centros, el evento se celebra en el aula/s de informática, equipada con PC’s
fijos, por la cual van pasando los distintos grupos (“aulas informática de 24 ordenadores cada
una”…“en la sala de ordenadores del centro”…“disponemos de aula de informática y
proyector”…“esto se hará en el aula de informática”) aunque también encontramos casos que
utilizan carritos móviles con portátiles o tabletas (“tablets Samsung e iPad”)
La metodología usada es siempre activa, aprendiendo cada estudiante a su propio ritmo y de forma
interactiva con el tutorial que va siguiendo en la pantalla (“3/4 min de presentación de la plataforma
y posterior realización de las actividades”…“dedicaría 10 minutos a explicar el porqué de la
actividad y el resto sería una clase práctica”…“realizarán la actividad de code.org relativa al
tutorial de Angry Birds”). Encontramos también algunas referencias a aprendizajes por pares o
mentoría realizada por voluntarios de cursos superiores (“I will also include (high school) students in
my tech classes to assist their middle school peers”), y a la metodología propuesta por la propia
Code.org denominada ‘Ask 3, then me’ 322, que consiste en que cuando un estudiante no sabe cómo
completar un determinado reto de programación, pregunte al menos a 3 compañeros en busca de
ayuda antes de consultar finalmente al profesor (“dando instrucciones de que si alguien se queda
320
Disponible en: https://goo.gl/5Kxy2x
321
https://hourofcode.com/es/promote/resources
322
https://csedweek.org/educate/hoc
265
atascado en algún punto pregunte a los compañeros que tiene al lado, y en caso de que ninguno de
ellos sepa ayudarle, le pregunte a ella (la profesora)”)
Llama la atención que no se contemplan mecanismos de evaluación formales a los estudiantes (“no
hay evaluación”…“los alumnos no serán evaluados”…“no habrá una evaluación formal”),
posiblemente por el carácter lúdico del evento (“será una actividad esencialmente lúdica”). Sólo se
contempla el uso de algún cuestionario de satisfacción para profesores y/o estudiantes (“los
alumnos/as deberán realizar un cuestionario al finalizar la actividad”…“cada grupo cumplimentará
un formulario online de satisfacción”), el ‘tracking’ 323 de seguimiento que proporcionan las propias
plataformas-tutoriales ‘on-line’ (“la evaluación que utilizamos es la que el mismo programa de
registro nos permite ver aquellos alumnos que han completado la tarea de aquellos que aún no”)
(Figura 5.13), y la entrega del certificado de completamiento de la actividad (“se dará un certificado
de asistencia y aprovechamiento a aquellos alumnos que finalicen las 20 actividades de las que
consta Angry Birds”… “al final cuando acaben les daremos el certificado que existe al finalizar la
Hour of Code”) que ya ilustramos en el sub-epígrafe 2.2.3.1 de la parte teórica (Figura 2.11)
Figura 5.13. Ejemplo del ‘tracking’ que se puede realizar a los estudiantes, sobre los niveles que van intentando y
completando a lo largo de ‘La Hora del Código’
Finalmente, con respecto a las edades involucradas, la oscilación es amplísima: entre Educación
Infantil (“Educación Infantil (3, 4 y 5 años), aproximadamente 110 participantes”) y Formación
Profesional; escogiéndose recursos y tutoriales adaptados en función de cada una de ellas. Por su
especial interés, al ser la primera iniciativa en Educación Infantil de la que este doctorando tiene
323
‘Tracking’: término en lengua inglesa para referirse coloquialmente al ‘rastreo’ que las plataformas ‘on-line’ de
aprendizaje hacen de la actividad realizada en su seno por el estudiante.
266
noticia, se reproduce a continuación la descripción de la actividad que hace el sujeto ID_11 (Jorge
Lobo, maestro y coordinador TIC del CEIP Lope de Vega de Madrid):
“ALPHABOT, LA ROBOT 324: Educación Infantil (3, 4 y 5 años). Aproximadamente 110

participantes. Recursos: Disfraz de robot; Escenarios o recorridos; Tarjetas de
programación para cada participante; Vídeo de introducción/motivación (si da tiempo a
editarlo); PDI o proyector para el vídeo. Metodología: El grupo de alumnos se reunirá en
una sala con los escenarios preparados. Se les explicará que ALPHABOT es una robot muy
hábil y fuerte, pero que necesita ayuda para completar una serie de tareas. Ellos (los
alumnos) pueden ayudarle a conseguir los objetivos con las tarjetas de programación que
tienen. En cada paso, los alumnos tendrán que levantar la tarjeta que creen que es apropiada
para guiar a la robot. El profesor tutor comprobará si todos están de acuerdo, y si hay
diversidad de opiniones, pedirá a algunos alumnos que expliquen por qué han elegido una
tarjeta y no otra, activará el robot para que ejecute las acciones o reseteará el último
movimiento si no ha sido el más apropiado para que los alumnos puedan elegir de nuevo.
Evaluación: Los profesores participantes evaluarán la actividad: - El grado de comprensión
de las instrucciones por parte de los alumnos; - El grado de comprensión del funcionamiento
del robot por parte de los alumnos; - El grado de implicación de los alumnos en la actividad;
- Si la actividad se ha adaptado a la capacidad de los alumnos. Los alumnos no serán
evaluados, pero tendrán un espacio de reflexión para expresar sus opiniones sobre la
actividad, comentar cómo se han sentido, qué les ha gustado más, etc.” (Sujeto ID_11: Jorge
Lobo, maestro y coordinador TIC del CEIP Lope de Vega de Madrid)
5.4.3. Relativos al cuestionario post para profesores
Pasamos ahora a dar respuesta a los objetivos O2Pk…O2Pñ, que se abordan a través del “CSEW:
Cuestionario para profesores/as (post)” (Anexo B).
A través de la Figura 5.14 se puede acceder a un documento 325 que incluye el contenido literal y
completo de las respuestas de los 14 profesores a las 5 preguntas abiertas que componen el “CSEW:
Cuestionario para profesores/as (post)”, y que cubren respectivamente los objetivos O2Pk…O2Pñ de
la investigación.
Figura 5.14. Código QR al documento con el contenido completo de las respuestas al cuestionario post para profesores
324
Puede consultarse una descripción más detallada, acompaña de imagen y vídeos, a través del blog de Jorge Lobo:
http://ceipmiskatonic.blogspot.com.es/2014/11/se-acerca-la-hora-del-codigo.html
http://ceipmiskatonic.blogspot.com.es/2014/12/alphabot-programando-en-educacion.html
325
Disponible en: https://goo.gl/Wi9sXk
267
Con respecto a la Pregunta 1 del cuestionario [“¿Ha podido desarrollar las actividades de la CSEW
tal y como tenía planificado? ¿Sí, No? ¿Por qué? Describa las actividades CSEW que finalmente
han podido realizar: nº de estudiantes, niveles educativos, tutoriales utilizados, metodología
seguida, sistema de evaluación, etc...”], que cubre el objetivo de investigación O2Pk: en general, los
profesores informan que sí pueden llevar a cabo las actividades según su planificación inicial (“en
buena medida”…“prácticamente sí”…“yes, the week went as planned”…“sí, ha ido todo según lo
previsto”…“sí, porque han funcionado tal y como estaba previsto”). Una descripción detallada,
alguna bastante extensa, de las actividades finalmente llevadas a cabo puede leerse al comienzo del
documento completo enlazado en la Figura 5.14. Baste aquí decir que las pocas alteraciones que hay
en las actividades finalmente realizadas, respecto a la planificación inicial, fueron debidas a:
desajustes en la temporalización de la actividad (“el grupo de 2º Bachillerato no pudo asistir
completo, tenían una obra de teatro en inglés e iban mal de tiempo para ensayar”…“es complicado
parar actividades normales de una escuela para realizar una actividad no planeada a principio de
año y fuera de currículo”…“por motivos de coordinación con los maestros y maestras tuve menos
tiempo del que en un principio había planeado, y por ello no pude explicar a los alumnos/as tan
detalladamente como quería la actividad”…“una de las sesiones de educación infantil se ha tenido
de posponer para después de las vacaciones de Navidad por motivos de organización interna
forzados por causas ajenas al centro”); preferencias del alumnado por hacer la actividad en tableta
en vez de en PC’s fijos (“los alumnos de 4º Primaria utilizaron la aplicación ‘The Foos’ 326 en vez de
la de ‘Angry Birds’, por petición de los propios alumnos, que se sentían más motivados por el uso de
las tablets”); y cambios o reajustes en el tutorial inicialmente seleccionado por el profesor, a la luz
de su dificultad inadecuada (“en dos cursos de Primaria, algunos alumnos utilizaron la aplicación
‘The Foos’ en vez de la de ‘Angry Birds’ como medida de adaptación, ya que el nivel exigido por
‘Angry Birds’ les superaba”)
Se confirma que no se lleva a cabo ninguna evaluación formal (“there was no formal evaluation, but
rather anecdotal observation of student performance through the session; given I usually had less
than an hour with a group, no extended assessment or evaluation was possible”). La evaluación se
limita a procedimientos informales de observación, o seguimiento del ‘tracking’ ofrecido por las
propias plataformas-tutoriales (“el sistema de evaluación ha consistido en registrar aquellos que han
conseguido llegar al final de la prueba, los 20 problemas, e imprimirles el certificado firmado y
sellado por el centro”)
Con respecto a la Pregunta 2 del cuestionario [“¿Cuáles son los aspectos MÁS POSITIVOS que
desea resaltar del desarrollo de la CSEW en su centro?”], que cubre el objetivo de investigación
O2Pl: se señala fundamentalmente la alta motivación e interés mostrado por los estudiantes (“el
grado de motivación que he visto en los alumnos de todas las edades”…“además se lo han pasado
bien aprendiendo a programar”…“les encanta y aprenden; qué mejor que realizar actividades
motivadoras que hacen a gusto”…“los alumnos se han implicado mucho en la resolución de los
problemas planteados; destaco sobre todo la motivación”…“sorprendentemente, durante las 4
sesiones no hubo ningún alumno descolgado o aburrido”), debidos principalmente a la gamificación
de los tutoriales y a la accesibilidad que ofrecen los lenguajes visuales de programación (“los videos
introductorios han ayudado mucho pero sobre todo creo que la presentación en forma de juego, con
326
http://thefoos.com/
268
bloques tipo lego en vez de código puro y duro han conseguido un nivel de atención muy
notable”…“acercar la programación a los alumnos desde pequeños y que vean que son bloques
sencillos los que construyen los programas más grandes”), así como adaptabilidad de los tutoriales
al nivel de cada estudiante (“también me ha gustado mucho la adaptabilidad de los programas a los
distintos niveles de los alumnos lo que ha permitido que en algunos grupos pudieran utilizar
distintas aplicaciones a la vez”)
Como resultado, los profesores indican que los estudiantes acaban con una buena percepción de
autoeficacia (“algunos alumnos han descubierto que ‘no se les da tan mal la informática’”),
incluidas las chicas (“ha despertado el interés de algunos en la programación; y las chicas han
descubierto que ellas también ‘pueden’”). Y, como consecuencia, algunos centros se plantean
ofrecer algún curso o currículo más avanzado y prolongado sobre ‘coding’ (“I think it at least
opened the door for people to think more about the place of programming at the school”…“ante
todo destacaría el interés del alumnado ante esta actividad; los alumnos/as han querido continuar el
aprendizaje y por ello nos estamos planteando desde el centro el proseguir con la misma durante el
resto del curso escolar”)
Otro aspecto positivo resaltado es la posibilidad de trabajar colaborativamente mediante la

metodología ‘pair programming’ 327 o ‘programación por parejas’, especialmente en Primaria (“el
alumnado trabajó por parejas y la coordinación entre las parejas fue muy elevada”…“el
aprendizaje en programación y el trabajo colaborativo”), con mentores de cursos superiores (“high
school programming students helped lower school students with programming”); y los beneficios de
poder compartir los proyectos realizados (“con lo fácil que es compartir los proyectos se pueden
fomentar los valores del software libre”). También se señala la buena acogida de profesores y padres
(“it was also great to share these sessions with classroom teachers, who do not have previous
experience programming; parent response was also very positive”). Finalmente, se pone en valor el
hecho de que se puede participar en el evento ‘a coste cero’ (“el bajo o nulo coste de esta actividad
también es un punto positivo”)
Con respecto a la Pregunta 3 del cuestionario [“¿Cuáles son los aspectos MÁS NEGATIVOS que
desea resaltar del desarrollo de la CSEW en su centro? ¿Qué propuestas de mejora se plantea para
los mismos?”], que cubre el objetivo de investigación O2Pm: se señalan pocos o ningún aspecto
negativo (“no he experimentado nada que se pudiera considerar negativo”…“no tengo aspectos
negativos”…“no he encontrado aspectos negativos”). De los pocos aspectos negativos reportados,
éstos básicamente tienen que ver con incidencias de tipo técnico, no imputables al evento sino a las
deficiencias de conexión de los centros (“en algunas horas tuvimos problemas con el tiempo de
respuesta, no sé si sería por los servidores o por el ancho de banda de la línea del centro; tenían que
recargar la página o volver al ejercicio anterior y hacerlo de nuevo”…“a veces Internet no funciona
bien y se desesperan entre actividad y actividad”); o con dificultades en la temporalización del
evento (“nuestra adaptación a la hora de 60 minutos”…“no contar con un día para hacer este tipo
de actividades y tener que ‘robar’ clase a otros profesores para juntar a un número suficiente de
alumnos”…“the timing of the activities was difficult for middle and high school teachers and
327
Code.org promueve la programación por parejas o ‘pair programming’ a través de vídeos como
https://youtu.be/vgkahOzFH2Q (Code.org, 2014)
269
students, as many were finishing semester activities and preparing for exams”…“haber de
desarrollarlo dentro de una misma semana ya que es un tiempo muy justo y a nivel de organización
del centro”…“la falta de tiempo para hacer una introducción apropiada”).
Consistentemente, las propuestas de mejora tienen que ver con una mayor planificación del evento
para el curso siguiente, con objeto de involucrar mejor al resto del claustro del centro (“para el
próximo curso se tratará de involucrar al claustro desde septiembre”…“para el próximo curso se
propondrá tener dos sesiones, una teórica en la que aclarar todo lo que a los alumnos se les ocurra
sobre programación o sobre la herramienta a utilizar, y otra para realizar las actividades”); y/o con
tener previstas actividades de emergencia por si falla la conexión a Internet durante el evento (“el
próximo año intentaría descargar e instalar en local las actividades”)
Con respecto a la Pregunta 4 del cuestionario [“Relate alguna/s anécdota relevante o caso
excepcional ocurrido a lo largo de la CSEW (p.e. algún estudiante que haya demostrado especial
talento, algún estudiante que haya mostrado una conducta inusual, etc...)”], que cubre el objetivo de
investigación O2Pn: los profesores relatan cierta casuística que nos resulta de gran interés. Por
ejemplo, casos de ‘talentos especiales’ por su excelente ejecución durante las sesiones de ‘coding’
(“efectivamente he podido observar alumnos con un talento especial; se dio el caso de dos alumnos
de 2º de Primaria que aparentemente completaron los 20 niveles de Blockly en inglés en 45
minutos.”…“nos llamó la atención un alumno de sexto de primaria que en 20 minutos acabó los 20
problemas propuestos, sin haber programado anteriormente”) 328.
También se refieren varios casos de estudiantes (o grupos) habitualmente inquietos, disruptivos o con
problemas de atención, que muestran un compromiso sostenido con las tareas de ‘coding’ (“en
general los estudiantes más inquietos y que menos aguantan las clases magistrales se adaptan muy
bien a este tipo de instrucción basada en problemas y práctica”...“también quiero destacar que un
alumno diagnosticado con TDAH permaneció atento y concentrado durante toda la sesión,
trabajando por parejas y sin tener conductas disruptivas”…“la mayor sorpresa ha sido el buen
comportamiento y alta motivación de dos de los grupos más disruptivos del centro; una sorpresa
muy grata”…“un muy mal estudiante y además comportamental, de 2º de la ESO, repetidor, que ha
conseguido llegar al final de la prueba; al día siguiente estaba en mi despacho solicitando saber
cuándo se le haría entrega del certificado de aprovechamiento; ¡inusual!”); o estudiantes con
retrasos en otras áreas curriculares, que muestran interés y facilidad con el ‘coding’ (“se han dado
casos de dos estudiantes con un significativo desfase curricular avanzar mucho más rápido que
otros compañeros sin dificultades”)
Por otro lado, se producen casos de chicas que manifiestan prejuicios al respecto de su baja o nula
capacidad para programar, prejuicios que se ven confrontados y desterrados tras su iniciación al
‘coding’ (“una alumna entró preguntándome si era obligatorio hacer la actividad ya que a ella se le
daba muy mal la informática; le indiqué que no podía cerrarse de antemano, y que con lo joven que
era, si no cambiaba el chip tenía un gran problema, porque hoy en día nadie puede dar la espalda a
la informática; le invité a intentarlo, y terminó emocionada y con otra visión totalmente distinta
328
Como referencia para el lector, y siguiendo las propias orientaciones que ofrece la web del evento, hay que decir que
esos 20 niveles están diseñados para ser completados en alrededor de una hora por estudiantes de finales de Primaria o
inicios de Secundaria.
270
sobre su capacidad con el uso de los ordenadores”); y casos de parejas de estudiantes que
programaron juntos (‘pair programming’) de manera excepcionalmente positiva (“asimismo he
podido observar una pareja de chico y chica en 4º de Primaria trabajando juntos en plena
colaboración y armonía para conseguir el objetivo”…“la primera sesión la hicimos individual; la
segunda la hicimos en pareja y se dieron cuenta que mejoraban significativamente sus resultados;
tuvimos que hacer todas las demás en parejas; intentaba cambiar las parejas pero eran bastante
reticentes ya que ‘con este compañero vamos más rápido’ eran sus palabras”)
Finalmente, también se reporta alguna diferencia de género observada (“las chicas prestaban más
atención a las animaciones y los chicos al juego en sí”); y casos de voluntarios casuales que
ejercieron de mentores durante el evento con alumnos más pequeños, que manifiestan su deseo de
continuar regularmente con sus tareas de mentorización (“a couple of students volunteered to
regularly help out after school and one volunteered to help out a lower school class during the
school day”)
Con respecto a la Pregunta 5 del cuestionario [“Desde la fundación Code.org (promotora de la

CSEW) se propone continuar y profundizar con la introducción del ‘coding’ en las escuelas:
http://code.org/learn/beyond ¿Tienen intención de continuar en los próximos meses con nuevas
actividades curriculares relacionadas con el ‘coding’? ¿Cuáles?”], que cubre el objetivo de
investigación O2Pñ: fundamentalmente se detectan iniciativas de proseguir con currículos más
sistemáticos y avanzado de aprendizaje del ‘coding’ a final de la etapa de Primaria y Secundaria, con
el curso trimestral ‘K-8 Intro to Computer Science’ (Code.org, 2015a) (“tengo intención de
proseguir con las dos clases de 5º de primaria, siguiendo el programa ‘Introducción a la
Informática K-8”…“el curso pasado ya hicimos con los alumnos de 4º de ESO los cursos de 20
horas de coding de code.org”…“sí, los alumnos de mi grupo de 4º ESO están realizando el curso de
20 horas de programación por bloques que ofrece code.org”), y también intenciones de
profundización con Scratch 329 en Secundaria (“todos los años trabajamos con Scratch en 2º de la
ESO, el segundo trimestre”…“con mis alumnos de 3º de ESO seguimos un poco con Scratch y
después haremos programación de Android a través de App Inventor”…“usaremos Scratch con los
alumnos de 4º de ESO; la idea es dedicarle al menos 20 horas”), y con AppInventor 330 en
Secundaria y Bachillerato (“con los de 4º de ESO aproveché para saltar a programación en Android
con AppInventor”... “este curso hemos incorporado al currículo de Tecnología de la Información en
1º de bachillerato la programación de aplicaciones móviles Android con AppInventor y los alumnos
están entusiasmados”)
5.4.4. Relativos al cuestionario para estudiantes
Pasamos ahora a dar respuesta a los objetivos O2E*, que se abordan a través del “CSEW:
Cuestionario para estudiantes” (Anexo C). Recordemos que el “CSEW: Cuestionario para
estudiantes” 331 consta de un total de 12 preguntas, siendo una combinación de preguntas de elección
múltiple (preguntas 1, 2, 6 y 9), preguntas de selección múltiple o casillas de verificación (preguntas
3 y 10), de escalas tipo Likert (preguntas 4, 5, 7 y 8), y de preguntas abiertas (preguntas 11 y 12).
329
330
331
https://goo.gl/c3j5xq
271
Convertidas las de selección múltiple en variables ‘dummy’ y dicotomizadas las respuestas abiertas,
el cuestionario en su conjunto consta de un total de 35 elementos, arrojando un notable valor de
fiabilidad α = 0,810.
Con respecto a la Pregunta 1 del cuestionario [“P1. ¿Habías oído hablar de la ‘programación
informática’ (‘coding’) antes de esta actividad de la ‘Computer Science Education Week
(CSEW)’?”], que aborda el objetivo de investigación O2Ea: en la Tabla 5.21 (y Figura D.5 del anexo)
se muestran los resultados para el total de la muestra. Tal y como puede observarse, algo más de la
mitad de la muestra (53%) había oído hablar de la programación informática o ‘coding’ con
anterioridad al evento HoC.
Tabla 5.21. Frecuencias y porcentajes de respuesta a la pregunta 1 del cuestionario para estudiantes
P1. ¿Habías oído hablar de la 'programación informática' ('coding') antes de esta actividad de la CSEW?
No 702 42,2 47,0 47,0
Válido Sí 793 47,7 53,0 100,0
Total 1495 90,0 100,0
Total 1662 100,0
Con respecto a posibles diferencias en la respuesta a esta pregunta según el sexo, se encuentran
diferencias muy significativas (χ2 = 22,108; p(χ2) = 0,000 << 0,05; C = 0,122; p(C) = 0,000 << 0,05).
Se detalla en la Tabla 5.22 (y la Figura D.6 del anexo). Tal y como puede verse, el 59,0% de los
chicos declara haber oído hablar del ‘coding’ frente a sólo un 46,7% de las chicas.
Tabla 5.22. Tabla de contingencia Pregunta 1 * Sexo

P1. ¿Habías oído hablar de la 'programación informática' ('coding')
antes de esta actividad de la CSEW? Total
No Sí
Recuento 312 449 761
Chico
% dentro de Sexo 41,0% 59,0% 100,0%
Sexo
Chica
% dentro de Sexo 53,3% 46,7% 100,0%
Recuento 682 773 1455
Total
% dentro de Sexo 46,9% 53,1% 100,0%
Con respecto a posibles diferencias en la respuesta a esta pregunta según la etapa educativa, también
se encuentran diferencias muy significativas (χ2 = 17,927; p(χ2) = 0,000 << 0,05; C = 0,109; p(C) =
0,000 << 0,05). Tal y como puede verse en la Tabla 5.23 (y la Figura D.7 del anexo), el 46,3% de los
estudiantes de Primaria declara haber oído hablar del ‘coding’ frente a un 53,9% en Secundaria,
65,3% en Bachillerato y un 66,7% en Formación Profesional.
272
Tabla 5.23. Tabla de contingencia Pregunta 1 * Etapa educativa

P1. ¿Habías oído hablar de la 'programación informática'
('coding') antes de esta actividad de la CSEW? Total
No Sí
Primaria
% dentro de Etapa 53,7% 46,3% 100,0%
Secundaria
% dentro de Etapa 46,1% 53,9% 100,0%
Etapa
Recuento 51 96 147
Bachillerato
% dentro de Etapa 34,7% 65,3% 100,0%
Recuento 5 10 15
FP
% dentro de Etapa 33,3% 66,7% 100,0%
Recuento 697 787 1484
Total
% dentro de Etapa 47,0% 53,0% 100,0%
Una síntesis de cómo evoluciona el porcentaje de sujetos que declara haber oído hablar del ‘coding’
en función del sexo y a lo largo de las distintas etapas, puede verse en la Tabla 5.24 y Figura 5.15. La
brecha de género a favor de los chicos en su conocimiento del término ‘programación informática’ o
‘coding’ alcanza su mayor magnitud en Educación Secundaria (diferencia +13,3% a favor de los
chicos), en donde es estadísticamente muy significativa (Tabla 5.25).
Tabla 5.24. Evolución en la Pregunta 1 por sexo a lo largo de las distintas etapas educativas
% que declara haber oído hablar del 'coding' antes del evento
Primaria Secundaria Bachillerato FP
(n=402) (n=888) (n=143) (n=15)
Chicos 50,5% 60,3% 70,1% 66,7%
Chicas 41,2% 47,0% 60,6% 66,7%
Brecha de género a favor de los chicos +9,3% +13,3% +9,5% 0,0%
80%
70,1%
66,7%
70%
60,3%
60% 66,7%
50,5% 60,6%
50%
40% 47,0%
41,2%
30%
20% 13,3%
9,3% 9,5%
10%
0,0%
0%
Primaria Secundaria Bachillerato Formación Profesional
% que ha oído hablar del 'coding'
Chicos Chicas Brecha de género
Figura 5.15. Evolución en la Pregunta 1 por sexo a lo largo de las distintas etapas educativas
273
Tabla 5.25. Resumen de significatividad de las diferencias por sexo en la Pregunta 1, diferenciado por etapas educativas
Chi-Cuadrado Signific. Coeficiente de Contingencia Signific.
N
(χ2) p(χ2) (C) p(C)
Primaria 402 3,523 ,061 ,093 ,061
Secundaria 888 15,820** ,000 ,132** ,000
Bachillerato 143 1,431 ,232 ,100 ,232
Formación Profesional 15 ,000 1,000 ,000 1,000
**Estadísticamente muy significativo p < 0,01
Adicionalmente, encontramos diferencias significativas en la respuesta a la Pregunta 1 según la

tipología de centro educativo al que pertenece el estudiante (χ2 = 9,071; p(χ2) = 0,028 < 0,05; C =
0,078; p(C) = 0,028 < 0,05). En este caso, un 56,8% de los estudiantes que provienen de centros
privados o concertados ‘multietapa’ declaran haber oído hablar del ‘coding’, frente a un 52,0% de los
estudiantes de institutos públicos (IES) o un 45,6% de estudiantes de colegios públicos (CEIP). Se
detalla a continuación en la Tabla 5.26 (y Figura D.8 del anexo).
Tabla 5.26. Tabla de contingencia Pregunta 1 * Tipología de Centro
P1. ¿Habías oído hablar de la

'programación informática' ('coding')
antes de esta actividad de la CSEW? Total
No Sí
CEIP - Colegio Público Recuento 129 108 237
Infantil y/o Primaria % dentro de Tipología 54,4% 45,6% 100,0%
IES - Instituto Público Recuento 330 357 687
Secundaria, Bachill. y/o FP % dentro de Tipología 48,0% 52,0% 100,0%
Tipología
Centro Privado o Recuento 227 298 525
Concertado Multietapa % dentro de Tipología 43,2% 56,8% 100,0%
Centro Municipal de Recuento 9 14 23
Educación No Formal % dentro de Tipología 39,1% 60,9% 100,0%
Recuento 695 777 1472
Total
% dentro de Tipología 47,2% 52,8% 100,0%
Con respecto a la Pregunta 2 del cuestionario [“P2. ¿Habías 'programado' alguna vez antes de esta
actividad?”], que aborda el objetivo de investigación O2Eb: en la Tabla 5.27 (y la Figura D.9 del
anexo) se muestran los resultados para el total de la muestra. Tal y como puede observarse, algo
menos de la mitad de la muestra (43,0%) había programado con anterioridad al evento.
Tabla 5.27. Frecuencias y porcentajes de respuesta a la pregunta 2 del cuestionario para estudiantes
P2. ¿Habías 'programado' alguna vez antes de esta actividad?

No 857 51,6 57,0 57,0
Válido Sí 647 38,9 43,0 100,0
Total 1504 90,5 100,0
Total 1662 100,0
274
Con respecto a posibles diferencias en la respuesta a esta pregunta según el sexo, se encuentran
diferencias muy significativas (χ2 = 22,078; p(χ2) = 0,000 << 0,05; C = 0,122; p(C) = 0,000 << 0,05).
Se detalla en la Tabla 5.28 (y la Figura D.10 del anexo). Tal y como puede verse, el 49,2% de los
chicos declara haber programado con anterioridad al evento frente a sólo un 37,0% de las chicas.
Tabla 5.28. Tabla de contingencia Pregunta 2 * Sexo
P2. ¿Habías 'programado' alguna vez antes de esta actividad?

Total
No Sí
Chico
% dentro de Sexo 50,8% 49,2% 100,0%
Sexo
Chica
% dentro de Sexo 63,0% 37,0% 100,0%
Recuento 829 634 1463
Total
% dentro de Sexo 56,7% 43,3% 100,0%
Con respecto a posibles diferencias en la respuesta a esta pregunta según la etapa educativa, también
se encuentran diferencias muy significativas (χ2 = 47,653; p(χ2) = 0,000 << 0,05; C = 0,176; p(C) =
0,000 << 0,05). Tal y como puede verse en la Tabla 5.29 (y la Figura D.11 del anexo), el 30,1% de
los estudiantes de Primaria declara haber programado anteriormente frente a un 46,7% en
Secundaria, 54,7% en Bachillerato y un 73,3% en Formación Profesional.
Tabla 5.29. Tabla de contingencia Pregunta 2 * Etapa educativa

P2. ¿Habías 'programado' alguna vez antes
de esta actividad? Total
No Sí
Primaria
% dentro de Etapa 69,9% 30,1% 100,0%
Secundaria
% dentro de Etapa 53,3% 46,7% 100,0%
Etapa
Recuento 67 81 148
Bachillerato
% dentro de Etapa 45,3% 54,7% 100,0%
Recuento 4 11 15
FP
% dentro de Etapa 26,7% 73,3% 100,0%
Recuento 850 643 1493
Total
% dentro de Etapa 56,9% 43,1% 100,0%
Una síntesis de cómo evoluciona el porcentaje de sujetos que declara haber programado con
anterioridad a la actividad (experiencia previa con el ‘coding’) en función del sexo y a lo largo de las
distintas etapas, puede verse en la Tabla 5.30 y Figura 5.16. En este caso, la brecha de género a favor
de los chicos en su experiencia previa con el ‘coding’ alcanza su mayor magnitud en Bachillerato
(diferencia +24,4% a favor de los chicos); tanto en Secundaria como en Bachillerato estas diferencias
por sexo son estadísticamente muy significativa (Tabla 5.31).
275
Tabla 5.30. Evolución en la Pregunta 2 por sexo a lo largo de las distintas etapas educativas
% que declara haber programado con anterioridad (experiencia previa
con el 'coding')
(n=402) (n=895) (n=144) (n=15)
Chicos 33,3% 52,4% 66,2% 75,0%
Chicas 27,0% 40,8% 41,8% 66,7%
Brecha de género a favor de los chicos +6,3% +11,6% +24,4% +8,3%
80% 75,0%
70% 66,2%
66,7%
60%
52,4%
50%
40%
33,3% 40,8% 41,8%
30% 24,4%
27,0%
20%
11,6%
8,3%
10% 6,3%
0%
% que tiene experiencia previa con el 'coding'
Chicos Chicas Brecha de género
Figura 5.16. Evolución en la Pregunta 2 por sexo a lo largo de las distintas etapas educativas
Tabla 5.31. Resumen de significatividad de las diferencias por sexo en la Pregunta 2, diferenciado por etapas educativas
Chi-Cuadrado Signific. Coeficiente de Contingencia Signific.
N
(χ2) p(χ2) (C) p(C)
Primaria 402 1,939 ,164 ,069 ,164
Secundaria 895 12,202** ,000 ,116** ,000
Bachillerato 144 8,643** ,003 ,238** ,003
Formación Profesional 15 ,085 ,770 ,075 ,770
**Estadísticamente muy significativo p < 0,01
Adicionalmente, encontramos diferencias muy significativas en la respuesta a la Pregunta 2 según la

tipología de centro educativo al que pertenece el estudiante (χ2 = 16,220; p(χ2) = 0,001 << 0,05; C =
0,104; p(C) = 0,001 << 0,05). En este caso, un 48,2% de los estudiantes que provienen de centros
privados o concertados ‘multietapa’ declaran haber programado anteriormente, frente a un 42,7% de
los estudiantes de institutos públicos (IES) o un 32,8% de estudiantes de colegios públicos (CEIP).
Se detalla a continuación en la Tabla 5.32 (y Figura D.12 del anexo).
276
Tabla 5.32. Tabla de contingencia Pregunta 2 * Tipología de centro

P2. ¿Habías 'programado'
alguna vez antes de esta
actividad? Total
No Sí
Recuento
CEIP - Colegio Público Infantil 160 78 238
y/o Primaria % dentro de Tipología 67,2% 32,8% 100,0%
Secundaria, Bachillerato y/o FP % dentro de Tipología 57,3% 42,7% 100,0%
Tipología
Centro Privado o Concertado Recuento 274 255 529
Multietapa % dentro de Tipología 51,8% 48,2% 100,0%
Centro Municipal de Educación Recuento 12 11 23
No Formal % dentro de Tipología 52,2% 47,8% 100,0%
Recuento 842 639 1481
Total
% dentro de Tipología 56,9% 43,1% 100,0%
Con respecto a la Pregunta 3 del cuestionario [“P3. En caso afirmativo a la pregunta anterior, ¿con
qué lenguaje/s informático/s de programación tienes experiencia?”], que aborda el objetivo de
investigación O2Ec: las respuestas se detallan a continuación en la Tabla 5.33 y Figura 5.17.
Tabla 5.33. Penetración de los lenguajes de programación entre los estudiantes
Penetración (%) sobre la

Penetración (%) sobre el
sub-muestra con
Lenguaje de programación Frecuencia total de la muestra
experiencia previa en
(N=1662)
programación (N=647)
HTML* 233 14,02% 36,01%
332
Scratch** 200 12,03% 30,91%
JavaScript* 160 9,63% 24,73%
CSS* 74 4,45% 11,44%
Python* 60 3,61% 9,27%
Lightbot** 46 2,77% 7,11%
Blockly** 36 2,17% 5,56%
PHP* 32 1,93% 4,95%
Ruby* 23 1,38% 3,55%
Basic/Visual Basic/Small Basic/Just Basic** 14 0,84% 2,16%
jQuery* 12 0,72% 1,85%
AppInventor** 11 0,66% 1,70%
Game Maker Language** 8 0,48% 1,24%
Java** 7 0,42% 1,08%
Batch** 6 0,36% 0,93%
C++** 6 0,36% 0,93%
Lego/LegoWeDo** 6 0,36% 0,93%
332
Algunos de los lenguajes visuales de programación, como Scratch, Blockly, Lightbot o AppInventor, son
simultáneamente lenguajes de programación, y plataformas de aprendizaje del mismo. En su momento, nos inclinamos a
no listarlos explícitamente entre las opciones de esta Pregunta 3 (sobre lenguajes), y sí listarlos en la Pregunta 10 (sobre
plataformas)
277
Penetración (%) sobre la

Penetración (%) sobre el
sub-muestra con
Lenguaje de programación Frecuencia total de la muestra
experiencia previa en
(N=1662)
programación (N=647)
Moway** 4 0,24% 0,62%
Pivot** 4 0,24% 0,62%
Arduino Programming Language** 3 0,18% 0,46%
Assembler** 3 0,18% 0,46%
C** 3 0,18% 0,46%
Crocodile** 3 0,18% 0,46%
HTML5** 3 0,18% 0,46%
Keynote** 3 0,18% 0,46%
C#** 2 0,12% 0,31%
LittleBits** 2 0,12% 0,31%
Blender** 1 0,06% 0,15%
Delphi** 1 0,06% 0,15%
Kodu** 1 0,06% 0,15%
* Lenguaje de programación explícitamente listado entre las posibles opciones a marcar en la Pregunta 3
** Lenguajes no explícitamente listados, que se mencionaron por los sujetos en la categoría ‘Otros’
Penetración (%) sobre la sub-muestra con experiencia previa en programación

(N=647)
40%
35%
30%
25%
20%
15%
10%
5%
0%
Figura 5.17. Penetración de los lenguajes de programación entre los estudiantes
278
Centrándonos en los 7 lenguajes de programación con más penetración entre los estudiantes (todos
con un índice de penetración >2% sobre el total de la muestra, y >5% sobre la sub-muestra de
estudiantes con experiencia previa en programación), éstos pueden clasificarse según la taxonomía
que ya enunciamos en el epígrafe 2.4.1 de la parte teórica, como: 2 lenguajes textuales ‘puros’
(JavaScript y Python), 2 lenguajes textuales de ‘etiquetas, marcado o estilo’ o ‘pseudolenguajes’
(HTML y CSS), y 3 lenguajes visuales (2 ‘por bloques’: Blockly y Scratch; y 1 ‘por flechas’:
Lightbot). En la siguiente Tabla 5.34, y Figuras 5.18 y 5.19, se muestran los índices de penetración
de cada lenguaje sobre el total de la muestra, diferenciado por sexos. Tal y como puede observarse,
en los lenguajes textuales ‘puros’ el índice de penetración es ≈ 2,5-3,0 veces superior entre los
chicos; ≈ 1,5 veces en el caso de los ‘pseudolenguajes’ textuales de etiquetas y estilo; ≈ 1 (igual
penetración en chicos y en chicas) en el caso de los lenguajes visuales.
Tabla 5.34. Índices de penetración según lenguajes sobre el total de la muestra, y diferenciado por sexos
Lenguajes Textuales Lenguajes de Etiquetas, Marcado y Lenguajes Visuales
Puros Estilo (Pseudolenguajes) (por bloques o flechas)
Python JavaScript HTML CSS Lightbot Scratch Blockly
Chico 5,30% 13,50% 17,60% 5,60% 2,60% 11,70% 1,80%

Chica 1,70% 5,40% 10,60% 3,50% 2,80% 12,90% 2,60%
Factor de género
3,12 2,50 1,66 1,60 0,93 0,91 0,69
(% chico) ÷ (% chica)
Índice de penetración por lenguaje y género

20%
18%
16%
14%
12%
10%
8%
6%
4%
2%
0%
Lenguajes Textuales Puros Lenguajes de Etiquetas, Lenguajes Visuales (por bloques o flechas)
Marcado y Estilo
(Pseudolenguajes)
Chico Chica
Figura 5.18. Índices de penetración de cada lenguaje sobre el total de la muestra, diferenciado por sexos
279
Factor de género sobre el índice de penetración (% chicos) ÷ (% chicas)

3,50
3,12
3,00
2,50
2,50
2,00
1,66 1,60
1,50
0,93 0,91
1,00 0,69
0,50
0,00
Lenguajes Textuales Puros Lenguajes de Etiquetas, Lenguajes Visuales (por bloques o flechas)
Marcado y Estilo
(Pseudolenguajes)
Figura 5.19. Factor de género sobre el índice de penetración [(%chicos) ÷ (%chicas)], según lenguajes
Replicando el análisis, ahora por etapa educativa (Tabla 5.35, y Figura D.13 del anexo),
comprobamos que, en síntesis: los lenguajes visuales por flechas tienen su mayor índice de
penetración en Educación Primaria; los lenguajes visuales por bloques tienen su mayor índice de
penetración en Educación Secundaria; los ‘pseudolenguajes’ textuales de etiquetas y estilo en
Bachillerato; y los lenguajes textuales puros en Formación Profesional. Se observa pues una
trayectoria evolutiva en lo referente a los lenguajes de programación utilizados por los estudiantes,
en la línea que ya se señaló en el epígrafe 2.4.1 de la parte teórica de esta tesis doctoral.
Tabla 5.35. Índices de penetración según lenguajes sobre el total de la muestra, y diferenciado por etapa educativa
Lenguajes Visuales
Lenguajes Textuales Lenguajes de Etiquetas, Marcado y
Puros Estilo (Pseudolenguajes) Por
Por Bloques
Flechas
Python JavaScript CSS HTML Scratch Blockly Lightbot
Primaria 1,4% 4,0% 0,6% 1,8% 6,7% 0,2% 8,7%

Secundaria 3,6% 11,6% 4,2% 16,4% 16,6% 3,2% 0,2%
Bachillerato 8,9% 12,1% 16,6% 38,2% 3,2% 2,5% 0,0%
FP 20,0% 33,3% 26,7% 33,3% 6,7% 0,0% 0,0%
Con respecto a la Pregunta 4 del cuestionario [“P4. ¿En qué medida crees que la actividad te ha
ayudado a desarrollar cada una de las siguientes aptitudes y habilidades?”], que aborda el objetivo
de investigación O2Ed; se trata de una escala tipo Likert de 5 puntos (desde 1=Nada a 5=Mucho),
que interroga acerca de las siguientes seis aptitudes o habilidades: pensamiento lógico; creatividad;
resolución de problemas; trabajo en equipo; persistencia-perseverancia; y capacidad de atención. En
la siguiente Tabla 5.36 se detallan los estadísticos descriptivos principales para las seis aptitudes-
habilidades, y en la Figura 5.20 se presenta una comparativa entre las medias de cada una de ellas.
280
Tabla 5.36. Estadísticos descriptivos relativos a la Pregunta 4 del cuestionario para estudiantes
P4. ¿En qué medida crees que la actividad te ha ayudado a desarrollar cada una de las siguientes aptitudes y
habilidades?
Pensamiento Resolución de Trabajo en Persistencia- Capacidad de
Creatividad
Lógico Problemas Equipo Perseverancia Atención
Válido 1464 1435 1429 1439 1422 1441
N
Perdidos 198 227 233 223 240 221
Media 3,66 3,61 3,49 3,01 3,44 3,78
Mediana 4,00 4,00 4,00 3,00 4,00 4,00
Moda 4 4 4 1 3 5
Desv. estándar 1,135 1,199 1,233 1,506 1,248 1,221
Varianza 1,288 1,438 1,520 2,267 1,557 1,492
Asimetría -,736 -,556 -,432 -,046 -,381 -,800
Curtosis -,065 -,580 -,758 -1,437 -,822 -,313
Mínimo 1 1 1 1 1 1
Máximo 5 5 5 5 5 5
Figura 5.20. Comparativa de medias en las distintas aptitudes-habilidades
Tal y como puede observarse, la aptitud que arroja mayor media (y moda) es la ‘capacidad de
atención’, seguida de cerca por ‘pensamiento lógico’, ‘creatividad’, ‘resolución de problemas’ y
‘persistencia-perseverancia’: todas ellas se sitúan en un nivel de valoración medio-alto, con mediana
de 4 sobre 5; más lejos queda el ‘trabajo en equipo’ (se sitúa en un nivel de valoración medio, con
mediana 3 sobre 5). En todas las aptitudes-habilidades aparecen distribuciones con asimetría
negativa; a excepción del ‘trabajo en equipo’ que presenta una distribución casi simétrica (y casi
bimodal en los valores extremos; siendo por tanto la variable con mayores índices de dispersión). Las
distribuciones se presentan de manera detallada en las Tablas D.5 a D.10, y Figuras D.14 a D.19 del
correspondiente anexo.
281
Con respecto a posibles diferencias por sexo en la media de las respuestas a la pregunta 4, aplicando
la prueba t de Student no se encuentran diferencias estadísticamente significativas en ninguna de las
seis aptitudes-habilidades interrogadas; para todas ellas p(t) > 0,05 (Tabla D.11 del anexo).
Con respecto a posibles diferencias por etapa educativa en la media de las respuestas a la pregunta 4,
aplicando un análisis de varianza (ANOVA), se encuentran diferencias muy significativas para todas
las aptitudes-habilidades (p(F) = 0,000 << 0,05), con valores de F especialmente altos para ‘trabajo en
equipo’ (F = 41,040) y ‘capacidad de atención’ (F = 33,058). Se puede consultar con detalle en la
Tabla D.12 del anexo. Tal y como puede apreciarse en la Figura 5.21, en todas las aptitudes-
habilidades hay una valoración superior en Primaria respecto a Secundaria y Bachillerato. Una
posible explicación está en un estilo de respuesta más aquiescente de los sujetos de menor edad en
este tipo de escalas Likert; otra posible explicación puede tener que ver con la menor experiencia
previa en ‘coding’ de los sujetos de Primaria, que provocaría una percepción más saliente (más
exagerada) de las aptitudes que desarrolla. En cualquier caso, y recentrándonos en nuestro objetivo
O2Ed de investigación, se detecta un patrón evolutivo diferente para ‘trabajo en equipo’ y ‘capacidad
de atención’.
Figura 5.21. Diferencias por etapa educativa (se ha omitido FP por su escasa muestra) para la Pregunta 4
Con respecto a posibles diferencias en la media de las respuestas a la Pregunta 4, en función de tener
experiencia previa, o no, en ‘coding’ (Pregunta 2); los resultados se muestran en la Tabla 5.37 y
Figura 5.22. Vuelve a aparecer un patrón diferente para ‘trabajo en equipo’ y ‘capacidad de
atención’, que son las dos únicas aptitudes-habilidades interrogadas en las que se encuentran
diferencias estadísticamente significativas en función de tener o no experiencia previa en ‘coding’.
282
Más concretamente, la diferencia es significativa en el caso de ‘trabajo en equipo’ (p(t) = 0,011 <
0,05), y muy significativa en el caso de ‘capacidad de atención’ (p(t) = 0,002 < 0,01); si bien con
tamaños del efecto ‘pequeños’ (d < 0,20).
Tabla 5.37. Diferencias según experiencia previa en ‘coding’ para la Pregunta 4
Tamaño
Significación
P4. ¿En qué medida crees que la actividad te del
Desviación t de de la
ha ayudado a desarrollar cada una de las N Media efecto
estándar Student diferencia
siguientes aptitudes y habilidades? d de
p(t)
Cohen
Pensamiento No 838 3,68 1,110
0,457 ,648 0,03
Lógico Sí 618 3,65 1,170
No 815 3,62 1,197
Creatividad 0,502 ,616 0,02
Sí 612 3,59 1,203
Resolución de No 815 3,52 1,228
¿Experiencia previa en 0,856 ,392 0,05
problemas Sí 606 3,46 1,237
‘coding’?
Trabajo en No 818 3,10 1,485
2,544* ,011 0,13
equipo Sí 613 2,90 1,526
Persistencia- No 809 3,45 1,247
0,325 ,745 0,02
Perseverancia Sí 605 3,43 1,252
Capacidad de No 819 3,87 1,186
3,107** ,002 0,17
atención Sí 615 3,66 1,258
* Significativo al nivel p(t) < 0,05
** Significativo al nivel p(t) < 0,01
Figura 5.22. Diferencias según experiencia previa en ‘coding’ para la Pregunta 4
283
Pasando ahora a una perspectiva correlacional entre las 6 aptitudes-habilidades interrogadas en la

Pregunta 4, en la Tabla 5.38 se muestra la correspondiente matriz de correlaciones. Todas las
correlaciones resultantes son estadísticamente muy significativas, de signo positivo e intensidad
moderada; oscilando entre valores r = +0,577 (correlación entre ‘pensamiento lógico’ y ‘resolución
de problemas’) y r = +0,301 (correlación entre ‘pensamiento lógico’ y ‘trabajo en equipo’).
Tabla 5.38. Matriz de correlaciones entre las 6 aptitudes-habilidades interrogadas en la Pregunta 4
(PL) (C) (RP) (TE) (PP) (CA)

Pensamiento Lógico (PL) 1 ,509** ,577** ,301** ,510** ,530**
Creatividad (C) 1 ,452** ,393** ,414** ,500**
Resolución de Problemas (RP) 1 ,331** ,520** ,509**
Trabajo en Equipo (TE) 1 ,380** ,419**
Persistencia-Perseverancia (PP) 1 ,518**
Capacidad de Atención (CA) 1
** Correlación muy significativa p(r) < 0,01
Entendidas las 6 aptitudes-habilidades interrogadas en la Pregunta 4 como elementos de una escala,

se calcula su fiabilidad como consistencia interna a través del estadístico Alfa de Cronbach,
arrojando un valor notable de α = 0,830. Dados estos niveles de correlación y fiabilidad, se entiende
necesario y posible un análisis factorial exploratorio que se aproxime a la estructura latente en las 6
aptitudes-habilidades interrogadas.
En la Tabla D.13 del anexo se detallan las Pruebas KMO y Bartlett, que indican si la matriz de
correlaciones es apta para ser factorizada (Gil Pascual, 2003): como ahí puede observarse, la medida
de adecuación muestral KMO se aproxima a 1 (KMO = 0,869 ≈ 1), y la prueba de esfericidad de
Bartlett es altamente significativa (p(χ2) = 0,000 << 0,05); y por tanto puede procederse al análisis
factorial ulterior. Encontramos dos soluciones factoriales de interés, que resultan estadísticamente
parsimoniosas a la par que interpretables y con suficiente fuerza explicativa.
a) Solución de 3 factores
En primer lugar, hallamos una solución de 3 factores que explica un 77,84% de la varianza total
contenida en la matriz de correlaciones (Tablas 5.39 y 5.40)
Tabla 5.39. Comunalidades de las variables en la solución de 3 factores
Inicial Extracción
Pensamiento Lógico 1,000 ,736
Creatividad 1,000 ,899
Resolución de Problemas 1,000 ,691
Trabajo en Equipo 1,000 ,936
Persistencia-Perseverancia 1,000 ,780
Capacidad de Atención 1,000 ,628
Método de extracción: análisis de componentes principales 333
333
Dada la naturaleza aproximativa y exploratoria de este primer estudio, se opta por un análisis de componentes
principales, con objeto de maximizar la independencia de los componentes ≈ factores. Aunque el análisis de
componentes principales no supone un análisis factorial en sentido estricto, se ha señalado su bondad y uso habitual para
este tipo de fines (Kline, 1994)
284
Tabla 5.40. Varianza total explicada por el modelo de 3 factores
Varianza total explicada

Sumas de extracción de cargas al Sumas de rotación de cargas al
Autovalores iniciales
cuadrado cuadrado
Componente
% de % % de % % de %
Total Total Total
varianza acumulado varianza acumulado varianza acumulado
1 3,321 55,347 55,347 3,321 55,347 55,347 2,189 36,483 36,483
2 ,759 12,645 67,992 ,759 12,645 67,992 1,320 21,997 58,480
3 ,591 9,848 77,840 ,591 9,848 77,840 1,162 19,360 77,840
4 ,476 7,933 85,773
5 ,452 7,535 93,307
6 ,402 6,693 100,000
Método de extracción: análisis de componentes principales.
En esta solución de 3 factores encontramos: a) un primer factor, compuesto por ‘persistencia-

perseverancia’, ‘resolución de problemas’, ‘pensamiento lógico’ y ‘capacidad de atención’; que
explica el 55,35% de la varianza total de la Pregunta 4, y que denominaremos ‘el acto de programar
en sí’ (está compuesto por aptitudes-habilidades que son inherentes al acto de programar en sí,
independientemente del entorno de programación utilizado y de la metodología de aprendizaje del
‘coding’ que se haya seguido); b) un segundo factor, compuesto por ‘creatividad’ (y con cierta carga
de la variable ‘pensamiento lógico’); que explica el 12,65% de la varianza total, y que
denominaremos ‘el entorno-tarea de programación’ (sería dependiente del entorno-tarea digital
utilizado: por ejemplo, entornos poco creativos que plantean problemas cerrados o puzles de
programación como Code.org; frente a entornos altamente creativos como Scratch, en el que el
estudiante debe codificar un proyecto abierto ‘desde cero’ u ‘open-ended’); y c) un tercer factor,
compuesto por ‘trabajo en equipo’; que explica el 9,85% de la varianza total de la Pregunta 4, y que
denominaremos ‘la metodología de aprendizaje de la programación’ (que sería dependiente de la
metodología de aula marcada por el profesor, que puede incluir o no explícitamente la programación
colaborativa = ‘pair programming’ o en solitario = ‘single programming’). Se detalla en las Tablas
5.41 334 y 5.42, y en la Figura 5.23.
Tabla 5.41. Matriz factorial rotada para 3 factores
Matriz de componente rotadoa

Componente
1 2 3
Persistencia-Perseverancia ,818
Resolución de Problemas ,768
Pensamiento Lógico ,702 ,493
Capacidad de Atención ,593
Creatividad ,886
Trabajo en Equipo ,930
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
334
Para una interpretación más directa, en esta tabla se ordenan las variables de mayor a menor saturación en cada factor;
y se dejan en blanco las cargas factoriales por debajo de 0,40 (Gil Pascual, 2003)
285
Tabla 5.42. Solución de 3 factores para la Pregunta 4

% Varianza
Factor explicada de la
Pregunta 4
Factor 1: El Acto de Programar en sí:
55,35%
(Persistencia-Perseverancia + Resolución de Problemas + Pensamiento Lógico + Capacidad de Atención)
Factor 2: El Entorno-Tarea de Programación 12,65%
(Creatividad… con lógica)
Factor 3: La Metodología de Aprendizaje de la Programación
9,85%
(Trabajo en Equipo)
Residual 22,16%
TOTAL 100%
Figura 5.23. Solución de 3 factores para la Pregunta 4
b) Solución de 4 factores
Posteriormente, hallamos una solución de 4 factores que explica un 85,77% de la varianza total
contenida en la matriz de correlaciones (Tablas 5.43 y 5.44)
Tabla 5.43. Comunalidades de las variables en la solución de 4 factores
Comunalidades
Inicial Extracción
Pensamiento Lógico 1,000 ,746
Resolución de Problemas 1,000 ,881
Trabajo en Equipo 1,000 ,982
Persistencia-Perseverancia 1,000 ,826
Capacidad de Atención 1,000 ,808
286
Tabla 5.44. Varianza total explicada por el modelo de 4 factores
Varianza total explicada

Sumas de extracción de cargas al Sumas de rotación de cargas al
cuadrado cuadrado
Componente
% de % % de % % de %
Total Total Total
varianza acumulado varianza acumulado varianza acumulado
1 3,321 55,347 55,347 3,321 55,347 55,347 1,478 24,628 24,628
2 ,759 12,645 67,992 ,759 12,645 67,992 1,424 23,735 48,363
3 ,591 9,848 77,840 ,591 9,848 77,840 1,206 20,093 68,456
4 ,476 7,933 85,773 ,476 7,933 85,773 1,039 17,317 85,773
5 ,452 7,535 93,307
6 ,402 6,693 100,000
Método de extracción: análisis de componentes principales
En esta solución de 4 factores encontramos: a) un primer factor, compuesto por ‘resolución de

problemas’ y ‘pensamiento lógico’; que explica el 55,35% de la varianza total de la Pregunta 4, y
que denominaremos ahora ‘factor cognitivo’; b) un segundo factor, compuesto por ‘persistencia-
perseverancia’ y ‘capacidad de atención’; que explica el 12,65% de la varianza total, y que
denominaremos ‘factor motivacional-atencional’; c) un tercer factor, compuesto por ‘creatividad’
(con cierta carga también en ‘pensamiento lógico’ y ‘capacidad de atención’); que explica el 9,85%
de la varianza total, y que denominaremos ‘factor creativo’; y d) un cuarto factor, compuesto por
‘trabajo en equipo’; que explica el 7,93% de la varianza, y que denominaremos ‘factor
metodológico’. Se muestra en detalle en las Tablas 5.45 y 5.46, y Figura 5.24.
Tabla 5.45. Matriz factorial rotada para 4 factores
Matriz de componente rotadoa

Componente
1 2 3 4
Resolución de Problemas ,876
Pensamiento Lógico ,668 ,413
Persistencia-Perseverancia ,795
Capacidad de Atención ,736 ,458
Creatividad ,874
Trabajo en Equipo ,942
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Tabla 5.46. Solución de 4 factores para la Pregunta 4

% Varianza explicada de
Factor
la Pregunta 4
Factor 1 - Cognitivo (Resolución de Problemas + Pensamiento Lógico) 55,35%
Factor 2 – Motivacional/Atencional (Persistencia-Perseverancia + Capacidad de Atención) 12,65%
Factor 3 - Creativo (Creatividad… con atención y lógica) 9,85%
Factor 4 - Metodológico (Trabajo en Equipo) 7,93%
Residual 14,23%
TOTAL 100,00%
287
Figura 5.24. Solución de 4 factores para la Pregunta 4
Con respecto a la Pregunta 5 del cuestionario [“P5. Tras tu experiencia con la actividad de la
CSEW, ¿cómo dirías que se te da la 'programación informática' ('coding')?”], que aborda el objetivo
de investigación O2Ee, sobre percepción de ‘auto-eficacia’ de los estudiantes en tareas de ‘coding’
tras la celebración del evento: es una escala tipo Likert de 5 puntos (desde 1=Se me da muy mal a
5=Se me da muy bien). En la Tabla 5.47 se aportan los estadísticos descriptivos principales. Como
puede observarse, globalmente la percepción de ‘auto-eficacia’ se sitúa en la parte medio-alta de la
escala (mediana de 4 sobre 5).
Tabla 5.47. Estadísticos descriptivos relativos a la Pregunta 5 del cuestionario para estudiantes
P5. Tras tu experiencia con la actividad de la CSEW, ¿cómo dirías que se te da la 'programación informática'
('coding')?
Válido 1440
N
Perdidos 222
Media 3,83
Mediana 4,00
Moda 4
Desviación estándar ,951
Varianza ,904
Asimetría -,950
Curtosis 1,142
Mínimo 1
Máximo 5
288
En la Tabla 5.48 (y Figura D.20 del anexo) se detalla la distribución de frecuencias de las respuestas
a la Pregunta 5. Tan sólo el 6,9% de los estudiantes afirma que el ‘coding’ se les da ‘mal’ o ‘muy
mal’ tras la actividad realizada durante ‘La Hora del Código’; el 22,9% afirma que ‘regular’; y un
70,2% afirma que se les da ‘bien’ o ‘muy bien’.
Tabla 5.48. Distribución de frecuencias en la Pregunta 5 del cuestionario para estudiantes

P5. Tras tu experiencia con la actividad de la CSEW, ¿cómo dirías que se te da la 'programación informática'
('coding')?
Se me da muy mal 56 3,4 3,9 3,9
Se me da mal 43 2,6 3,0 6,9
Se me da regular 330 19,9 22,9 29,8
Válido
Se me da bien 674 40,6 46,8 76,6
Se me da muy bien 337 20,3 23,4 100,0
Total 1440 86,6 100,0
Total 1662 100,0
Con respecto a la Pregunta 6 del cuestionario [“P6. ¿Has conseguido completar el 100% de la
actividad propuesta?”], que aborda el objetivo de investigación O2Ef: las frecuencias de respuesta se
muestran en la Tabla 5.49 (y Figura D.21 en anexo). Tal y como puede observarse, aproximadamente
2 de cada 3 estudiantes (64,8%) afirma que pudo completar plenamente la actividad propuesta en su
centro durante el evento; mientras que 1 de cada 3 afirma que no pudo hacerlo (35,2%).
Tabla 5.49. Distribución de frecuencias en la Pregunta 6 del cuestionario para estudiantes
P6. ¿Has conseguido completar el 100% de la actividad propuesta?

No 504 30,3 35,2 35,2
Válido Sí 928 55,8 64,8 100,0
Total 1432 86,2 100,0
Total 1662 100,0
Pasamos ahora a hacer un análisis conjunto de las preguntas 5 y 6, dado que son consecutivas en el
cuestionario y están enunciadas siguiendo una secuencia lógica; con la particularidad e interés de que
la pregunta 5 [“P5. Tras tu experiencia con la actividad de la CSEW, ¿cómo dirías que se te da la
'programación informática' ('coding')?”] 335, interroga acerca de una percepción subjetiva del
estudiante; mientras que la pregunta 6 [“P6. ¿Has conseguido completar el 100% de la actividad
propuesta?”] 336, lo hace acerca de un hecho objetivo.
Tomada la pregunta 6 como una variable ‘dummy’ (0=no; 1=sí), encontramos una correlación
estadísticamente muy significativa, de signo positivo y de intensidad moderadamente baja (r =
+0,226; p(r) = 0,000 << 0,05), con la pregunta 5. Existe pues correlación entre el hecho de haber
completado o no la actividad propuesta con la percepción de autoeficacia subsiguiente.
335
Para las próximas tablas y figuras se abreviará como “P5. Autoeficacia ‘coding’”
336
Para las próximas tablas y figuras se abreviará como “P6. Completar actividad”
289
De manera gráfica, en la Figura 5.25 se muestra cómo varía la distribución en las respuestas a la
pregunta 5 de autoeficacia, en función de haber o no completado la actividad propuesta.
Figura 5.25. Distribución de frecuencias para la Pregunta 5, en función de la respuesta a la Pregunta 6
En una aproximación complementaria a este mismo asunto, aplicando una prueba t de Student (Tabla
5.50), encontramos una diferencia muy significativa entre las medias de autoeficacia en función de
haber o no completado la actividad (t = -8,309; p(t) = 0,000 << 0,05); con un tamaño del efecto
asociado d = 0,47, que puede considerarse un efecto ‘moderado’.
Tabla 5.50. Prueba de diferencia de medias en la Pregunta 5, en función de la respuesta a la Pregunta 6
P6. Completar Desviación Tamaño

N Media t p(t)
actividad estándar del efecto
P5. Autoeficacia No 500 3,54 1,023
-8,309** ,000 0,47
‘coding’ Sí 916 3,99 ,866
Al analizar el comportamiento de las respuestas a las preguntas 5 y 6 en función del sexo,

encontramos diferencias estadísticamente muy significativas a favor de los chicos, aunque de tamaño
‘pequeño’ (d ≈ 0,20). Se detalla en la siguiente Tabla 5.51 (y Figuras D.22 y D.23 del anexo)
Tabla 5.51. Diferencias por sexo en las preguntas 5 y 6

Desviación Tamaño
Sexo N Media t p(t)
estándar del Efecto
Chico 733 3,94 ,966
P5. Autoeficacia ‘coding’ 4,445** ,000 0,23
Chica 671 3,72 ,909
Chico 732 0,69 ,461
P6. Completar actividad 3,796** ,000 0,19
Chica 665 0,60 ,491
290
Por tanto, las chicas afirman que consiguen acabar la actividad HoC en menor medida que los
chicos; y además manifiestan una menor percepción de autoeficacia posterior en ‘coding’. Es
plausible que esta diferencia sea, al menos parcialmente, debida a la menor experiencia previa en
‘coding’ (Pregunta 2) de las chicas. De hecho, las respuestas a la Pregunta 2 [“P2. ¿Habías
‘programado’ alguna vez antes de esta actividad?” 337], correlacionan muy significativamente con
las respuestas a las preguntas 5 y 6 (Tabla 5.52); y en las medias de éstas encontramos diferencias
estadísticamente muy significativas a favor de los sujetos con experiencia previa en ‘coding’ (Tabla
5.53 y Figura D.24 del anexo)
Tabla 5.52. Correlaciones de la Pregunta 2 con las preguntas 5 y 6
P5. Autoeficacia ‘coding’ P6. Completar actividad

Correlación de Pearson ,129** ,125**
P2. Experiencia previa ‘coding’ Sig. (bilateral) ,000 ,000
N 1434 1429
Tabla 5.53. Diferencias en las preguntas 5 y 6, en función de la experiencia previa en ‘coding’ (Pregunta 2)
P2. Experiencia previa Desviación Tamaño
N Media t p(t)
‘coding’ estándar del Efecto
P5. Autoeficacia No 821 3,72 1,012
-5,045** ,000 0,27
‘coding’ Sí 613 3,97 ,846
P6. Completar No 818 ,60 ,491
-4,802** ,000 0,25
actividad Sí 611 ,72 ,451
En esta línea, si volvemos a analizar las diferencias en la Pregunta 6 en función del sexo, pero
controlando ahora la experiencia previa en ‘coding’, entonces dichas diferencias se tornan en
estadísticamente no significativas (F sexo*experiencia previa = 0,607; p(F sexo*experiencia previa) = 0,436 > 0,05).
El MANOVA se detalla en la siguiente Tabla 5.54.
Tabla 5.54. MANOVA sobre la Pregunta 6, en función del sexo y la experiencia previa en ‘coding’
Pruebas de los efectos inter-sujetos

Variable dependiente: P6. ¿Has conseguido completar el 100% de la actividad propuesta?
Origen Suma de cuadrados tipo III gl Media cuadrática F Sig.
a
Modelo corregido 7,911 3 2,637 11,811** ,000
Intersección 573,708 1 573,708 2569,590** ,000
Sexo 2,073 1 2,073 9,286** ,002
Experiencia previa ‘coding’ 4,657 1 4,657 20,860** ,000
Sexo * Experiencia previa ‘coding’ ,136 1 ,136 ,607 ,436
Error 310,566 1391 ,223
Total 903,000 1395
Total corregida 318,477 1394
a. R cuadrado = ,025 (R cuadrado corregida = ,023)
** Significativo al nivel p(F) < 0,01
337
Para las próximas tablas y figuras se abreviará como “P2. Experiencia previa ‘coding’”
291
También encontramos diferencias estadísticamente muy significativas en función de la etapa

educativa, tanto para la Pregunta 5 (F = 14,838; p(F) = 0,000 << 0,05) como para la Pregunta 6 (F =
12,656; p(F) = 0,000 << 0,05). Se detalla a continuación en las Figuras 5.26 y 5.27 (y Tabla D.14 en
el anexo)
Figura 5.26. Media en la Pregunta 5 según etapa educativa (se omite FP por su escasa muestra)
Figura 5.27. Media en la Pregunta 6 según etapa educativa (se omite FP por su escasa muestra)
292
Finalmente, para cerrar el análisis conjunto de las preguntas 5 y 6, cruzamos ahora las respuestas a
dichas preguntas con las que se dieron a la Pregunta 4. En la Tabla 5.55 se muestran los coeficientes
de correlación correspondientes. Se observan correlaciones estadísticamente muy significativas, de
signo positivo e intensidad moderadamente baja, entre todas las variables; destacando la correlación
que se produce entre la percepción de que el ‘coding’ contribuye a desarrollar el pensamiento lógico
y la percepción de autoeficacia en ‘coding’ tras la actividad (r = +0,279)
Tabla 5.55. Correlaciones de las preguntas 5 y 6, con la pregunta 4

P4. ¿En qué medida crees que la actividad te ha ayudado a desarrollar cada una de las
siguientes aptitudes y habilidades?
Pensamiento Resolución de Trabajo en Persistencia- Capacidad de
Creatividad
Lógico Problemas Equipo Perseverancia Atención
P5. Autoeficacia
,279** ,224** ,233** ,158** ,243** ,240**
‘coding’
P6. Completar
,087** ,120** ,112** ,073** ,071** ,085**
actividad
Como era de esperar, atendiendo a la anterior estructura correlacional entre las variables,
encontramos diferencias estadísticamente muy significativas en todas las aptitudes-habilidades
interrogadas en la Pregunta 4, tanto en función de la Pregunta 5 (Figura 5.28 y Tabla D.15 del anexo)
como en función de la Pregunta 6 (Figura 5.29 y Tabla 5.56)
Figura 5.28. Medias de las respuestas a la Pregunta 4, en función de la Pregunta 5
293
Tal y como puede observarse, en la medida que el sujeto tiene una mayor percepción de autoeficacia
tras la actividad, tiende a atribuir al ‘coding’ una mayor capacidad para desarrollar sus distintas
aptitudes-habilidades; especialmente aquellas que tienen que ver con dimensiones internas del sujeto:
pensamiento lógico (F = 33,678; p(F) = 0,000 << 0,05), capacidad de atención (F = 25,040; p(F) =
0,000 << 0,05), creatividad (F = 22,591; p(F) = 0,000 << 0,05), resolución de problemas (F = 22,375;
p(F) = 0,000 << 0,05), y persistencia-perseverancia (F = 21,775; p(F) = 0,000 << 0,05). En menor
medida con el trabajo en equipo (F = 10,735; p(F) = 0,000 << 0,05), de corte más contextual.
Figura 5.29. Medias de las respuestas a la Pregunta 4, en función de la Pregunta 6
Tabla 5.56. Diferencias en la Pregunta 4, en función de la Pregunta 6

P4. ¿En qué medida crees que P6. Tamaño del
Desviación
la actividad te ha ayudado a Completar N Media t p(t) Efecto
estándar
desarrollar…? actividad d de Cohen
No 498 3,53 1,151
Pensamiento Lógico -3,282** ,001 0,19
Sí 915 3,74 1,119
No 485 3,40 1,220
Creatividad -4,514** ,000 0,25
Sí 900 3,70 1,172
No 492 3,30 1,253
Resolución de Problemas -4,204** ,000 0,24
Sí 889 3,60 1,215
No 490 2,85 1,481
Trabajo en Equipo -2,724** ,007 0,15
Sí 900 3,08 1,517
No 485 3,32 1,278
Persistencia-Perseverancia -2,630** ,009 0,14
Sí 889 3,50 1,231
No 487 3,64 1,257
Capacidad de Atención -3,133** ,002 0,18
Sí 906 3,86 1,188
294
Con respecto a la Pregunta 7 del cuestionario [“P7. ¿Cuál es tu nota habitual en las siguientes
asignaturas (o similares)?”], que aborda el objetivo de investigación O2Eg: es una escala tipo Likert
de 5 puntos (1=Suspenso; 2=Aprobado; 3=Notable bajo; 4= Notable alto; 5=Sobresaliente). En la
Tabla 5.57 se aportan los estadísticos descriptivos principales.
Tabla 5.57. Estadísticos descriptivos de la Pregunta 7 del cuestionario para estudiantes
P7. ¿Cuál es tu nota habitual en las siguientes asignaturas (o similares)?

Matemáticas Lengua Música Tecnología / Informática Plástica
Válido 1458 1449 1365 1370 1392
N
Perdidos 204 213 297 292 270
Media 3,34 3,22 3,73 3,64 3,82
Mediana 4,00 3,00 4,00 4,00 4,00
Moda 5 4 5 5 5
Desviación estándar 1,376 1,273 1,257 1,280 1,226
Varianza 1,894 1,621 1,580 1,639 1,503
Asimetría -,282 -,146 -,634 -,587 -,772
Mínimo 1 1 1 1 1
Máximo 5 5 5 5 5
Tal y como puede observarse en la anterior tabla (y Figura D.25 del anexo), el par de asignaturas
‘Matemáticas-Lengua’ es el que presenta un rendimiento académico informado por los estudiantes
más bajo; en el otro extremo del gráfico, el par de asignatura ‘Música-Plástica’ presenta el
rendimiento académico más alto; y entre ambos la asignatura de ‘Tecnología / Informática’.
Se encuentran diferencias estadísticamente muy significativas en función del sexo, a favor de las
chicas, en el rendimiento informado en Lengua, Música y Plástica (p(t) = 0,000 << 0,05). No
encontramos diferencias en función del sexo, ni en el rendimiento informado en Matemáticas (p(t) =
0,844 > 0,05), ni en el de Tecnología / Informática (p(t) = 0,221 > 0,05). Se detalla en la siguiente
Tabla 5.58 (y Figura D.26 del anexo).
Tabla 5.58. Diferencias en la Pregunta 7, en función del sexo

P7. ¿Cuál es tu nota habitual en las Desviación d de
Sexo N Media t p(t)
siguientes asignaturas (o similares)? estándar Cohen
Chico 740 3,35 1,377
Matemáticas 0,196 ,844 0,01
Chica 680 3,34 1,375
Chico 735 3,08 1,278
Lengua -4,313** ,000 0,23
Chica 677 3,37 1,250
Chico 693 3,61 1,306
Música -3,682** ,000 0,20
Chica 637 3,86 1,187
Chico 708 3,69 1,274
Tecnología / Informática 1,224 ,221 0,07
Chica 629 3,60 1,275
Chico 717 3,63 1,283
Plástica -6,421** ,000 0,35
Chica 639 4,05 1,098
Con respecto a la etapa educativa, encontramos diferencias estadísticamente muy significativas para
todas las asignaturas interrogadas (Tabla 5.59). Tal y como puede observarse en la Figura 5.30,
295
existe un apreciable descenso en el rendimiento académico informado de la etapa de Educación

Primaria a la de Educación Secundaria; que se recupera en Bachillerato, debido especialmente a las
féminas.
Tabla 5.59. Diferencias en la Pregunta 7, en función de la etapa educativa

P7. ¿Cuál es tu nota habitual Desviación
Etapa Educativa N Media F p(F)
en las siguientes asignaturas? estándar
Primaria 403 3,77 1,239
Secundaria 888 3,13 1,385
Matemáticas 21,128** ,000
Bachillerato 140 3,42 1,389
Formación Profesional 15 3,60 1,502
Primaria 398 3,60 1,157
Lengua 16,788** ,000
Primaria 389 3,81 1,183
Música 4,748** ,003
Primaria 344 3,98 1,160
Tecnología / Informática 14,663** ,000
Primaria 389 4,03 1,108
Plástica 5,505** ,001
Figura 5.30. Medias en la Pregunta 7, en función de sexo y etapa educativa (se omite FP por su escasa muestra)
296
Tomada la Pregunta 7 como una escala de 5 elementos, presenta una adecuada fiabilidad como
consistencia interna (α = 0,834). Aparecen correlaciones estadísticamente muy significativas, de
signo positivo e intensidad moderada-alta, entre los rendimientos informados de todas las asignaturas
(Tabla 5.60); destacando las correlaciones entre Matemáticas y Lengua (r = +0,642), y Matemáticas
con Tecnología/Informática (r = +0,596).
Tabla 5.60. Correlaciones entre los elementos de la Pregunta 7

Matemáticas 1 ,642** ,453** ,596** ,416**
Lengua 1 ,491** ,536** ,463**
Música 1 ,488** ,514**
Tecnología / Informática 1 ,456**
Plástica 1
Centrándonos, ahora sí, en el objetivo específico de investigación O2Eg, en la siguiente Tabla 5.61 se
muestran las correlaciones entre los distintos elementos de la Pregunta 7, con respecto a las
preguntas 2 (Experiencia previa ‘coding’), 5 (Autoeficacia ‘coding’), y 6 (Completar actividad HoC)
Tabla 5.61. Correlaciones entre los elementos de la Pregunta 7, con las preguntas 2, 5 y 6

P2. Experiencia previa ‘coding’ ,131** ,090** ,109** ,189** ,085**
P5. Autoeficacia ‘coding’ ,182** ,116** ,112** ,240** ,112**
P6. Completar actividad HoC ,180** ,109** ,088** ,207** ,092**
Tal y como puede observarse en la tabla anterior, aparecen correlaciones estadísticamente muy
significativas, de signo positivo e intensidad moderadamente baja. Destaca que, tanto para la
Pregunta 2 como para las preguntas 5 y 6, las correlaciones de mayor intensidad aparecen con el
rendimiento informado en Matemáticas y Tecnología/Informática (en negrita y fondo verde).
Como análisis complementario, y más en detalle, en la siguiente Tabla 5.62 (y Figura D.27 del
anexo) se muestran las diferencias en los distintos elementos de la Pregunta 7, en función de tener o
no experiencia previa en ‘coding’ (Pregunta 2). Todas las diferencias son estadísticamente muy
significativas (p(t) << 0,05), apareciendo los mayores tamaños del efecto en el caso de
Tecnología/Informática (d = 0,39) y Matemáticas (d = 0,27).
Tabla 5.62. Diferencias en la Pregunta 7, en función de la experiencia previa en ‘coding’ (Pregunta 2)

P7. ¿Cuál es tu nota
P2. Experiencia Desviación d de
habitual en las siguientes N Media t p(t)
previa ‘coding’ estándar Cohen
asignaturas (o similares)?
No 835 3,20 1,389
Matemáticas -5,059** ,000 0,27
Sí 616 3,56 1,324
No 830 3,13 1,259
Lengua -3,417** ,001 0,18
Sí 612 3,36 1,273
No 780 3,62 1,255
Música -4,052** ,000 0,23
Sí 578 3,90 1,233
297
P7. ¿Cuál es tu nota

P2. Experiencia Desviación d de
habitual en las siguientes N Media t p(t)
previa ‘coding’ estándar Cohen
asignaturas (o similares)?
No 784 3,43 1,302
Tecnología / Informática -7,212** ,000 0,39
Sí 582 3,92 1,193
No 801 3,74 1,242
Plástica -3,198** ,001 0,17
Sí 584 3,95 1,184
Ahora bien, si replicamos el análisis anterior diferenciado por sexo, comprobamos que el efecto de
tener experiencia previa en ‘coding’ sobre el rendimiento es especialmente destacable entre el
colectivo masculino (Tabla 5.63 y Figura 5.31).
Tabla 5.63. Correlaciones entre preguntas 2 y 7, diferenciado por sexos

P7. ¿Cuál es tu nota habitual en las siguientes asignaturas (o
similares)?
Tecnología/
Matemáticas Lengua Música Plástica
Informática
Chico ,216** ,138** ,133** ,259** ,143**
P2. Experiencia previa ‘coding’ ** **
Chica ,034 ,065 ,110 ,108 ,049
Figura 5.31. Medias en la Pregunta 7, en función de la experiencia previa en ‘coding’ (Pregunta 2) y sexo
298
Análogamente, en la siguiente Figura 5.32 (y Tabla D.16 del anexo) se muestran las diferencias en
los distintos elementos de la Pregunta 7, en función de la percepción de autoeficacia en ‘coding’ tras
la actividad (Pregunta 5). Todas las diferencias son estadísticamente muy significativas (p(F) <<
0,05), apareciendo las mayores diferencias en el caso de Tecnología/Informática (F = 21,916) y
Matemáticas (F = 12,933).
Figura 5.32. Medias en la Pregunta 7, en función de la autoeficacia en ‘coding’ (Pregunta 5)
Otra vez, si replicamos el análisis anterior diferenciado por sexo, comprobamos que el efecto de la
autoeficacia en ‘coding’ sobre el rendimiento informado es especialmente destacable en el colectivo
masculino (Tabla 5.64 y Figura 5.33)
Tabla 5.64. Correlación entre las preguntas 5 y 7, diferenciado por sexo

Chico ,226** ,190** ,143** ,291** ,158**
P5. Autoeficacia ‘coding’
Chica ,118** ,054 ,068 ,152** ,071
299
Figura 5.33. Medias en la Pregunta 7, en función de la autoeficacia en ‘coding’ (Pregunta 5) y sexo
Finalmente, en la siguiente Tabla 5.65 (y Figura D.28 del anexo) se muestran las diferencias en los
distintos elementos de la Pregunta 7, en función de haber conseguido acabar, o no, la actividad HoC
(Pregunta 6). Todas las diferencias son estadísticamente muy significativas (p(t) << 0,05), a favor del
grupo que sí completó la actividad HoC, apareciendo los mayores tamaños del efecto en
Tecnología/Informática (d = 0,44) y Matemáticas (d = 0,38).
Tabla 5.65. Diferencias en la Pregunta 7, en función de haber completado la actividad HoC (Pregunta 6)
P7. ¿Cuál es tu nota habitual P6. Completar Desviación d de

N Media t p(t)
en las siguientes asignaturas? actividad HoC estándar Cohen
No 501 3,01 1,374
Matemáticas -6,889** ,000 0,38
Sí 917 3,53 1,333
No 498 3,04 1,301
Lengua -4,098** ,000 0,23
Sí 913 3,33 1,237
No 463 3,59 1,311
Música -3,136** ,002 0,18
Sí 868 3,82 1,211
No 454 3,28 1,360
Tecnología / Informática -7,382** ,000 0,44
Sí 881 3,84 1,185
No 474 3,67 1,303
Plástica -3,288** ,001 0,19
Sí 883 3,91 1,164
300
En este caso, si replicamos el análisis diferenciado por sexo, comprobamos que el efecto de haber
conseguido acabar la actividad HoC sobre el rendimiento informado es similar entre chicos y chicas
(Tabla 5.66 y Figura 5.34).
Tabla 5.66. Correlación entre las preguntas 6 y 7, diferenciado por sexo

Chico ,170** ,117** ,102** ,218** ,105**
P6. Completar actividad HoC
Chica ,187** ,123** ,105** ,192** ,125**
Figura 5.34. Medias en la Pregunta 7, en función de haber conseguido completar la actividad HoC (Pregunta 6) y sexo
Con respecto a la Pregunta 8 del cuestionario [“P8. Tras la actividad, ¿cómo de motivado te sientes
para continuar aprendiendo 'programación informática' ('coding')?”], que aborda el objetivo de
investigación O2Eh: es una escala tipo Likert de 5 puntos (desde 1=Nada motivado a 5=Muy
motivado). En la Tabla 5.67 se aportan los estadísticos descriptivos principales. Tal y como puede
verse, los sujetos se sitúan principalmente en la parte medio-alta de la escala (Media = 3,70; Mediana
= 4,00; Moda = 4,00); constituyendo una distribución de puntuaciones con clara asimetría negativa.
En la Tabla 5.68 y Figura 5.35 se detalla la distribución de frecuencias de respuesta a la Pregunta 8:
tan sólo un 12,6% se declara ‘nada motivado’ o ‘poco motivado’ para continuar aprendiendo
‘coding’; el 27,2% se declara ‘algo motivado’; y un 60,2% dice estar ‘bastante motivado’ o ‘muy
motivado’ para seguir con el aprendizaje del ‘coding’ tras su experiencia en el evento de ‘La Hora
del Código’.
301
Tabla 5.67. Descriptivos relativos a la Pregunta 8 del cuestionario para estudiantes

P8. Tras la actividad, ¿cómo de motivado te sientes para continuar aprendiendo 'programación informática'
('coding')?
Válido 1430
N
Perdidos 232
Media 3,70
Mediana 4,00
Moda 4
Varianza 1,204
Asimetría -,631
Curtosis -,157
Mínimo 1
Máximo 5
Tabla 5.68. Distribución de frecuencias de las respuestas a la Pregunta 8 del cuestionario para estudiantes
P8. Tras la actividad, ¿cómo de motivado te sientes para continuar aprendiendo 'programación informática'
('coding')?
Nada motivado 71 4,3 5,0 5,0
Poco motivado 109 6,6 7,6 12,6
Algo motivado 389 23,4 27,2 39,8
Válido
Bastante motivado 474 28,5 33,1 72,9
Muy motivado 387 23,3 27,1 100,0
Total 1430 86,0 100,0
Total 1662 100,0
Figura 5.35. Distribución de frecuencias de las respuestas a la Pregunta 8 del cuestionario para estudiantes
302
Con respecto a la Pregunta 9 del cuestionario [“P9. ¿Te gustaría continuar aprendiendo
‘programación informática’ (‘coding’) a través de plataformas-tutoriales en Internet (a tu propio
ritmo, de forma interactiva...)?”], que aborda el objetivo de investigación O2Ei: en la siguiente Tabla
5.69 (y Figura D.29 del anexo) se muestra la distribución de frecuencias de las respuestas obtenidas.
Tal y como puede observarse, 8 de cada 10 estudiantes declara que le gustaría seguir aprendiendo
‘coding’ a través de entornos ‘on-line’ autoguiados.
Tabla 5.69. Distribución de frecuencias de las respuestas a la Pregunta 9 del cuestionario para estudiantes
P9. ¿Te gustaría continuar aprendiendo 'programación informática' ('coding') a través de plataformas-tutoriales en
Internet (a tu propio ritmo, de forma interactiva...)?
No 282 17,0 19,6 19,6
Válido Sí 1154 69,4 80,4 100,0
Total 1436 86,4 100,0
Total 1662 100,0
Pasamos ahora a hacer un análisis conjunto de la Pregunta 8 338 y la Pregunta 9 339, que se tomará
como una variable ‘dummy’ (0=no; 1=sí), dado que ambas están secuenciadas en el cuestionario de
manera lógica. Tal y como era de esperar, aparece una correlación estadísticamente muy
significativa, de signo positivo e intensidad moderada-alta, entre las respuestas a ambas preguntas (r
= +0,516; p(r) < 0,01). Se ilustra con un diagrama de dispersión en la Figura D.30 del anexo.
Encontramos diferencias estadísticamente muy significativas en función del sexo para ambas
preguntas (p(t) << 0,05), a favor del colectivo masculino (Tabla 5.70); si bien con unos tamaños del
efecto pequeños (d = 0,19 para la Pregunta 8; y d = 0,15 para la Pregunta 9).
Tabla 5.70. Diferencias para las preguntas 8 y 9, según el sexo
Desviación d de
Sexo N Media t p(t)
estándar Cohen
Chico 728 3,80 1,106
P8. Motivación proseguir aprendizaje ‘coding’ 3,602** ,000 0,19
Chica 670 3,59 1,073
Chico 728 ,83 ,373
P9. Determinación aprender ‘coding’ on-line 2,823** ,005 0,15
Chica 672 ,77 ,419
Ahora bien, tal y como podemos comprobar en la siguiente Tabla 5.71, esas diferencias por sexo son
sólo estadísticamente muy significativas en la etapa de Educación Secundaria.
Tabla 5.71. Diferencias para las preguntas 8 y 9, según el sexo; diferenciado por etapas educativas
Desviación
Etapa Educativa Sexo N Media t p(t) d de Cohen
estándar
P8. Motivación proseguir Chico 181 4,25 ,960
-0,070 ,944 0,01
aprendizaje ‘coding’ Chica 192 4,26 ,852
Primaria
P9. Determinación aprender Chico 179 ,88 ,329
-1,460 ,145 0,13
‘coding’ on-line Chica 194 ,92 ,268
338
En las próximas tablas y figuras se abreviará como “P8. Motivación proseguir aprendizaje ‘coding’”
339
En las próximas tablas y figuras se abreviará como “P9. Determinación aprender ‘coding’ on-line”
303
Desviación
Etapa Educativa Sexo N Media t p(t) d de Cohen
estándar
P8. Motivación proseguir Chico 455 3,64 1,089
4,667** ,000 0,31
aprendizaje ‘coding’ Chica 408 3,31 1,022
Secundaria
4,425** ,000 0,31
2,041* ,043 0,35
aprendizaje ‘coding’ Chica 65 3,32 1,062
Bachillerato
0,009 ,993 0,00
-2,082 ,062 0,97
Formación aprendizaje ‘coding’ Chica 3 4,67 ,577
Profesional P9. Determinación aprender Chico 11 ,73 ,467
-1,936 ,082 0,82
‘coding’ on-line Chica 3 1,00 ,000
En esta misma línea, encontramos diferencias estadísticamente muy significativas (p(F) = 0,000 <<
0,05) en función de la etapa educativa, tanto para la Pregunta 8 como para la Pregunta 9 (Tabla D.17
del anexo). Tal y como puede verse en las Figuras 5.36 y 5.37, hay un brusco descenso en las medias
de ambas preguntas al pasar de Educación Primaria a Educación Secundaria (atribuible
especialmente al colectivo femenino, según acabamos de ver), que luego se recupera ligeramente en
la etapa de Bachillerato.
Figura 5.36. Medias en la Pregunta 8 según la etapa educativa (se omite FP por su escasa muestra)
304
Figura 5.37. Medias en la Pregunta 9 según la etapa educativa (se omite FP por su escasa muestra)
Pasamos ahora a explorar la relación entre las preguntas 8 y 9, con la Pregunta 5 de autoeficacia. Tal
y como puede observarse en la siguiente Tabla 5.72, aparecen correlaciones estadísticamente muy
significativas, de signo positivo e intensidad moderada.
Tabla 5.72. Correlaciones de la Pregunta 5 con las preguntas 8 y 9

P8. Motivación proseguir aprendizaje P9. Determinación aprender ‘coding’
‘coding’ on-line
P5. Autoeficacia ‘coding’ ,497** ,331**
Tal y como era de esperar, aparecen diferencias estadísticamente muy significativas (p(F) = 0,000 <<
0,05), tanto en la Pregunta 8 como en la Pregunta 9, en función de la autoeficacia (Tabla D.18 del
anexo). Según se observa en la próxima Figura 5.38, hay una relación casi lineal entre los
incrementos de percepción de autoeficacia con los de motivación a proseguir el aprendizaje del
‘coding’: en tanto en cuanto el sujeto acaba la actividad HoC con una buena sensación de
competencia en tareas de ‘coding’, en dicha medida se siente motivado a proseguir con el
aprendizaje del mismo.
La relación es ligeramente distinta al representar como varía la media en la pregunta 9, de

determinación de aprender ‘coding on-line’, en función de la percepción de autoeficacia (Figura
5.39). En este caso parece encontrarse un techo, según la tendencia asintótica horizontal de la
gráfica, en el cual, por más que aumente la percepción de autoeficacia, ya prácticamente no se
incrementa el porcentaje de sujetos dispuestos aprender ‘coding’ a través de plataformas-tutoriales
‘on-line’ autoguiados. Así pues, hay un grupo reducido (pero consistente) de estudiantes que, a pesar
de su buena autoeficacia en ‘coding’, renunciarían a seguir aprendiéndolo según un sistema ‘on-line’
305
(presumiblemente sí estarían dispuestos a proseguir el aprendizaje del ‘coding’, pero a través de

otros sistemas).
Figura 5.38. Media en la Pregunta 8, en función de la percepción de autoeficacia (Pregunta 5)
Figura 5.39. Media en la Pregunta 9, en función de la percepción de autoeficacia (Pregunta 5)
306
Diferencias en este mismo sentido se producen en función de la Pregunta 6. Aparecen diferencias

estadísticamente muy significativas (p(t) = 0,000 << 0,05), tanto en la Pregunta 8 como en la
Pregunta 9, a favor del grupo que afirma haber conseguido acabar la actividad HoC propuesta en su
centro (Tabla 5.73)
Tabla 5.73. Diferencias en las preguntas 8 y 9, en función de la Pregunta 6

P6. Completar Desviación d de
N Media t p(t)
actividad HoC estándar Cohen
P8. Motivación proseguir No 491 3,44 1,128
-6,313** ,000 0,36
aprendizaje ‘coding’ Sí 897 3,83 1,054
P9. Determinación aprender No 488 ,74 ,439
-4,229** ,000 0,25
‘coding’ on-line Sí 904 ,84 ,368
Venimos viendo, por tanto, una sucesión de relaciones concatenadas a lo largo de las preguntas del
cuestionario, que queda bien representada en la siguiente matriz de correlaciones (Tabla 5.74). Tal y
como puede observarse, se detectan dos cuadrantes de intensidad moderada en la matriz (en negrita):
uno formado por las preguntas 1 y 2 (fondo rosa), relativo a la exposición al ‘coding’; y otro formado
por las preguntas 5, 6, 8 y 9 (fondo azul), relativo a la autoeficacia-motivación en ‘coding’.
Tabla 5.74. Matriz de correlaciones de las preguntas 1, 2, 5, 6, 8 y 9 del cuestionario para estudiantes
P1 P2 P5 P6 P8 P9
P1. Haber oído ‘coding’ 1 ,379** ,146** ,053* ,107** ,105**
P2. Experiencia previa ‘coding’ 1 ,129** ,125** ,042 ,060*
P5. Autoeficacia ‘coding’ 1 ,226** ,497** ,331**
P6. Completar actividad HoC 1 ,170** ,119**
P8. Motivación proseguir aprendizaje ‘coding’ 1 ,516**
P9. Determinación aprender ‘coding’ on-line 1
* Correlación significativa p(r) < 0,05
Así pues, en este punto, detectamos la necesidad de aplicar algunas técnicas de análisis multivariante
para enriquecer nuestra descripción; que den cuenta del comportamiento conjunto y complejo de
todas o parte de las variables medidas a través del cuestionario. En concreto, van a realizarse los
siguientes análisis: a) un análisis de clúster o conglomerados, a partir de las respuestas a dichas
preguntas 1, 2, 5, 6, 8 y 9; b) un análisis de regresión múltiple sobre la Pregunta 8 (tomada como
variable continua de intervalo); y c) un análisis discriminante sobre la Pregunta 9 (tomada como
variable categórica dicotómica)
a) Análisis de clúster
En el análisis de clúster incluimos todas las variables mostradas en la anterior Tabla 5.74, es decir,
las respuestas a las preguntas 1, 2, 5, 6, 8 y 9. Según se intuye en la anterior matriz de correlaciones,
se hipotetizan cuatro clústeres distintos que surgirían de la combinación de los dos siguientes ejes-
bloques:
307
 Eje I: formado por las preguntas 1 y 2; que clasificaría a los sujetos en función de tener, o no
tener, exposición previa al ‘coding’
 Eje II: formado por las preguntas 5, 6, 8 y 9; que clasificaría a los sujetos en función de tener
alta o baja autoeficacia-motivación en el aprendizaje del ‘coding’
Llevamos a cabo, pues, el análisis de clúster según los siguientes parámetros de cálculo estadístico
(Gil Pascual, 2003): se estandarizan todas las variables dado que no todas son del mismo rango; al
ser un número masivo de casos, se aplica un análisis de clúster de k-medias sobre dichas variables; se
indica formar 4 clústeres; con el método “iterar y clasificar” (10 iteraciones máximo, criterio de
convergencia 0); guardamos clúster de pertenencia y distancia al centro del clúster.
Para ser consultado en el Anexo D, en la Tabla D.19 se muestran los estadísticos descriptivos
principales de las preguntas incluidas en el análisis de clúster. En la Tabla D.20 se muestran los
centros de clústeres (expresados como puntuaciones típicas) encontrados inicialmente, y en la Tabla
D.21 se detalla el historial de iteraciones seguidas, que convergió satisfactoriamente en las 10
iteraciones fijadas como máximo para el análisis.
Llegamos entonces a la matriz con los centros finales de los cuatro clústeres (Tabla 5.75), expresados
en puntuaciones típicas. Para su mejor interpretación, las celdas de la tabla se representan según el
siguiente código de colores: las puntuaciones entre -0,15 y +0,15 (en el entorno de la media de la
variable) se representan en fondo blanco; las puntuaciones < -0,15 (inferiores a la media de la
variable) se representan en fondo rosa; y las puntuaciones > +0,15 (superiores a la media de la
variable) se representan en fondo verde.
Tabla 5.75. Centros de clústeres finales (expresados como puntuaciones típicas o Zscore)
Clúster
1 2 3 4
Zscore: P1. Haber oído ‘coding’ -,66188 ,21724 ,45735 -,28239
Zscore: P2. Experiencia previa ‘coding’ -,58442 ,25314 1,15052 -,86859
Zscore: P5. Autoeficacia ‘coding’ -1,62720 ,04164 ,29970 ,14107
Zscore: P6. Completar actividad HoC -,70526 ,14073 ,17565 -,02154
Zscore: P8. Motivación proseguir aprendizaje ‘coding’ -1,43225 -,72413 ,28540 ,27446
Zscore: P9. Determinación aprender ‘coding’ on-line -1,66806 -2,02221 ,49416 ,49416
La matriz de centros finales es consistente con la estructura hipotetizada, y permite hacer la siguiente
descripción de los clústeres:
 Clúster 1: son estudiantes sin exposición previa al ‘coding’ con anterioridad al evento, que
tienen dificultades para completar la actividad HoC y una muy baja autoeficacia subsiguiente
en tareas de ‘coding’ (ZscoreP5 = -1,62); y no están motivados para continuar aprendiendo
‘coding’, mucho menos on-line. Se pueden etiquetar como ‘novatos de baja autoeficacia-
motivación’ o, simplemente, ‘no interesados’
 Clúster 2: son estudiantes que han tenido exposición previa al ‘coding’ con anterioridad al
evento, se sitúan en valores medios en lo relativo a completar la actividad HoC y en la
autoeficacia subsiguiente; pero no están motivados para proseguir el aprendizaje del ‘coding’,
308
y bajo ningún concepto lo harían a través de plataformas-tutoriales on-line (ZscoreP9 = -2,02).

Se pueden etiquetar como ‘veteranos de autoeficacia media y baja motivación’ o,
simplemente, ‘desencantados’
 Clúster 3: son estudiantes con mucha exposición y experiencia previa en ‘coding’ (ZscoreP2
= +1,15), que no tienen dificultades para completar la actividad HoC y que manifiestan una
buena autoeficacia subsiguiente; están motivados para seguir aprendiendo ‘coding’, y más a
través de entornos ‘on-line’. Se pueden etiquetar como ‘veteranos de alta autoeficacia-
motivación’ o, simplemente, ‘enganchados’
 Clúster 4: son estudiantes sin exposición previa al ‘coding’ con anterioridad al evento
(ZscoreP2 = -0,86), que se sitúan en valores medios en lo relativo a completar la actividad
HoC y en la autoeficacia subsiguiente; y que se muestran motivados en continuar
aprendiendo ‘coding’, incluido a través de plataformas-tutoriales ‘on-line’. Se pueden
etiquetar como ‘novatos de autoeficacia media y alta motivación’ o, simplemente,
‘entusiasmados’
Así pues, el análisis de clúster realizado es comprensivo y comprensible: ha generado 4

conglomerados bien diferenciados en todas las variables incluidas en el análisis, y que sirven como
categorías descriptivas fácilmente interpretables y susceptibles de ser reducidas a etiquetas sencillas.
Como prueba estadística que lo refleja, en la Tabla D.22 del anexo se detalla el ANOVA que arroja
diferencias muy significativas (p(F) = 0,000 << 0,05) entre los clústeres para todas las variables
incluidas en el análisis.
Tal y como señalábamos más arriba, en el transcurso del análisis guardamos el clúster de pertenencia
de cada sujeto. En la Tabla 5.76 se muestra el número de sujetos que han sido asignados a cada
clúster: tal y como puede observarse casi 8 de cada 10 sujetos (un 79,4%) se sitúa en los clústeres 3 y
4, ‘enganchados’ y ‘entusiasmados’ respectivamente, que tienen en común su alta motivación para
proseguir el aprendizaje del ‘coding’. Sólo un 20,6% de sujetos se sitúan en los clústeres de baja
motivación, el clúster 1 (10,0%) de ‘no interesados’ y el clúster 2 (10,7%) de ‘desencantados’.
Tabla 5.76. Número de sujetos asignados a cada clúster
Número de caso de clúster

Clúster 1 135 8,1 10,0 10,0
Clúster 2 144 8,7 10,7 20,6
Válido Clúster 3 485 29,2 35,9 56,5
Clúster 4 588 35,4 43,5 100,0
Total 1352 81,3 100,0
Total 1662 100,0
Según vemos en la Tabla D.23 del anexo, existen diferencias en la composición por sexo de cada
clúster. Dichas diferencias son estadísticamente muy significativas (χ2 = 29,955; p(χ2) = 0,000 <<
0,05; C = 0,149; p(C) = 0,000 << 0,05). Los clústeres 1, 2 y 4 son de ligero predominio femenino,
mientras que el clúster 3 es de claro predominio masculino. Se ilustra en la siguiente Figura 5.40.
309
Figura 5.40. Distribución de frecuencias según sexo en los clústeres
Un análisis más refinado muestra que dicha distribución diferencial por sexos entre los clústeres
emerge a partir de Educación Secundaria, en donde es estadísticamente muy significativa (χ2 =
33,023; p(χ2) = 0,000 << 0,05; C = 0,197; p(C) = 0,000 << 0,05); no así en Educación Primaria donde
la composición por sexo de los clústeres es estadísticamente equivalente (χ2 = 4,434; p(χ2) = 0,218 >
0,05; C = 0,112; p(C) = 0,218 > 0,05). Se ilustra en la Tabla 5.77 y Figura 5.41.
Tabla 5.77. Tabla de contingencia sexo * clúster * etapa educativa

Etapa Educativa Total χ2 p(χ2)
1 2 3 4
Recuento 8 14 52 95 169
Chico
% dentro de Sexo 4,7% 8,3% 30,8% 56,2% 100,0%
Primaria Sexo 4,434 ,218
Recuento 8 7 48 117 180
Chica
% dentro de Sexo 4,4% 3,9% 26,7% 65,0% 100,0%
Recuento 44 33 201 151 429
Chico
% dentro de Sexo 10,3% 7,7% 46,9% 35,2% 100,0%
Secundaria Sexo 33,023** ,000
Recuento 62 61 115 152 390
Chica
% dentro de Sexo 15,9% 15,6% 29,5% 39,0% 100,0%
Recuento 2 14 34 23 73
Chico
% dentro de Sexo 2,7% 19,2% 46,6% 31,5% 100,0%
Bachillerato Sexo 9,032* ,029
Recuento 7 8 19 30 64
Chica
% dentro de Sexo 10,9% 12,5% 29,7% 46,9% 100,0%
Recuento 1 2 7 1 11
Chico
% dentro de Sexo 9,1% 18,2% 63,6% 9,1% 100,0%
FP Sexo 1,791 ,617
Recuento 0 0 2 1 3
Chica
% dentro de Sexo 0,0% 0,0% 66,7% 33,3% 100,0%
* Significativo al nivel p(χ2) < 0,05
** Significativo al nivel p(χ2) < 0,01
310
Figura 5.41. Distribución de frecuencias según sexo y etapa educativa en los clústeres
Finalmente, encontramos diferencias muy significativas en la distribución de sujetos en los clústeres,

en función de la titularidad de su centro educativo (χ2 = 21,395; p(χ2) = 0,002 << 0,05; C = 0,126; p(C)
= 0,002 << 0,05). Se detalla en la Figura 5.42 (y Tabla D.24 del anexo). Tal y como puede
observarse, esencialmente en los centros privados hay predominio de sujetos del clúster 3
(‘enganchados’) mientras que en los centros públicos lo hay del clúster 4 (‘entusiasmados’).
Figura 5.42. Distribución de frecuencias según titularidad de centro en los clústeres
311
b) Análisis de regresión múltiple
Aplicamos un análisis de regresión múltiple sobre la Pregunta 8 (“P8. Tras la actividad, ¿cómo de
motivado te sientes para continuar aprendiendo 'programación informática' ('coding')?”, o
abreviadamente, “P8. Motivación proseguir aprendizaje ‘coding’”), que tomaremos entonces como
nuestra variable dependiente (continua y de intervalo). Nuestra intención, pues, es construir un
modelo explicativo-predictivo de la motivación final para seguir aprendiendo ‘coding’ tras la
actividad HoC introductoria. En dicho modelo se pueden incluir, en principio, tantas variables
independientes como se desee; ya sean de intervalo, ordinales, e incluso nominales (en este caso
deben se transformadas previamente en variables ‘dummy’). Ahora bien, se trata de llegar a una
solución parsimoniosa: maximizar la cantidad de varianza (R2) de la variable dependiente explicada
por el modelo con el mínimo de variables independientes. Para nuestro análisis, utilizamos el método
‘por pasos’ e incluimos como variables independientes todas las preguntas previas a la Pregunta 8
(preguntas 1-7), además de ‘sexo’ 340, ‘etapa educativa’ 341 y ‘titularidad’ 342. En la Tabla D.25 del
anexo se muestran los estadísticos descriptivos de las variables incluidas inicialmente.
Aplicando el método ‘por pasos’ (criterio: probabilidad de F para entrar <= 0,050; probabilidad de F
para eliminar >= 0,100), en la siguiente Tabla 5.78 se muestra el progresivo orden de entrada de las
variables independientes, en los sucesivos modelos explicativos.
Tabla 5.78. Variables introducidas y eliminadas en los sucesivos modelos de regresión según el método ‘por pasos’
Variables entradas/eliminadasa
Modelo Variables introducidas Variables eliminadas Método
1 P5. Autoeficacia ‘coding’ .
2 P4.2 Desarrollar Creatividad .
3 Etapa Educativa Dummy .
4 P4.3 Desarrollar Resolución de Problemas . Por pasos (Criterios:
Probabilidad-de-F-para-entrar
5 P7.4 Rendimiento Tecnología / Informática .
<= 0,050, Probabilidad-de-F-
6 P4.6 Desarrollar Capacidad de Atención . para-eliminar >= 0,100).
7 P4.4 Desarrollar Trabajo en Equipo .
8 P4.1 Desarrollar Pensamiento Lógico .
9 P1. Haber oído ‘coding’ .
a. Variable dependiente: P8. Motivación proseguir aprendizaje ‘coding’
En la siguiente Tabla 5.79 se presenta el resumen del modelo de regresión múltiple. Tal y como
puede observarse, el modelo más parsimonioso es el Modelo 4 (en negrita y fondo verde en la
siguiente Tabla 5.79), dado que ya modelos posteriores no llegan a incrementar el R cuadrado ni
siquiera en un 1% (Cambio de R2 < 0,01). El Modelo 4 consigue, a través de sólo 4 variables
independientes (P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, y
P4.3 Desarrollar Resolución de Problemas) correlacionar con la variable dependiente (P8.
Motivación proseguir aprendizaje ‘coding’) de manera positiva y moderadamente alta (r = +0,65),
explicando un 42,1% de su varianza (R2ajustado = 0,421).
340
Convertida en 0=chico, 1=chica
341
Convertida en 0=Primaria, 1=Post-primaria
342
Convertida en 0=Público, 1=Privado/Concertado
312
Tabla 5.79. Resumen del modelo de regresión múltiple
Estadísticas de cambios
R R cuadrado Error estándar Cambio de Sig.
Modelo R Cambio
cuadrado ajustado de la estimación cuadrado de df1 df2 Cambio en
en F
R F
1 ,502a ,252 ,252 ,950 ,252 357,543 1 1060 ,000
2 ,601b ,361 ,360 ,878 ,109 180,617 1 1059 ,000
3 ,631c ,398 ,396 ,853 ,037 64,308 1 1058 ,000
4 ,650d ,423 ,421 ,835 ,025 46,086 1 1057 ,000
5 ,656e ,431 ,428 ,830 ,008 14,645 1 1056 ,000
6 ,662f ,438 ,435 ,825 ,007 12,990 1 1055 ,000
7 ,665g ,442 ,439 ,822 ,005 8,530 1 1054 ,004
8 ,668h ,446 ,442 ,820 ,003 6,606 1 1053 ,010
9 ,669i ,448 ,443 ,819 ,002 4,688 1 1052 ,031
a. Predictores: (Constante), P5. Autoeficacia ‘coding’
b. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad
c. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy
d. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3
Desarrollar Resolución de Problemas
e. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Resolución de Problemas, P7.4 Rendimiento Tecnología / Informática
f. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Resolución de Problemas, P7.4 Rendimiento Tecnología / Informática, P4.6 Desarrollar Capacidad de Atención
g. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Resolución de Problemas, P7.4 Rendimiento Tecnología / Informática, P4.6 Desarrollar Capacidad de Atención, P4.4 Desarrollar
Trabajo en Equipo
h. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Trabajo en Equipo, P4.1 Desarrollar Pensamiento Lógico
i. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Trabajo en Equipo, P4.1 Desarrollar Pensamiento Lógico, P1. Haber oído ‘coding’
j. Variable dependiente: P8. Motivación proseguir aprendizaje ‘coding’
En la Tabla 5.80 se muestra el ANOVA del Modelo 4, que indica su capacidad para detectar
diferencias estadísticamente muy significativas (p(F) = 0,000 << 0,05) en la variable dependiente.
Tabla 5.80. ANOVA del Modelo 4 de regresión múltiple
ANOVAa
Modelo Suma de cuadrados gl Media cuadrática F Sig.
Regresión 540,683 4 135,171 193,679** ,000b
4 Residuo 737,694 1057 ,698
Total 1278,378 1061
b. Predictores: (Constante), P5. Autoeficacia ‘coding’, P4.2 Desarrollar Creatividad, Etapa Educativa Dummy, P4.3 Desarrollar
Resolución de Problemas
313
A continuación, se muestra la tabla de coeficientes para el Modelo 4 (Tabla 5.81), que da una idea
del peso relativo de cada una de las variables independientes para explicar-predecir la variable
dependiente. Así, encontramos coeficientes estandarizados de signo positivo (a mayor valor de la
variable independiente se predice un valor mayor en la dependiente), ordenados de mayor a menor
peso: P5. Autoeficacia ‘coding’ (βt = 0,363); P4.2 Desarrollar Creatividad (βt = 0,239); y P4.3
Desarrollar Resolución de Problemas (βt = 0,182). Y un coeficiente estandarizado de signo negativo
(a mayor valor de la variable independiente se predice un valor menor en la dependiente): Etapa
Educativa Dummy (βt = -0,182). Tal y como puede observarse adicionalmente en la Tabla 5.81, se
encuentran diferencias estadísticamente muy significativas en la variable dependiente (p(t) < 0,01),
para todas y cada una de las variables predictoras del modelo.
Tabla 5.81. Coeficientes para el Modelo 4a de regresión múltiple
Coeficientes no Coeficientes
Modelo estandarizados estandarizados t Sig.
B Error estándar Beta
(Constante) 1,094 ,142 7,689** ,000
P5. Autoeficacia ‘coding’ ,416 ,028 ,363 14,745** ,000
4 P4.2 Desarrollar Creatividad ,220 ,025 ,239 8,872** ,000
Etapa Educativa Dummy -,461 ,061 -,182 -7,577** ,000
P4.3 Desarrollar Resolución de Problemas ,160 ,024 ,182 6,789** ,000
Con respecto al comportamiento de los residuos del modelo de regresión múltiple, se detallan en la
Tabla D.26 del anexo. Tal y como puede verse en las Figuras D.31 y D.32 del anexo, hay normalidad
en la distribución de los residuos tipificados, lo cual apuntala la bondad de nuestro modelo de
regresión.
De las Figuras D.33 a D.36 del anexo se ilustran los gráficos de regresión parcial de cada una de las
variables independientes de nuestro Modelo 4, de mayor a menor peso en el modelo, sobre la
variable dependiente. Tal y como puede observarse, las relaciones son directas en todos los casos, a
excepción de la regresión de la ‘Etapa Educativa’ sobre la variable dependiente ‘P8. Motivación
proseguir aprendizaje ‘coding’ en donde hay relación inversa.
Finalmente, como muestra de la potencia del modelo, en la Tabla 5.82 se muestra la correlación entre
las puntuaciones observadas en la variable dependiente (P8. Motivación proseguir aprendizaje
‘coding’) y las puntuaciones predichas en dicha variable por el modelo de regresión múltiple. Tal y
como era de esperar, es una correlación estadísticamente muy significativa, de signo positivo e
intensidad moderadamente alta (r = +0,656)
Tabla 5.82. Correlación entre las puntuaciones observadas y predichas por el modelo en la variable dependiente
Puntuaciones predichas por el
modelo (sin estandarizar)
Correlación de Pearson ,656**
P8. Motivación proseguir aprendizaje ‘coding’
Sig. (bilateral) ,000
(puntuaciones observadas)
N 1221
** Correlación significativa al nivel p(r) < 0,01
314
Y en la Figura 5.43 se ilustra el diagrama de dispersión entre dicho par de puntuaciones: observadas
y predichas por el modelo en la variable dependiente. Como ya hemos visto anteriormente, el
coeficiente de determinación (R2), que indica el porcentaje de la varianza de la variable dependiente
explicado por el modelo, se sitúa en el entorno del 43,0%.
Figura 5.43. Diagrama de dispersión entre puntuaciones observadas-predichas por el modelo para la variable dependiente
c) Análisis discriminante
Realizamos un análisis discriminante sobre la Pregunta 9 (“P9. ¿Te gustaría continuar aprendiendo
'programación informática' ('coding') a través de plataformas-tutoriales en Internet (a tu propio
ritmo, de forma interactiva...)?”, o abreviadamente, “P9. Determinación aprender ‘coding’ on-
line”), que será pues nuestra variable dependiente (variable categórica dicotómica). Buscamos una
función discriminante que sea capaz de diferenciar y predecir entre los sujetos que contesten ‘sí’ o
‘no’ a dicha Pregunta 9, a partir de sus respuestas al resto de preguntas del cuestionario (variables
independientes).
Se utilizará el método ‘por pasos’, que es el que ofrece una solución más parsimoniosa y elegante, al
incluir en la función discriminante sólo las variables independientes con suficiente peso relativo para
realizar la discriminación.
En la Tabla D.27 del anexo, se muestran los estadísticos descriptivos de todas las variables
independientes inicialmente incluidas en el análisis, expresadas en función de la respuesta a la
variable dependiente (P9. Determinación aprender ‘coding’ on-line).
315
En la Tabla D.28 del anexo, se presentan las pruebas de igualdad de medias entre los dos grupos
posibles en la variable dependiente (“sí” o “no”), para todas las variables independientes incluidas
inicialmente en el análisis. Tal y como puede observarse, para algunas variables independientes no se
encuentran diferencias significativas (p(F) > 0,05) entre los grupos de la dependiente; lo cual reafirma
la necesidad de seguir el método ‘por pasos’ para nuestro análisis discriminante (que excluirá de la
función discriminante todas aquellas variables independientes irrelevantes)
Acometemos entonces el análisis discriminante propiamente dicho, según el método ‘por pasos’
(criterio: la F mínima parcial para entrar es 3,84; la F máxima parcial para eliminar es 2,71). En la
Tabla 5.83 se detallan las variables que sucesivamente van entrando en la función discriminante en
cada escalón. Tras 4 pasos o escalones (Tabla 5.84), queda definida una función discriminante que
incluye las siguientes variables independientes: P8. Motivación proseguir aprendizaje ‘coding’; P5.
Autoeficacia ‘coding’; P4.1 Desarrollar Pensamiento Lógico; y P2. Experiencia previa ‘coding’.
Tabla 5.83. Variables que entran en la función discriminante en cada escalón
Variables entradas/eliminadasa,b,c,d
Lambda de Wilks
Escalón Especificado F exacta
Estadístico df1 df2 df3
Estadístico df1 df2 Sig.
1 P8. Motivación aprendizaje ‘coding’ ,728 1 1 1044,000 390,095 1 1044,000 ,000
2 P5. Autoeficacia ‘coding’ ,720 2 1 1044,000 202,853 2 1043,000 ,000
3 P4.1 Desarrollar Pensamiento Lógico ,717 3 1 1044,000 137,127 3 1042,000 ,000
4 P2. Experiencia previa ‘coding’ ,714 4 1 1044,000 104,360 4 1041,000 ,000
En cada paso, se entra la variable que minimiza la lambda de Wilks global.
a. El número máximo de pasos es 40.
b. La F mínima parcial para entrar es 3.84.
c. La F máxima parcial para eliminar es 2.71.
d. El nivel F, la tolerancia o VIN no suficiente para un cálculo adicional.
Tabla 5.84. Variables que componen la función discriminante en cada escalón
Variables en el análisis
Escalón Tolerancia F para eliminar Lambda de Wilks
1 P8. Motivación aprendizaje ‘coding’ 1,000 390,095
P8. Motivación aprendizaje ‘coding’ ,835 238,463 ,885
2
P5. Autoeficacia ‘coding’ ,835 11,637 ,728
3 P5. Autoeficacia ‘coding’ ,829 10,234 ,724
P4.1 Desarrollar Pensamiento Lógico ,868 4,365 ,720
P5. Autoeficacia ‘coding’ ,814 8,292 ,719
4
P4.1 Desarrollar Pensamiento Lógico ,862 5,110 ,717
P2. Experiencia previa ‘coding’ ,978 4,626 ,717
A continuación se resumen las características de la función discriminante obtenida. La función

discriminante tiene una correlación canónica con la variable dependiente C = +0,535 (Tabla 5.85); el
cuadrado de dicho coeficiente nos indica el porcentaje de la varianza total de la variable dependiente
316
explicado por la función discriminante (28,62%). En la Tabla 5.86 se comprueba que las medias de
los dos grupos generados por la función discriminante (centroides) difieren de manera
estadísticamente muy significativa (χ2 = 351,346; p(χ2) = 0,000 << 0,05). Y en la Tabla 5.87 se
aportan los coeficientes estandarizados de la función discriminante, que indican la aportación relativa
de cada variable independiente a la función; de mayor a menor: P8. Motivación aprendizaje ‘coding’
(0,841); P5. Autoeficacia ‘coding’ (0,184); P4.1 Desarrollar Pensamiento Lógico (0,141); y P2.
Experiencia previa ‘coding’ (0,126).
Tabla 5.85. Autovalores de la función discriminante
Autovalores
Función Autovalor % de varianza % acumulado Correlación canónica
1 ,401a 100,0 100,0 ,535
a. Se utilizaron las primeras 1 funciones discriminantes canónicas en el análisis.
Tabla 5.86. Discriminación residual
Prueba de funciones Lambda de Wilks Chi-cuadrado gl Sig.

1 ,714 351,346** 4 ,000
Tabla 5.87. Coeficientes estandarizados de la función discriminante
Coeficientes de función discriminante canónica estandarizadas

Función
1
P8. Motivación aprendizaje ‘coding’ ,841
P5. Autoeficacia ‘coding’ ,184
P4.1 Desarrollar Pensamiento Lógico ,141
P2. Experiencia previa ‘coding’ ,126
Para acabar de caracterizar la función discriminante, en la siguiente Tabla 5.88 se muestran los
coeficientes no estandarizados de la función, de mayor a menor; y en la Tabla 5.89 se aportan los
valores de la función discriminante en los centroides de ambos grupos.
Tabla 5.88. Coeficientes no estandarizados de la función discriminante
Coeficientes de la función discriminante canónica

Función
1
P8. Motivación aprendizaje ‘coding’ ,900
P2. Experiencia previa ‘coding’ ,254
P5. Autoeficacia ‘coding’ ,204
P4.1 Desarrollar Pensamiento Lógico ,130
(Constante) -4,713
Coeficientes no estandarizados
Tabla 5.89. Valores de la función discriminante en los centroides de grupo
Funciones en centroides de grupo

Función
P9. Determinación aprender ‘coding’ on-line
1
No -1,317
Sí ,304
Las funciones discriminantes canónicas sin estandarizar se han evaluado en medias de grupos
317
Por tanto, las variables críticas para discriminar-predecir si los sujetos se mostrarán determinados a
proseguir su aprendizaje del ‘coding’ a través de plataformas-tutoriales ‘on-line’ autoguiados son: su
motivación por aprender ‘coding’, su experiencia previa en ‘coding’, su percepción de autoeficacia
en ‘coding’ y su percepción de que el ‘coding’ contribuye a desarrollar el pensamiento lógico.
Valores altos en las anteriores variables conllevan una alta probabilidad de responder sí a la variable
dependiente; y viceversa.
Pasamos, finalmente, a aportar las estadísticas de clasificación de la función discriminante. En la

Tabla D.29 del anexo se muestran las probabilidades previas de clasificación para cada uno de los
grupos. Después, en la Tabla D.30 se detallan los coeficientes de función de clasificación para cada
uno de dichos grupos.
Tal y como puede verse en la Tabla 5.90, nuestra función discriminante clasifica correctamente un
86,9% de los casos (celdas en fondo verde); lo que nos da una medida de su bondad para diferenciar
y predecir la respuesta que un sujeto dará a la variable dependiente. Sólo un 13,1% de los casos
(celdas en fondo rosa) son clasificados incorrectamente. Ahora bien, los porcentajes de clasificación
son bien distintos entre el grupo que originalmente contestó que ‘sí’ a la variable dependiente (tan
sólo 3,9% de casos clasificados incorrectamente); y el grupo que contestó que ‘no’ (ahí hay un
50,8% de casos clasificados incorrectamente: 135 sujetos ‘anómalos’ que veremos con más detalle)
Tabla 5.90. Estadísticas de clasificación de la función discriminante
Resultados de clasificaciónab
Pertenencia a grupos pronosticada
P9. Determinación aprender ‘coding’ on-line Total
No Sí
No 131 135 266
Recuento Sí 43 1054 1097
Casos sin agrupar 3 18 21
Original
No 49,2 50,8 100,0
% Sí 3,9 96,1 100,0
Casos sin agrupar 14,3 85,7 100,0
a. 86,9% de casos agrupados originales clasificados correctamente (en verde)
b. 13,1% de casos agrupados originales clasificados incorrectamente (en rosa)
Dicho de otra manera, nuestra función es muy eficaz para discriminar entre aquellos sujetos que
originalmente contestaron que ‘sí’ a la variable dependiente (en un 96,1% predice que así es). Queda
ilustrado en la siguiente Figura 5.44.
Por el contrario, la función se muestra bastante poco eficaz para discriminar entre aquellos sujetos
que originalmente contestaron que ‘no’ a la variable dependiente (sólo predice correctamente el
49,2% de los casos); según se ilustra en la Figura 5.45.
318
Figura 5.44. Puntuaciones en la función discriminante para los sujetos que contestaron originalmente ‘sí’ a la P9
Figura 5.45. Puntuaciones en la función discriminante para los sujetos que contestaron originalmente ‘no’ a la P9
319
Concretamente, hay 135 sujetos ‘anómalos’ que, prediciendo la función discriminante que iban a
contestar que ‘sí’ a la Pregunta 9 (es decir, sujetos con motivación, autoeficacia, y experiencia previa
en ‘coding’ en niveles suficientes); finalmente contestaron que ‘no’. ¿Cómo son estos 135 sujetos
‘anómalos’? Según puede verse en las Figuras 5.46 a 5.48 (y Tablas D.31 a D.33 del anexo) es un
grupo significativamente femenino (χ2 = 4,372; p(χ2) = 0,037 < 0,05; C = 0,052; p(C) = 0,037 < 0,05),
significativamente de Educación Secundaria (χ2 = 11,123; p(χ2) = 0,011 < 0,05; C = 0,082; p(C) =
0,011 < 0,05), y muy significativamente compuesto por sujetos del clúster 1 (‘no interesados’) y,
especialmente, del clúster 2 (‘desencantados’) (χ2 = 648,172; p(χ2) = 0,000 << 0,05; C = 0,569; p(C) =
0,000 << 0,05).
Figura 5.46. Distribución de casos anómalos del análisis discriminante por sexo
Figura 5.47. Distribución de casos anómalos del análisis discriminante por etapa educativa
320
Figura 5.48. Distribución de casos anómalos del análisis discriminante por clúster de pertenencia
Con respecto a la Pregunta 10 del cuestionario [“P10. En caso afirmativo a la respuesta anterior,
existen en Internet diversas plataformas-tutoriales para el aprendizaje de la ‘programación
informática’ (‘coding’), ¿Cuál/es de ellas conoces?”], que aborda el objetivo específico de
investigación O2Ej: en la siguiente Tabla 5.91 se muestran los porcentajes de penetración de cada una
ellas, tanto en relación al total de la muestra (N = 1.662), como en relación a la sub-muestra que
contestó afirmativamente a la Pregunta 9 (N = 1.154).
Tabla 5.91. Porcentajes de penetración de las distintas plataformas-tutoriales ‘on-line’ de aprendizaje del ‘coding’
Penetración
(%) sobre la
sub-muestra
Penetración
con
(%) sobre
motivación
Plataformas-tutoriales on-line de aprendizaje del ‘coding’ Frecuencia el total de
por seguir
la muestra
aprendiendo
(N=1662)
'coding'
online
(N=1154)
Code.org (http://code.org/)* 682 41,03% 59,10%
Scratch (http://scratch.mit.edu/)* 513 30,87% 44,45%
Light-Bot (http://light-bot.com/)* 156 9,39% 13,52%
App Inventor (http://appinventor.mit.edu/explore/)* 143 8,60% 12,39%
Khan Academy (https://www.khanacademy.org/cs)* 113 6,80% 9,79%
Codecademy (http://www.codecademy.com)* 104 6,26% 9,01%
Tynker (http://www.tynker.com/)* 91 5,48% 7,89%
Google Blockly (http://code.google.com/p/blockly/)* 76 4,57% 6,59%
CodeHS (http://codehs.com/)* 75 4,51% 6,50%
321
Penetración
(%) sobre la
sub-muestra
Penetración
con
(%) sobre
motivación
Plataformas-tutoriales on-line de aprendizaje del ‘coding’ Frecuencia el total de
por seguir
la muestra
aprendiendo
(N=1662)
'coding'
online
(N=1154)
Pivot Animator (https://en.wikipedia.org/wiki/Pivot_Animator)** 6 0,36% 0,52%
Game Maker (http://www.yoyogames.com/studio)** 4 0,24% 0,35%
Lego (http://education.lego.com/es-ar/learn)** 4 0,24% 0,35%
The Foos (http://thefoos.com/)** 4 0,24% 0,35%
Agame (http://www.agame.com/)** 2 0,12% 0,17%
Blender (https://www.blender.org/)** 2 0,12% 0,17%
Unity 3D (https://unity3d.com/es)** 2 0,12% 0,17%
W3Schools (http://www.w3schools.com/)** 2 0,12% 0,17%
3D RAD (http://www.3drad.com/)** 1 0,06% 0,09%
Alice (http://www.alice.org/index.php)** 1 0,06% 0,09%
Android Studio (http://developer.android.com/tools/studio/index.html)** 1 0,06% 0,09%
Eclipse (http://www.eclipse.org/)** 1 0,06% 0,09%
GrokLearning (https://groklearning.com/)** 1 0,06% 0,09%
Hello Processing (http://hello.processing.org/)** 1 0,06% 0,09%
Just Basic (http://justbasic.com/)** 1 0,06% 0,09%
Kodable (https://www.kodable.com/)** 1 0,06% 0,09%
Kodu (http://www.kodugamelab.com/)** 1 0,06% 0,09%
Make School (https://www.makeschool.com/)** 1 0,06% 0,09%
Minecraft (https://minecraft.net/)** 1 0,06% 0,09%
Moway (http://moway-robot.com/)** 1 0,06% 0,09%
RPG Maker (http://www.rpgmakerweb.com/)** 1 0,06% 0,09%
Small Basic (http://smallbasic.com/)** 1 0,06% 0,09%
Treehouse (https://teamtreehouse.com/)** 1 0,06% 0,09%
XCode (https://developer.apple.com/xcode/)** 1 0,06% 0,09%
* Plataforma-tutorial de programación explícitamente listado entre las posibles opciones a marcar en la Pregunta 10
** Plataformas-tutoriales no explícitamente listados, que se mencionaron por los sujetos en la categoría ‘Otros’
Tal y como se puede ver en la siguiente Figura 5.49, se detectan 3 grupos de plataformas-tutoriales
según su porcentaje de penetración: a) el formado por Code.org y Scratch, con una alta penetración
que se sitúa en el orden del 30-40% del total de la muestra; b) el formado por Light-Bot, App
Inventor, Khan Academy, Codecademy, Tynker, Blockly y CodeHS, con una penetración moderada
en el orden del 5-10%; y c) el resto de plataformas-tutoriales, con una baja penetración que no llega
al 1% sobre el total de la muestra (si bien hay que recordar que ninguna de ellas estaba listada
explícitamente en el cuestionario)
322
Penetración (%) sobre el total de la muestra (N=1662)

45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
Figura 5.49. Porcentajes de penetración de las distintas plataformas-tutoriales ‘on-line’ sobre total de muestra (N=1662)
En este punto consideramos de interés realizar algunas comparaciones entre el grupo de estudiantes
que declaró conocer únicamente la plataforma Code.org (les llamaremos ‘coders’) y el que hizo lo
propio con la plataforma Scratch (les llamaremos ‘scratchers’). Esta comparación asume,
consecuentemente, que los ‘coders’ hicieron la actividad HoC propuesta por Code.org 343, y los
‘scratchers’ hicieron la actividad HoC propuesta por Scratch 344; y se apoya en dos hechos
importantes:
 Que las plataformas Code.org y Scratch son las que tienen, de largo, un mayor porcentaje de
penetración en la muestra de estudiantes; y, por tanto, son las que merecen una atención más
detallada por parte de nuestra investigación.
 Que los tutoriales, y metodología asociada, que proponen Code.org y Scratch son muy
diferentes:
o En el caso de Code.org se trata de puzles-retos de programación (Figura 5.50), es
decir, entornos de resolución de problemas cerrados o ‘close-ended’ (p.e. laberintos)
en los que el estudiante debe formular la solución a través de código informático;
avanzando por sucesivos puzles de dificultad progresiva por ensayo y error, y
obteniendo feed-back inmediato. Son tutoriales ‘self-paced’ (es decir, autoguiados al
ritmo del propio estudiante), y según nos relataron los propios profesores, son
343
http://hourofcode.com/code
344
http://hourofcode.com/sc
323
realizados en muchas ocasiones por parejas de estudiantes (‘pair programming’) que

comparten dispositivo. La metodología recomendada desde Code.org para su
implantación en el aula es la denominada ‘Ask 3, then me’: si un estudiante no sabe
cómo resolver un determinado puzle, debe preguntar al menos a 3 compañeros antes
de acudir al profesor.
Figura 5.50. Tutorial HoC de Code.org. A la izquierda, el puzle de programación propuesto (llevar a la ardilla hasta la
bellota); a la derecha, entorno de trabajo del estudiante en el que formula la solución a través de bloques de programación
o En el caso de Scratch se trata de proyectos creativos ‘open-ended’ (Figura 5.51), es

decir, el estudiante parte de un ‘lienzo en blanco’ en el cual, a partir de bloques de
código, puede programar animaciones, historias, videojuegos, etc… Para ello, sobre
todo con estudiantes que todavía no han adquirido un nivel mínimo de competencia en
Scratch, el aprendiz suele guiarse por plantillas de otros proyectos o secuencias
guiadas ‘de pasos’ que en muchas ocasiones son proyectadas por el profesor para todo
el aula. En ese sentido, podríamos decir que es un entorno más ‘teacher-paced’
(guiado por el ritmo del profesor que va instruyendo al estudiante sobre los pasos que
debe seguir para programar un proyecto en Scratch); aunque, según los estudiantes
ganan en competencia, pueden potencialmente irse liberando de esta guía docente.
Figura 5.51. Tutorial HoC de Scratch. A la izquierda-centro, área de trabajo del estudiante; a la derecha, video-tutorial
explicativo y lista de pasos a seguir para la elaboración guiada de un proyecto.
324
En la Figura 5.52 (y Tabla D.34 del anexo) se muestra la distribución de ‘coders’ y ‘scratchers’ por
sexo, en donde no se encuentran diferencias significativas (χ2 = 2,557; p(χ2) = 0,110 > 0,05; C =
0,064; p(C) = 0,110 > 0,05). En la Figura 5.53 (y Tabla D.35 del anexo) se muestra la distribución de
‘coders’ y ‘scratchers’ por etapa educativa, en este caso sí que encontramos diferencias
estadísticamente muy significativas (χ2 = 32,726; p(χ2) = 0,000 << 0,05; C = 0,222; p(C) = 0,000 <<
0,05). En síntesis, mientras que encontramos ‘coders’ en Primaria y Secundaria; los ‘scratchers’ sólo
aparecen masivamente a partir de Secundaria.
Figura 5.52. Distribución de ‘coders’ y ‘scratchers’ según sexo
Figura 5.53. Distribución de ‘coders’ y ‘scratchers’ según etapa educativa
325
En la siguiente Tabla 5.92 y Figura 5.54 se muestran las medias de ‘coders’ y ‘scratchers’ en sus
respuestas a la Pregunta 4 [“P4. ¿En qué medida crees que la actividad te ha ayudado a desarrollar
cada una de las siguientes aptitudes y habilidades?”]. Tal y como puede observarse, se encuentran
diferencias significativas, a favor de los ‘coders’, en la percepción de cómo la actividad ha
contribuido a desarrollar el ‘pensamiento lógico’ (p(t) = 0,028 < 0,05); y muy significativas (p(t) <<
0,05), igualmente a favor de los ‘coders’, en ‘resolución de problemas’, ‘trabajo en equipo’,
‘persistencia-perseverancia’ y ‘capacidad de atención’. En la única aptitud-habilidad en la cual no se
encuentran diferencias significativas es, precisamente, en ‘creatividad’ (p(t) = 0,106 > 0,05),
consistentemente con nuestra descripción previa de la naturaleza creativa del entorno Scratch.
Tabla 5.92. Diferencias en la Pregunta 4, en función de ser ‘coder’ o ‘scratcher’
P4. ¿En qué medida crees que la actividad te ha

Desviación d de
ayudado a desarrollar cada una de las siguientes N Media t p(t)
estándar Cohen
aptitudes y habilidades?
Coders 397 3,81 1,052
Pensamiento Lógico 2,203* ,028 0,18
Scratchers 228 3,62 1,090
Coders 389 3,77 1,108
Creatividad 1,620 ,106 0,13
Coders 387 3,68 1,142
Resolución de Problemas 3,120** ,002 0,25
Coders 389 3,35 1,477
Trabajo en Equipo 4,214** ,000 0,35
Coders 386 3,67 1,161
Persistencia-Perseverancia 3,873** ,000 0,33
Coders 390 3,98 1,128
Capacidad de Atención 3,235** ,001 0,27
4,1
3,9
3,7
3,5
3,3
3,1
2,9
2,7
2,5
Coders Scratchers
Figura 5.54. Medias en la Pregunta 4 para ‘coders’ y ‘scratchers’
326
Si segmentamos la gráfica anterior para Primaria y Secundaria (Figura 5.55), se comprueba que las
diferencias son especialmente reseñables en la etapa de Primaria. Más concretamente, sólo se
encuentran diferencias estadísticamente significativas en Primaria, a favor de los ‘coders’, en
‘trabajo en equipo’ (t = 2,262; p(t) = 0,025 < 0,05) y, muy significativa, en ‘persistencia-
perseverancia’ (t = 2,825; p(t) = 0,005 << 0,05). En Secundaria sólo se halla una diferencia en el
límite de la significatividad, a favor de los ‘coders’, en ‘trabajo en equipo’ (t = 1,902; p(t) = 0,058 ≈
0,05),
5,00
4,50
4,00
3,50
3,00
2,50
Coders Primaria Coders Secundaria

Scratchers Primaria Scratchers Secundaria
Figura 5.55. Medias en la Pregunta 4 para ‘coders’ y ‘scratchers’, diferenciado para Primaria y Secundaria
En esta misma línea de análisis, en la Tabla 5.93 se comparan las medias de ‘coders’ y ‘scratchers’
en sus respuestas a las preguntas 5, 8 y 9.
Tabla 5.93. Diferencias en las preguntas 5, 8 y 9; en función de ser ‘coder’ o ‘scratcher’

Coders vs. Desviación d de
N Media t p(t)
Scratchers estándar Cohen
Coders 395 4,01 ,820
P5. Autoeficacia ‘coding’ 3,282** ,001 0,28
Scratchers 226 3,77 ,895
P8. Motivación proseguir aprendizaje Coders 396 3,99 ,915
3,806** ,000 0,32
‘coding’ Scratchers 227 3,68 1,008
P9. Determinación aprender ‘coding’ Coders 397 ,96 ,191
2,826** ,005 0,24
on-line Scratchers 230 ,90 ,301
327
Tal y como puede observarse, encontramos diferencias estadísticamente muy significativas (p(t) <<
0,05), a favor del grupo de ‘coders’, tanto en percepción de autoeficacia posterior a la actividad,
como en motivación por continuar aprendiendo programación, y en hacerlo particularmente ‘on-
line’. En ese sentido, parece que los tutoriales de Code.org generaron una mejor respuesta de
autoeficacia y motivación subsiguiente en los estudiantes, que los tutoriales de Scratch (Figura 5.56).
4,1
3,9
3,8
3,7
3,6
3,5
P5. Autoeficacia ‘coding’ P8. Motivación proseguir aprendizaje ‘coding’
Coders Scratchers
Figura 5.56. Medias en las preguntas 5 y 8 para ‘coders’ y ‘scratchers’
Segmentada la gráfica anterior por etapa educativa (Figura 5.57), comprobamos que dichas
diferencias a favor de los ‘coders’ emergen en Secundaria, que es la única etapa en la que fueron
estadísticamente significativas, tanto para la pregunta 5 de autoeficacia (t = 2,220; p(t) = 0,027 <
0,05), como en la pregunta 8 de motivación (t = 2,409; p(t) = 0,016 < 0,05).
5,00
4,50
4,00
3,50
3,00
2,50
Primaria Secundaria Primaria Secundaria
P5. Autoeficacia ‘coding’ P8. Motivación proseguir aprendizaje
‘coding’
Coders Scratchers
Figura 5.57. Medias en las preguntas 5 y 8 para ‘coders’ y ‘scratchers’, diferenciado para Primaria y Secundaria
328
Con respecto a la Pregunta 11 [“P11. ¿Consideras importante la ‘programación informática’

(‘coding’) para tu formación personal, como ciudadano del siglo XXI? ¿Sí, No? ¿Por qué?”], y la
Pregunta 12 del cuestionario [“P12. ¿Consideras importante la ‘programación informática’
(‘coding’) para tu formación profesional, como trabajador del siglo XXI? ¿Sí, No? ¿Por qué?”]; que
abordan respectivamente los objetivos de investigación O2Ek y O2El: ambas son preguntas de
respuesta abierta. Se aportan los enlaces a sendos documentos con el conjunto de respuestas emitidas
por los estudiantes a cada una de las preguntas 345; codificadas y ordenadas según se sitúen en el
entorno del ‘sí’, en el entorno del ‘no’, o en el entorno del ‘tal vez / no sé / depende’ (Figura 5.58)
Figura 5.58. Códigos QR a sendos PDF con el conjunto de respuestas emitidas en las preguntas 11 y 12, codificadas y
ordenadas según se sitúen en el ‘sí’, el ‘no’, o el ‘tal vez / no sé / depende’
Desde una aproximación cuantitativa, en las Tablas 5.94 y 5.95 (y Figuras D.37 y D.38 del anexo),
se presentan las frecuencias de respuesta respectivas a cada pregunta.
Tabla 5.94. Distribución de frecuencias para la Pregunta 11
P11. ¿Consideras importante la 'programación informática' ('coding') para tu formación personal, como ciudadano
del siglo XXI? ¿Sí, No? ¿Por qué?
No 137 8,2 10,5 10,5
Tal vez / No lo sé / Depende 24 1,4 1,8 12,4
Válido
Sí 1142 68,7 87,6 100,0
Total 1303 78,4 100,0
Total 1662 100,0
Tabla 5.95. Distribución de frecuencias para la Pregunta 12

P12. ¿Consideras importante la 'programación informática' ('coding') para tu formación profesional, como
trabajador del siglo XXI? ¿Sí, No? ¿Por qué?
No 154 9,3 13,2 13,2
Válido
Sí 957 57,6 82,1 100,0
Total 1165 70,1 100,0
Total 1662 100,0
345
Entre ambos documentos (uno para las respuestas a la Pregunta 11: https://db.tt/Xc0tFhc9, y otro para las respuestas a
la Pregunta 12: https://db.tt/TggPuFZQ) suman casi 100 páginas, por lo que se ha optado en ubicarlos en la nube de
manera accesible para el lector; y no como anexos de la tesis doctoral.
329
Tal y como puede observarse, el porcentaje del ‘sí’ es abrumador en ambas preguntas, si bien es algo
superior en la relativa a la relevancia del ‘coding’ para la formación personal (como ciudadano) del
estudiante (87,6%); que en la relativa a la relevancia del ‘coding’ para la formación profesional
(como trabajador) del estudiante (baja al 82,1%).
Tal y como era de esperar, encontramos una asociación estadísticamente muy significativa entre las
respuestas codificadas a ambas preguntas (χ2 = 225,693; p(χ2) = 0,000 << 0,05; C = 0,405; p(C) =
0,000 << 0,05). Especialmente se encuentra contingencia entre los que responden que ‘sí’ a ambas
preguntas (Tabla 5.96 y Figura 5.59).
Tabla 5.96. Tabla de contingencia Pregunta 11 * Pregunta 12
P12. Relevancia ‘coding’ para formación

profesional
Total
Tal vez / No lo sé /
No Sí
Depende
Recuento 63 9 51 123
No
% dentro de P11 51,2% 7,3% 41,5% 100,0%
P11. Relevancia 5 7 9 21
Tal vez / No lo sé / Recuento
‘coding’ para
Depende % dentro de P11 23,8% 33,3% 42,9% 100,0%
formación personal
Recuento 85 38 884 1007
Sí
% dentro de P11 8,4% 3,8% 87,8% 100,0%
Recuento 153 54 944 1151
Total
% dentro de P11 13,3% 4,7% 82,0% 100,0%
Figura 5.59. Frecuencias en la Pregunta 11 en función de la Pregunta 12
330
Así las cosas, con mayoría abrumadora del ‘sí’, y con fuerte redundancia en el sentido de las
respuestas afirmativas a las preguntas 11 y 12; decidimos abordar un análisis cualitativo más
profundo focalizado explícitamente sobre el contenido de las respuestas afirmativas a la Pregunta 11,
con el objetivo de conocer en detalle las razones que dan los estudiantes para justificar la relevancia
del ‘coding’ en su formación personal, como ciudadanos digitales del siglo XXI.
Para ello, se analizaron las 1.142 respuestas afirmativas válidas a la Pregunta 11. De dicho conjunto
de respuestas, se encontraron 944 (82,6%) en las que el sujeto aportó alguna razón a su afirmación.
Dichas razones fueron codificadas con el software de análisis cualitativo Atlas.ti (versión 7) en
alguna de las siguientes 8 categorías 346:
 Razones utilitarias: respuestas que justifican la relevancia del aprendizaje del ‘coding’ en
función de un beneficio futuro (‘el coding es importante para hacer…’; ‘para ser…’; ‘para
ganar…’). Algunos ejemplos de respuestas que fueron asignadas a esta categoría: “sí, me
parece algo serio porque así podré estudiar animación 3D”…“es importante porque nos
ayuda si queremos ser programadores”…“I think that it’s important because in the future,
people will have to know how to code for work or anything”…“Importantísima porque para
cualquier trabajo hace falta un mínimo de programación”…“Sí, porque sirve para muchas
cosas y para progresar en materia de informática: mejores videojuegos, etc.”…“Si creo que
es bueno aprenderla porque es uno de los trabajos mejor pagados de todos
actualmente”…“Sí, es importante, porque ahora para usar muchas cosas hace falta la
programación informática”…“Sí, porque si alguien te pregunta sobre programación y te
puede servir de mucho”.
 Razones sociológicas: respuestas que justifican la relevancia del aprendizaje del ‘coding’ en
base a la premisa de que el mundo es (y será) tecnológico-digital (‘el coding es importante
porque el mundo…’; ‘porque la tecnología…’). Algunos ejemplos de respuestas que fueron
asignadas a esta categoría: “absolutely, because the new world we live in is based so much on
the internet and social media, sooner or later the world will be completely controlled by the
things we use most”…“ahora que la tecnología está tan avanzada, muchas cosas funcionan
alrededor de ella así que es importante aprender a manejar los programas adecuadamente
para el futuro”…“claro que sí; hoy en día todo está digitalizado”…“es importante porque
hace falta saber programación, ya que en el futuro casi todo va a tratar alrededor de la
tecnología”…“I do, since now a days computers are in our every day lives”…“la considero
importante porque utilizamos la tecnología a diario”…“sí, porque en el futuro puede que
todas las cosas sean de tecnología”… “sí, ahora nuestra vida cotidiana se encuentra
rodeada de tecnología”…“sí, lo considero importante porque el día de mañana la tecnología
será la base del mundo”.
 Razones expresivo-comunicativas: respuestas que justifican la relevancia del aprendizaje

del ‘coding’ en base a que posibilita nuevas formas de expresión y comunicación (‘con el
coding puedo crear…’; ‘puedo comunicarme…’; ‘puedo hackear…’). Algunos ejemplos de
respuestas que fueron asignadas a esta categoría: “claramente, me parece un trabajo creativo
346
Las categorías no se establecieron a priori, sino en paralelo al análisis de las respuestas; hasta llegar a un sistema
comprensivo y comprensible.
331
para la gente que esté interesada y tenga planes de futuro en crear ideas que ayuden a las
personas a través de la tecnología”…“está muy guay saber de código y poder crear cosas a
partir de una página en blanco”…“it is important because with coding you can make games,
applications, websites”… “sí, porque si quiero hacer un juego o una aplicación necesito
saber programar”…“sí, para hackear juegos te puede servir y también para hackear las
monedas de juegos, y crear aplicaciones para ti mismo”…“el saber programar te permite
ser creativo con lo que utilizas diariamente y además poder crear nuevas aplicaciones para
uso personal o para darlo a conocer”…“sí, es importante para nuestra creatividad”.
 Razones escolares: respuestas que justifican la relevancia del aprendizaje del ‘coding’ por
ser necesario para afrontar la vida escolar con éxito (‘el coding es importante en el
colegio…’; ‘para los trabajos de clase…’). Algunos ejemplos de respuestas que fueron
asignadas a esta categoría: “now a days in school we do almost everything in school (sic)
with computers and we need to know how they work”…“bastante, hoy en día lo estudian en
muchos coles”…“I think it is important to know computer programming, especially today
because more and more of schoolwork and media is moving online”…“sí, porque para hacer
trabajos importantes del colegio”…“sí, te ayuda en las notas y en matemáticas”.
 Razones emotivas: respuestas que justifican la relevancia del aprendizaje del ‘coding’ en
base a los sentimientos positivos que genera (‘el coding me gusta…’; ‘disfruto…’; ‘me siento
bien…’). Algunos ejemplos de respuestas que fueron asignadas a esta categoría: “I think it’s
important for me, because firstly i enjoy programming”…“sí, porque me parece bastante
divertido y aprendo mejor con el ordenador”…“sí, porque es educativo y divertido”…“sí,
porque me encanta programar”…“sí, porque es muy divertido”…“sí, porque me gusta
mucho”…“sí, porque te diviertes aprendiendo”.
 Razones de desarrollo: respuestas que justifican la relevancia del aprendizaje del ‘coding’
en la medida que promueve el desarrollo de aptitudes y habilidades (‘con el coding desarrollo
la aptitud de…’; ‘aprendo a…’; ‘mejoro en…’). Algunos ejemplos de respuestas que fueron
asignadas a esta categoría: “also programming teaches you how to solve problems which is
very helpful for math”…“la considero importante porque te ayuda a mejorar tu lógica y te
ayuda a progresar”…“la programación informática me ayudaría a resolver
problemas”…“me parece muy importante para mi formación personal ya que ayuda a
fomentar muchos campos poco trabajados como la perseverancia o ayuda a concentrarse;
también fomenta el trabajo en equipo”…“sí, porque con esto aprendemos lógica”…“sí, para
desarrollar todas las partes de nuestro cerebro”…“sí, para nuestro desarrollo”…“sí,
porque es muy bueno para la mente”…“sí, porque la informática es una parte fundamental
en nuestro desarrollo intelectual ya que la utilizamos diariamente”.
 Razones críticas: respuestas que justifican la relevancia del aprendizaje del ‘coding’ en la
medida que nos permite tener una visión más crítica del mundo digital en el que vivimos, y
de las estructuras de poder y control que en él operan (‘hay que programar en vez de ser
programados…’; ‘saber coding es estar alfabetizado…’; ‘ser un ciudadano digital consciente
y responsable…’). Algunos ejemplos de respuestas que fueron asignadas a esta categoría: “I
think it is important because when people use the computer, they think that it is all controlled
332
by machines but in this way, by learning about computer programing, you learn the origins
about computers and how it is actually a very real human invention/creation”…“la
programación es algo muy importante para entender la sociedad en la que vivimos ya que el
campo de la informática cada día ocupa más temas de conversación, es algo que en poco
tiempo se ha hecho con el dominio del mercado y sobre todo de la cultura”…“por supuesto
que sí, porque si no llegaremos a ser analfabetos del siglo XXI”…“sí, porque nos ayuda a
ser más responsables con el iPad”…“sí, porque si no seríamos analfabetos
informáticos”…“yes, because it helps us to understand what actually goes on behind all the
scenes (…) it helps my personal training because I will understand things more thoroughly
and see how everything works out! Thus, this can help me make decisions, and be wiser and
have a greater knowledge”.
 Razones genéricas: respuestas que justifican la relevancia del aprendizaje del ‘coding’ de
manera genérica o superficial (‘el coding es muy importante…’; ‘es muy necesario’).
Algunos ejemplos de respuestas que fueron asignadas a esta categoría: “sí, porque es muy
importante”…“lo considero muy importante para la vida”…“sí, pues me parece muy bien y
lo recomiendo”
En cuanto a la frecuencia de aparición de cada tipo de razones, se ilustra en la siguiente Figura 5.60.
Tal y como puede observarse, las razones más esgrimidas por los estudiantes para justificar la
relevancia del aprendizaje del ‘coding’ fueron las razones sociológicas (212 respuestas asignadas a
esta categoría), seguidas por las razones utilitarias (188), de desarrollo (180), genéricas (144),
expresivo-comunicativas (76), emotivas (68), escolares (44), y, por último, las razones críticas (sólo
32 respuestas asignadas a esta categoría).
Figura 5.60. Gráfico radial con la frecuencia de aparición relativa a cada tipo de razones para aprender ‘coding’
333
5.5. Discusión y conclusiones parciales
Dentro del grupo de objetivos específicos de investigación O1* podemos concluir que:
 Hay un fortísimo crecimiento del evento ‘La Hora del Código’ en España, multiplicándose
por 5 el número de centros educativos españoles registrados en el mismo de la edición HoC-
2013 a la edición HoC-2014. 347
 El evento penetra inicialmente por el área Este de España (la mayoritaria en la HoC-2013), y
se extiende posteriormente al área Noroeste y Centro (que suben en la HoC-2014). El área
Sur-Canarias es minoritario en la HoC-2013, pero no despega en la HoC-2014. En cualquier
caso, estas variaciones por área geográfica no fueron estadísticamente significativas y hay
que tomarlas con prudencia.
 Destacamos que el despegue del evento en el área Noroeste en la HoC-2014 puede atribuirse
fundamentalmente a Castilla y León (que pasó de 0 centros en la HoC-2013 a 6 centros
invitados en la HoC-2014), y a Galicia (que pasó de 0 a 7 centros invitados).
 Por otra parte, el impacto del evento se extiende desde los centros privados/concertados (que
suman mayoría en la HoC-2013), hacia los centros públicos (que ya son claramente
mayoritarios en la HoC-2014). Esta variación por titularidad está en el límite de la
significación estadística.
 Finalmente, puede afirmarse que el evento penetra inicialmente a través de los centros
‘Multietapa’ (privados o concertados), que son mayoría en la HoC-2013, y se extiende
posteriormente hacia los CEIP (Colegios Públicos de Educación Infantil y/o Primaria), que
son mayoría en la HoC-2014. Los IES (Institutos Públicos de Educación Secundaria,
Bachillerato y/o FP) ya están presentes en la HoC-2013 y se mantienen en la HoC-2014. Esta
variación por tipología sí fue significativamente estadística.
Así, globalmente, el evento ‘La Hora del Código’ irrumpe en España en el año 2013 por la zona Este
de la mano de colegios privados y concertados Multietapa (algunos de ellos son colegios
internacionales y bilingües: tiene sentido que precisamente fueran este tipo de centros los primeros
en hacerse eco del evento, dado que el movimiento de aprendizaje del código proviene de Estados
Unidos y los centros privados suelen tener menos resistencias a la innovación). En 2014, ‘La Hora
del Código’ se extiende hacia otros territorios (especialmente el área Noroeste y Centro), y se
incorpora al mismo masivamente el sector público (especialmente de la mano del espectacular
aumento de los CEIP; los IES ya estaban presentes en 2013). En la Figura 5.61 se representa aún más
sintéticamente esta evolución.
347
En las semanas previas al depósito de esta tesis doctoral, hemos tenido noticia del número de centros registrados en
España en la edición HoC-2015, que ha ascendido a 1.581 centros. Ello supone que el número de centros registrados en
nuestro país se ha multiplicado por más de 15 veces en tan sólo 2 años (de diciembre de 2013 a diciembre de 2015)
334
Figura 5.61. Evolución de ‘La Hora del Código’ a lo largo de las ediciones 2013 y 2014
Dentro del grupo de objetivos específicos de investigación O2Pa…O2Pc, en el marco de la hipótesis

directiva de adecuación, podemos concluir que:
 Los profesores consideran que la programación informática o ‘coding’ desarrolla un amplio

abanico de aptitudes y habilidades. Aunque destacan las relacionadas con el razonamiento
lógico y la resolución de problemas, se nombran muchas otras como aptitudes espaciales,
atencionales, de motivación e iniciativa, creatividad o trabajo en equipo. Adicionalmente, se
señala su potencial para la atención a la diversidad y, aunque prácticamente no se hace
mención literal del término ‘pensamiento computacional’, sí se indica que la programación
informática debería utilizarse no como fin en sí mismo sino como medio para desarrollar una
amplia gama de aptitudes y habilidades, transferibles a diversos campos.
 Hay un consenso generalizado entre los profesores sobre que el aprendizaje del ‘coding’ es
adecuado para todo tipo de alumnos, independientemente de su edad, género o capacidad. Se
concibe, pues, como un aprendizaje transversal que debe promoverse con las adaptaciones
necesarias para cada colectivo, pero sin dejar fuera a ninguno de ellos.
 Moderadamente, los profesores esperan correlación entre el rendimiento de sus alumnos en el

área de matemáticas y su nivel de ejecución en tareas de ‘coding’; si bien consideran que el
‘coding’ tiene algunos aspectos visuales propios, y que puede ser motivador para todos los
estudiantes independientemente de su rendimiento en matemáticas u otras áreas.
Dentro del grupo de objetivos de investigación O2Pd…O2Pg, en el marco de la hipótesis directiva de

viabilidad, podemos concluir que:
335
 Los profesores son conocedores de un amplio abanico de recursos y plataformas-tutoriales

‘on-line’ para el aprendizaje del ‘coding’. Se refieren más de una veintena de recursos al
respecto. Globalmente, y utilizando la terminología que empleamos en la taxonomía del
epígrafe 2.4.1, los profesores señalan para Educación Infantil y comienzos de Educación
Primaria recursos de aprendizaje que utilizan ‘lenguajes visuales por flechas’; para finales de
Educación Primaria y comienzos de Educación Secundaria se señalan recursos basados en
‘lenguajes visuales por bloques’; y para finales de Educación Secundaria y Bachillerato se
indican recursos basados en ‘lenguajes textuales’.
 El tutorial más utilizado durante la HoC es el propuesto por Code.org basado en los
personajes de ‘Angry Birds’, por su atractivo visual y sencillez, por el efecto motivador de los
personajes en los estudiantes, y por estar bien diseñado para un tiempo de aprendizaje de 1
hora.
 En conjunto, los profesores declaran que con una actividad de 1 hora es posible introducir a
los estudiantes en el ‘coding’, despertando su curiosidad para proseguir con un aprendizaje
más profundo. Además, declaran que este tipo de actividades y eventos son una forma de
mostrar a la comunidad educativa la accesibilidad de la programación informática para todo
tipo de alumnos, desmitificando su dificultad extrema; apoyándose para ello en los nuevos
recursos y lenguajes visuales, que bajan las ‘barreras de entrada’ a la programación y que
permiten generar productos en breve tiempo. Estas conclusiones van en la línea de lo
señalado por Lye y Koh en su reciente revisión (2014), acerca de cómo la proliferación y
disponibilidad de los nuevos lenguajes visuales está revitalizando el interés en las escuelas
sobre la programación informática.
 Los profesores informan de un excelente caldo de cultivo en la comunidad educativa para

celebrar el evento de ‘La Hora del Código’: muchos apoyos y casi ninguna resistencia. Parece
que hay una asunción colectiva de padres, madres, estudiantes, equipos directivos y
profesorado, de la importancia de la programación como habilidad digital clave en el siglo
XXI.
Dentro del grupo de objetivos de investigación O2Ph…O2Pi, en el marco de la hipótesis directiva de

relevancia, podemos concluir que:
 De manera casi unánime, los profesores manifiestan que el ‘coding’ es una habilidad
relevante para el futuro de sus estudiantes como ciudadanos digitales. Las principales razones
que se esgrimen tienen que ver con la omnipresencia de los objetos digitales en la sociedad
actual y futura, y con el desarrollo de habilidades cognitivas superiores de resolución de
problemas (incluidas menciones expresas al ‘pensamiento computacional’) al programar. En
menor medida, aparecen razones de corte creativo-expresivo o sociocríticas.
 También con rotundidad, la gran mayoría de profesores expresan su opinión de que el

‘coding’ es una habilidad relevante para el futuro de sus estudiantes como trabajadores
digitales. Ya sea por la creciente demanda explícita de programadores, ya sea por la utilidad
del ‘coding’ para afrontar de manera más eficaz un amplio abanico de profesiones en la
sociedad digital.
336
Dentro del grupo de objetivos de investigación O2Pj…O2Pñ podemos concluir que:
 Las actividades inicialmente planificadas en los centros para ‘La Hora del Código’ abarcan
un amplio rango de edades (desde Educación Infantil hasta Formación Profesional),
apoyándose en un variado abanico de recursos y tutoriales en línea. En general, los eventos
organizados tienen un carácter masivo, involucrando a todo el centro, lo cual refleja la
facilidad con que se pueden ‘escalar’ (= ampliar el factor de escala) dichos recursos de
aprendizaje del ‘coding’. Son eventos que se difunden a toda la comunidad educativa.
Habitualmente se celebran en el aula de informática y a través de equipos PC’s fijos, si bien
ya aparece el uso de algunos dispositivos portátiles y móviles. Son eventos de marcado
carácter lúdico, y sin evaluación formal. La metodología es activa, ‘learning by doing’ con el
apoyo de los tutoriales ‘on-line’ autoguiados; pero promoviendo que los estudiantes se
ayuden mutuamente (metodología ‘ask 3, then me’).
 Las actividades finalmente desarrolladas siguen en su gran mayoría la planificación inicial, a
excepción de casos puntuales por problemas de temporalización u organización escolar. Es
destacable que, cuando es necesario, se modifica sobre la marcha el dispositivo y/o tutorial de
aprendizaje inicialmente escogido por el profesor (p.e. por resultar excesivamente fácil o
difícil), lo que da idea de la flexibilidad y adaptabilidad de estos sistemas al nivel de ‘coding’
de cada estudiante o grupo de estudiantes. No se realizan evaluaciones formales, lo cual
sugiere cierto vacío en este terreno que trataremos de cubrir en el Capítulo 6 con el diseño y
validación de nuestro ‘Test de Pensamiento Computacional’ (TPC)
 Con respecto a los aspectos más positivos y más negativos derivados de la celebración del
evento, según los profesores, se sintetizan en la siguiente Figura 5.62.
Aspectos positivos
• Alta motivación e interés por parte de los
estudiantes
• Gamificación, adaptabilidad y accesibilidad de los
tutoriales, basados en lenguajes visuales de
programación
• Buena percepción de autoeficacia resultante
• Trabajo colaborativo, mentoría y 'pair
programming' (especialmente en Primaria)
• Facilidad para compartir los proyectos realizados
• Coste nulo
Aspectos negativos
• Problemas de temporalización del evento
• Deficiencias de conectividad a Internet de los
centros
Figura 5.62. Aspectos más positivos y más negativos reportados por los profesores en el cuestionario posterior a ‘La
Hora del Código’
337
 El anecdotario o casuística excepcional del evento, referida por los profesores, gira alrededor
de: estudiantes que demostraron un ‘talento especial’ a través de un desempeño excelente en
las tareas de ‘coding’, incluso sin experiencia previa; estudiantes (o grupos) habitualmente
disruptivos, inquietos o con problemas de atención, que se engancharon de forma sostenida a
las tareas de programación propuestas; estudiantes con desfase curricular en otras áreas que
mostraron un rendimiento inesperadamente alto en el ‘coding’; chicas con prejuicios
negativos alrededor de su aptitud para programar, que se vieron confrontadas al comprobar su
competencia con las tareas de ‘coding’ propuestas; o el excelente funcionamiento de la
metodología ‘pair programming’.
 Fundamentalmente, se detectan iniciativas de proseguir con currículos más sistemáticos,
prolongados y avanzados de aprendizaje del ‘coding’ a final de la etapa de Primaria y
Secundaria, con el curso trimestral ‘K-8 Intro to Computer Science’ (Code.org, 2015a). Y
también intenciones de profundización trimestral con Scratch en Secundaria y con
AppInventor en Secundaria y Bachillerato. Ello nos pone sobre la pista, y en contacto con los
centros adecuados, para llevar a cabo la evaluación de programas que se describe en el
Capítulo 7 de esta tesis doctoral.
Dentro del grupo de objetivos O2Ea…O2Ec podemos concluir que:
 Algo más de la mitad de los estudiantes encuestados (53,0%) ha oído hablar de la
programación informática o ‘coding’ con anterioridad al evento de ‘La Hora del Código’. Ese
porcentaje es significativamente mayor según se avanza en las etapas del sistema educativo; y
significativamente mayor en chicos (59,0%) que en chicas (46,7%). La mayor brecha de
género a favor de los chicos (+13,3%) en su exposición al término ‘programación
informática’ o ‘coding’ se da en Educación Secundaria. Y, adicionalmente, hay un porcentaje
significativamente mayor de estudiantes que han oído hablar del ‘coding’ en los centros
privados-concertados ‘multietapa’ (incluyen estudiantes de Primaria y Secundaria) frente a
los institutos o colegios públicos.
 Algo menos de la mitad de los estudiantes encuestados (43,0%) declara haber programado
con anterioridad al evento. Este porcentaje es significativamente mayor según se avanza en
las etapas del sistema educativo; y significativamente mayor en chicos (49,2%) que en chicas
(37,0%). La mayor brecha de género a favor de los chicos (+24,4%) en su experiencia previa
en programación se da en Bachillerato. Y, adicionalmente, hay un porcentaje
significativamente mayor de estudiantes que ha tenido experiencia previa en ‘coding’ en los
centros privados-concertados ‘multietapa’ (incluyen estudiantes de Primaria y Secundaria)
frente a los institutos o colegios públicos.
 Analizando conjuntamente los dos puntos anteriores (Figura 5.63), vemos que los chicos
mantienen una diferencia con respecto a las chicas aproximadamente constante ≈ +10% a lo
largo de todas las etapas en lo relativo a haber oído hablar del ‘coding’. Sin embargo,
mientras que los chicos van dando progresivamente el paso de ‘oír hablar’ al de ‘tener
experiencia’ con la programación; las chicas dejan de dar dicho paso a partir de la
Secundaria. Dicho de otra manera, la brecha de género tiene un doble componente: no es sólo
que las chicas estén menos expuestas a la idea del ‘coding’, sino que además se deciden
menos a probarlo.
338
80%
70,13%
70%
60,34% 66,23% 60,61%

60%
50,51%
50% 52,43% 47,02%
41,18%
40%
40,76% 41,79%
30% 33,33%
26,96%
20%
Primaria Secundaria Bachillerato Primaria Secundaria Bachillerato
Chicos Chicas
% que ha oído hablar del 'coding' % que tiene experiencia previa con el 'coding'
Figura 5.63. Análisis combinado de la brecha de género (se ha omitido aquí la etapa de FP por su reducida muestra)
 Los lenguajes de programación con los que un mayor porcentaje de estudiantes declara haber
tenido experiencia son (de más a menos y sólo reflejando aquellos con una penetración >2%
sobre el total de la muestra): HTML (14,02%), Scratch (12,03%), JavaScript (9,63%), CSS
(4,45%), Python (3,61%), Lightbot (2,77%) y Blockly (2,17%). Se observa una clara
trayectoria evolutiva y de género en el uso de los lenguajes: así, los lenguajes visuales
encuentran su mayor uso en Primaria (Lightbot, visual por flechas) y en Secundaria (Scratch
y Blockly, visuales por bloques), con un índice de penetración similar entre sexos; los
‘pseudolenguajes’ de etiquetas y estilo (HTML y CSS) tienen su mayor uso en el
Bachillerato, con un factor de género ≈ 1,5 veces superior en chicos; y los lenguajes textuales
puros (JavaScript y Python) encuentran su mayor uso en la Formación Profesional, con un
factor de género ≈ 2,5-3,0 veces superior en los chicos. Así, la progresiva brecha de género
parece que corre en paralelo a la transición de un tipo de lenguajes a otros.
Con respecto al objetivo O2Ed, en el marco de la hipótesis directiva de adecuación, podemos

concluir que:
 En términos generales, los estudiantes consideran que la actividad introductoria de ‘coding’

les ha servido para desarrollar en un nivel medio-alto (medianas de 4 sobre 5 en la escala
Likert): ‘capacidad de atención’, ‘pensamiento lógico’, ‘creatividad’, ‘resolución de
problemas’ y ‘persistencia-perseverancia’. Y en un nivel medio (mediana de 3 sobre 5 en la
escala Likert) el ‘trabajo en equipo’.
339
 Precisamente la aptitud-habilidad ‘trabajo en equipo’ presenta una distribución de frecuencias

distinta al resto; es una distribución casi bimodal en los extremos de la escala Likert: así pues
parece una variable de ‘todo o nada’, que presumiblemente sería dependiente de valores
contextuales (en función de la metodología de aprendizaje del ‘coding’ seguida por cada
profesor, se percibe ‘nada’ o ‘mucho’ trabajo en equipo). El resto de variables presentan
distribuciones con asimetría negativa, con la mayoría de las respuestas acumuladas en la parte
superior de la escala; parecen, presumiblemente, variables más independientes de valores
contextuales, y vinculadas a la tarea de programación en sí.
 No se encuentran diferencias por sexo en la percepción de cómo la actividad introductoria de

‘coding’ ha contribuido a desarrollar las distintas aptitudes-habilidades. Sí se encuentran
diferencias estadísticamente significativas en función de la etapa educativa, a favor de
Primaria frente a Secundaria y Bachillerato, especialmente en la ‘capacidad de atención’ y el
‘trabajo en equipo’ (en ambas igualmente aparecen diferencias significativas en función de
tener o no experiencia previa en ‘coding’, favorables a estos últimos). Parece, pues, que los
estudiantes más pequeños (en mayor medida sin experiencia en ‘coding’) perciben más
intensamente la relación del ‘coding’ con el desarrollo de la capacidad de atención; a medida
que son más mayores (y va habiendo más estudiantes con experiencia previa en ‘coding’)
resulta menos saliente el aspecto atencional, pues posiblemente haya partes de la tarea que ya
se han automatizado. Adicionalmente, y en consistencia con los cuestionarios de profesores,
parece que el ‘trabajo en equipo’ fue promovido especialmente en las actividades de ‘coding’
en Primaria, frente a Secundaria y Bachillerato.
 La percepción que tienen los estudiantes sobre en qué medida la actividad de ‘coding’
contribuye a desarrollar sus aptitudes y habilidades, se organiza alrededor de 3 factores
relativamente independientes: 1) el principal, que tiene que ver con ‘el acto de programar en
sí’, intrínseco a cualquier tarea de ‘coding’, y que aglutina dos factores de segundo orden:
uno cognitivo (‘pensamiento lógico’ y ‘resolución de problemas’) y otro motivacional-
atencional (‘persistencia-perseverancia’ y ‘capacidad de atención’); 2) factor de menor peso,
que tiene que ver con la carga creativa del ‘entorno-tarea de programación’ utilizado:
coherentemente con una de las dimensiones de la taxonomía planteada en el epígrafe 2.4.1 de
la parte teórica, hay entornos de ‘coding’ poco creativos consistentes en la resolución de
puzles o problemas cerrados de programación (‘close-ended’), frente a entornos altamente
creativos donde se programan proyectos abiertos ‘desde cero’ (‘open-ended’) o remezclando
creativamente el código de otros; y 3), el factor que tiene que ver con la ‘metodología de
aprendizaje de la programación’ utilizada por el docente en el aula, en especial en lo relativo
a si el ‘coding’ se realiza de manera colaborativa (p.e. mediante ‘pair programming’) o en
solitario.
Con respecto al grupo de objetivos O2Ee…O2Ej, en el marco de la hipótesis de viabilidad, podemos

concluir que:
 Tras finalizar la actividad de ‘coding’, la percepción de autoeficacia general es

moderadamente alta (mediana de 4 sobre 5). Destaca especialmente que sólo el 6,9% de los
estudiantes declara que el ‘coding’ se les da ‘mal’ o ‘muy mal’ tras la experiencia; y se
340
acumula un 70,2% que declara que se les da ‘bien’ o ‘muy bien’. En este sentido, parece que
el evento ‘La Hora del Código’ consigue su objetivo, tal y como vimos en el sub-epígrafe
2.2.3.1 de la parte teórica, de desmitificar la dificultad del aprendizaje del ‘coding’. Con su
oferta de tutoriales visuales, intuitivos y adaptables, parece conseguir que la mayoría de
estudiantes acaben la actividad con una alta percepción de competencia; convirtiendo así el
‘coding’ en un aprendizaje potencialmente accesible para el grueso de la población escolar (y
no sólo para los más dotados).
 2 de cada 3 estudiantes afirma que pudo completar el 100% de la actividad propuesta en su

centro para ‘La Hora del Código’. Es un dato que globalmente nos indica la viabilidad de
iniciar y finalizar una actividad introductoria al ‘coding’ en una sola sesión de clase. Aun así
es un dato con margen de mejora: 1 de cada 3 estudiantes afirma que no pudo finalizar el
100% de la actividad, algo que ya se anticipaba en las respuestas de los profesores a su
cuestionario (post) en donde se reportaron algunos problemas de temporalización.
 El hecho de que el estudiante consiga acabar, o no acabar, la actividad de una hora propuesta
tiene un efecto moderado sobre la percepción de autoeficacia ulterior (en el caso de acabarla,
la percepción de autoeficacia es luego significativamente mayor). Es decir, hay evidencia
empírica que respalda la importancia de planificar actividades de aprendizaje que puedan
abordarse y finalizarse en el tiempo previsto; de cara a una adecuada sensación de
competencia por parte del estudiante, que presumiblemente le proporciona una buena base
motivacional para aprendizajes posteriores.
 Existen diferencias significativas en función del sexo, tanto en el porcentaje de sujetos que
consiguió finalizar la actividad HoC como en la percepción de ‘autoeficacia’ subsiguiente,
ambas a favor de los chicos. Sin embargo, dichas diferencias desaparecen cuando se controla
la experiencia previa en programación.
 También existen diferencias significativas en función de la etapa educativa, tanto en el

porcentaje de sujetos que consiguió finalizar la actividad HoC como en la percepción de
‘autoeficacia’ subsiguiente. Educación Secundaria es la etapa en la cual ambas variables
presentan sus valores más bajos; y, por tanto, en donde el ajuste global de la actividad
planteada a los estudiantes fue más deficiente. Triangulando con la información aportada por
los profesores, es posible que ello tenga que ver con que en esos cursos se produce la
transición o salto desde los lenguajes visuales por bloques a los lenguajes textuales (Weintrop
& Wilensky, 2015a, 2015b); ocasionando ciertos desajustes en el nivel de dificultad que las
actividades plantean a los estudiantes.
 Los estudiantes que consiguen finalizar la actividad HoC, y que en consecuencia tienden a
adquirir una percepción de autoeficacia mayor en ‘coding’, tienden igualmente a valorar en
mayor medida la contribución del ‘coding’ al desarrollo de sus distintas aptitudes y
habilidades. Por el contrario, los estudiantes que no consiguen finalizar la actividad, con
menor percepción de autoeficacia, desvalorizan el papel del ‘coding’ para su desarrollo. Esta
relación podría ser explicada en términos de disonancia cognitiva (Festinger, 1957), según la
cual tendemos a generar sistemas de creencias y percepciones que encajen entre sí, que
341
guarden cierta coherencia interna: “si acabo la actividad HoC, me siento más competente en
‘coding’, y valoro más sus efectos sobre mis aptitudes” (muestra de coherencia cognitiva);
“si soy incapaz de finalizar la actividad HoC, percibo que se me da mal el ‘coding’, y lo
desvalorizo” (para evitar disonancia cognitiva).
 El rendimiento académico informado es significativamente superior en las chicas frente a los

chicos para las asignaturas de Lengua, Música y Plástica; y se iguala entre ambos sexos para
Matemáticas y Tecnología/Informática. El rendimiento académico informado sufre un
descenso significativo desde Educación Primaria a Educación Secundaria, con una posterior
recuperación en Bachillerato debida fundamentalmente al colectivo femenino.
 Más relevante para nuestra investigación, encontramos una correlación significativa entre
tener experiencia previa en ‘coding’ y el rendimiento académico informado; especialmente en
las asignaturas de Tecnología/Informática y Matemáticas, tal y como era de esperar. Además,
dicha correlación es más fuerte en el colectivo masculino. Así, el tener contacto con la
programación informática podría estar funcionando como catalizador del buen rendimiento
académico, especialmente en las asignaturas más afines y con un efecto acelerador
especialmente intenso entre los chicos (las chicas tienden a rendir alto en cualquier caso).
 En la misma línea, encontramos una correlación significativa entre la percepción de

autoeficacia en ‘coding’ tras realizar la actividad y el rendimiento académico informado; otra
vez especialmente intensa en las asignaturas de Tecnología/Informática y Matemáticas. Pero
esta relación es más acusada en el colectivo masculino que en el femenino: parece que los
chicos establecen una relación más directa entre su rendimiento típico (hecho ‘objetivo’) y su
percepción de autoeficacia (hecho ‘subjetivo’); no tanto así las chicas, en donde es más
común encontrar casos en los que, a pesar de un alto rendimiento, se declara una percepción
de autoeficacia baja o moderada (Figura 5.64). Este hallazgo es consistente con la
investigación sobre diferencias de género en ‘pesimismo defensivo’ (ver p.e., Rodríguez,
Cabanach, Valle, Núñez, & González-Pineda, 2004; Suárez Riveiro & Fernández Suárez,
2005), que repetidamente muestra que las chicas son más proclives a declararse poco eficaces
en una tarea aunque tengan evidencia objetiva de su rendimiento en la misma.
 Igualmente, encontramos una correlación significativa entre el hecho de haber conseguido

acabar, o no, la actividad HoC y el rendimiento académico informado; y otra vez
especialmente intensa en las asignaturas de Tecnología/Informática y Matemática. En este
caso la relación es similar en ambos sexos, lo cual es explicable dado que ahora se
correlacionan dos hechos objetivos; mientras que en el punto anterior se correlacionaba una
percepción subjetiva con un hecho objetivo, dando lugar a efectos diferenciales por sexo.
342
Figura 5.64. Diagrama de dispersión entre el rendimiento informado en Tecnología/Informática y la percepción de

autoeficacia en ‘coding’, diferenciado por sexo. Los chicos establecen una relación más directa entre ambas variables,
mientras que hay chicas con alto rendimiento que se sitúan en niveles sólo medios de autoeficacia.
 Globalmente, el grado de motivación para proseguir el aprendizaje del ‘coding’ tras el

evento, manifestado por los estudiantes, es bastante alto (mediana y moda de 4, en una escala
de 1 a 5). Tan sólo un 12,6% se declara ‘nada motivado’ o ‘poco motivado’ para continuar
aprendiendo ‘coding’; el 27,2% se declara ‘algo motivado’; y un 60,2% dice estar ‘bastante
motivado’ o ‘muy motivado’ para seguir con el aprendizaje del ‘coding’ tras su experiencia
en el evento de ‘La Hora del Código’. Además, 8 de cada 10 estudiantes declara que le
gustaría seguir aprendiendo ‘coding’ a través de entornos ‘on-line’ (plataformas y tutoriales
en Internet que permiten al estudiante avanzar a su propio ritmo). Así pues, diríamos que el
evento ‘La Hora del Código’ logra su objetivo de enganchar a una mayoría de estudiantes
para que, a partir de la actividad introductoria realizada, se interesen en proseguir y
profundizar en el aprendizaje del ‘coding’.
 Tanto el grado de motivación para proseguir al aprendizaje del ‘coding’, como la

determinación para hacerlo ‘on-line’, es significativamente mayor en chicos y en chicas; y
significativamente mayor en Primaria que en Secundaria (en donde se produce un brusco
descenso, atribuible fundamentalmente al colectivo femenino). Además, el hecho de haber o
343
no haber conseguido completar la actividad HoC y la percepción de autoeficacia

subsiguiente, tienen un efecto significativo en estas variables motivacionales: a mayor
autoeficacia, de manera casi lineal, aparece mayor motivación para proseguir el aprendizaje
del ‘coding’; en el caso específico del aprendizaje a través de plataformas ‘on-line’ se
observa un techo atribuible a un pequeño (pero resistente) grupo de estudiantes que, aún con
buena autoeficacia y buena motivación para el ‘coding’, rechazan el sistema en línea.
 Así pues, se detecta una efecto motivacional ‘en cascada’ desde el hecho de conseguir
completar la actividad HoC, tener una buena percepción de autoeficacia subsiguiente en
tareas de ‘coding’, manifestar consistentemente una buena motivación para continuar con su
aprendizaje y la determinación para hacerlo a través de plataformas-tutoriales ‘on-line’.
Parece que ‘La Hora del Código’ consigue introducir a una mayoría de estudiantes en este
círculo virtuoso (Figura 5.65): la mayor densidad de sujetos se concentra en el área del cubo
correspondiente a “alta autoeficacia * alta motivación * determinación a aprender ‘coding’
on-line”); a partir de su oferta de recursos de aprendizaje atractivos, visuales y muy bien
ajustados en su grado de dificultad.
Figura 5.65. Diagrama de dispersión tridimensional: la mayor densidad de sujetos se concentra en el área de “alta
autoeficacia * alta motivación * sí a proseguir aprendizaje del ‘coding’ on-line”
344
 En esta ‘cascada motivacional virtuosa’, unos pocos sujetos van quedándose por el camino
(p.e. sujetos que, aunque hayan finalizado la actividad con una percepción de autoeficacia
media-alta, luego declaran baja motivación para proseguir con el aprendizaje del ‘coding’).
Lo más relevante es que este abandono de la ‘cascada motivacional virtuosa’ es más acusado
en chicas que en chicos, se manifiesta especialmente en Secundaria, y particularmente en la
determinación para aprender ‘coding on-line’ (Tabla 5.97, y Figuras 5.66, 5.67, y 5.68). Estos
resultados son consistentes con hallazgos previos que señalan la menor propensión de las
chicas hacia los entornos de aprendizaje ‘on-line’ (Yang et al., 2011)
Tabla 5.97. Evolución de la ‘cascada motivacional virtuosa’, en función del sexo

P8. Motivación proseguir P9. Determinación aprender
P5. Autoeficacia ‘coding’
aprendizaje ‘coding’ ‘coding’ on-line
(% acumulado medio-alto 348)
(% acumulado medio-alto) (% afirmativo)
Chicos 93,72% 88,32% 83,38%
Chicas 92,85% 86,27% 77,38%
Total 93,13% 87,41% 80,36%
95%
90%
85%
80%
75%
70%
% continuar aprendizaje
% autoeficacia media-alta % motivación media-alta
online
Chicos 93,72% 88,32% 83,38%
Chicas 92,85% 86,27% 77,38%
Total 93,13% 87,41% 80,36%
Chicos Chicas Total
Figura 5.66. Evolución de la ‘cascada motivacional virtuosa’, en función del sexo
348
Se refiere al porcentaje acumulado de sujetos que se sitúan en la parte medio-alta de la escala (puntos 3, 4 o 5 de la
escala Likert)
345
100%
95%
90%
85%
80%
75%
70%
65%
60%
Primaria Secundaria Bachillerato Primaria Secundaria Bachillerato
Chicos Chicas
% autoeficacia coding media-alta
% motivación coding media-alta
% continuar aprendizaje coding on-line
Figura 5.67. Evolución de la ‘cascada motivacional virtuosa’ por sexo y etapa educativa (I)
100%
95%
90%
85%
80%
75%
70%
65%
60%
Bachillerato
Bachillerato
Bachillerato
Secundaria
Secundaria
Secundaria
Primaria
Primaria
Primaria
% autoeficacia coding media-alta % motivación coding media-alta % continuar aprendizaje

coding on-line
Chicos Chicas
Figura 5.68. Evolución de la ‘cascada motivacional virtuosa’ por sexo y etapa educativa (II)
346
 El análisis de clúster revela la existencia de cuatro conglomerados de sujetos en función de

tener o no tener exposición previa al ‘coding’, y de tener alta o baja autoeficacia-motivación
para el ‘coding’ tras la actividad HoC. En concreto, los clústeres encontrados son: 1) ‘novatos
de baja autoeficacia-motivación’ o, simplemente, ‘no interesados’; 2) ‘veteranos de
autoeficacia media y baja motivación’ o, simplemente, ‘desencantados’; 3) ‘veteranos de
alta autoeficacia-motivación’ o, simplemente, ‘enganchados’; 4) ‘novatos de autoeficacia
media y alta motivación’ o, simplemente, ‘entusiasmados’. Casi 8 de cada 10 sujetos (un
79,4%) se sitúa en los clústeres 3 y 4, ‘enganchados’ y ‘entusiasmados’ respectivamente, que
tienen en común su alta motivación para proseguir el aprendizaje del ‘coding’; lo cual puede
considerarse un éxito del evento HoC. Sólo un 20,6% de sujetos se sitúan en los clústeres de
baja motivación, el clúster 1 (10,0%) de ‘no interesados’ y el clúster 2 (10,7%) de
‘desencantados’. Los clústeres 1, 2 y 4 son de ligero predominio femenino, mientras que el
clúster 3 es de claro predominio masculino; esta distribución diferencial por sexo no existe en
la etapa de Primaria, emergiendo en Secundaria. Adicionalmente, en los centros privados hay
predominio de sujetos del clúster 3 (‘enganchados’) mientras que en los centros públicos lo
hay del clúster 4 (‘entusiasmados’); resultado coherente con el hecho de que en los centros
privados hay mayor proporción de estudiantes con experiencia previa en ‘coding’
(recordemos que el ‘coding’ comenzó a penetrar en el sistema educativo fundamentalmente a
través de estos centros privados)
 A través de un análisis de regresión múltiple, encontramos un modelo explicativo-predictivo

parsimonioso de la motivación de los estudiantes para proseguir su aprendizaje con el
‘coding’ tras la actividad HoC. El 42,1% de la varianza de dicha motivación queda explicado
de manera directa, y de mayor a menor peso relativo, por la autoeficacia percibida en
‘coding’ tras la actividad, por la percepción de que el ‘coding’ contribuye a desarrollar la
creatividad y la resolución de problemas; y, en sentido inverso, por la etapa educativa del
estudiante. En síntesis, para promover una alta motivación de los estudiantes en continuar
aprendiendo ‘coding’ es crítico plantear tareas que sean capaces de acometer con éxito y que
les planteen problemas significativos que puedan abordarse desde un plano creativo; ello
parece estar sucediendo más adecuadamente en Primaria que en Secundaria.
 En el caso más específico de estar o no determinado a continuar el aprendizaje del ‘coding’ a

través de plataformas-tutoriales ‘on-line’ autoguiados (al propio ritmo, de manera
interactiva…), obtenemos una función discriminante que es capaz de predecir correctamente
el 86,9% de los casos. Dicha predicción se hace en base a cuatro variables: la motivación del
estudiante por seguir aprendiendo ‘coding’ y a su percepción de autoeficacia, como era
esperable; pero también son críticas en la función discriminante, la experiencia previa en
‘coding’ del estudiante y su percepción de que éste contribuye al desarrollo del pensamiento
lógico. Parece, pues, que el perfil más específico del estudiante que se declara proclive al
aprendizaje del ‘coding on-line’, es el de un sujeto que ya ha tenido contacto con la
programación informática y que es especialmente sensible a sus aspectos formales-lógicos.
 La anterior función discriminante se muestra poco eficaz en un grupo concreto de 135 sujetos
que, aún con niveles suficientes de motivación, autoeficacia y experiencia previa en ‘coding’;
finalmente declaran no estar dispuestos a proseguir su aprendizaje mediante el sistema de
347
plataformas-tutoriales ‘on-line’ autoguiados. Dicho grupo está compuesto mayoritariamente

por chicas de Educación Secundaria (del clúster 2 o ‘desencantadas’), que parecen estar
demandando otros contextos o metodologías diferentes, más significativos y cercanos a sus
intereses, para seguir aprendiendo ‘coding’. Estos resultados son consistentes con estudios
previos que afirman que las chicas en edades ‘middle school’ (6º Primaria a 2º ESO) se ven
más atraídas hacia un aprendizaje del ‘coding’ que incluya entornos ‘off-line’ desde una
aproximación kinestésica (p.e. aprender secuencias y bucles a través de coreografías de baile)
(Daily, Leonard, Jörg, Babu, & Gundersen, 2014; Leonard et al., 2015)
 Con respecto al grado de conocimiento de los estudiantes de las distintas plataformas-

tutoriales ‘on-line’ de aprendizaje del ‘coding’, se detectan 3 grupos: a) el formado por
Code.org y Scratch, con una alta penetración que se sitúa en el orden del 30-40% del total de
la muestra; b) el formado por Light-Bot, App Inventor, Khan Academy, Codecademy,
Tynker, Blockly y CodeHS, con una penetración moderada en el orden del 5-10%; y c) el
resto de plataformas-tutoriales, con una baja penetración que no llega al 1% sobre el total de
la muestra.
 Al comparar entre los estudiantes que siguieron el tutorial HoC de Code.org (o ‘coders’), y
los que siguieron el tutorial HoC de Scratch (o ‘scratchers’) encontramos algunas diferencias
de interés. Hay ‘coders’ tanto en Primaria como en Secundaria, mientras que los ‘scratchers’
sólo emergen masivamente en Secundaria. Los ‘coders’ perciben en mayor medida que los
‘scratchers’ cómo la programación contribuye a desarrollar sus aptitudes-habilidades,
especialmente el trabajo en equipo y la persistencia-perseverancia; y acaban la actividad con
niveles significativamente mayores de autoeficacia y motivación para seguir aprendiendo
programación, también si es a través de entornos ‘on-line’. Así, globalmente, parece que los
tutoriales de Code.org, en el contexto de ‘La Hora del Código’, ofrecen ventajas respecto a
los de Scratch. Este hecho es consistente con el diseño de los tutoriales de Code.org, muy
orientados a la solución progresiva de puzles breves de programación, en un entorno
gamificado y con feed-back inmediato que consigue, en sólo 1 hora, elevar la sensación de
competencia y motivación a corto plazo del aprendiz (habrá que ver por cuánto tiempo un
sujeto podría continuar aprendiendo sólo a través de este sistema ‘a corto plazo’); mientras
que Scratch se orienta a la creación de proyectos abiertos a través del código, exigiendo
procesos de aprendizaje más largos (y, al principio del proceso, bastante dirigidos por el
docente)
Con respecto al grupo de objetivos O2Ek…O2El, en el marco de la hipótesis de relevancia, podemos

concluir que:
 Desde un punto de vista cuantitativo, hay una mayoría abrumadora de estudiantes, superior al
80%, que afirman la importancia del ‘coding’ para su futuro. Si bien dicho porcentaje es algo
superior cuando se les pregunta sobre la relevancia del ‘coding’ para su formación personal,
como ciudadanos (87,6%); que cuando se les pregunta sobre lo mismo para su formación
profesional, como trabajadores (82,1%)
348
 Desde un punto de vista cualitativo, las razones esgrimidas por los estudiantes para justificar
la relevancia del aprendizaje del ‘coding’ son, de mayor a menor frecuencia de aparición: las
razones sociológicas (‘el coding como respuesta a un mundo-sociedad tecnológico y digital),
seguidas por las razones utilitarias (‘el coding como herramienta para conseguir beneficios
personales y profesionales’), razones de desarrollo (‘el coding como potenciador de una
mente lógica y solucionadora de problemas), razones genéricas, razones expresivo-
comunicativas (‘el coding como vía de expresión a través de la creación de objetos
digitales’), emotivas (‘el coding como fuente de diversión y satisfacción’), escolares (‘el
coding como parte de un emergente currículum escolar’), y, por último, las razones críticas
(‘el coding como elemento de empoderamiento y alfabetización crítica en la sociedad digital;
programar para evitar ser programado’). Esta ordenación es consistente con los mensajes
lanzados desde los leitmotivs, lemas y merchandising del evento ‘La Hora del Código’; según
vimos en el sub-epígrafe 2.2.3.1.
 En conjunto, la inmensa mayoría de los estudiantes se muestran sensibles a la relevancia del

‘coding’ para su futuro; con lo cual, parece lograrse otra de las finalidades principales del
evento HoC. Ahora bien, cuando entramos en el análisis cualitativo de las razones que
sustentan dicha afirmación encontramos un panorama, algo preocupante, excesivamente
utilitarista y con tintes de determinismo sociológico (‘el mundo es y será digital; y debo saber
‘coding’ para aprovechar y sacar beneficio de esa circunstancia’); en detrimento de los
aspectos creativos, comunicativos y críticos, que deberían promoverse activamente desde el
sistema educativo. Estas cuestiones han sido señaladas recientemente por Williamson (2015),
que llama la atención, de manera muy crítica, sobre el currículum oculto de parte del
movimiento ‘code literacy’ y de las iniciativas ‘learning to code’. En su opinión, detrás de
estos acontecimientos, se esconde la intención de que las nuevas generaciones interioricen un
sistema de pensamiento que asuma que cualquier problema, incluidos los problemas
políticos, puede ser resuelto si se aplica el algoritmo o código correcto (Williamson, 2015).
Esta idea serviría de justificación y soporte a las emergentes formas de ‘gobernanza digital o
algorítmica’ (Sadin, 2015), en la cual los gobiernos rehúyen sus responsabilidades
desplazándolas a problemas técnicos que pueden resueltos por algoritmos, si a éstos se les
proporcionan los datos suficientes (y de ahí la justificación de obtener datos continuamente
de los ciudadanos). En nuestra opinión, el movimiento ‘code literacy’ sería una oportunidad
precisamente para lo contrario: que los estudiantes no den por hecho el funcionamiento de las
pantallas con las que interactúan a diario, sino que aprendan que dichas pantallas están
programadas, con arreglo a unos intereses dados, y que ellos tienen la capacidad de
reprogramarlas llegado el caso. El campo de batalla está abierto.
349
CAPÍTULO 6
SEGUNDO ESTUDIO: EL TEST DE PENSAMIENTO

COMPUTACIONAL (TPC)
6.1. Antecedentes
Tal y como justificamos en la parte teórica de esta tesis doctoral (Capítulo 3), el pensamiento
computacional (PC) se viene situando en el foco de la innovación educativa como un conjunto de
habilidades de solución de problemas que debe ser adquirido por las nuevas generaciones de
estudiantes. Sin embargo, no existe aún consenso internacional sobre cómo definir el PC, ni tampoco
una idea clara sobre cómo incorporarlo a los sistemas educativos en sus distintas etapas. Igualmente,
hay un enorme vacío sobre cómo medir y evaluar el PC.
En respuesta, abordamos la construcción y validación de un ‘Test de Pensamiento Computacional’

(TPC) específicamente diseñado para población escolar española de primer ciclo de la Educación
Secundaria Obligatoria (1º ESO – 2º ESO), pero con aplicaciones complementarias en el último ciclo
de Educación Primaria (5º Primaria – 6º Primaria) y en el segundo ciclo de la Educación Secundaria
Obligatoria (3º ESO y 4º ESO).
Para ello, y previa enunciación explícita de los objetivos específicos que nos planteamos en este
estudio, dividiremos el proceso en tres fases bien diferenciadas:
 Fase I: acerca de la construcción-diseño del TPC; y su validación de contenido a través del

juicio de expertos.
 Fases II: acerca de la virtualización-digitalización del TPC; y su validación aparente.
 Fase III: acerca de la puesta en servicio y aplicación del TPC; y el análisis de su psicometría
general (descriptivos), fiabilidad (consistencia interna y estabilidad) y validez (criterial,
discriminante, convergente, y factorial)
El capítulo finaliza con la discusión de los resultados encontrados a lo largo de las 3 fases anteriores,
y la enunciación de algunas conclusiones parciales al respecto.
6.2. Objetivos específicos
En este Capítulo 6 se aborda el objetivo general O3 [‘Diseñar y validar un instrumento que mida el
nivel de desarrollo del pensamiento computacional, o Test de Pensamiento Computacional (TPC), en
población escolar española de primer ciclo de la Educación Secundaria Obligatoria (1º ESO – 2º
ESO)’]. En el marco de este objetivo general, nos planteamos los siguientes objetivos específicos:
Volver al índice
• O3a: Diseñar un Test de Pensamiento Computacional (TPC) que siga las directrices fijadas
por Buffum et al. (2015) 349 sobre la construcción de instrumentos de medida en el área de las
Ciencias de la Computación para edades ‘middle school’.
• O3b: Someter al TPC a un proceso de validación, y depuración subsiguiente, de su contenido

a través del juicio de expertos.
• O3c: Virtualizar-digitalizar el TPC, de manera que pueda ser accesible a través de dispositivos
fijos o móviles con conexión a Internet.
• O3d: Someter al TPC a un proceso de validación aparente, que garantice su correcta

legibilidad y navegación.
• O3e: Aplicar el TPC sobre una muestra representativa y de tamaño suficiente de la población
objetivo.
• O3f: Describir la psicometría general del TPC: estadísticos descriptivos, baremos, y análisis
de ítems.
• O3g: Estudiar la fiabilidad del TPC como consistencia interna.
• O3h: Estudiar la fiabilidad del TPC como estabilidad.
• O3i: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘razonamiento lógico’.
• O3j: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘espacial’.
• O3k: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘numérica’.
• O3l: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘verbal’.
• O3m: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘resolución de problemas’.
• O3n: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de aptitud ‘perceptivo-atencional’.
• O3ñ: Estudiar la validez criterial (concurrente) del TPC con respecto a una medida
estandarizada de personalidad.
• O3o: Estudiar la validez criterial (predictiva) del TPC con respecto al rendimiento académico
en varias asignaturas.
349
Recordamos al lector que dichas directrices se revisaron en el epígrafe 3.3.2 (Capítulo 3) de la parte teórica.
351
• O3p: Estudiar la validez criterial (predictiva) del TPC con respecto a las estadísticas de
desempeño en el curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a).
• O3q: Estudiar la validez discriminante del TPC para detectar sujetos de alta capacidad
computacional.
• O3r: Estudiar la validez convergente del TPC con respecto a una selección de tareas Bebras 350
• O3s: Estudiar la validez convergente del TPC con respecto a la herramienta Dr. Scratch 351
• O3t: Estudiar la validez factorial del TPC.
6.3. Fase I: Diseño y validación de contenido
La Fase I arranca con el diseño de una primera versión del Test de Pensamiento Computacional
(TPC), siguiendo las directrices fijadas por Buffum et al. (2015) sobre la construcción de
instrumentos de medida en el área de las Ciencias de la Computación para edades ‘middle school’;
cubriendo así el objetivo específico O3a. Por tanto, nuestro TPC es diseñado inicialmente (versión
1.0, de octubre de 2014) bajo los siguientes principios y directrices (Román-González, 2015a,
2015b):
 Objetivo: el TPC pretende medir el nivel de desarrollo del pensamiento computacional (PC)
en el sujeto.
 Definición operativa del constructo medido 352: el pensamiento computacional es la

capacidad de formular y solucionar problemas apoyándose en los conceptos fundamentales
de la computación, y usando la lógica inherente a los lenguajes informáticos de
programación: secuencias o direcciones básicas, bucles, condicionales, funciones, y variables.
 Población objetivo: el TPC está diseñado y dirigido, como foco central, a población escolar
española de entre 12 y 13 años (1º y 2º ESO).
 Tipo de instrumento: prueba objetiva de elección múltiple con 4 opciones de respuesta (sólo
1 correcta).
 Longitud: 40 ítems.
 Tiempo estimado de realización: 45 minutos.
Cada uno de los ítems está diseñado y caracterizado a través de los siguientes cinco ejes de diseño:
‘concepto computacional abordado’; ‘entorno-interfaz del ítem’; ‘estilo de las alternativas de
respuesta’; ‘existencia o inexistencia de anidamiento’; y ‘tarea requerida’. A continuación,
describimos con más detalle cada uno de estos cinco ejes de diseño, acompañándolos de una breve
justificación que remite a lo ya visto en la parte teórica.
350
Recordamos al lector que las tareas Bebras se describieron en el sub-epígrafe 3.3.2.1 (Capítulo 3) de la parte teórica.
351
Recordamos que la herramienta Dr. Scratch se describió en el sub-epígrafe 3.3.2.2 (Capítulo 3) de la parte teórica.
352
Así ya enunciada en el epígrafe 3.1.5 (Capítulo 3) de la parte teórica.
352
- Concepto computacional abordado: coherentemente con la definición operativa del PC

dada más arriba, cada ítem aborda uno o más de los siguientes 8 conceptos computacionales,
ordenados en una dificultad creciente: Direcciones o secuencias básicas (5 ítems); Bucles –
‘repetir veces’ (5 ítems); Bucles – ‘repetir hasta’ (5 ítems); Condicional simple – ‘if’ (5
ítems); Condicional compuesto – ‘if/else’ (5 ítems); Mientras que – ‘while’ (5 ítems);
Funciones simples (5 ítems); Funciones con parámetros 353 (5 ítems).
Justificación: Estos conceptos están alineados con los estándares de aprendizaje que fija la
‘Computer Science Teachers Association’ (CSTA) para la educación en ciencias de la
computación en estas edades (CSTA, 2011). En concreto, en su Nivel 2 (‘Level 2’,
correspondiente a los Grados 6-9 en el sistema norteamericano, equivalentes a 6º Primaria -
3º ESO en el sistema educativo español), se fija el siguiente estándar en lo relativo a los
conceptos computacionales que deben dominarse en estas edades: “CPP.L2-05: Implement
problem solutions using a programming language, including: looping behavior, conditional
statements, logic expressions, variables, and functions” (CSTA, 2011, p. 17), es decir,
implementar soluciones a problemas utilizando (los conceptos inherentes a) un lenguaje de
programación: bucles, sentencias condicionales, expresiones lógicas, variables y funciones.
Además, los conceptos computacionales abordados por el TPC se alinean con los que
proponen los 2 instrumentos específicamente revisados en el epígrafe 3.3.2 (Capítulo 3): a
saber, el ‘Test for Measuring Basic Programming Abilities’ (Mühling, Ruf, & Hubwieser,
2015), y el ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a).
- Entorno-Interfaz del ítem: los ítems del TPC se presentan en alguno de los siguientes dos
entornos gráficos o interfaces: ‘El Laberinto’ (31 ítems); ‘El Lienzo’ (9 ítems).
Justificación: entre las interfaces utilizadas para el aprendizaje del ‘coding’ que revisamos en
el epígrafe 2.4.1 (Capítulo 2) de la parte teórica, las más recurrentes, por su funcionalidad
para representar la mayoría de los conceptos computacionales, son los laberintos o similares
(Figura 2.19) y los lienzos o pizarras en los que se programan diseños geométricos
computacionales (Figura 2.20)]
- Estilo de las alternativas de respuesta: en cada ítem, las alternativas de respuesta se pueden
presentar en alguno de estos tres estilos: ‘Visual por flechas’ (8 ítems); ‘Visual por bloques’
(24 ítems); ‘Textual’ (8 ítems)
Justificación: al revisar en el epígrafe 2.4.1 (Capítulo 2) los tipos de recursos existentes para
el aprendizaje del ‘coding’, vimos que éstos se presentaban a través de tres tipos de lenguajes,
de menor a mayor dificultad: lenguajes visuales ‘por flechas’ (aptos incluso para pre-
lectores); lenguajes visuales ‘por bloques’; y lenguajes ‘textuales’. La solución a un
determinado problema computacional puede representarse en cualquiera de ellos (Figura 6.1).
353
Las ‘funciones con parámetros’ son la manera habitual de introducir las ‘variables’. Por ejemplo, mientras que una
‘función simple’ puede expresar el algoritmo para dibujar un cuadrado de lado 100 cm. como “Cuadrado = 4 * [avanzar
100 cm. + girar derecha 90o]”; una ‘función con parámetros’ puede expresar el algoritmo general para dibujar cualquier
polígono regular de N lados (variable), de 100 cm. cada uno, como “Polígono(N lados) = N * [avanzar 100 cm. + girar
derecha (360/N)o]”
353
Adicionalmente, el hecho de presentar a lo largo del TPC las alternativas de respuesta en

diferentes formatos se alinea con el estándar CSTA siguiente: “CT.L2-07: Represent data in
a variety of ways including text, sounds, pictures, and numbers” (CSTA, 2011, p. 16), es
decir, representar los datos en múltiple variedad de formas incluyendo imágenes, texto,
números y sonidos. Por último, el ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a)
reconoce explícitamente la importancia de presentar alternativamente estilos de respuesta
visuales y textuales.
Figura 6.1. Un problema computacional (a la izquierda, planteado en interfaz tipo ‘laberinto’), y su solución expresada en
lenguaje visual ‘por flechas’ (arriba derecha), visual ‘por bloques’ (centro derecha) y ‘textual’ (abajo derecha)
- Existencia o inexistencia de anidamiento: dependiendo de si la solución del ítem involucra

una secuencia de comandos-órdenes con (29 ítems) o sin (11 ítems) conceptos
computacionales anidados (un concepto embebido en otro concepto en un orden de jerarquía
superior)
Justificación: para manejar la progresión natural en complejidad de los programas, éstos se

articulan en estructuras jerárquicas y anidadas. Por ello, es importante el dominio de los
conceptos computacionales en un primer momento ‘sin anidar’, para posteriormente
manejarlos de manera ‘anidada’. Así se reconoce en los estándares CSTA: “CT.L2-12. Use
abstraction to decompose a problem into sub problems; CT.L2-13. Understand the notion of
hierarchy and abstraction in computing including high-level languages, translation,
instruction set, and logic circuits” (CSTA, 2011, p. 16). Además, el ‘Test for Measuring
Basic Programming Abilities’ (Mühling, Ruf, & Hubwieser, 2015) reconoce explícitamente
la importancia de introducir el anidamiento de conceptos computacionales, para medir el
nivel de PC en los estudiantes.
354
- Tarea requerida: dependiendo de cuál de las siguientes tareas cognitivas es necesaria para la
resolución del ítem: ‘Secuenciación’, el estudiante debe enunciar de manera ordenada una
serie de comandos-órdenes (18 ítems); ‘Completamiento’, el estudiante debe completar un
conjunto incompleto de comandos previamente dado (14 ítems); ‘Depuración’, el estudiante
debe depurar (‘debug’) un conjunto incorrecto de comandos previamente dado (8 ítems).
Justificación: dentro de las limitaciones inherentes a una prueba de elección múltiple como la
que planteamos con el TPC, en la que el sujeto finalmente lo que hace es ‘elegir’ entre una
serie de opciones dadas; tratamos de diversificar la tarea cognitiva requerida a través de ítems
de ‘secuenciación’, ‘completamiento’ y ‘depuración’. Este trío de tareas cognitivas requeridas
a lo largo del TPC resuenan respectivamente a varias de las ‘prácticas computacionales’
(‘computational thinking practices’) del modelo MIT-Harvard (Brennan & Resnick, 2012)
que revisamos en la parte teórica, en concreto: ‘secuenciación’ ≈ ‘experimentación e
iteración’; ‘completamiento’ ≈ ‘reutilización y remezcla’; ‘depuración’ ≈ ‘evaluación y
depuración’. Adicionalmente, con ello conseguimos alinearnos con el estándar principal
sobre pensamiento computacional para estas edades fijado por la CSTA: “CT.L2-01: Use the
basic steps in algorithmic problem-solving to design solutions (e.g., problem statement and
exploration, examination of sample instances, design, implementing a solution, testing,
evaluation)” (CSTA, 2011, p.16), es decir, utilizar secuencias básicas de pasos para la
resolución algorítmica de problemas (lo que incluye el diseño de algoritmos, su revisión,
completamiento, evaluación y depuración)
En la Figura 6.2 se muestran las especificaciones de los 40 ítems de esta versión inicial del TPC
(versión 1.0), que son caracterizados en los 5 ejes de diseño señalados anteriormente.
355
Concepto computacional abordado
Entorno - Interfaz Estilo de las alternativas Existencia de

Bucles (loops) Condicionales (conditionals) Funciones (functions) Tarea requerida
del reactivo de respuesta anidamiento
Direcciones
Repetir veces Repetir hasta Condicional Condicional compuesto Mientras que Funciones con
Funciones simples
(repeat times) (repeat until) simple (if) (if/else) (while) parámetros
Item 1 Laberinto Visual por flechas Sí No No No No No No No No Secuenciación
Item 2 Laberinto Visual por flechas Sí No No No No No No No No Completamiento
Item 3 Laberinto Visual por bloques Sí No No No No No No No No Depuración
Item 4 Laberinto Textual Sí No No No No No No No No Secuenciación
Item 5 Lienzo Visual por bloques Sí No No No No No No No No Secuenciación
Item 6 Laberinto Visual por flechas Sí Sí No No No No No No No Secuenciación
Item 7 Laberinto Visual por flechas Sí Sí No No No No No No No Completamiento
Item 8 Laberinto Visual por bloques Sí Sí No No No No No No Sí Secuenciación
Item 9 Lienzo Textual Sí Sí No No No No No No No Depuración
Item 10 Lienzo Visual por bloques Sí Sí No No No No No No Sí Completamiento
Item 11 Laberinto Visual por flechas Sí No Sí No No No No No No Secuenciación
Item 12 Laberinto Visual por bloques Sí No Sí No No No No No No Completamiento
Item 13 Laberinto Textual Sí No Sí No No No No No No Secuenciación
Item 14 Laberinto Visual por flechas Sí Sí Sí No No No No No Sí Depuración
Item 15 Lienzo Visual por bloques Sí Sí Sí No No No No No Sí Secuenciación
Item 16 Laberinto Visual por flechas Sí No Sí Sí No No No No Sí Secuenciación
Item 17 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Secuenciación
Item 18 Laberinto Textual Sí No Sí Sí No No No No Sí Completamiento
Item 19 Laberinto Visual por flechas Sí Sí Sí Sí No No No No Sí Completamiento
Item 20 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Depuración
Item 21 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Secuenciación
Item 22 Laberinto Textual Sí No Sí No Sí No No No Sí Secuenciación
Item 23 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Depuración
Item 24 Laberinto Textual Sí No Sí No Sí No No No Sí Completamiento
Item 25 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Completamiento
Item 26 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Secuenciación
Item 27 Laberinto Textual Sí Sí No No No Sí No No Sí Secuenciación
Item 28 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Depuración
Item 29 Laberinto Textual Sí No No Sí No Sí No No Sí Completamiento
Item 30 Laberinto Visual por bloques Sí No No Sí No Sí No No Sí Completamiento
Item 31 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Secuenciación
Item 32 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Completamiento
Item 33 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Depuración
Item 34 Laberinto Visual por bloques Sí Sí No No No No Sí No Sí Secuenciación
Item 35 Laberinto Visual por bloques Sí Sí No No No No Sí No Sí Completamiento
Item 36 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Secuenciación
Item 37 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Completamiento
Item 38 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Depuración
Item 39 Lienzo Visual por bloques No No No No No No No Sí Sí Secuenciación
Item 40 Lienzo Visual por bloques Sí No No No No No No Sí Sí Completamiento
Figura 6.2. Cuadro resumen de especificaciones de los 40 ítems del TPC (versión 1.0) en los 5 ejes de diseño
356
En el Anexo E se aportan en detalle los 40 ítems del TPC (versión 1.0), así como tabla de
especificaciones para cada uno de ellos. Aquí baste con presentar 4 de estos ítems como ejemplos
que ilustren el proceso de diseño seguido (Figuras 6.3 a 6.6)
Figura 6.3. Se corresponde con el ítem 8 del TPC (versión 1.0) [Bucles – repetir veces; ‘El Laberinto’; Visual por
bloques; Con anidamiento; Secuenciación]
Figura 6.4. Se corresponde con el ítem 9 del TPC (versión 1.0) [Bucles – repetir veces; ‘El Lienzo’; Textual; Sin
anidamiento; Depuración]
357
Figura 6.5. Se corresponde con el ítem 19 del TPC (versión 1.0) [Bucles – repetir hasta + Condicional simple; ‘El
Laberinto’; Visual por flechas; Con anidamiento; Completamiento]
Figura 6.6. Se corresponde con el ítem 31 del TPC (versión 1.0) [Bucles – repetir veces + Funciones simples; ‘El
Lienzo’; Visual por bloques; Con anidamiento; Secuenciación]
6.3.1. Método
Para abordar nuestro objetivo específico O3b, el ‘Test de Pensamiento Computacional’ (versión 1.0)
es sometido a un proceso de validación de su contenido a través del método ‘juicio de expertos’. A
continuación, se presenta la muestra de expertos participantes en dicho proceso; los instrumentos, y
el procedimiento de validación utilizado con detalle; y, con posterioridad, los resultados del mismo
que cristalizan finalmente en el ‘Test de Pensamiento Computacional’ (versión 2.0)
358
6.3.1.1. Muestra
Para el proceso de validación de contenido de nuestro TPC (versión 1.0), 39 expertos son invitados
inicialmente a colaborar en la emisión de juicio y valoración sobre el instrumento. Siguiendo las
recomendaciones de Buffum et al. (2015), los expertos invitados son principalmente profesores del
área de Informática, tanto de etapa universitaria como pre-universitaria.
Finalmente, 20 expertos aceptan. Este panel de expertos tiene las siguientes características: 14
hombres y 6 mujeres; edad media 36,9 años; pertenecientes a los siguientes colectivos profesionales
(es posible pertenecer a más de uno simultáneamente), tal y como se muestra en la Tabla 6.1 y 6.2.
Tabla 6.1. Panel de expertos aceptantes para participar en el proceso de validación de contenido
Apellidos Nombre Sexo Edad ¿A cuál/es de los siguientes colectivos pertenece? 354
Sáez López José Manuel Hombre 37 Uni
López Sánchez Joaquín Hombre 44 ESO
Coloma Brotons Antonio Hombre 40 ESO, Bach
Stabile Rodríguez-Vergés Lidia Mujer 53 ESO, Bach
Escribano Álvarez David Hombre 35 ESO, FP, Progr, APICV
Mollá Vayá Gustavo Hombre 44 ESO, Bach, FP
Casas Barrado Manuel Hombre 23 Apps
López de la Hoz Sandra Mujer 35 ESO, Bach, FP, APICV
Hernán Isidoro Hombre 43 Uni
Navarro Bayo María Amparo Mujer 41 ESO, Bach
Bernad Nebot Carmen Mujer 51 Bach
Gutiérrez Rojas Israel Hombre 33 Uni, Progr
De la Rosa Martín Adrián Hombre 19 Apps
Martínez Martínez Vicente Hombre 39 ESO, APICV
Pérez Ibáñez Aránzazu Mujer 48 ESO, Bach, FP
López Ibarra David Hombre 38 ESO, Bach
Martín Gutiérrez Sergio Hombre 34 Uni
Fernández Rodríguez Eva Mujer 25 Apps
Prudencio Fernández Jorge Hombre 22 Apps
Moreno León Jesús Hombre 34 ESO, FP, Uni, Progr
Tabla 6.2. Perfil profesional del panel de expertos
Colectivo profesional Nº de expertos

Profesores de Informática de Educación Secundaria 11
Profesores de Informática de Bachillerato 8
Profesores de Informática de Formación Profesional 5
Profesores de Informática de Universidad 5
354
Abreviaturas utilizadas: Uni = Profesor/a de Universidad; ESO = Profesor/a de Educación Secundaria; Bach =
Profesor/a de Bachillerato; FP = Profesor/a de Formación Profesional; Apps = Ganador/a del concurso ‘I Edición
Premios Apps Fundación Telefónica’; Progr = Miembro del colectivo ‘Programamos.es’; APICV = Miembro de la
‘Asociación de Profesores de Informática de la Comunidad Valenciana’
359
Colectivo profesional Nº de expertos

Ganadores de la ‘I Edición Premios Apps Fundación Telefónica’ 355 4
Miembros del colectivo Programamos.es 356 3
Miembros de la Asociación de Profesores de Informática de la Comunidad Valenciana 357 3
6.3.1.2. Instrumentos
El TPC (versión 1.0 358, de octubre 2014) (Román-González, 2014d) es enviado a los 20 expertos
aceptantes, a los que se solicita su valoración del mismo a través de 3 cuestionarios en línea (Román-
González, 2014e, 2014f, 2014g), soportados con la tecnología de Google Drive Forms 359 (Figura
6.7)
Figura 6.7. Códigos QR de enlace a los 3 cuestionarios en línea utilizados para el procedimiento de validación de
contenido (Román-González, 2014e, 2014f, 2014g)
Las valoraciones que se solicitan a los expertos sobre el TPC (versión 1.0) a través de los anteriores
cuestionarios son, tal y como recomiendan Buffum et al. (2015), una combinación de escalas tipo
Likert, preguntas dicotómicas, y preguntas abiertas. En concreto, se solicitan las siguientes
valoraciones:
 Para cada uno de los 40 ítems: nivel de dificultad del ítem en relación a la población
objetivo (escala Likert de 10 puntos, desde ‘1=Muy fácil’ a ‘10=Muy difícil’); pertinencia del
ítem para medir el pensamiento computacional (escala Likert de 10 puntos, desde ‘1=Nada
pertinente’ a ‘10=Absolutamente pertinente’); si incluir o no el ítem en la versión final del
TPC (respuesta dicotómica, ‘Sí lo incluiría’ o ‘No lo incluiría’); observaciones y sugerencias
abiertas para la mejora del ítem.
 Para cada uno de los 5 ejes de diseño: adecuación de haber considerado el eje para el
diseño del TPC (escala Likert de 10 puntos, desde ‘1=Nada adecuado’ a ‘10=Absolutamente
355
En 2014 se convocó la ‘I Edición de los Premios Apps de la Fundación Telefónica’, un concurso destinado a chicos y
chicas de entre 18 y 25 años, para crear-programar aplicaciones móviles; lo que da una idea de la actualidad y relevancia
del tema: http://www.fundaciontelefonica.com/es/educacion_innovacion/premios_apps
356
Programamos.es (http://programamos.es/) es un proyecto sin ánimo de lucro que pretende acercar la programación a
edades tempranas de una manera lúdica; y modificar la forma en la que los estudiantes se relacionan con la tecnología,
pasando de ser consumidores a creadores tecnológicos a través de la programación de videojuegos y el desarrollo de
aplicaciones para dispositivos móviles. Recientemente vienen desarrollando la herramienta analítica Dr. Scratch
(http://drscratch.programamos.es/) en colaboración con la ETSI Informática de la Universidad Rey Juan Carlos.
357
https://www.apicv.es/
358
Disponible como documento PDF en https://db.tt/66FJPURK. En ese momento del proceso, el instrumento aún se
denominaba ‘Escala de Pensamiento Computacional’. Precisamente por las sugerencias de varios expertos, tal y como se
verá más adelante, la denominación se modificó a ‘Test de Pensamiento Computacional’
359
[http://goo.gl/6p1gcR][http://goo.gl/JSrHSD][http://goo.gl/xCZlU8]
360
adecuado’); si incluir o no el eje en el diseño final del TPC (respuesta dicotómica, ‘Sí’ o
‘No’); observaciones y sugerencias abiertas acerca de los ejes de diseño.
 Para el instrumento en su conjunto: valoración sobre la longitud del TPC (escala Likert de
5 puntos, desde ‘1=Muy corta’ a ‘5=Muy larga’) y longitud ideal estimada para la versión
final (respuesta abierta); valoración del tiempo estimado de realización del TPC (escala
Likert de 5 puntos, desde ‘1=Muy corto’ a ‘5=Muy largo’) y tiempo ideal de realización en
relación a la longitud ideal (respuesta abierta); valoración global del TPC (escala Likert de 10
puntos, desde ‘1=Muy deficiente’ a ‘10=Excelente’); y comentarios finales abiertos.
6.3.1.3. Procedimiento
El procedimiento seguido se resume en los siguientes pasos:
i. Conformación de la muestra de expertos invitados (N=39) 360
ii. Contacto con cada uno de los expertos invitados a través de correo electrónico, solicitando su
colaboración en la validación de contenido.
iii. Conformación de la muestra de expertos aceptantes (N=20)
iv. Envío a cada uno de los expertos aceptantes, a través de correo electrónico, de un documento
PDF que incluye el TPC (versión 1.0) y los enlaces a los 3 cuestionarios en línea de
valoración. En dicho correo, se ofrecen unas ligeras recomendaciones al experto para
acometer su tarea de revisión:
a. Se le recomienda imprimir el PDF y hacer una primera lectura global del TPC.
b. Se le llama la atención con respecto a la posibilidad de completar los 3 cuestionarios
en línea en momentos no consecutivos, para facilitarle la descomposición de su tarea
en 3 partes más manejables. Así, a través del primer cuestionario se le solicita la
valoración de los ítems 1 a 20; a través del segundo cuestionario se le solicita la de los
ítems 21 a 30; y a través del tercero se solicita al experto la valoración de cada uno de
los ejes de diseño del TPC y la valoración global del mismo.
c. Orientativamente, se indica al experto que la tarea en su conjunto puede llevarle unas
2 o 3 horas, y se le da un plazo aproximado de 15 días desde la recepción del correo
para su completamiento.
v. A lo largo de las 2 semanas siguientes al envío del anterior correo electrónico, cada uno de
los expertos, de manera independiente, fue completando los 3 cuestionarios de valoración.
Más concretamente, el primero de los cuestionarios fue cumplimentado por los 20 expertos
aceptantes (100%), el segundo fue cumplimentado por 19 (95%), y el tercer de los
cuestionarios por 17 expertos (85%)
360
El grueso de la muestra de expertos invitados a la validación de contenido está formado por los profesores de etapas
pre-universitarias (ESO, Bachillerato y FP) que se mostraron especialmente colaborativos durante el primero de nuestros
estudios empíricos, sobre ‘La Hora del Código’
361
vi. Transcurrido el plazo de cumplimentación de los cuestionarios, se procedió a descargar las

respuestas de los expertos desde la base de datos de Google Drive a una hoja de cálculo, que
fue posteriormente procesada con Excel.
6.3.2. Resultados
Exponemos los resultados en orden inverso para una mejor comprensión. Así pues, comenzamos por
los resultados de la valoración de los expertos sobre el instrumento en su conjunto.
 Acerca de la longitud del TPC (versión 1.0), 40 ítems: el 11,8% de los expertos la valoran
como ‘muy larga’; 58,8% como ‘algo larga’; y 29,4% como de longitud ‘adecuada’.
 Acerca del tiempo estimado de realización (45 minutos) en relación a la longitud inicialmente
prevista (40 ítems): 70,6% de los expertos lo valoran como ‘muy corto’ o ‘algo corto’; 17,6%
como tiempo ‘adecuado’; y 11,8% como ‘algo largo’.
 La longitud ideal expresada por los expertos para la versión final del TPC es de 28,3 ítems
(media) o 30 ítems (mediana); y el tiempo ideal de realización en relación a dicha longitud
ideal es de 52,5 minutos (media) o 45 minutos (mediana).
 La valoración global del TPC es de 8 (mediana) u 8,3 (media) sobre 10.
En la Tabla 6.3 se resumen gráficamente estos resultados, y se presenta adicionalmente una síntesis
de los comentarios finales abiertos de los expertos.
Tabla 6.3. Resumen de la valoración de los expertos sobre el instrumento en su conjunto
Sobre la longitud inicialmente prevista del

TPC (40 ítems)…
Sobre el tiempo previsto de realización (45

minutos) en relación con la longitud
inicialmente prevista del TPC (40 ítems)…
Longitud ideal propuesta para la versión final 30 ítems 28,28 ítems

del TPC… (Mediana) (Media)
Tiempo de realización ideal propuesto para la 45 minutos 52,5 minutos
362
versión final del TPC… (Mediana) (Media)
Valoración global del TPC
8 8,3
(Mediana) (Media)
 Estimar un tiempo de resolución de 1 minuto y medio por
ítem (por ejemplo, se recomienda “un instrumento de 30
ítems para ser resuelto en 45 minutos”)
 Reformular los ítems que exigen ‘depuración’ de una
secuencia errónea de código: se aconseja mostrar sólo una
vez el código, y sobre el mismo señalar 4 opciones en las que
puede encontrarse el paso erróneo.
 Prescindir del estilo de respuesta ‘textual’ por su excesiva
Recomendaciones globales complejidad para la población objetivo.
 Se reconoce la progresiva dificultad del test, y se recomienda
prescindir de los ítems finales relativos a las ‘funciones con
parámetros’ por su excesiva dificultad para la población
objetivo.
 Se advierte frente al uso prematuro en el test de
anidamientos, y de su posible complejidad: se debe introducir
el anidamiento sólo después de haber tratado y remarcado el
concepto computacional correspondiente sin anidar.
Con respecto a los resultados de la valoración de los expertos sobre cada uno de los cinco ejes de
diseño del TPC, se sintetizan en la siguiente Tabla 6.4.
Tabla 6.4. Resumen de la valoración de los expertos sobre los ejes de diseño del TPC
Grado de adecuación
(desde ‘1=Nada adecuado’ Índice de
Eje de diseño del a ‘10=Absolutamente aceptación Observaciones y sugerencias abiertas
TPC adecuado’) (% de ‘Sí’)
Mediana Media
 Introducir-presentar a los personajes
(‘Pac-Man’, el ‘Fantasma’…) en las
Entorno-Interfaz
9 8,88 100% instrucciones.
del reactivo
 Incluir clave-pista sobre la dirección
inicial del trazo del ‘Artista’
363
Grado de adecuación
(desde ‘1=Nada adecuado’ Índice de
Eje de diseño del a ‘10=Absolutamente aceptación Observaciones y sugerencias abiertas
TPC adecuado’) (% de ‘Sí’)
Mediana Media
 Se estima que los estilos visuales (por
flechas y por bloques) son los más
Estilo de las
adecuados para la edad objetivo
alternativas de 9 8,35 100%
 Eliminar el estilo textual (o sustituirlo
respuesta
por ‘pseudocódigo’ en varias líneas y
con sangrado)
Concepto  Excesiva complejidad del último
computacional 10 9,00 100% bloque de ítems, en donde se abordan
abordado las ‘funciones con parámetros’
 Introducir el anidamiento sólo después
Existencia o de haber introducido y remarcado el
inexistencia de 8 8,17 94% concepto correspondiente sin anidar
anidamiento  Eliminar los anidamientos excesivos
(dobles y triples anidamientos)
 Se advierte de la posible complejidad
excesiva de la tarea ‘depuración’
 En los ítems de ‘depuración’ se
aconseja escribir sólo una vez el
código, y sobre el mismo señalar 4
Tarea requerida 10 9,05 100%
opciones en las que puede encontrarse
el paso erróneo.
 Valorar incluir algún ítem en el que el
alumno deba escribir ‘desde cero’ el
algoritmo (evocación)
Con respecto a los resultados de la valoración de los expertos sobre cada uno de los ítems del TPC
(versión 1.0), se detallan en las siguientes Tablas 6.5 a 6.12. Se presenta una tabla por cada grupo
consecutivo de 5 ítems, focalizado en un concepto computacional determinado, incluyendo las
decisiones parciales tomadas al respecto de dicho grupo.
Tabla 6.5. Resumen de resultados y decisiones para los ítems 1-5

Dificultad Pertinencia
percibida para la percibida para Índice de
Número de población objetivo medir el PC aceptación
Observaciones y sugerencias abiertas
ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
Mediana Media Mediana Media
ÍTEM 1 1,0 1,4 8,0 7,4 85% OK
ÍTEM 2 2,0 2,0 8,5 7,6 90% OK
Mostrar una sola vez el código, y marcar
ÍTEM 3 3,5 3,9 8,0 7,8 80% sobre el mismo los pasos en los que puede
encontrarse el error.
ÍTEM 4 3,0 3,4 8,0 7,6 75% No se acepta el estilo de respuesta textual
Incluir alguna clave o pista del sentido
ÍTEM 5 4,0 4,4 8,0 7,9 95%
inicial de la marcha del lápiz
364
Decisiones Ítems 1-5 (Concepto computacional medido: ‘Direcciones-secuencias básicas’)

 En los ítems 1 y 2 se unifica el diseño de la interfaz del laberinto para hacerlo coherente con el resto del
instrumento.
 Se adapta el ítem 3 para que el reactivo incluya ambos sentidos de giro, y que se muestre una sola vez el código
a depurar, marcando sobre el mismo los pasos en los cuales puede encontrarse el error.
 Se elimina el ítem 4 por su bajo índice de aceptación (≤ 75%)
 Se adapta el ítem 5, incluyendo una clave-pista sobre el sentido inicial de la marcha del lápiz.

Pertinencia
Dificultad percibida para Índice de
percibida para
Número la población objetivo aceptación
medir el PC Observaciones y sugerencias abiertas
de ítem (De 1 a 10) (De 0% a
(De 1 a 10)
100%)
Hacer hincapié en las instrucciones de
que ‘Pac-Man’ debe llegar justo hasta el
ÍTEM 6 2,0 2,3 8,5 7,3 85% fantasma (sin pasarse), y estrictamente
por el camino señalado (sin salirse ni
tocar los cuadrados naranjas)
ÍTEM 7 4,0 4,1 9,0 8,1 95% OK
Introduce demasiado pronto el
ÍTEM 8 6,0 6,1 9,0 8,6 100% anidamiento. Retrasar hasta el final de
este grupo de ítems
No se acepta el estilo de respuesta textual.
Al reactivo, tipo lienzo, hay que incluirle
ÍTEM 9 6,0 6,2 8,0 7,7 65%
una pista del inicio de la marcha de lápiz.
Mostrar sólo una vez el código a depurar.
ÍTEM 10 6,0 6,7 9,0 8,3 85% Excesiva dificultad del reactivo
Decisiones Ítems 6-10 (Concepto computacional medido: ‘Bucles - Repetir veces’)
 Los ítems 6 y 7 están OK. Pero hay que hacer hincapié en las instrucciones iniciales en que hay que llevar a
‘Pac-Man’ justo hasta la casilla en la que se encuentra el fantasma (sin pasarse), y estrictamente por el camino
señalado en amarillo (sin salirse del mismo ni tocar los cuadrados naranjas)
 El ítem 8, por introducir demasiado pronto el anidamiento de bucles, se retrasa hasta el final de este grupo.
 Fundimos los ítems 9 y 10: Utilizamos el reactivo del ítem 9 incluyendo la pista sobre el lienzo. Las alternativas
son ‘por bloques’. La tarea es depuración, mostrando sólo una vez el código.

ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
Incluir 2 movimientos en todas las
ÍTEM 11 4,0 3,9 9,0 7,5 75% opciones de respuesta para que sean
plausibles
ÍTEM 12 4,0 4,0 8,5 7,9 95% OK
No se acepta el estilo de respuesta textual.
ÍTEM 13 5,5 5,2 7,0 7,2 70%
Sobra el último giro a la izquierda
Incluir clave visual sobre el sentido inicial
ÍTEM 15 6,5 6,9 8,0 7,9 85%
del lápiz
365
Decisiones Ítems 11-15 (Concepto computacional medido: ‘Bucles - Repetir hasta’)

 En el ítem 11 se incluyen 2 movimientos en todas las opciones de respuesta para que todas las alternativas sean
plausibles
 Ítem 12 se mantiene sin cambios
 Se elimina el ítem 13 por su bajo índice de aceptación (< 75%)
 Ítem 14 se adapta para mostrar una sola vez el código erróneo, marcando sobre el mismo los pasos en los que
puede encontrarse el error. Se remarca el anidamiento con distintos grosores de línea.
 En el Ítem 15 se incluye clave visual sobre el sentido inicial del lápiz (y se cambia de opción correcta de la C a
la A para re-equilibrar)

ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
Puede ser difícil comprender el anidamiento
ÍTEM 16 5,0 5,5 8,0 7,2 80%
con el estilo visual por flechas
ÍTEM 17 6,0 6,0 9,0 8,6 90% OK
Puede ser difícil comprender el anidamiento
ÍTEM 19 6,5 6,7 8,5 8,0 75%
con el estilo visual por flechas
Decisiones Ítems 16-20 (Concepto computacional medido: ‘Condicional simple (If)’)
 En el ítem 16 se mejora la representación del anidamiento en el estilo visual por flechas, mediante el uso
jerárquico de líneas de grosor
 Ítem 17 se mantiene sin cambios
 En el ítem 19 se mejora la representación del anidamiento en el estilo visual por flechas, mediante el uso
jerárquico de líneas de grosor
 El ítem 20 se adapta para mostrar una sola vez el código erróneo, marcando sobre el mismo los pasos en los que
puede encontrarse el error.

ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
ÍTEM 21 6,0 5,7 9,0 8,5 89% OK
Se señala su excesiva dificultad, atribuible
ÍTEM 23 8,0 7,2 8,0 7,4 63% tanto al reactivo como a la tarea de
depuración que se exige
ÍTEM 25 7,0 6,9 9,0 8,6 95% OK
Decisiones Ítems 21-25 (Concepto computacional medido: ‘Condicional compuesto (If/else)’)
 Los ítems 21 y 25 se mantienen sin cambios
 Los ítems 22 y 24 se adaptan a un estilo de respuesta visual por bloques (el ítem 24 además se pone en modo
‘depuración’ para reequilibrar la presencia de este grupo de ítems)
 Se elimina el ítem 23 por su bajo índice de aceptación (<< 75%)
366

ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
OK. Aunque todas las opciones podrían
ÍTEM 26 4,0 4,4 8,0 7,9 95% cumplir el enunciado, pero sólo una de
manera exacta.
ÍTEM 27 6,0 5,8 8,0 7,6 79% No se admite el estilo de respuesta textual
Excesivamente difícil por la gran extensión
ÍTEM 28 8,0 7,2 9,0 8,0 74%
del código a depurar
ÍTEM 29 6,0 5,7 8,0 7,5 79% No se admite el estilo de respuesta textual
Incluir alguna explicación adicional sobre
ÍTEM 30 7,0 6,9 8,0 7,9 84%
el número desconocido ‘?’ de fresas
Decisiones Ítems 26-30 (Concepto computacional medido: ‘Mientras que (While)’)
 El ítem 26 se mantiene sin cambios
 Los ítems 27 y 29 se adaptan a un estilo visual por bloques.
 El ítem 30 se mantiene sin cambios (sólo debe añadirse una instrucción adicional sobre el número desconocido
de fresas ‘?’ que debe comer el fantasma)

Número población objetivo medir el PC aceptación
de ítem (De 1 a 10) (De 1 a 10) (De 0% a
100%)
Dar pista de la forma geométrica que dibuja
ÍTEM 31 8,0 7,6 9,0 8,3 84%
la función
Dar pista de la forma geométrica que dibuja
ÍTEM 32 7,0 7,4 9,0 8,7 89%
la función
Excesiva dificultad del algoritmo que dibuja
ÍTEM 33 9,0 8,3 8,0 7,9 63%
un círculo
ÍTEM 34 8,0 7,4 9,0 8,7 95% OK
ÍTEM 35 8,0 7,3 9,0 8,6 89% OK
Decisiones Ítems 31-35 (Concepto computacional medido: ‘Funciones simples’)
 En los ítems 31 y 32 se da una pista adicional de la forma geométrica que dibuja la función ‘my function’. Y se
añade clave visual acerca del sentido inicial del lápiz.
 Se elimina el ítem 33 por su excesiva dificultad (índice de aceptación << 75%)
 Los ítems 34 y 35 se mantienen sin cambios

Dificultad percibida para Pertinencia percibida Índice de
Número la población objetivo para medir el PC aceptación Observaciones y sugerencias
de ítem (De 1 a 10) (De 1 a 10) (De 0% a abiertas
Mediana Media Mediana Media 100%)
ÍTEM 36 9,0 7,7 9,0 8,6 84%
ÍTEM 37 8,0 7,5 9,0 8,7 79% Excesiva complejidad de las
ÍTEM 38 9,0 8,2 9,0 8,3 74% ‘funciones con parámetros’ para
ÍTEM 39 9,0 8,8 9,0 8,4 63% la población objetivo
ÍTEM 40 10,0 8,8 9,0 8,3 74%
Decisiones Ítems 36-40 (Concepto computacional medido: ‘Funciones con parámetros’)
 Este grupo de ítems se elimina por su excesiva dificultad
367
La fiabilidad inter-jueces (‘inter-rater reliability’) mostrada por los 19 expertos que completaron la
valoración de los 40 ítems candidatos fue: α = 0,968** (p(α) = 0,000 < 0,01) para la ‘dificultad
percibida’ de los ítems; α = 0,294* (p(α) = 0,050 ≤ 0,05) para la ‘pertinencia percibida para medir el
PC’ de los ítems; y α = 0,467** (p(α) = 0,001 < 0,01) para la ‘aceptación’ de los ítems para formar
parte de la versión final del TPC. Todos los ‘alfa’ fueron calculados como coeficientes de correlación
intraclase, utilizando el modelo aleatorio bidireccional tipo consistencia, según sugiere Gwet (2014).
Las tablas anteriores se representan de manera gráfica y sintetizada en las siguientes figuras. Así, el
nivel de dificultad, en relación con la población objetivo (12 y 13 años ≈ 1º y 2º ESO), percibido por
los expertos para cada ítem, se muestra en la Figura 6.8. La pertinencia para medir el PC percibida
por los expertos para cada ítem, se muestra en la Figura 6.9. Y la apreciación sobre si incluir o no
cada ítem en la versión final del TPC, expresado como ‘índice de aceptación’, se muestra en la
Figura 6.10. Del análisis de estos resultados, podemos afirmar que:
 El TPC (versión 1.0) presenta una dificultad percibida creciente a lo largo de sus 40 ítems,
algo a priori recomendado para cualquier instrumento que pretenda medir aptitudes o
habilidades, cubriendo el rango completo de dificultad percibida (de 1=muy fácil a 10=muy
difícil).
 Los ítems muestran un alto ‘índice de aceptación’ por los expertos, alrededor del 80-90%,
para ser incluidos en la versión final del test; aunque con un pequeño descenso hacia el
último grupo de ítems, quizás debido a su excesiva dificultad para la población objetivo.
 Los ítems muestran igualmente un alto nivel de pertinencia percibida para medir el PC,
incluso con un ligero incremento en el último grupo de ítems (que mide el concepto
computacional de mayor complejidad: las ‘funciones con parámetros’), lo cual aconseja
conservar estos ítems para una posible versión futura del instrumento destinada a una
población de mayor edad.
Ítems 36-40 se eliminan por

su excesiva dificultad…
Figura 6.8. Nivel de dificultad percibido por los expertos para cada ítem
368
… pero por su alta pertinencia se guardan

para futuras versiones del instrumento
dirigidas a población de mayor edad
Figura 6.9. Pertinencia para medir el PC percibido por los expertos para cada ítem
Figura 6.10. ‘Índice de aceptación’ por ítem
En síntesis, tomando en consideración las sugerencias y comentarios de los expertos acerca de los
diferentes ítems y de los ejes de diseño del instrumento, se toman las siguientes decisiones para
refinar esta versión inicial del TPC (versión 1.0):
 Eliminar el último grupo de 5 ítems, correspondiente al concepto computacional de

‘funciones con parámetros’, por su excesiva complejidad para la población objetivo.
369
 De los 35 ítems restantes, 7 grupos de 5 ítems (cada grupo se ocupa de abordar

explícitamente un concepto computacional como se ilustró en la Figura 6.2), eliminamos el
ítem de cada grupo con menor índice de aceptación por los expertos.
 Prescindir del estilo ‘textual’ en las alternativas de respuesta, dado que los estilos visuales
(‘por flechas’ o ‘por bloques’) se consideran más apropiados para la población objetivo.
 Reformular los ítems que requieren ‘depurar’ (‘debug’) una secuencia errónea de comandos-
órdenes: se mostrará el código solamente una vez, y sobre el mismo se indicarán los 4
posibles pasos en los que puede encontrarse el error.
 Incluir una pista visual acerca de la dirección y sentido inicial del trazo en la interfaz de ‘El
Lienzo’.
 Introducir el anidamiento sólo después de haber acometido el concepto computacional

correspondiente sin anidamiento; y eliminar los anidamientos excesivos (anidamientos dobles
y triples).
 Incluir al comienzo del test unas breves instrucciones y tres ejemplos que sirvan para que los
estudiantes se familiaricen con el entorno de trabajo.
En la siguiente Figura 6.11 quedan ilustrados los ítems de la versión inicial del TPC (versión 1.0)
que se eliminan para la versión final del instrumento (versión 2.0)
Se funden
Se eliminan por su
excesiva dificultad
Se eliminan por su bajo índice de aceptación
Figura 6.11. ‘Índice de aceptación’ por ítem (+ ítems que son eliminados tras el proceso de validación de contenido)
Aplicando las decisiones tomadas, en la siguiente Figura 6.12 se muestra cómo un ítem de la versión
inicial del TPC (ítem 9, ver antes Figura 6.4) queda diseñado definitivamente en la versión final del
instrumento:
370
Figura 6.12. Revisión del ítem 9 de la versión original del TPC (ver anterior Figura 6.4), para la versión final del TPC
Como resultado de todo este procedimiento de depuración, se desarrolla la versión final del TPC
(versión 2.0 361, de noviembre de 2014) (Román-González, 2014h), de 28 ítems de longitud; que
sigue, por tanto, los siguientes principios (Román-González, Pérez-González, & Jiménez-Fernández,
2015):
 Objetivo: el TPC pretende medir el nivel de desarrollo del pensamiento computacional en el

sujeto.
 Definición operativa del constructo medido: el pensamiento computacional es la capacidad

de formular y solucionar problemas apoyándose en los conceptos fundamentales de la
computación, y usando la lógica inherente a los lenguajes informáticos de programación:
secuencias o direcciones básicas, bucles, condicionales, funciones, y variables.
 Población objetivo: el TPC está diseñado y dirigido, como foco central, a población escolar
española de entre 12 y 13 años (1º y 2º ESO)
 Tipo de instrumento: prueba objetiva de elección múltiple con 4 opciones de respuesta (sólo
1 correcta).
 Longitud: 28 ítems.
 Tiempo máximo de realización: 45 minutos.
Cada uno de los 28 ítems está diseñado y caracterizado en los siguientes cinco ejes de diseño:
- Concepto computacional abordado: cada ítem aborda uno o más de los siguientes 7
conceptos computacionales, ordenados en dificultad creciente: Direcciones o secuencias
361
Disponible como documento PDF en https://db.tt/6hg2seLu
371
básicas (4 ítems); Bucles–‘repetir veces’ (4 ítems); Bucles–‘repetir hasta’ (4 ítems);

Condicional simple–‘if’ (4 ítems); Condicional compuesto–‘if/else’ (4 ítems); Mientras que–
‘while’ (4 ítems); Funciones simples (4 ítems)
- Entorno-Interfaz del ítem: los ítems del TPC se presentan en alguno de los siguientes dos
entornos gráficos o interfaces: ‘El Laberinto’ (23 ítems); ‘El Lienzo’ (5 ítems)
- Estilo de las alternativas de respuesta: en cada ítem, las alternativas de respuesta se pueden
presentar en alguno de estos dos estilos: ‘Visual por flechas’ (8 ítems); ‘Visual por bloques’
(20 ítems)
- Existencia o inexistencia de anidamiento: dependiendo de si la solución del ítem involucra

una secuencia de comandos-órdenes con (19 ítems) o sin (9 ítems) conceptos
computacionales anidados (un concepto embebido en otro concepto en un orden de jerarquía
superior)
- Tarea requerida: dependiendo de cuál de las siguientes tareas cognitivas es necesaria para la
resolución del ítem: ‘Secuenciación’, enunciar de manera ordenada una serie de comandos-
órdenes (14 ítems); ‘Completamiento’, completar un conjunto incompleto de comandos
previamente dado (9 ítems); ‘Depuración’, depurar (‘debug’) un conjunto incorrecto de
comandos previamente dado (5 ítems).
En la Figura 6.13 se muestran sintéticamente las especificaciones de los 28 ítems de esta versión
final del TPC, que son caracterizados en los 5 ejes señalados. Y en el Anexo F se aportan en detalle
los 28 ítems del TPC (versión 2.0), así como la tabla de especificaciones para cada uno de ellos.
372
Entorno - Estilo de las

Bucles (loops) Condicionales (conditionals) Funciones (functions) Existencia de Opción
Interfaz del alternativas de Tarea requerida
anidamiento correcta
reactivo respuesta Direcciones Repetir veces
Repetir hasta Condicional Condicional Mientras Funciones Funciones con
(repeat
(repeat until) simple (if) compuesto (if/else) que (while) simples parámetros
times)
Item 1 Laberinto Visual por flechas Sí No No No No No No No No Secuenciación B
Item 2 Laberinto Visual por flechas Sí No No No No No No No No Completamiento C
Item 3 Laberinto Visual por bloques Sí No No No No No No No No Depuración D
Item 4 Lienzo Visual por bloques Sí No No No No No No No No Secuenciación D
Item 5 Laberinto Visual por flechas Sí Sí No No No No No No No Secuenciación C
Item 6 Laberinto Visual por flechas Sí Sí No No No No No No No Completamiento D
Item 7 Lienzo Visual por bloques Sí Sí No No No No No No No Depuración A
Item 8 Laberinto Visual por bloques Sí Sí No No No No No No Sí Secuenciación B
Item 9 Laberinto Visual por flechas Sí No Sí No No No No No No Secuenciación D
Item 10 Laberinto Visual por bloques Sí No Sí No No No No No No Completamiento C
Item 11 Laberinto Visual por flechas Sí Sí Sí No No No No No Sí Depuración C
Item 12 Lienzo Visual por bloques Sí Sí Sí No No No No No Sí Secuenciación A
Item 13 Laberinto Visual por flechas Sí No Sí Sí No No No No Sí Secuenciación B
Item 14 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Secuenciación A
Item 15 Laberinto Visual por flechas Sí Sí Sí Sí No No No No Sí Completamiento D
Item 16 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Depuración D
Item 17 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Secuenciación B
Item 18 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Secuenciación A
Item 19 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Depuración B
Item 20 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Completamiento C
Item 21 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Secuenciación A
Item 22 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Secuenciación B
Item 23 Laberinto Visual por bloques Sí No No Sí No Sí No No Sí Completamiento A
Item 24 Laberinto Visual por bloques Sí No No Sí No Sí No No Sí Completamiento C
Item 25 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Secuenciación B
Item 26 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Completamiento B
Item 27 Laberinto Visual por bloques Sí Sí No No No No Sí No Sí Secuenciación A
Item 28 Laberinto Visual por bloques Sí Sí No No No No Sí No Sí Completamiento C
Figura 6.13. Cuadro resumen de especificaciones de los 28 ítems del TPC (versión 2.0) en los 5 ejes de diseño
373
6.4. Fase II: Virtualización y validación aparente
Para la virtualización del TPC (versión 2.0), esto es, su digitalización como formulario en línea a
través de la tecnología de Google Drive Forms, se realiza una prueba previa de virtualización 362
(Figura 6.14) sobre el ítem 8.
Figura 6.14. Código QR de enlace al formulario de prueba de virtualización del TPC
Tal y como puede verse, en dicha prueba de virtualización se presenta el ítem 8 de tres maneras
diferentes:
 Modo A: se virtualiza el ítem a partir de una sola imagen; que contiene el reactivo en la parte
izquierda de la misma, y las opciones de respuesta en la parte derecha. El sujeto puede
ampliar la imagen con el teclado ‘Ctrl+’
 Modo B: se virtualiza el ítem a partir de dos imágenes; una que contiene el reactivo y, a
continuación, otra que contiene las opciones de respuesta. El sujeto puede ampliar la imagen
con el teclado ‘Ctrl+’
 Modo C: se virtualiza el ítem enlazándolo a un documento PDF que contiene el mismo, y

que se abre en otra ventana.
Consultados los mismos expertos que participaron en la validación de contenido, por correo
electrónico, se recibe una respuesta unánime alrededor del ‘Modo A’ como el más adecuado para la
virtualización de los ítems de nuestro instrumento. Se procede pues a una primera virtualización del
TPC (versión 2.0), siguiendo las siguientes pautas:
 Se virtualizan los 28 ítems del TPC (versión 2.0) según el ‘Modo A’; distribuidos en 7
páginas diferentes, con 4 ítems en cada una ellas (por lo tanto, en cada página aparecen los 4
ítems correspondientes a un ‘concepto computacional’ específico).
 Se añade una página inicial, en la cual: se da la bienvenida al test al sujeto; se le solicitan al

sujeto sus datos personales (‘Nombre’, ‘Apellidos’, ‘Sexo’, ‘Centro Educativo’, y ‘Curso
Académico’); se incluyen unas breves instrucciones y 3 ejemplos, que se detallan en el
Anexo G.
 A sugerencia de nuestros directores de tesis, al final de la última página se añade también un

par de preguntas sobre percepción de autoeficacia (escalas tipo Likert, desde ‘0=Pésimo’
hasta ‘10=Excelente’), que se detallan igualmente al final del Anexo G.
362
Accesible en https://goo.gl/FMKXzr
374
Dada esta primera virtualización del TPC (versión 2.0), y cubriendo los objetivos específicos de
investigación O3c y O3d, se procede a una prueba de validez aparente el día 25 de noviembre de 2014
en el Colegio Virgen de Europa 363 (Boadilla del Monte, Madrid), en la que participan 22 estudiantes
de 1º ESO (13 chicos y 9 chicas). De dicha prueba de validez aparente, a la que este doctorando
asiste personalmente y toma notas de observación, se extraen las siguientes conclusiones y
decisiones:
 La virtualización del TPC es accesible y navegable por los estudiantes a través de sus
ordenadores portátiles.
 Las respuestas emitidas por los sujetos quedan correctamente recogidas en nuestra base de
datos.
 El tiempo máximo fijado (45 minutos) es más que suficiente para la realización del test (el
100% de sujetos lo finaliza antes del tiempo límite)
 Las instrucciones dadas en esta primera virtualización del TPC (Anexo G) resultan algo
insuficientes para los sujetos, que requieren al aplicador de varias aclaraciones orales.
Atendiendo a las dudas expresadas por los sujetos, se decide incluir adicionalmente las
siguientes instrucciones para la virtualización definitiva del instrumento:
 En las instrucciones relativas al ‘EJEMPLO I’ se añade el siguiente párrafo

intermedio: “Es decir, llevar a 'Pac-Man' EXACTAMENTE a la casilla en la que se
encuentra el fantasma (sin pasarse ni quedarse corto), y siguiendo estrictamente el
camino señalado en amarillo (sin salirse y sin tocar las paredes, representadas por
los cuadrados anaranjados)”
 En las instrucciones relativas al ‘EJEMPLO II’ se añade el siguiente párrafo

intermedio: “Te recordamos que la pregunta te pide llevar a 'Pac-Man'
EXACTAMENTE a la casilla en la que se encuentra el fantasma (sin pasarse ni
quedarse corto), y siguiendo estrictamente el camino señalado en amarillo (sin
salirse y sin tocar las paredes, representadas por los cuadrados anaranjados)”
 En las instrucciones relativas al ‘EJEMPLO III’ se añade el siguiente párrafo

intermedio: “La orden MOVER empuja el lápiz dibujando, mientras que la orden
SALTAR hace pegar un salto al artista sin dibujar. La flecha gris indica la dirección
del primer movimiento del lápiz”
Aplicando las decisiones anteriores, se procede a la virtualización y puesta en servicio definitivas del
TPC 364 (Román-González, 2014i), accesible desde cualquier ordenador o dispositivo móvil con
conexión a Internet; que comienza a ser aplicado en amplias muestras de la población objetivo, tal y
como se describe en el siguiente apartado.
363
http://www.cve.edu.es/
364
Accesible desde http://goo.gl/IYEKMB
375
6.5. Fase III: Puesta en servicio y aplicación
La Fase III consiste en la puesta en servicio definitiva del TPC (Román-González, 2014i), y su
aplicación en amplias muestras de la población objetivo. A partir de dicha aplicación podrá
estudiarse la psicometría general del instrumento, así como su fiabilidad y validez.
6.5.1. Método
6.5.1.1. Muestra
Para abordar el objetivo específico de investigación O3e, el TPC (Román-González, 2014i) es

aplicado sobre una muestra total de tamaño igual a 1.251 sujetos (N = 1.251), sin experiencia formal
previa en tareas de programación. La distribución de la muestra según el sexo, el ciclo educativo y el
curso académico de los sujetos, se presenta en las Tablas 6.13, 6.14, y 6.15.
Tabla 6.13. Distribución por sexo de la muestra total de aplicación del TPC (N = 1.251 sujetos)

Chico 730 58,4 58,4 58,4
Válidos Chica 521 41,6 41,6 100,0
Total 1251 100,0 100,0
Tabla 6.14. Distribución por ciclo educativo de la muestra total de aplicación del TPC (N = 1.251 sujetos)

3º Ciclo de Educación Primaria 176 14,1 14,1 14,1
1º Ciclo de Educación Secundaria 735 58,8 58,8 72,8
Válidos
2º Ciclo de Educación Secundaria 340 27,2 27,2 100,0
Total 1251 100,0 100,0
Tabla 6.15. Distribución por curso académico de la muestra total de aplicación del TPC (N = 1.251 sujetos)

5º Primaria 103 8,2 8,2 8,2
6º Primaria 73 5,8 5,8 14,1
1º ESO 433 34,6 34,6 48,7
Válidos 2º ESO 302 24,1 24,1 72,8
3º ESO 199 15,9 15,9 88,7
4º ESO 141 11,3 11,3 100,0
Total 1251 100,0 100,0
Tal y como puede observarse en las tablas anteriores, el grueso de la muestra se corresponde con la
población objetivo del TPC (1º-2º de la ESO: 58,8%); si bien se complementa con muestra
proveniente de 3º Ciclo de Primaria (5º y 6º Primaria: 14,1%), y 2º ciclo de Secundaria (3º y 4º ESO:
27,2%), lo cual nos permitirá estudiar el suelo y el techo del instrumento.
También se observa en la composición de la muestra un desequilibrio de género a favor de los chicos

(58,4%) frente a las chicas (41,6%). Este hecho se explica dado que, a diferencia del evento ‘HoC’
que fue aplicado en todo tipo de aulas, el TPC se aplica fundamentalmente en la clase optativa de
Informática (en el caso de la ESO). Tómese, por tanto, este desequilibrio de género observado en
376
nuestra muestra como un indicador de la elección diferencial que cada sexo hace actualmente de la
asignatura optativa de Informática.
Adicionalmente, se registra el tipo de dispositivo a través del cual el TPC es aplicado ‘on-line’ a los
sujetos. Tal y como se detalla en la siguiente Tabla 6.16, el 80,0% de los sujetos realizaron el test a
través de un ordenador PC’s (ya fuera un equipo ‘fijo’ o ‘portátil’), mientras que el 20,0% restante lo
hizo a través de un dispositivo móvil tipo ‘tablet’.
Tabla 6.16. Distribución del total de la muestra según el dispositivo de aplicación

Ordenador 1001 80,0 80,0 80,0
Válidos Tableta 250 20,0 20,0 100,0
Total 1251 100,0 100,0
Los 1.251 sujetos que conforman el total de la muestra provienen de 24 centros educativos diferentes
(Tabla 6.17, con los centros ordenados de mayor a menor aportación de sujetos). Es decir, la
aportación media de sujetos por centro a la validación del instrumento es de 52,13 sujetos ≈ 2 grupos
de clase.
Tabla 6.17. Centro Educativo de procedencia de los sujetos de la muestra (ordenados de mayor a menor aportación)

Colegio Mirasur 202 16,1 16,1 16,1
IES Politécnico de Castellón 109 8,7 8,7 24,9
IES Sevilla Este 94 7,5 7,5 32,4
IES Vicente Aleixandre 85 6,8 6,8 39,2
Colegio Virgen de Europa 72 5,8 5,8 44,9
Escola La Masía 67 5,4 5,4 50,3
CEIP Lope de Vega 61 4,9 4,9 55,2
IES María Blasco 60 4,8 4,8 60,0
IES Camp de Morvedre 57 4,6 4,6 64,5
IES Fuente de San Luis 56 4,5 4,5 69,0
IES Penyagolosa 49 3,9 3,9 72,9
Yago School 48 3,8 3,8 76,7
Válidos IES Dr. Lluis Simarro Lacabra 42 3,4 3,4 80,1
IES Juan de Garay 35 2,8 2,8 82,9
IES L'Eliana 35 2,8 2,8 85,7
IES Montserrat Roig 35 2,8 2,8 88,5
Campus de Verano 32 2,6 2,6 91,0
IES Andreu Sempere 28 2,2 2,2 93,3
IES El Plá 23 1,8 1,8 95,1
IES L'Almadrava 22 1,8 1,8 96,9
IES Mestre Ramón Esteve 15 1,2 1,2 98,1
IES Jordi Sant Jordi 14 1,1 1,1 99,2
CRA Laguna de Pétrola 5 ,4 ,4 99,6
Colegio San Vicente Ferrer 5 ,4 ,4 100,0
Total 1251 100,0 100,0
377
En la Tabla 6.18 se muestran de nuevo los 24 centros educativos que aportan sujetos al proceso de
validación del TPC, agrupados en función del procedimiento de muestreo utilizado en cada caso.
Así, podemos diferenciar:
 Los centros del procedimiento A son muestreados intencionalmente en su calidad de centros

participantes en el programa-curso trimestral ‘K-8 Intro to Computer Science’ (Code.org,
2015a) de la fundación Code.org. Como parte de la evaluación de este programa, que
abordamos en el Capítulo 7, el TPC es aplicado en situación pre-test y post-test. Utilizaremos
exclusivamente los resultados de la aplicación en situación pre-test a efectos de la
baremación del instrumento.
 Análogamente, los centros del procedimiento B son muestreados intencionalmente en su

calidad de centros participantes en el programa-curso trimestral ‘K-5 Computer Science
Fundamentals (Course 2)’ (Code.org, 2015b), también de la fundación Code.org y que
supone una versión simplificada del curso K-8 para ser aplicada en el último ciclo de
Primaria. Como parte de la evaluación de este programa, que abordamos en el Capítulo 7, el
TPC es aplicado en situación pre-test y post-test. Utilizaremos exclusivamente los resultados
de la aplicación en situación pre-test a efectos de la baremación del instrumento.
 Los centros del procedimiento C son muestreados intencionalmente en su calidad de centros

participantes en el estudio de validación convergente entre el TPC y la herramienta Dr.
Scratch 365 (Moreno-León & Robles, 2015; Moreno-León, Robles, & Román-González,
2015), una aplicación web que analiza automáticamente la calidad del código, en términos de
pensamiento computacional, de proyectos hechos con Scratch 366. Dicho estudio es detallado
en el sub-epígrafe 6.5.2.3.3.2. Baste señalar por el momento que, en este grupo de centros: el
TPC se aplica inicialmente en situación pre-test; posteriormente los sujetos inician un periodo
de aprendizaje con Scratch (alrededor de 8 semanas); y finalmente los sujetos realizan una
segunda aplicación del TPC en situación post-test, además de analizar sus proyectos finales
de Scratch con la herramienta analítica Dr. Scratch. Sólo las aplicaciones pre-test del TPC
son utilizadas a efectos de la baremación del instrumento.
 Finalmente, el procedimiento D incluye a centros que acudieron ‘motu propio’ a este

doctorando, solicitando aplicar el TPC sobre sus estudiantes para conocer su nivel de
pensamiento computacional. De entre este grupo de centros, cabe destacar el Colegio Mirasur
(Madrid), que se ofreció a aplicar masivamente el instrumento a sus estudiantes en todo el
rango que va desde 5º Primaria a 4º ESO; por lo cual, aprovechamos para aplicar allí una
selección de tareas Bebras (Dagiene & Stupuriene, 2014), agrupadas en dificultad creciente
según el ciclo educativo, que será la base del estudio de validez convergente que se expondrá
en el sub-epígrafe 6.5.2.3.3.1.
Además, en la Tabla 6.18 se refiere la ‘provincia’ y ‘titularidad’ de cada uno de los 24 centros; así
como otros instrumentos de medición aplicados en los mismos, que se explicarán con más detalle en
el siguiente sub-epígrafe 6.5.1.2.
365
http://drscratch.org/
366
378
Tabla 6.18. Centros Educativos participantes en la validación del TPC, agrupados según el procedimiento de muestreo
Procedimiento Otros instrumentos
Sujetos Provincia Titularidad
de muestreo aplicados
Escola La Masía 67 Valencia Privado BFQ-NA 367
IES María Blasco 60 Alicante Público RP30 368
IES Camp de Morvedre 57 Valencia Público
IES Penyagolosa 49 Castellón Público
Batería PMA 369
IES Dr. Lluis Simarro Lacabra 42 Valencia Público
A
IES Juan de Garay 35 Valencia Público
IES L'Eliana 35 Valencia Público
FI-R 370
IES Andreu Sempere 28 Alicante Público
IES El Plá 23 Alicante Público -
IES L'Almadrava 22 Alicante Público Batería PMA
Subtotal Procedimiento A NA = 418
Yago School 48 Sevilla Privado B BFQ-NA
Subtotal Procedimiento B NB = 48
IES Sevilla Este 94 Sevilla Público Dr. Scratch
IES Vicente Aleixandre 85 Sevilla Público C Dr. Scratch y Bebras 371
IES Mestre Ramón Esteve 15 Valencia Público Dr. Scratch
Subtotal Procedimiento C NC = 194
Colegio Mirasur 202 Madrid Privado
Bebras
IES Politécnico de Castellón 109 Castellón Público
Colegio Virgen de Europa 72 Madrid Privado
CEIP Lope de Vega 61 Madrid Público
IES Fuente de San Luis 56 Valencia Público
D
IES Montserrat Roig 35 Alicante Público
-
Campus de Verano 372 32 Asturias Privado
IES Jordi Sant Jordi 14 Valencia Público
CRA Laguna de Pétrola 5 Albacete Público
Colegio San Vicente Ferrer 5 Valencia Concertado
Subtotal Procedimiento D ND = 591
Total N = 1251
Así pues, del total de la muestra (N = 1.251): 825 sujetos (65,9%) estudian en centros públicos, y
426 (34,1%) en centros privados o concertados. Con respecto a la provincia de procedencia de los
sujetos, de mayor a menor aportación a la muestra: Madrid (335 sujetos), Valencia (326), Sevilla
(227), Alicante (168), Castellón (158), Asturias (32), y Albacete (5)
367
BFQ-NA: Cuestionario “Big Five” de Personalidad para Niños y Adolescentes [http://web.teaediciones.com/bfq-na-
cuestionario-%E2%80%9Cbig-five%E2%80%9D-de-personalidad-para-ni%C3%B1os-y-adolescentes.aspx]
368
RP30: Resolución de Problemas [http://web.teaediciones.com/rp30-resolucion-de-problemas.aspx]
369
PMA: Batería de Aptitudes Mentales Primarias [http://web.teaediciones.com/pma-aptitudes-mentales-primarias.aspx]
370
FI-R: Formas Idénticas-R [http://web.teaediciones.com/Formas-Identicas---R.aspx]
371
Se revisó en el sub-epígrafe 3.3.2.1 (Capítulo 3) de la parte teórica
372
Campamento de Verano privado celebrado en el mes de julio de 2015
379
Tal y como sabemos, el instrumento principal sobre el que se focaliza este capítulo es nuestro Test de
Pensamiento Computacional (TPC) en su versión virtualizada-digitalizada final de 28 ítems de
longitud (Figura 6.15) (Román-González, 2014i)
Figura 6.15 Código QR de enlace a la versión final del TPC (Román-González, 2014i)
Para la validación criterial (concurrente) del TPC, se utilizan adicionalmente los siguientes
instrumentos estandarizados; todos ellos publicados por TEA Ediciones (Madrid), y con posibilidad
de ser aplicados ‘on-line’:
 Batería de Aptitudes Mentales Primarias (PMA): está desarrollada por el departamento de

I+D+i de TEA Ediciones. Su objetivo es la apreciación de factores cognitivos básicos que
permiten una estimación de la inteligencia general. Es un instrumento de aplicación
individual o colectiva, con un tiempo máximo de aplicación de 26 minutos, y que puede ser
utilizado a partir de 10 años de edad (TEA Ediciones, 2015a, en línea)
La estructura de la batería PMA es reflejo de las investigaciones realizadas por L.L.Thurstone

(1938a), aportación decisiva al campo psicométrico mediante la aplicación del análisis
factorial. El resultado de esos estudios sigue aún vigente y se materializa en la medición
precisa de los siguientes factores (cada factor se mide por un test diferente en la batería):
- Factor V o verbal (PMA-V): Capacidad para comprender y expresar ideas con

palabras. El manual técnico de la batería (Departamento I+D; TEA Ediciones, 2007)
informa de excelentes niveles de fiabilidad para el PMA-V (rxx = +0,91; por el
procedimiento de ‘dos mitades’), así como de su validez convergente respecto, por
ejemplo, al test DAT 373-Verbal (rxy = +0,61)
- Factor E o espacial (PMA-E): Capacidad para imaginar y concebir objetos en dos y
tres dimensiones. El manual informa niveles de fiabilidad aceptables del PMA-E (rxx
= +0,73), así como validez convergente con el Test de Rotación de Figuras (rxy =
+0,57)
- Factor R o razonamiento (PMA-R): Capacidad para resolver problemas lógicos,
comprender y planear. El manual reporta una excelente fiabilidad del PMA-R (rxx =
+0,92), así como validez convergente con el Test de Dominós D-48 374 (rxy = +0,84)
- Factor N o numérico (PMA-N): Capacidad para manejar números y conceptos
cuantitativos. El manual reporta una excelente fiabilidad del PMA-N (rxx = +0,99), así
como su validez convergente respecto, por ejemplo, al DAT-Numérico (rxy = +0,51).
373
DAT: Differential aptitude test (Test de Apitudes Diferenciales, diseñado por G.K. Bennett y colaboradores)
374
D-48: Test de Dominós, diseñado por E. Anstey y P. Picho, es una medida de inteligencia general fluida (‘factor g’)
380
En la siguiente Figura 6.16 se muestra un ejemplo de ítem relativo a cada factor. Así, en la
parte superior de la figura, vemos un ítem relativo al Factor V o verbal; en la parte media de
la figura, vemos un ítem relativo al Factor E o espacial; en la parte inferior izquierda, vemos
un ítem relativo al Factor R o razonamiento; y en la parte inferior derecha, vemos un ítem
relativo al Factor N o numérico.
Figura 6.16. Ejemplos de ítems de la Batería PMA: arriba, ítem del PMA-V; en el centro, ítem del PMA-E; abajo a la
izquierda, ítem del PMA-R; y abajo a la derecha, ítem del PMA-N
381
 Test de Resolución de Problemas (RP30): está desarrollado igualmente por el departamento

de I+D+i de TEA Ediciones. Su objetivo es evaluar la rapidez y flexibilidad para realizar
operaciones lógicas. Es un instrumento de aplicación individual o colectiva, con un tiempo
máximo de aplicación de 17 minutos, y que puede ser utilizado en población adolescente o
adulta (TEA Ediciones, 2015b, en línea). El manual técnico (Seisdedos, 2002) informa de
excelentes niveles de fiabilidad del test (rxx > +0,90; por el procedimiento de ‘dos mitades’),
y evidencias de validez criterial respecto, por ejemplo, al Test Cambios 375 de flexibilidad
cognitiva (rxy = +0,38) o el DAT-Espacial (rxy = +0,34)
El RP30 aprecia una capacidad intelectual de tipo superior mediante la cual se captan una
serie de relaciones lógicas propuestas en un problema con el fin de determinar si se cumplen
dichas relaciones en otra estructura más simple. La tarea está muy relacionada con los
aspectos no verbales de la inteligencia, y una buena dotación en ella parece ser un
componente importante en muchas actividades (escolares o profesionales). Contiene 30
problemas con tres grados de dificultad, cada uno de los cuales contiene cinco estructuras
más o menos complejas en las que hay que decidir si se cumplen las condiciones del
problema. Exigen bastante concentración y se penalizan los errores. En la tarea subyacen tres
componentes aptitudinales (Seisdedos, 2002):
- Razonamiento, por el hecho de captar la condición o condiciones que exige cada

problema o grupo de elementos.
- Aptitud espacial, por tener que apreciar el contenido de los pequeños círculos y
cuadrados de cada recuadro para decidir si se cumple o no la condición o condiciones
exigidas.
- Memoria de trabajo, que permite retener la condición lógica aplicada sin necesidad de
consultarla constantemente.
En resumen, el RP30 mide un conjunto de aptitudes que puede tener aplicación en muy
diferentes comportamientos. En la Figura 6.17 se ilustra un ítem del RP30: el sujeto debe
marcar qué recuadros (A, B, C, D y/o E) cumplen la condición dada en el encabezado.
Figura 6.17. Ítem del Test de Resolución de Problemas RP30
375
CAMBIOS: Test de Flexibilidad Cognitiva, diseñado por N. Seisdedos (http://web.teaediciones.com/cambios-test-de-
flexibilidad-cognitiva.aspx)
382
 Test de Formas Idénticas – Revisadas (FI-R): está desarrollado originalmente por L. L.

Thurstone (1938b), y adaptado por el departamento de I+D+i de TEA Ediciones. Su objetivo
es la evaluación de las aptitudes perceptivas y atencionales. Es un instrumento de aplicación
individual o colectiva, con un tiempo máximo de aplicación de 4 minutos, y que puede ser
utilizado en escolares de 9 a 12 años y adultos de 19 a 50 años (TEA Ediciones, 2015c, en
línea)
El test FI-R permite evaluar las aptitudes perceptivas y atencionales de los escolares y los
adultos. Está compuesto por 60 conjuntos de elementos gráficos; y se trata de una tarea muy
bien aceptada por los evaluados consistente en identificar qué figura es igual a un modelo. En
su edición revisada y actualizada por TEA Ediciones, se han incluido nuevas medidas de
rendimiento que tienen en cuenta tanto los aciertos como los errores, lo que posibilita extraer
información sobre la precisión perceptiva y el grado de impulsividad del evaluado. Así, la
aplicación del test FI-R arroja dos puntuaciones: el ‘Índice de Percepción y Atención’ (A-E)
y el ‘Índice de Control de la Impulsividad’ (ICI). En la Figura 6.18 se muestra un ítem del
Test FI-R.
Figura 6.18. Ítem del Test de Formas Idénticas-Revisadas (FI-R)
 Cuestionario “Big Five” de Personalidad para Niños y Adolescentes (BFQ-NA):

desarrollado originalmente por Barbaranelli, Caprara, Rabasca, & Pastorelli (2003), y
adaptado posteriormente a población española por el equipo de Mª Victoria del Barrio. Su
objetivo es la evaluación de las 5 dimensiones del modelo de los ‘Cinco grandes’ en la
estructura de la personalidad: Conciencia, Apertura, Extraversión, Amabilidad e Inestabilidad
Emocional. Es un instrumento de aplicación individual o colectiva, con un tiempo
aproximado de aplicación de 30 minutos, y que puede ser utilizado en escolares de 8 a 15
años (TEA Ediciones 2015d, en línea). El BFQ-NA representa la adaptación del modelo de
los ‘Cinco Grandes’ de la personalidad para niños y adolescentes. Las cinco dimensiones
evaluadas son:
- Conciencia (Co): incluye elementos relacionados con la autonomía, orden, precisión,

perseverancia y el cumplimiento de normas y compromisos. El manual técnico
(Barbaranelli, Caprara, & Rabasca, 2013) informa de una fiabilidad buena para esta
383
dimensión cuando la aplicación es autoinformada y la muestra está formada por

sujetos entre 11 y 13 años (α = 0,83); y una leve correlación positiva de la misma con
rendimiento académico (r = +0,13)
- Apertura (Ap): incluye elementos relacionados con aspectos intelectuales,
creatividad e intereses culturales. Tiene fiabilidad α = 0,83 (aplicación autoinformada)
y moderada correlación positiva con rendimiento académico (r = +0,51)
- Extraversión (Ex): relativa a la sociabilidad, actividad, entusiasmo, asertividad,
autoconfianza. Tiene fiabilidad α = 0,80 (aplicación autoinformada) y leve correlación
negativa con rendimiento académico (r = -0,13)
- Amabilidad (Am): mide tendencia al apoyo y a la prosociabilidad, el grado de
cooperación y la sensibilidad hacia los otros y sus necesidades. Tiene fiabilidad α =
0,83 (aplicación autoinformada) y no correlaciona con rendimiento académico.
- Inestabilidad Emocional (Ie): tendencia al malestar y al neuroticismo, manifestada
en los cambios de humor, tendencia a la ansiedad, la depresión, el descontento y la
irritabilidad. Tiene fiabilidad α = 0,85 (aplicación autoinformada) y no correlaciona
con rendimiento académico.
El BFQ-NA está compuesto por 65 ítems que se valoran mediante una escala tipo Likert de 5
alternativas; y puede ser cumplimentado por el niño (aplicación autoinformada) o por los
padres, tutores o profesores, ya que el instrumento permite que los ítems puedan ser
formulados en tercera persona refiriéndose al niño. En la Figura 6.19 se muestra un ítem del
cuestionario BFQ-NA.
Figura 6.19. Ítem del Cuestionario “Big Five” de Personalidad para Niños y Adolescentes (BFQ-NA)
Para la validación convergente del TPC, se utilizan las siguientes 2 herramientas de medida del
pensamiento computacional, que ya se describieron con detalle en la parte teórica (Capítulo 3):
 La herramienta Dr. Scratch, de análisis automático de proyectos Scratch, expuesta con

detalle en el sub-epígrafe 3.3.2.2.
 Tareas extraídas del Concurso Internacional Bebras (descrito en detalle en el sub-epígrafe

3.3.2.1). Concretamente, se seleccionaron (y tradujeron al español) un total de 9 Tareas
Bebras (‘Bebras Tasks’), todas ellas con formato de ítem de elección múltiple con 4
alternativas de respuesta (sólo 1 correcta). Las 9 Tareas Bebras seleccionadas fueron
divididas en 3 bloques (3 tareas por bloque) en función del grupo de edad para el que fueron
384
diseñadas: 3 tareas B1, para 5º-6º de Primaria; 3 tareas B2, para 1º-2º de la ESO; y 3 tareas
B3 para 3º y 4º de la ESO. En la Tabla 6.19 se muestran las especificaciones de las 9 Tareas
Bebras, que se adjuntan al completo en el Anexo H.
Tabla 6.19. Especificaciones de las 9 Tareas Bebras seleccionadas para la validación convergente del TPC
Nombre de la Grupo de
ID Fuente Categoría Descriptores
Tarea Edad
‘Ice Cream Lithuanian Bebras
Detectar un algoritmo;
Machine’ Contest 2013
B1-1 ? funcionamiento de máquinas;
(La Máquina de (Dagiene &
bucles
Helados) Stupuriene, 2014)
‘Dress Code for
5º y 6º de
Beavers’ Lit. Bebras Web – ALG 377,
B1-2 ? Primaria
(La Vestimenta de Task examples 376 STRUC 378
los Castores)
‘Tic-tac-toe’
Abstracción y pensamiento
B1-3 (Las Tres en Bebras UK-2014 379 ?
algorítmico
Raya)
‘Water Supply’
Lit. Bebras Web –
B2-1 (Suministro de STRUC ?
Task examples
agua)
‘Fast Laundry’ 1º y 2º de la
Lit. Bebras Web –
B2-2 (Lavandería ALG ? ESO
Task examples
rápida)
‘Abacus’ Abstracción, descomposición y
B2-3 Bebras UK-2014 ?
(Ábaco chino) pensamiento algorítmico
‘Friends’ Lit. Bebras Web – STRUC,
B3-1 ?
(La red social) Task examples SOC 380
Lithuanian Bebras
‘Visiting Friends’
Contest 2013 Conteo. Detección de patrones y
B3-2 (Visitando ALG, STRUC 3º y 4º de la
(Dagiene & periodicidad
amigos) ESO
Stupuriene, 2014)
‘Mobile Phones’
Abstracción, descomposición y
B3-3 (Teléfonos Bebras UK-2014 ?
evaluación
móviles)
Para aplicar en una misma sesión nuestro Test de Pensamiento Computacional (TPC) junto con las
Tareas Bebras seleccionadas, se generaron en Google Drive Forms las siguientes versiones del TPC
(Figura 6.20): el TPC-B1 381 (para 5º y 6º Primaria, incluye los 28 ítems del TPC más las 3 tareas
B1); el TPC-B2 382 (para 1º y 2º de la ESO, incluye los 28 ítems del TPC más las 3 tareas B2); y el
TPC-B3 383 (para 3º y 4º de la ESO, incluye los 28 ítems del TPC más las 3 tareas B3). En estas
versiones se modifican ligeramente las instrucciones respecto a la original: se indica que hay una
página final con las 3 tareas Bebras adicionales; y se eleva el tiempo de aplicación a 50 minutos.
376
http://www.bebras.org/?q=examples
377
ALG: ‘Algorithmic thinking’ (‘Pensamiento algorítmico’)
378
STRUC: ‘Structures, patterns and arrangements’ (‘Estructuras, patrones y disposiciones’)
379
Disponible en http://www.beaver-comp.org.uk/uploads/2/1/8/6/21861082/juniorukbebras2014-answers.pdf
380
SOC: ‘ICT and Society’ (‘TIC y Sociedad’)
381
https://goo.gl/NBSweA
382
https://goo.gl/VU0gcu
383
https://goo.gl/ijmuAu
385
Figura 6.20. Códigos QR de enlace a las versiones TPC-B1 (izquierda), TPC-B2 (centro), y TPC-B3 (derecha)
El procedimiento de aplicación difiere ligeramente de unos centros a otros, en función de cuál fue el
modo en que fueron muestreados (procedimiento A, B, C o D; según ya vimos en el sub-epígrafe
6.5.1.1, Tabla 6.18). Así pues:
 Los centros muestreados por el procedimiento A y B: son los que realizaron los cursos
trimestrales K-8 y K-5 respectivamente de Code.org (2015a, 2015b). Estos centros
típicamente aplicaron el TPC, y adicionalmente alguno de los instrumentos estandarizados de
TEA Ediciones; y lo hicieron tanto en condición pre (antes de comenzar el curso K-8 o K-5),
como en condición post (tras finalizar dicho curso). A efectos de la baremación del TPC
(objetivo O3f) y de su validación criterial concurrente (objetivos O3i…O3ñ) sólo tomaremos
en consideración las aplicaciones en condición pre.
Los grupos participantes relativos a estos centros son típicamente de 1º y 2º ESO

(procedimiento A), o de 5º y 6º Primaria (procedimiento B), y cursan la asignatura optativa
de Informática, a la que acuden 2 veces por semana (1 hora cada vez). Habitualmente, se
aplicó el TPC durante la primera de las dos clases semanales, y el instrumento de TEA
Ediciones en la segunda.
Para la aplicación del TPC, de carácter colectivo, el profesor de Informática siguió las
instrucciones que le fueron remitidas por correo electrónico en la semana previa (Anexo I); y
las respuestas directas de los estudiantes a cada uno de los ítems del TPC quedaron guardadas
en la base de datos de Google Drive asociada al instrumento, que fue posteriormente
descargada como archivo .xls de Excel.
Para la aplicación del correspondiente instrumento de TEA Ediciones, aplicación de carácter

colectivo, los estudiantes fueron previamente dados de alta como usuarios en la plataforma
‘on-line’ de la editorial 384. Llegado el día de la aplicación, los sujetos accedieron con su
identificación de usuario a dicha plataforma y realizaron la prueba, que autocontiene
instrucciones. Desde nuestro perfil de administrador, posteriormente pudimos descargar, a un
archivo .xls de Excel, los resultados de los sujetos: no las respuestas directas de cada sujeto a
cada elemento de la prueba, sino la puntuación total en la misma (tanto una puntuación total
directa o Pd; como una puntuación total típica o Pt, relativa al baremo de referencia). Para
todos los análisis utilizaremos las puntuaciones totales directas o Pd.
384
http://www.e-teaediciones.com/
386
Adicionalmente, a estos centros se les solicitaron datos de rendimiento académico

(asignaturas de Lengua, Matemáticas e Informática) al finalizar el trimestre de realización de
los cursos K-8 y K-5; así como se descargaron las estadísticas de desempeño (‘número de
niveles superados’ y ‘líneas de código escritas’) de los estudiantes en dichos cursos desde la
plataforma de Code.org. Estos datos servirán para el estudio de la validez criterial predictiva
del TPC (objetivos O3o y O3p), tomado éste lógicamente en condición pre.
 Los centros muestreados por el procedimiento C son los que participaron en el estudio de
validación convergente entre el TPC y la herramienta Dr. Scratch (Moreno-León & Robles,
2015; Moreno-León, Robles, & Román-González, 2015). En este grupo de centros: el TPC
fue aplicado inicialmente en situación pre; posteriormente los sujetos iniciaron un periodo de
aprendizaje con Scratch (alrededor de 8 semanas) 385; y finalmente los sujetos realizaron una
segunda aplicación del TPC en situación post, además de analizar sus proyectos finales de
Scratch con la herramienta analítica Dr. Scratch. A efectos de la baremación del TPC
(objetivo O3f) sólo tomaremos en consideración la aplicación pre. A efectos de la validación
convergente del TPC con Dr. Scratch (objetivo O3s), calcularemos tanto un coeficiente de
validez convergente predictivo (TPCpre * Dr. Scratch) como un coeficiente de validez
convergente concurrente (TPCpost * Dr. Scratch).
Con respecto a la aplicación del TPC, ésta fue análoga a la explicada para los centros de los
procedimientos A y B. Con respecto a la aplicación de Dr. Scratch, una vez finalizado el
periodo de aprendizaje de 8 semanas con Scratch, el profesor seleccionó y envió el mejor
proyecto de cada estudiante (si trabajaron con metodología ‘single programming’) o de cada
pareja de estudiantes (si trabajaron con metodología ‘pair programming’). Una vez recibidos
los proyectos, los sometimos a análisis con Dr. Scratch, volcando sus puntaciones sobre un
archivo .xls de Excel.
 Finalmente, los centros muestreados por el procedimiento D sólo realizaron una aplicación
del TPC, en condición pre, que es la utilizada a efectos de baremación del instrumento
(objetivo O3f). La aplicación del TPC fue igualmente análoga a la explicada en los
procedimientos A, B y C. Con la salvedad del Colegio Mirasur y el IES Politécnico de
Castellón, que aplicaron las versiones TPC-B1, TPC-B2 o TPC-B3 (según el curso
académico del sujeto) que servirán para el estudio de validez convergente de nuestro
instrumento con las Tareas Bebras (objetivo O3r)
Finalmente, todos los archivos .xls generados durante la recogida de datos fueron exportados a un
único archivo .sav, que constituye la matriz de datos sometida a análisis con el software SPSS
versión 22. De dicho análisis surgen los resultados que exponemos a continuación.
6.5.2. Resultados
Los resultados se presentan en 3 grandes bloques: descriptivos (incluye estadísticos descriptivos del
TPC, baremos y análisis de ítems), estudios de fiabilidad, y estudios de validez.
385
Para el periodo de aprendizaje con Scratch (MIT Media Lab, 2015), se recomendó a los centros seguir la guía
didáctica ‘Creative Computing’ (Brennan, Balch, & Chung, 2014)
387
6.5.2.1. Descriptivos
Dando respuesta al objetivo específico O3f, en la Tabla 6.20 se detallan los descriptivos principales
de la puntuación total en el TPC (calculada como suma de respuestas correctas) del total de sujetos
de la muestra. Y en la Figura 6.21 se ilustra el histograma correspondiente.
Tabla 6.20. Descriptivos de la puntuación total en el TPC para toda la muestra

Válido 1251
N
Perdidos 0
Media 16,38
Error estándar de la media ,136
Mediana 16,00
Moda 17
Varianza 23,271
Asimetría ,058
Curtosis -,446
Mínimo 3
Máximo 28
10 10,00
20 12,00
25 13,00
30 14,00
40 15,00
Percentiles 50 16,00
60 17,00
70 19,00
75 20,00
80 21,00
90 23,00
Figura 6.21. Histograma de las puntuaciones totales en el TPC para toda la muestra
388
Tal y como puede observarse en la anterior figura, la distribución de las puntuaciones totales en el
TPC se ajusta notablemente a la curva normal; si bien, dado el elevadísimo tamaño de la muestra, la
prueba de Kolgomorov-Smirnov penaliza los pequeños desajustes existentes y permite rechazar la
hipótesis nula de normalidad (Zk-s = 0,052; p(Zk-s) = 0,000 < 0,01).
Segmentando la muestra por ciclo educativo, en la siguiente Tabla 6.21 se muestran los descriptivos
principales para la puntuación total en el TPC, diferenciados para 3º Ciclo de Primaria (5º y 6º de
Primaria), 1º Ciclo de Secundaria (1º y 2º de la ESO), y 2º Ciclo de Secundaria (3º y 4º de la ESO).
Tal y como puede apreciarse en la tabla, existe un incremento consistente en la media y la mediana a
medida que avanzamos en el ciclo educativo; y la variabilidad de las puntuaciones se incrementa
ligeramente según avanzamos en el ciclo educativo. Con respecto al grado de asimetría: la
distribución de las puntuaciones totales en el TPC es prácticamente simétrica en el grupo de edad
central, 1º Ciclo de Secundaria (As = 0,018); en el grupo de edad inferior, 3º Ciclo de Primaria, la
distribución es asimétrica positiva (As = 0,125), indicativo de que el TPC se va acercando a su suelo
como instrumento en esas edades; y en el grupo de edad superior, 2º Ciclo de Secundaria, la
distribución es asimétrica negativa (As == -0,097), indicativo de que el TPC se va acercando a su
techo al finalizar la ESO. Puede observarse igualmente en las Figuras 6.22 y 6.23 de las páginas
siguientes.
Tabla 6.21. Descriptivos de la puntuación total en el TPC por ciclo educativo

3º Ciclo de Primaria 1º Ciclo de Secundaria 2º Ciclo de Secundaria
(5º y 6º Primaria) (1º y 2º ESO) (3º y 4º ESO)
Válido 176 735 340
N
Perdidos 0 0 0
Media 13,76 16,24 18,05
Error estándar de la media ,326 ,167 ,274
Mediana 14,00 16,00 18,00
Moda 15 18 17
Desviación estándar 4,330 4,519 5,049
Varianza 18,746 20,419 25,496
Asimetría ,125 ,018 -,097
Curtosis -,148 -,453 -,577
Mínimo 3 3 3
Máximo 26 27 28
10 8,00 10,00 12,00
20 10,00 12,00 13,20
25 11,00 13,00 14,00
30 11,00 14,00 15,00
40 13,00 15,00 17,00
Percentiles 50 14,00 16,00 18,00
60 15,00 17,00 19,00
70 16,00 19,00 21,00
75 16,75 20,00 22,00
80 17,00 20,00 23,00
90 20,00 22,00 25,00
389
Figura 6.22. Comparativa de las distribuciones de la puntuación total en el TPC por ciclo educativo: arriba, la
distribución de 3º Ciclo de Primaria; en el centro, la de 1º Ciclo de Secundaria; y abajo, la de 2º Ciclo de Secundaria
390
Figura 6.23. Diagrama de cajas de la puntuación total en el TPC por ciclo educativo. El ‘outlier’ es un caso de 3º Ciclo de
Primaria (6º de Primaria), que obtuvo una puntuación de 26 (≈ 3 desviaciones típicas por encima de la media de su ciclo)
El ANOVA arroja diferencias estadísticamente muy significativas en la puntuación total del TPC
según ciclo educativo (F = 50,514; p(F) = 0,000 < 0,01). La prueba post-hoc de Tukey, de diferencias
entre pares de medias, muestra diferencias muy significativas (p(Tukey) = 0,000 < 0,01) entre todas las
parejas posibles (3º Ciclo de Primaria vs. 1º Ciclo de Secundaria; 3º Ciclo de Primaria vs. 2º Ciclo de
Secundaria; y 1º Ciclo de Secundaria vs. 2º Ciclo de Secundaria). En la Figura 6.24 se ilustran las
medias en la puntuación total en el TPC por ciclo educativo, apreciándose un incremento constante.
Figura 6.24. Media en la puntuación total del TPC por ciclo educativo
391
Haciendo un análisis análogo, ahora por curso académico, encontramos los resultados que se
muestran en la siguiente Tabla 6.22 y Figura 6.25.
Tabla 6.22. Descriptivos de la puntuación total en el TPC por curso académico

5º Primaria 6º Primaria 1º ESO 2º ESO 3º ESO 4º ESO
Válido 103 73 433 302 199 141
N
Perdidos 0 0 0 0 0 0
Media 13,09 14,70 15,74 16,95 17,16 19,31
Error estándar de la media ,398 ,534 ,213 ,262 ,329 ,449
Mediana 13,00 15,00 16,00 17,00 17,00 20,00
Moda 13 15 16 18 19 17
Desviación estándar 4,044 4,566 4,429 4,557 4,647 5,336
Varianza 16,355 20,852 19,619 20,762 21,590 28,473
Mínimo 3 5 5 3 6 3
Máximo 22 26 27 27 27 28
10 8,00 10,00 10,00 11,00 11,00 12,00
20 9,80 10,80 12,00 13,00 13,00 15,00
25 10,00 11,00 12,50 14,00 14,00 16,00
30 11,00 12,00 13,00 15,00 14,00 17,00
40 12,00 13,00 14,00 16,00 16,00 17,00
Percentiles 50 13,00 15,00 16,00 17,00 17,00 20,00
60 14,00 15,00 17,00 18,00 19,00 22,00
70 15,80 16,80 18,00 20,00 19,00 23,00
75 16,00 18,00 19,00 20,00 20,00 24,00
80 17,00 19,00 20,00 21,00 21,00 24,00
90 18,00 21,00 22,00 23,00 23,00 26,00
Figura 6.25. Diagrama de cajas de la puntuación total en el TPC por curso académico
392
Se observa, pues, un rendimiento en el TPC consistentemente creciente a medida que avanzamos de

curso académico; algo deseable para un instrumento que supuestamente mide una aptitud de tipo
cognitivo que, como tal, está vinculada a aspectos madurativos.
El ANOVA arroja diferencias estadísticamente muy significativas en la puntuación total del TPC
según curso académico (F = 27,930; p(F) = 0,000 < 0,01). Las medias en la puntuación total del TPC
por curso académico se muestran en la Figura 6.26; y la significación de la prueba post-hoc de Tukey
para cada diferencia de medias, se presenta en la Tabla 6.23.
Figura 6.26. Media en la puntuación total del TPC por curso académico
Tabla 6.23. Significatividad de la prueba post-hoc de Tukey para cada diferencia de medias
5º Primaria 6º Primaria 1º ESO 2º ESO 3º ESO 4º ESO
(N=103) (N=73) (N=433) (N=302) (N=199) (N=141)
5º Primaria - ,196 ,000** ,000** ,000** ,000**
6º Primaria - ,470 ,002** ,001** ,000**
1º ESO - ,006** ,004** ,000**
2º ESO - ,996 ,000**
3º ESO - ,000**
4º ESO -
** Significatividad al nivel < 0,01
Tal y como puede comprobarse en la anterior Tabla 6.23, todas las diferencias de medias entre pares
de cursos académicos son estadísticamente muy significativas (p(Tukey) < 0,01), a excepción del par 2º
ESO – 3º ESO (cuyas medias son muy próximas según se aprecia en la anterior Figura 6.26); y los
pares adyacentes a 6º Primaria (5º Primaria – 6º Primaria, y 6º Primaria – 1º ESO), cuya
significatividad se ve afectada por la baja muestra relativa de 6º Primaria (sólo N = 73).
393
Con respecto a posibles diferencias de rendimiento en el TPC según sexo, encontramos una
diferencia estadísticamente muy significativa en la puntuación total del TPC a favor del colectivo
masculino (t = 5,374; p(t) = 0,000 < 0,01), con un tamaño del efecto asociado d = 0,31 (Tabla 6.24)
Tabla 6.24. Diferencias de rendimiento en el TPC por sexo
Sexo N Media Desviación estándar t p(t) d de Cohen

Chico 730 16,99 4,802
Puntuación Total TPC 5,374** ,000 0,31
Chica 521 15,52 4,727
Si analizamos las diferencias en el TPC por sexo, a lo largo de los ciclos educativos (Tabla 6.25),
encontramos siempre valores superiores en el colectivo masculino, pero dichas diferencias son sólo
estadísticamente muy significativas a partir de 1º Ciclo de la ESO (t = 2,928; p(t) = 0,004 < 0,01),
intensificándose en el 2º Ciclo de la ESO (t = 3,451; p(t) = 0,001 < 0,01). Parece, pues, que la brecha
de rendimiento en el TPC por género es progresiva según avanzamos en el ciclo educativo (Figura
6.27).
Tabla 6.25. Diferencias de rendimiento en el TPC por sexo, a lo largo de los ciclos educativos
Desviación d de
Sexo N Media t p(t)
estándar Cohen
Chico 78 14,40 4,185
3º Ciclo de Primaria 1,765 ,079 0,27
Chica 98 13,24 4,396
Puntuación Chico 450 16,62 4,463
1º Ciclo de ESO 2,928** ,004 0,22
Total TPC Chica 285 15,63 4,547
Chico 202 18,82 5,115
2º Ciclo de ESO 3,451** ,001 0,38
Chica 138 16,93 4,749
Figura 6.27. Diferencias por sexo en la puntuación total en el TPC, a lo largo de los ciclos educativos
394
Con respecto a las 2 preguntas de autoevaluación que se formulan al final del TPC: “De 0 a 10,
¿cómo consideras que te ha salido el Test?” (la denominaremos ‘autoeficacia específica’), y “De 0 a
10, ¿cómo consideras que se te dan los ordenadores y la informática?” (la denominaremos
‘autoeficacia general’); sus descriptivos se presentan en la Tabla 6.26, y sus correlaciones con la
puntuación total en el TPC en la Tabla 6.27.
Tabla 6.26. Descriptivos relativos a las preguntas de autoevaluación
De 0 a 10, ¿cómo consideras que te ha De 0 a 10, ¿cómo consideras que se te dan

salido el Test? los ordenadores y la informática?
(‘Autoeficacia específica’) (‘Autoeficacia general’)
Válido 1237 1232
N
Perdidos 14 19
Media 7,07 7,38
Mediana 7,00 8,00
Moda 7 8
Desviación estándar 1,812 1,955
Varianza 3,283 3,824
Asimetría -1,034 -1,091
Curtosis 2,097 1,639
Mínimo 0 0
Máximo 10 10
10 5,00 5,00
20 6,00 6,00
25 6,00 6,00
30 6,00 7,00
40 7,00 7,00
Percentiles 50 7,00 8,00
60 8,00 8,00
70 8,00 9,00
75 8,00 9,00
80 8,00 9,00
90 9,00 10,00
Tabla 6.27. Correlaciones entre autoeficacia específica, autoeficacia general y puntuación total TPC
Puntuación Total TPC Autoeficacia específica Autoeficacia general

Puntuación Total TPC - ,381** ,188**
Autoeficacia específica - ,513**
Autoeficacia general -
Tal y como puede observarse, todas las correlaciones son estadísticamente muy significativas (p(r) <
0,01). Destaca el hecho de que la puntuación total en el TPC correlaciona con mayor intensidad con
la ‘autoeficacia específica’ (r = +0,381) que con la ‘autoeficacia general’ (r = +0,188); tal y como era
de esperar.
395
En ambas preguntas de autoeficacia aparecen diferencias estadísticamente muy significativas en

función del ciclo educativo (F = 8,743 y F = 16,825, respectivamente para ‘autoeficacia específica’ y
‘autoeficacia general’, en ambas p(F) = 0,000 < 0,01). Tal y como puede verse en las Figuras 6.28 y
6.29, la percepción de autoeficacia desciende según avanzamos en ciclo educativo, justo a la inversa
que el comportamiento de la puntuación total en el TPC (que aumenta según avanzamos en ciclo
educativo).
Figura 6.28. Evolución de la ‘autoeficacia específica’ por ciclo educativo
Figura 6.29. Evolución de la ‘autoeficacia general’ por ciclo educativo
396
Esta aparente paradoja se explica porque, a medida que avanzamos en ciclo educativo, los
estudiantes se muestran más autocríticos en ambas cuestiones, pero también más consistentes en sus
apreciaciones. Así, en la Tabla 6.28 observamos como la correlación de la puntuación total en el
TPC con la ‘autoeficacia específica’ se eleva desde r = +0,361 en 3º Ciclo de Primaria a r = +0,527
en 2º Ciclo de la ESO. Dicho en otras palabras, a medida que los estudiantes son más mayores, son
más precisos en la apreciación de cómo ha sido su desempeño en el test.
Tabla 6.28. Correlaciones entre autoeficacia específica, autoeficacia general y puntuación total TPC, por ciclo educativo
3º Ciclo de Educación Primaria

1º Ciclo de Educación Secundaria
2º Ciclo de Educación Secundaria
Para concluir con las cuestiones de autoeficacia, en la Tabla 6.29 se muestra la respuesta diferencial
a ambas por sexo. Tal y como puede observarse, tanto en ‘autoeficacia específica’ (t = 7,261; p(t) =
0,000 < 0,01) como en ‘autoeficacia general’ (t = 4,136; p(t) = 0,000 < 0,01), encontramos diferencias
estadísticamente muy significativas a favor de los chicos; tal y como ocurría con la puntuación total
en el TPC. Sin embargo, es de destacar que, si el tamaño del efecto del sexo sobre la puntuación en
el TPC fue d = 0,31; el tamaño sobre la ‘autoeficacia específica’ asciende a d = 0,42. Dicho en otras
palabras, en la percepción de autoeficacia se abre una brecha de género adicional a la ya existente en
el desempeño objetivo.
Tabla 6.29. Diferencias en ‘autoeficacia específica’ y ‘autoeficacia general’ por sexo

Sexo N Media Desviación estándar t p(t) d de Cohen
Chico 723 7,38 1,787
Autoeficacia específica 7,261** ,000 0,42
Chica 514 6,64 1,759
Chico 723 7,57 1,968
Autoeficacia general 4,136** ,000 0,24
Chica 509 7,10 1,906
6.5.2.1.1. Análisis de ítems
Siguiendo las recomendaciones de Buffum et al. (2015), calculamos los siguientes índices para cada
uno de los ítems del TPC: índice de dificultad, correlación ítem-total, e índice de discriminación.
397
En cuanto al primero de los índices, en la Tabla 6.30 se presenta el índice de dificultad (pi) para cada
uno de los ítems del TPC, expresado como porcentaje de sujetos que acertaron el ítem en tanto por
uno; y también el índice de dificultad corregido (pi-corregido), que toma en cuenta el efecto del acierto
al azar en los ítems de elección múltiple. Tal y como puede observarse en la última fila de la tabla, el
TPC tiene un índice de dificultad promedio de 0,59 (sin corregir) o 0,45 (corregido): es decir, en
ambos casos, se sitúa en valores de dificultad media (en el rango 0,40 a 0,60) tal y como se
recomienda para pruebas de aptitud (Navas Ara, 2001). Igualmente, debemos prestar atención a los
ítems excesivamente fáciles, con pi-corregido ≥ 0,95 (sólo el ítem 1 se aproxima a ese nivel con 0,94); o
excesivamente difíciles, con pi-corregido ≤ 0,05 (encontramos los ítems 12, 15, y 23; en rosa). Estos
ítems de facilidad o dificultad extrema serán presumiblemente los menos fiables y discriminatorios
del instrumento, y candidatos a ser revisados o eliminados de futuras versiones del test.
Tabla 6.30. Índice de dificultad (sin corregir y corregido) para cada uno de los ítems del TPC
Ítem Índice de Dificultad sin corregir (pi) Índice de Dificultad corregido (pi-corregido)
1 0,96 0,94
2 0,91 0,87
3 0,79 0,73
4 0,51 0,34
5 0,89 0,86
6 0,88 0,84
7 0,66 0,54
8 0,40 0,20
9 0,93 0,90
10 0,70 0,60
11 0,75 0,67
12 0,23 -0,03
13 0,72 0,63
14 0,49 0,32
15 0,26 0,01
16 0,37 0,16
17 0,49 0,32
18 0,58 0,44
19 0,49 0,32
20 0,55 0,40
21 0,54 0,39
22 0,32 0,09
23 0,16 -0,12
24 0,66 0,55
25 0,34 0,12
26 0,59 0,45
27 0,55 0,41
28 0,66 0,55
Media 0,59 0,45
En la Figura 6.30 se ilustran los anteriores índices de dificultad. Como puede verse, el test tiene una
dificultad progresiva (tendencia desde valores pi altos al inicio del test hacia valores pi bajos), tal y
como se recomienda en pruebas de aptitud (Navas Ara, 2001)
398
1,00
0,80
0,60
0,40
0,20
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
-0,20
Índice de Dificultad (sin corregir) Índice de Dificultad (corregido)
Figura 6.30. Índice de dificultad (sin corregir y corregido) para cada uno de los ítems del TPC
Con respecto a la correlación ítem-total (‘Item-Total Correlation’ o ITC), se calcula como

coeficiente de correlación de cada uno de los ítems del TPC con la puntuación total en el test. Se
muestra en la Tabla 6.31.
Tabla 6.31. Correlación ítem-total para cada uno de los ítems del TPC
Ítem Correlación Ítem-Total (ITC) Ítem Correlación Ítem-Total (ITC)

1 0,20 15 0,16
2 0,36 16 0,43
3 0,41 17 0,43
4 0,49 18 0,43
5 0,32 19 0,34
6 0,36 20 0,50
7 0,50 21 0,41
8 0,38 22 0,47
9 0,31 23 0,22
10 0,39 24 0,44
11 0,43 25 0,35
12 0,25 26 0,41
13 0,41 27 0,45
14 0,52 28 0,42
Correlación Ítem-Total promedio = 0,39
Tal y como nos recuerdan Buffum et al. (2015), el test está bien construido si su correlación ítem-
total promedio se sitúa por encima de 0,30. Así es el caso de nuestro TPC, en que el valor promedio
de la correlación ítem-total es ITC = 0,39 > 0,30. Igualmente, debemos prestar atención a los ítems
con valores ITC < 0,30 (es el caso, como era de esperar, de los ítems 1, 12, 15, y 23; en rosa en la
tabla anterior), que son candidatos a ser revisados o eliminados de futuras versiones del test por sus
dudosas propiedades psicométricas. Se ilustra en la siguiente Figura 6.31.
399
0,60
0,50
Correlación Ítem-Total
0,40
0,30
0,20
0,10
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Ítem del TPC
Figura 6.31. Correlación ítem-total para cada uno de los ítems del TPC
Con respecto al índice de discriminación (D) de cada uno de los ítems del TPC, calculado como
diferencia entre número de aciertos en el ítem del grupo de rendimiento superior en el test (27%
superior) y del grupo de rendimiento inferior (27% inferior) dividido por el número de sujetos que
conforman el grupo más numeroso, se presenta en la Tabla 6.32.
Tabla 6.32. Índice de Discriminación (D) para cada uno de los ítems del TPC
Ítem Índice de Discriminación (D) Ítem Índice de Discriminación (D)

1 0,02 15 0,11
2 0,18 16 0,47
3 0,36 17 0,49
4 0,59 18 0,49
5 0,16 19 0,38
6 0,20 20 0,59
7 0,54 21 0,49
8 0,43 22 0,53
9 0,11 23 0,14
10 0,38 24 0,47
11 0,41 25 0,38
12 0,21 26 0,47
13 0,39 27 0,54
14 0,64 28 0,44
Índice de Discriminación promedio = 0,38
Tal y como nos recuerdan Buffum et al. (2015), el test está bien construido si su índice de
discriminación promedio se sitúa por encima de 0,30. Así es el caso de nuestro TPC, en que el valor
promedio es D = 0,38 > 0,30. Igualmente, debemos prestar atención a los ítems con valores D < 0,30
(Navas Ara, 2011), que, por su bajo poder discriminatorio, son candidatos a ser revisados o
eliminados en futuras versiones del test: es el caso de los ítems 1, 12, 15 y 23 (de los que ya
400
conocíamos sus debilidades psicométricas), a los que se unen ahora los ítems 2, 5, 6 y 9 (que son
ítems muy fáciles, con pi ≈ 0,90, lo que incide en su baja capacidad de discriminación). Se ilustra en
la Figura 6.32.
0,70
0,60
Índice de Discriminación (D)
0,50
0,40
0,30
0,20
0,10
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Ítem del TPC
Figura 6.32. Índice de Discriminación (D) para cada uno de los ítems del TPC
6.5.2.2. Fiabilidad
Estudiamos la fiabilidad del TPC desde dos puntos de vista: fiabilidad como consistencia interna
(objetivo específico O3g), y fiabilidad como estabilidad (objetivo específico O3h)
6.5.2.2.1. Consistencia interna
Abordando el objetivo específico O3g, la consistencia interna del TPC medida a través del estadístico
Alfa de Cronbach es α = 0,793 ≈ 0,80 (Tabla 6.33), que puede considerarse una fiabilidad ‘buena’
(Navas Ara, 2001).
Tabla 6.33. Fiabilidad del TPC como consistencia interna
Muestra Estadísticas de fiabilidad Estadísticas de escala

N de sujetos Alfa de Cronbach N de ítems Media Varianza Desviación estándar N de ítems
1251 ,793 28 16,38 23,271 4,824 28
En la Tabla 6.34, se muestran las estadísticas de la escala en caso de eliminar cada uno de los ítems
de la misma; así como el Alfa de Cronbach corregido en caso igualmente de prescindir de cada uno
de los ítems. Tal y como puede verse, sólo conseguimos incrementar la consistencia interna del TPC
eliminando el ítem 15 (nuevo α = 0,798; lo que supone un incremento, prácticamente inapreciable,
de +0,005). Eliminando el ítem 12 o el ítem 23, la fiabilidad no se resiente (se mantiene α = 0,793).
401
Tabla 6.34. Fiabilidad del TPC en caso de eliminar cada uno de los ítems
Incremento de Alfa de
Media de escala si el Varianza de escala si el Alfa de Cronbach si el
Cronbach si el ítem se
ítem se ha suprimido ítem se ha suprimido ítem se ha suprimido
ha suprimido
Ítem 1 15,42 22,929 ,792 -0,001
Ítem 2 15,48 22,333 ,788 -0,005
Ítem 3 15,59 21,818 ,785 -0,008
Ítem 4 15,87 21,142 ,782 -0,011
Ítem 5 15,49 22,408 ,789 -0,004
Ítem 6 15,50 22,241 ,787 -0,006
Ítem 7 15,73 21,201 ,781 -0,012
Ítem 8 15,98 21,717 ,788 -0,005
Ítem 9 15,46 22,557 ,789 -0,004
Ítem 10 15,68 21,774 ,787 -0,006
Ítem 11 15,63 21,656 ,785 -0,008
Ítem 12 16,15 22,452 ,793 =0,000
Ítem 13 15,66 21,705 ,786 -0,007
Ítem 14 15,89 21,032 ,780 -0,013
Ítem 15 16,12 22,806 ,798 +0,005
Ítem 16 16,01 21,498 ,785 -0,008
Ítem 17 15,90 21,433 ,785 -0,008
Ítem 18 15,80 21,456 ,785 -0,008
Ítem 19 15,90 21,862 ,790 -0,003
Ítem 20 15,83 21,129 ,781 -0,012
Ítem 21 15,84 21,539 ,786 -0,007
Ítem 22 16,06 21,351 ,782 -0,011
Ítem 23 16,22 22,637 ,793 =0,000
Ítem 24 15,72 21,471 ,784 -0,009
Ítem 25 16,04 21,905 ,789 -0,004
Ítem 26 15,79 21,566 ,786 -0,007
Ítem 27 15,83 21,360 ,784 -0,009
Ítem 28 15,72 21,563 ,785 -0,008
En la Tabla 6.35, se muestran los valores de Alfa de Cronbach en función del ciclo educativo y del
curso académico. Tal y como puede observarse, la consistencia interna del TPC aumenta según
avanzamos de ciclo educativo y curso académico.
Tabla 6.35. Fiabilidad del TPC como consistencia interna, en función de ciclo educativo y curso académico
Ciclo Educativo Alfa de Cronbach N de sujetos Curso Académico Alfa de Cronbach N de sujetos
5º de Primaria ,668 103
3º Ciclo de Primaria ,721 176
6º de Primaria ,766 73
1º ESO ,749 433
1º Ciclo de ESO ,762 735
2º ESO ,772 302
3º ESO ,784 199
4º ESO ,854 141
402
Finalmente, en la Tabla 6.36 se detallan los valores Alfa de Cronbach en función del dispositivo de
aplicación (ordenador o tableta). Tal y como puede observarse, la consistencia interna del TPC es
mayor cuando se aplica en dispositivos tipo ‘tablet’ (la consistencia interna sube a α = 0,817); efecto
especialmente notable en el 1º Ciclo de Educación Secundaria, foco central del instrumento, en
donde el valor Alfa de Cronbach asciende hasta un notable α = 0,836 ≈ 0,84.
Tabla 6.36. Fiabilidad del TPC como consistencia interna, en función del dispositivo de aplicación
Dispositivo de aplicación Alfa de Cronbach N de sujetos Ciclo Educativo Alfa de Cronbach N de sujetos
Ordenador ,786 1001 1º Ciclo de ESO ,744 659
Tableta ,817 250 1º Ciclo de ESO ,836 76
6.5.2.2.2. Estabilidad
Abordando ahora el objetivo específico O3h, la fiabilidad del TPC como estabilidad temporal (ρxx),
calculada como correlación entre las puntuaciones totales en el mismo, derivadas de dos aplicaciones
sucesivas a los mismos sujetos, es ρxx = 0,704 ≈ 0,70; que puede considerarse un valor aceptable
(Navas Ara, 2001). Para calcular dicho valor, sólo se tomaron en cuenta las aplicaciones pre y post
en el TPC de los sujetos testigo de los centros muestreados según el procedimiento A (ver Tabla
6.18); es decir, sujetos que forman parte de los grupos de control que configuramos para abordar la
evaluación del curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) que se aborda en el
Capítulo 7 de esta tesis doctoral. Entre ambas aplicaciones pre y post transcurrió un periodo de 10-12
semanas. Se muestra en las siguientes Tabla 6.37 y Figura 6.33.
Tabla 6.37. Fiabilidad del TPC como estabilidad temporal
Puntuación Total TPC - post
Puntuación Total TPC - pre Sig. (bilateral) ,000
N 54
** Correlación significativa al nivel < 0,01
Figura 6.33. Fiabilidad del TPC como estabilidad temporal
403
6.5.2.3. Validez
Estudiaremos la validez del TPC desde cuatro puntos de vista: validez criterial (concurrente y
predictiva), validez discriminante, validez convergente y validez factorial.
6.5.2.3.1. Validez criterial
6.5.2.3.1.1. Concurrente
Comenzamos abordando los objetivos específicos de investigación O3i…O3l, es decir, estudiar la

validez criterial (concurrente) del TPC con respecto a una medida estandarizada, respectivamente, de
aptitud ‘razonamiento lógico’ (PMA-R), de aptitud ‘espacial’ (PMA-E), de aptitud ‘numérica’
(PMA-N), y de aptitud ‘verbal’ (PMA-V). En la Tabla 6.38 se muestran las correlaciones entre las
puntuaciones totales en nuestro TPC y las puntuaciones totales (directas) en los distintos tests de la
batería PMA (TEA Ediciones, 2015a, en línea)
Tabla 6.38. Matriz de correlaciones del TPC con el PMA-R, PMA-E, PMA-N, y PMA-V
PMA-R PMA-E PMA-N PMA-V

** **
TPC ,442 ,439 -,157 ,273**
PMA-R ,356** -,030 ,334**
PMA-E -,164* ,225**
PMA-N -,020
141 ≤ N ≤ 166
* Correlación significativa al nivel p(r) < 0,05
Tal y como puede observarse en la tabla anterior, el TPC presenta una correlación estadísticamente
muy significativa (p(r) < 0,01), positiva y de intensidad moderada con el PMA-R (factor
‘razonamiento’) y con el PMA-E (factor ‘espacial’). Por otro lado, el TPC no correlaciona de manera
estadísticamente significativa (p(r) > 0,05) con el PMA-N (factor ‘numérico’). Finalmente, el TPC
presenta una correlación estadísticamente muy significativa (p(r) < 0,01), positiva pero de intensidad
sólo baja con el PMA-V (factor ‘verbal’).
En las siguientes Figuras 6.34, 6.35, 6.36, y 6.37 se ilustran los diagramas de dispersión
correspondientes, que incluyen los respectivos coeficientes de determinación R2. Así, por ejemplo, el
coeficiente de determinación del TPC sobre el PMA-R es R2 = 0,195; lo que indica que el 19,5% de
la varianza de las puntuaciones en el PMA-R puede ser explicado por la varianza de las puntuaciones
en el TPC, y viceversa (varianza conjunta).
404
Figura 6.34. Diagrama de dispersión TPC * PMA-R
Figura 6.35. Diagrama de dispersión TPC * PMA-E
405
Figura 6.36. Diagrama de dispersión TPC * PMA-N
Figura 6.37. Diagrama de dispersión TPC * PMA-V
406
En este punto, consideramos de máximo interés realizar una regresión múltiple sobre el TPC (tomada
como variable dependiente) a partir de las puntuaciones en el PMA-R, PMA-E, PMA-N y PMA-V
(tomadas como variables predictoras; en ese sentido se utilizará el término ‘predecir’). En la
siguiente Tabla 6.39 se presenta el resumen del modelo de regresión, calculado según el método
‘introducir’. Tal y como puede comprobarse, el modelo construido a partir de las puntuaciones en la
batería PMA correlaciona r = +0,540 con el TPC; lo que supone un R2ajustado de 0,27 (el 27,0% de la
varianza del TPC es explicado a partir de una combinación lineal de las aptitudes primarias medidas
a través del PMA). Se comprobó la normalidad de los residuos del modelo de regresión.
Tabla 6.39. Resumen del modelob de regresión sobre el TPC a partir de las puntuaciones en la batería PMA
Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación
1 ,540a ,291 ,270 3,391

a. Variables predictoras: (Constante), PMA-V, PMA-N, PMA-E, PMA-R
b. Variable dependiente: TPC
Tal y como puede verse en la siguiente Tabla 6.40, el modelo de regresión es capaz de explicar-
predecir, de manera estadísticamente muy significativa, las diferencias en las puntuaciones de la
variable dependiente (TPC), dado que F = 13,457 (p(F) = 0,000 < 0,01).
Tabla 6.40. ANOVA del TPC según el modelo de regresión construido a partir de la batería PMA

Regresión 619,013 4 154,753 13,457** ,000
1 Residual 1506,517 131 11,500
Total 2125,529 135
Ahora bien, según vemos en la siguiente Tabla 6.41 de coeficientes del modelo de regresión, sólo el
PMA-R (factor ‘razonamiento’) y el PMA-E (‘factor espacial’) son capaces, de manera específica y
estadísticamente muy significativa (p(t) < 0,01), de explicar-predecir cambios en la variable
dependiente (TPC). Los coeficientes tipificados del modelo son, de mayor a menor peso relativo,
βt(PMA-E) = 0,308, βt(PMA-R) = 0,265; βt(PMA-V) = 0,134; βt(PMA-N) = -0,051.
Tabla 6.41. Coeficientesa del modelo de regresión sobre el TPC a partir de la batería PMA
Coeficientes no estandarizados Coeficientes tipificados
Modelo t Sig.
B Error típ. Beta
(Constante) 11,793 1,309 9,006** ,000
PMA-R ,169 ,052 ,265 3,253** ,001
1 PMA-E ,089 ,023 ,308 3,865** ,000
PMA-N -,027 ,039 -,051 -0,688 ,493
PMA-V ,079 ,046 ,134 1,715 ,089
a. Variable dependiente: TPC
En la siguiente Figura 6.38 se muestran los gráficos de regresión parcial sobre el TPC de los 2
predictores que se han mostrado estadísticamente significativos (PMA-R y PMA-E). Y en la Figura
6.39, como síntesis, se muestra el diagrama de dispersión entre las puntuaciones totales observadas
en el TPC y las puntuaciones predichas por el modelo de regresión calculado.
407
Figura 6.38. Gráficos de regresión parcial de PMA-R sobre TPC (izquierda), y PMA-E sobre TPC (derecha)
Figura 6.39. Diagrama de dispersión entre las puntuaciones observadas TPC y las predichas por el modelo PMA
Pasamos ahora a abordar el objetivo específico O3m, es decir, a estudiar la validez criterial
(concurrente) del TPC con respecto a una medida estandarizada de aptitud ‘resolución de
problemas’, el Test de Resolución de Problemas RP30 (TEA Ediciones, 2015b, en línea). Así, en la
Tabla 6.42 se muestra la correlación entre las puntuaciones totales en el TPC y las puntuaciones
totales (directas) en el RP30.
408
Tabla 6.42. Correlación del TPC con el RP30
RP30
TPC Sig. (bilateral) ,000
N 56
Tal y como puede observarse, existe una correlación estadísticamente muy significativa, de signo
positivo y de intensidad moderada-alta (r = +0,669) entre el TPC y el RP30. En la Figura 6.40 se
ilustra el correspondiente diagrama de dispersión, y el coeficiente de determinación R2 = 0,447
(44,7% de varianza compartida entre ambas puntuaciones)
Figura 6.40. Diagrama de dispersión TPC * RP30
Con respecto al objetivo específico O3n, es decir, estudiar la validez criterial (concurrente) del TPC
con respecto a una medida estandarizada de aptitud ‘perceptivo-atencional’, el Test Formas
Idénticas-Revisadas (FI-R) (TEA Ediciones, 2015c, en línea), en la siguiente Tabla 6.43 se muestran
las correlaciones entre las puntuaciones totales en el TPC, y las dos puntuaciones totales (directas)
que arroja la aplicación del test FI-R: el ‘Índice de Percepción y Atención’ (A-E) y el ‘Índice de
Control de la Impulsividad’ (ICI). Tal y como puede observarse en la tabla, aunque se encuentran
con ambos índices correlaciones positivas de intensidad baja, ninguna de dichas correlaciones llega a
ser estadísticamente significativa (p(r) > 0,05).
Tabla 6.43. Correlación del TPC con el FI-R (índices A-E e ICI)
FI-R (A-E) FI-R (ICI)

Correlación de Pearson ,229 ,204
TPC Sig. (bilateral) ,076 ,115
N 61 61
409
Finalmente, para cerrar este sub-epígrafe, abordamos el objetivo específico O3ñ, es decir, estudiar la
validez criterial (concurrente) del TPC con respecto a una medida estandarizada de personalidad, el
cuestionario BFQ-NA (TEA Ediciones, 2015d, en línea). En la Tabla 6.44 se muestra la matriz de
correlaciones entre las puntuaciones totales en el TPC y las puntuaciones totales (directas) en cada
una de las cinco dimensiones de personalidad que mide el BFQ-NA: Conciencia (Co), Apertura
(Ap), Extraversión (Ex), Amabilidad (Am), e Inestabilidad Emocional (Ie).
Tabla 6.44. Matriz de correlaciones (N=99) entre el TPC y las dimensiones de personalidad del BFQ-NA
BFQ-NA BFQ-NA BFQ-NA BFQ-NA BFQ-NA
(Co) (Ap) (Ex) (Am) (Ie)
TPC ,267** ,407** ,304** ,133 ,092
BFQ-NA (Co) ,834** ,605** ,753** -,374**
BFQ-NA (Ap) ,444** ,611** -,202*
BFQ-NA (Ex) ,645** -,234*
BFQ-NA (Am) -,363**

N=99
Tal y como puede observarse en la tabla anterior, el TPC correlaciona de manera estadísticamente
muy significativa (p(r) < 0,01), en sentido positivo, con intensidad moderada con la dimensión
‘Apertura’ (r = +0,407) y con intensidad baja con las dimensiones ‘Extraversión’ (r = +0,304) y
‘Conciencia’ (r = +0,267). No se encuentran correlaciones estadísticamente significativas ni con la
dimensión ‘Amabilidad’, ni con la dimensión ‘Inestabilidad Emocional’. Los correspondientes
diagramas de dispersión, de menor a mayor R2, se muestran en las siguientes Figuras 6.41 a 6.43.
Figura 6.41. Diagrama de dispersión TPC*Inestabilidad Emocional (izquierda) y TPC*Amabilidad (derecha)
410
Figura 6.42. Diagrama de dispersión TPC*Conciencia (izquierda) y TPC*Extraversión (derecha)
Figura 6.43. Diagrama de dispersión TPC*Apertura
Análogamente a lo que hicimos con la batería PMA, nos resulta de gran interés realizar una regresión
múltiple sobre el TPC (tomada como variable dependiente) a partir de las puntuaciones en cada una
de las dimensiones de personalidad medidas por el BFQ-NA (tomadas como predictores). En la
siguiente Tabla 6.45 se presenta el resumen del modelo de regresión, que ha sido calculado según el
método ‘introducir’. Tal y como puede comprobarse, el modelo construido a partir de las
puntuaciones en las dimensiones del BFQ-NA correlaciona r = +0,529 con el TPC; lo que supone un
R2ajustado = 0,241 (el 24,1% de la varianza del TPC es explicado a partir de una combinación lineal de
411
las dimensiones de personalidad medidas a través del BFQ-NA). Se comprobó la normalidad de los
residuos del modelo de regresión.
Tabla 6.45. Resumen del modelob de regresión sobre el TPC a partir de las puntuaciones en el cuestionario BFQ-NA
1 ,529a ,280 ,241 3,663

a. Variables predictoras: (Constante), BFQ-NA (Ie), BFQ-NA (Ap), BFQ-NA (Ex), BFQ-NA (Am), BFQ-NA (Co)
Tal y como puede verse en la siguiente Tabla 6.46, el modelo de regresión es capaz de explicar-
predecir, de manera estadísticamente muy significativa, las diferencias en las puntuaciones de la
variable dependiente (TPC), dado que F = 7,216 (p(F) = 0,000 < 0,01).
Tabla 6.46. ANOVA del TPC según el modelo de regresión construido a partir del cuestionario BFQ-NA

Regresión 484,038 5 96,808 7,216** ,000
1 Residual 1247,598 93 13,415
Total 1731,636 98
Ahora bien, según vemos en la siguiente Tabla 6.47 de coeficientes del modelo de regresión, sólo la
dimensión ‘Apertura’ (Ap) y la dimensión ‘Extraversión’ (Ex) son capaces, de manera específica y
estadísticamente muy significativa (p(t) < 0,01), de explicar-predecir cambios en la variable
dependiente (TPC). Los coeficientes tipificados del modelo son, de mayor a menor peso relativo,
βt(Ap) = 0,618, βt(Ex) = 0,365; βt(Am) = -0,270; βt(Co) = -0,220, y βt(Ie) = 0,122.
Tabla 6.47. Coeficientesa del modelo de regresión sobre el TPC a partir del cuestionario BFQ-NA
Coeficientes no estandarizados Coeficientes tipificados

Modelo t Sig.
B Error típ. Beta
(Constante) -1,472 3,785 -,389 ,698
BFQ-NA (Co) -,077 ,072 -,220 -1,066 ,289
BFQ-NA (Ap) ,510 ,136 ,618 3,745** ,000
1
BFQ-NA (Ex) ,294 ,096 ,365 3,050** ,003
BFQ-NA (Am) -,180 ,097 -,270 -1,861 ,066
BFQ-NA (Ie) ,071 ,057 ,122 1,243 ,217
En la siguiente Figura 6.44 se muestran los gráficos de regresión parcial sobre el TPC de los 2
predictores que se han mostrado estadísticamente significativos: BFQ-NA (Ap), y BFQ-NA (Ex). Y
en la Figura 6.45, como síntesis, se muestra el diagrama de dispersión entre las puntuaciones totales
observadas en el TPC y las puntuaciones predichas por el modelo de regresión calculado.
412
Figura 6.44. Gráficos de regresión parcial de BFQ-NA (Ap) sobre TPC (izquierda), y BFQ-NA (Ex) sobre TPC (derecha)
Figura 6.45. Diagrama de dispersión entre las puntuaciones observadas TPC y las predichas por el modelo BFQ-NA
6.5.2.3.1.2. Predictiva
Con respecto al objetivo específico O3o, es decir, estudiar la validez criterial (predictiva) del TPC
con respecto al rendimiento académico (RA) en varias asignaturas; en la Tabla 6.48 se presentan las
correlaciones entre las puntuaciones totales en el TPC (tomadas, en situación pre, a comienzo del
413
trimestre escolar) y las calificaciones académicas en las asignaturas de Informática, Matemáticas y

Lengua (emitidas al final de dicho trimestre escolar, es decir, unas 12 semanas más tarde).
Tabla 6.48. Matriz de correlaciones (N=158) entre el TPC (al comienzo del trimestre) y las calificaciones en Informática,
Matemáticas y Lengua (al final del trimestre)
Nota (Informática) Nota (Matemáticas) Nota (Lengua)
TPC ,412** ,333** ,361**
Nota (Informática) ,597** ,523**
Nota (Matemáticas) ,689**

N=158
Tal y como puede observarse en la tabla anterior, el TPC correlaciona en sentido positivo y de
manera estadísticamente muy significativa (p(r) < 0,01) con las calificaciones académicas de las tres
asignaturas: con intensidad moderada en la asignatura de Informática (r = +0,412) y con intensidad
baja en las asignaturas de Lengua (r = +0,361) y Matemáticas (r = +0,333). Los correspondientes
diagramas de dispersión, de menor a mayor R2, se muestran en las siguientes Figuras 6.46 a 6.48.
Figura 6.46. Diagrama de dispersión TPC*Nota en Matemáticas
414
Figura 6.47. Diagrama de dispersión TPC*Nota en Lengua
Figura 6.48. Diagrama de dispersión TPC*Nota en Informática
Podemos construir un modelo de regresión múltiple sobre el TPC a partir de las calificaciones en las
tres asignaturas, que arroja un R2ajustado = 0,184. Dicho modelo es capaz de explicar-predecir, de
manera retrospectiva y estadísticamente muy significativa, las puntuaciones totales en el TPC a partir
de las calificaciones en las tres asignaturas, emitidas 12 semanas más tarde (F = 12,773; p(F) < 0,01);
aunque sólo la nota de Informática (βt = 0,300) es la que, de manera específica y estadísticamente
muy significativa (p(t) < 0,01) explica-predice diferencias en el TPC. Se detalla en las siguientes
Tablas 6.49 a 6.51.
415
Tabla 6.49. Resumen del modelob de regresión sobre el TPC (al comienzo del trimestre) a partir de las calificaciones en
Informática, Matemáticas y Lengua (al final del trimestre)
1 ,446a ,199 ,184 3,924

a. Variables predictoras: (Constante), Nota Lengua, Nota Informática, Nota Matemáticas
Tabla 6.50. ANOVA del TPC según el modelo de regresión construido a partir de las calificaciones académicas

Regresión 590,151 3 196,717 12,773** ,000
1 Residual 2371,824 154 15,401
Total 2961,975 157
Tabla 6.51. Coeficientesa del modelo de regresión sobre el TPC a partir de las calificaciones académicas
Coeficientes
Coeficientes no estandarizados
Modelo tipificados t Sig.
B Error típ. Beta
(Constante) 7,539 1,577 4,781** ,000
Nota Informática ,855 ,261 ,300 3,273** ,001
1
Nota Matemáticas ,060 ,258 ,025 ,234 ,815
Nota Lengua ,492 ,268 ,186 1,837 ,068
En la siguiente Figura 6.49 se muestra el diagrama de dispersión de las puntuaciones totales

observadas en el TPC (al comienzo del trimestre) y las predichas por el modelo de regresión a partir
de las calificaciones académicas en Informática, Matemáticas y Lengua (al finalizar dicho trimestre).
Figura 6.49. Diagrama de dispersión entre las puntuaciones observadas TPC y las predichas por el modelo RA
416
Finalmente es de destacar que, dentro de los 158 sujetos de los cuales poseemos datos en el TPC y en
RA, con los que hemos calculado las anteriores correlaciones y modelo de regresión: hay 138 sujetos
experimentales que posteriormente al TPC realizaron el curso trimestral ‘K-8 Intro to Computer
Science’ (Code.org, 2015a) cuyo contenido gira alrededor del pensamiento computacional y que se
evalúa en el Capítulo 7; y 20 sujetos control que posteriormente al TPC siguieron con el currículum
habitual en la asignatura de Informática, basado en el uso de herramientas ofimáticas y navegación
web (currículum TIC tradicional). Por tanto, la calificación en Informática al final del trimestre tiene
un significado distinto para ambos grupos de sujetos, y parece conveniente calcular la correlación
predictiva TPC * Nota de Informática de manera segmentada para cada uno de los grupos. Tal y
como puede observarse en la Tabla 6.52, sólo aparece una correlación estadísticamente muy
significativa entre el TPC (aplicado a comienzos del trimestre) y la nota en Informática (emitida al
final del trimestre), cuando el currículum cursado durante dicho periodo tiene contenidos relativos al
desarrollo del pensamiento computacional (r = +0,483, p(r) < 0,01); y no cuando se cursa el
currículum TIC tradicional (r = -0,003; p(r) > 0,05).
Tabla 6.52. Correlación TPC*Nota en Informática, en función del currículum seguido
Nota (Informática)
TPC Correlación de Pearson -,003
(sujetos de control – currículum TIC
tradicional) N 20
TPC Correlación de Pearson ,483**
(sujetos experimentales – currículum K8
de Code.org) N 138
Con respecto al objetivo específico O3p, es decir, estudiar la validez criterial (predictiva) del TPC
con respecto a las estadísticas de desempeño en el curso ‘K-8 Intro to Computer Science’ (Code.org,
2015a); en la Tabla 6.53 se muestran las correlaciones entre las puntuaciones totales en el TPC
(tomadas en situación pre al inicio del trimestre) y las dos estadísticas de desempeño que
proporciona la plataforma Code.org sobre sus usuarios-aprendices (descargadas al final del curso
trimestral). Estas dos estadísticas de desempeño son: número de ‘niveles-pantallas’ correctamente
completadas por el sujeto, y número de ‘líneas de código escritas’ 386
Tabla 6.53. Correlaciones entre las puntuaciones totales en el TPC y las estadísticas de desempeño en Code.org (N=324)
Niveles Completados [Code.org] Líneas de Código escritas [Code.org]
TPC ,331** ,254**
Niveles Completados [Code.org] ,765**

N=324
386
Nótese que, para superar un mismo nivel-pantalla, se pueden escribir diferentes programas con un número variable de
líneas de código. Por eso, la correlación entre ‘Niveles completados’ y ‘Líneas de Código escritas’ no es perfecta. Por
ejemplo, un programa que haga avanzar un objeto hacia adelante cuatro casillas puede escribirse como “[Repetir *4]
[avanzar]” (que son 2 líneas de código); o como “[avanzar] [avanzar] [avanzar] [avanzar]” (que son 4 líneas de código).
Volveremos sobre este detalle en el Capítulo 7.
417
Tal y como puede observarse, encontramos sendas correlaciones positivas y estadísticamente muy
significativas (p(r) < 0,01) entre el TPC, tanto con el número de ‘niveles-pantallas completados’ (r =
+0,331) como con el número de ‘líneas de código escritas’ (r = +0,254) (Figuras 6.50 y 6.51)
Figura 6.50. Diagrama de dispersión TPC* Niveles-Pantallas completados en Code.org
Figura 6.51. Diagrama de dispersión TPC* Líneas de código escritas en Code.org
418
Sin embargo, si segmentamos las correlaciones anteriores entre las aulas que siguieron el curso ‘K-8
Intro to Computer Science’ (Code.org, 2015a) según un sistema metodológico ‘teacher-paced’
(‘guiado por el profesor’, de manera que todo el grupo de clase va avanzando por las etapas del curso
al ritmo homogéneo marcado por el docente), y las que lo hicieron según un sistema ‘self-paced’
(‘autoguiado’, de manera que cada sujeto va avanzando, incluso en su casa, por las etapas del curso a
su propio ritmo); entonces los valores difieren entre ambos sistemas. Tal y como puede observarse en
la siguiente Tabla 6.54 y Figura 6.52, la correlación es de mayor intensidad en el caso ‘self-paced’
(se eleva hasta r = +0,458)
Tabla 6.54. Correlación TPC * Niveles completados en Code.org, en función de la metodología de aula
Niveles Completados [Code.org]

TPC – Teacher-paced
N 279
TPC – Self-paced
N 45
Figura 6.52. Diagrama de dispersión TPC*Niveles completados en Code.org, según sistema metodológico
419
6.5.2.3.2. Validez discriminante
Con respecto al objetivo específico O3q, es decir, estudiar la validez discriminante del TPC para
detectar sujetos de ‘alta capacidad computacional’; trabajaremos exclusivamente con la sub-muestra
de sujetos que realizaron la aplicación pre del TPC, y posteriormente realizaron el curso ‘K-8 Intro
to Computer Science’ (Code.org, 2015a) mediante una metodología ‘self-paced’ (‘autoguiada’ por el
ritmo de cada sujeto); metodología que permitió emerger y manifestarse a la ‘alta capacidad
computacional’, que es el criterio discriminante que utilizaremos y que definimos operativamente un
poco más adelante.
Esta sub-muestra está compuesta por 45 estudiantes (N=45), 29 chicos (64,4%) y 16 chicas (35,6%).
Todos los sujetos son de 1º Ciclo de la ESO, y provienen de: un aula de 1º ESO del IES María
Blasco (17 sujetos), un aula de 1º ESO del IES Andreu Sempere (15 sujetos), y un aula de 2º ESO
también del IES Andreu Sempere (13 sujetos).
Los sujetos categorizados como de ‘alta capacidad computacional’ son aquéllos que completaron el
curso ‘K-8 Intro to Computer Science’ 387 (Code.org, 2015a) a un ritmo notablemente más rápido que
sus compañeros de aula, y solicitaron acelerar a un curso de nivel superior: el denominado
‘Computer Programming’ 388 de la plataforma Khan Academy (2015). Atendiendo a este criterio, de
los 45 sujetos de la sub-muestra: 7 sujetos (15,6%) sí fueron categorizados como de ‘alta capacidad
computacional’ (2 del IES María Blasco y 5 del IES Andreu Sempere; todos ellos varones), mientras
que los 38 sujetos restantes (84,4%) no lo fueron (grupo ‘normal’)
Al comparar las medias en la puntuación total en el TPC entre ambos grupos, obtenemos una
diferencia estadísticamente significativa (t = -2,300; p(t) = 0,026 < 0,05), y con un tamaño del efecto
‘grande’ (d = 0,95), a favor del grupo categorizado como de ‘alta capacidad computacional’. Es
decir, la media en el TPC del grupo de ‘alta capacidad computacional’ se aparta casi una desviación
típica de la media del grupo ‘normal’ Se detalla en la Tabla 6.55.
Tabla 6.55. Prueba t de diferencia de medias en el TPC entre el grupo ‘normal’ y el de ‘alta capacidad computacional’
Desviación d de
N Media t p(t)
estándar Cohen
‘Self-paced’- Grupo ‘normal’ 38 17,45 4,360
TPC -2,300* ,026 0,95
‘Self-paced’- Grupo ‘alta capacidad computacional’ 7 21,57 4,353
*Significativo al nivel p(t) < 0,05
Tal y como puede observarse, la media en el TPC para el grupo de ‘alta capacidad computacional’
fue de 𝑋� = 21,57; puntuación equivalente a casi un percentil 90 en el baremo de 1º Ciclo de la ESO
según vimos en el subepígrafe de descriptivos.
Otro análisis de interés para estudiar la potencia discriminante del TPC para detectar-predecir los
sujetos de ‘alta capacidad computacional’, tal y como los hemos definido, es la curva COR
(acrónimo español del inglés ROC: Receiver Operating Characteristic) de rendimiento diagnóstico.
387
Recordemos que el curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) trabaja con un lenguaje de programación
visual ‘por bloques’ (concretamente con Blockly)
388
Recordemos que el curso ‘Computer Programming’ (Khan Academy, 2015) trabaja con un lenguaje de programación
textual (concretamente con Processing JavaScript); de complejidad superior.
420
La curva COR de rendimiento diagnóstico del TPC para discriminar sujetos de ‘alta capacidad
computacional’ se muestra en la Figura 6.53; que se acompaña de las tablas asociadas de resultados,
Tablas 6.56 y 6.57.
Figura 6.53. Curva COR de rendimiento diagnóstico del TPC sobre la ‘alta capacidad computacional’
Tabla 6.56. Área bajo la Curva COR de rendimiento diagnóstico del TPC sobre la ‘alta capacidad computacional’
Área bajo la curva

Variable(s) de resultado de prueba: TPC
Significación 95% de intervalo de confianza asintótico
Área Error estándara
asintóticab Límite inferior Límite superior
,750* ,092 ,037 ,569 ,931
a. Bajo el supuesto no paramétrico
b. Hipótesis nula: área verdadera = 0,5
* Significativa a un nivel p < 0,05
Tal y como puede observarse en la tabla anterior, el área bajo la curva COR resultante es ACOR =
0,75. Este resultado es estadísticamente significativo (p = 0,037 < 0,5); y puede interpretarse como
una potencia discriminante ‘buena’ (Navas Ara, 2001) del TPC sobre la ‘alta capacidad
computacional’.
421
En la Tabla 6.57 señalamos en fondo verde los puntos de corte de mayor potencia discriminante de
nuestro TPC para detectar-predecir sujetos de ‘alta capacidad computacional’: son los puntos de
corte que maximizan la ‘sensibilidad’ del TPC (% de sujetos de ‘alta capacidad computacional’
detectados correctamente o ‘verdaderos positivos’), minimizando su ‘especificidad (% de sujetos
‘normales’ clasificados incorrectamente como de ‘alta capacidad computacional’, o ‘falsos
positivos’). Estos importantes puntos de corte, que se visualizan en la anterior curva COR como los
vértices izquierdos en la misma, son:
 Puntuación ≥ 17,5 en el TPC: detecta un 85,7% de ‘verdaderos positivos’ y un 47,4% de

‘falsos positivos’ en lo relativo a la ‘alta capacidad computacional’


Tabla 6.57. Coordenadas de la curva COR y puntos de corte de mayor potencia discriminante
Coordenadas de la curva
Variable(s) de resultado de prueba: TPC
Positivo si es mayor o igual quea Sensibilidad 1 - Especificidad
7,00 1,000 1,000
9,00 1,000 ,974
11,00 1,000 ,947
13,00 1,000 ,842
14,50 1,000 ,763
15,50 1,000 ,658
16,50 ,857 ,553
17,50 ,857 ,474
18,50 ,714 ,368
19,50 ,571 ,316
20,50 ,429 ,263
22,50 ,429 ,132
24,50 ,429 ,079
25,50 ,286 ,053
26,50 ,143 ,000
28,00 ,000 ,000
a. El valor de corte más pequeño es el valor mínimo de prueba observado menos 1 y el valor de corte más grande es el valor máximo
de prueba observado más 1. Todos los demás valores de corte son los promedios de los dos valores de prueba observados solicitados
consecutivos.
6.5.2.3.3. Validez convergente
Para estudiar la validez convergente de nuestro TPC, hemos utilizado otras dos medidas alternativas
del pensamiento computacional: una selección de tareas extraídas del ‘Concurso Internacional
Bebras’ (se revisó en el sub-epígrafe 3.3.2.1 de la parte teórica); y la herramienta automática de
análisis de proyectos Scratch, denominada ‘Dr. Scratch’ (se revisó en el sub-epígrafe 3.3.2.2)
422
6.5.2.3.3.1. Con tareas Bebras
Abordando pues el objetivo específico de investigación O3r, es decir, estudiar la validez convergente
del TPC con respecto a una selección de tareas Bebras; en la Tabla 6.58 se muestran las
correlaciones del TPC con las tareas B-1 (aplicadas concurrentemente al TPC en 3º Ciclo de
Primaria), con las tareas B-2 (ídem en 1º Ciclo de Secundaria), y con las tareas B-3 (ídem en el 2º
Ciclo de Secundaria). Ya nos referimos a esta selección de tareas Bebras en el sub-epígrafe relativo a
‘Instrumentos’ (6.5.1.2), y se muestran con detalle en el Anexo H.
Tabla 6.58. Correlaciones del TPC con las Tareas Bebras
Tarea B1-1 Tarea B1-2 Tarea B1-3 Total Tareas B1

** * *
Correlación de Pearson ,394 ,260 ,283 ,511**
TPC
N 61 61 61 61
% de sujetos que contestaron
31,1% 34,4% 75,4%
correctamente a la tarea
** **
Correlación de Pearson ,427 ,055 ,483 ,523**
TPC
N 179 179 179 179
44,7% 19,6% 46,9%
**
Correlación de Pearson ,283 ,028 ,014 ,175
TPC
N 95 95 95 95
74,7% 50,5% 23,2%
Tal y como puede observarse en la tabla anterior, las puntuaciones totales en el TPC correlacionan de
manera estadísticamente muy significativa (p(r) < 0,01), en sentido positivo y con intensidad
moderada, con las puntuaciones totales en las tareas Bebras B-1 (r = +0,511), y tareas Bebras B-2 (r
= +0,523). No se encuentra correlación estadísticamente significativa entre el TPC y el total de las
tareas Bebras B-3 (r = +0,175).
Haciendo un análisis más pormenorizado por tareas individuales, y centrándonos en las tareas Bebras
B-2 (que es donde acumulamos mayor muestra, que además se corresponde con el foco central de
nuestra validación, es decir, 1º Ciclo de la ESO); vemos que el TPC correlaciona de manera
estadísticamente muy significativa (p(r) < 0,01), en sentido positivo y con intensidad moderada, con
la tarea B2-1 (r = +0,427), denominada ‘Water Supply’, y con la tarea B2-3 (r = +0,483),
denominada ‘Abacus’. No así con la tarea B2-2 (r = +0,055) denominada ‘Fast Laundry’. En el
apartado 6.6 de discusión y conclusiones parciales se aporta una posible interpretación a estos
resultados.
En la siguiente Figura 6.54 se aportan los diagramas de dispersión correspondientes.
423
Figura 6.54. Diagramas de dispersión TPC * Tareas Bebras (B-1 arriba, B-2 en el centro, y B-3 abajo)
424
6.5.2.3.3.2. Con Dr. Scratch
Abordando el objetivo específico de investigación O3s, es decir, estudiar la validez convergente del
TPC con respecto a la herramienta Dr. Scratch; recordemos que la sub-muestra para este estudio se
compone de sujetos que provienen de 3 centros educativos: IES Vicente Aleixandre, IES Mestre
Ramón Esteve, e IES Sevilla Este. En estos centros, el TPC fue aplicado inicialmente en situación
pre; posteriormente los sujetos iniciaron un periodo de aprendizaje con Scratch (alrededor de 8
semanas); y finalmente los sujetos realizaron una segunda aplicación del TPC en situación post,
además de analizar sus proyectos finales de Scratch con la herramienta analítica Dr. Scratch. Por
tanto, a efectos de la validación convergente del TPC con Dr. Scratch, calcularemos tanto un
coeficiente de validez convergente predictivo (TPCpre * Dr. Scratch) como un coeficiente de validez
convergente concurrente (TPCpost * Dr. Scratch). La muestra finalmente válida está compuesta por
los 71 sujetos, todos ellos de 2º ESO, que completaron las 3 medidas (TPCpre, TPCpost y Dr.
Scratch).
Es importante reseñar que, durante el periodo de aprendizaje con Scratch, en el IES Vicente
Aleixandre (30 sujetos) trabajaron con metodología ‘pair programming’ (2 estudiantes por cada
ordenador); mientras que en el IES Ramón Esteve (13 sujetos) y en el IES Sevilla Este (28 sujetos) lo
hicieron con metodología ‘single programming’ (1 estudiante por cada ordenador). Una vez
finalizado el periodo de aprendizaje de 8 semanas con Scratch, el profesor seleccionó y envió el
mejor proyecto de cada estudiante (si trabajaron con metodología ‘single programming’) o de cada
pareja de estudiantes (si trabajaron con metodología ‘pair programming’), para ser analizados con
Dr. Scratch.
En la Tabla 6.59 se muestran las estadísticas de muestras emparejadas entre el TPC pre y post. Tal y
como puede observarse, la puntuación media en el TPC en condición post (𝑋� = 18,58) es mayor que
en la condición pre (𝑋� = 17,07). Esta diferencia de medias emparejadas es estadísticamente muy
significativa (t = -3,334; p(t) = 0,001 < 0,01), con un tamaño del efecto asociado d = 0,37, que puede
considerarse un efecto moderado (Ellis, 2010). Además, la correlación TPCpre*TPCpost es
estadísticamente muy significativa, de sentido positivo e intensidad moderada (r = +0,580).
Tabla 6.59. Estadísticas de muestras emparejadas TPC pre y post
Media N Desviación estándar t p(t) d de cohen r p(r)

TPC (Pretest) 17,07 71 3,571
Par 1 -3,334** ,001 0,37 0,580** ,000
TPC (Postest) 18,58 71 4,531
** Significativo al nivel p < 0,01
En la Tabla 6.60 se muestra la matriz de correlaciones entre las 3 medidas. Toda ellas son
estadísticamente muy significativas (p(r) < 0,01), positivas y de intensidad moderada. Y en las
Figuras 6.55 y 6.56 se ilustran los diagramas de dispersión del TPC con Dr. Scratch.
Tabla 6.60. Matriz de correlaciones TPCpre, TPCpost, y Dr. Scratch

TPC (Postest) Total Dr. Scratch
TPC (Pretest) ,580** ,439**
TPC (Postest) ,535**
N=71
425
Figura 6.55. Diagrama de dispersión TPCpre * Dr. Scratch
Figura 6.56. Diagrama de dispersión TPCpost * Dr. Scratch
Tal y como era de esperar, la correlación convergente concurrente TPCpost * Dr. Scratch, es mayor
que la correlación convergente predictiva TPCpre * Dr. Scratch; dado que r = +0,535 > r = +0,439.
426
Por otro lado, si segmentamos la muestra en función de la metodología de programación (‘single

programming’ vs. ‘pair programming’), sólo encontramos una correlación estadísticamente
significativa en la condición ‘single programming’ entre el TPCpost * Dr. Scratch (r = +0,367; p(r) =
0,018 < 0,05). Se detalla en la siguiente Tabla 6.61.
Tabla 6.61. Correlaciones TPC * Dr. Scratch, en función de la metodología de programación
TPC (Pretest) TPC (Postest)

Correlación de Pearson ,270 ,367*
Single Programming
N 41 41
Total Dr. Scratch
Correlación de Pearson ,140 ,263
Pair Programming
N 30 30
Finalmente, en la Tabla 6.62 se muestran las correlaciones del TPC, tanto en condición pre como
post, con cada una de las dimensiones del pensamiento computacional medidas a través de Dr.
Scratch, a saber: ‘Abstracción’; ‘Paralelismo’; ‘Pensamiento Lógico’; ‘Sincronización’; ‘Control de
Flujo’; ‘Interactividad con el Usuario’; y ‘Representación de la Información’.
Tabla 6.62. Correlaciones TPC * Dimensiones del Pensamiento Computacional medidas por Dr. Scratch
Representación
Pensamiento Control Interactividad
Abstracción Paralelismo Sincronización de la
Lógico de Flujo con el usuario
Información
TPC
,147 ,377** ,418** ,409** ,415** ,296* ,359**
(Pretest)
TPC
,378** ,452** ,474** ,438** ,449** ,376** ,454**
(Postest)
Al calcular la correlación del TPCpre con cada una de las dimensiones del pensamiento
computacional medidas por Dr. Scratch: los valores oscilan entre una correlación positiva, de
intensidad baja y estadísticamente no significativa con la dimensión ‘Abstracción’ (r = +0,147; p(r) =
0,221 > 0,05) y una correlación estadísticamente muy significativa, de signo positivo e intensidad
moderada con la dimensión ‘Pensamiento Lógico’ (r = +0,418; p(r) = 0,000 < 0,01). Análogamente,
al calcular la correlación del TPCpost con cada una de las dimensiones del pensamiento
computacional medidas por Dr. Scratch: todas las correlaciones son positivas y estadísticamente muy
significativas (p(r) < 0,01), oscilando desde r = +0,376 en ‘Interactividad con el Usuario’ y r =
+0,474 en ‘Pensamiento Lógico’. Para todas las dimensiones medidas por Dr. Scratch, las
correlaciones en situación post son mayores que en situación pre. Estos resultados se discuten en el
apartado 6.6.
6.5.2.3.4. Validez factorial
Con respecto al objetivo específico de investigación O3t, es decir, estudiar la validez factorial del
TPC; en primer lugar, comprobamos si la matriz de puntuaciones de los 1.251 sujetos de la muestra a
lo largo de los 28 ítems del TPC (puntuaciones recodificadas como 0 = error, 1 = acierto) cumple
con los requisitos estadísticos para proceder a la factorización. Así es, dado que se encuentra una
427
medida de adecuación muestral KMO = 0,874 ≈ 1; y en la prueba de esfericidad de Bartlett se halla

un χ2 = 3796,915 (p(χ2) = 0,000 < 0,01).
Comenzamos con un análisis factorial exploratorio de la matriz de puntuaciones (1.251 sujetos-filas

* 28 ítems-columnas) según los siguientes parámetros: método de extracción por ‘factorización de
eje principal’; basado en autovalores > 1; método de rotación ‘Promax con normalización Kaiser’
con Kappa = 4. Tal y como puede observarse en la siguiente Tabla 6.63, se obtiene una solución
inicial de 7 factores, que explicaría un 41,87% de la varianza total de la matriz de puntuaciones.
Tabla 6.63. Varianza explicada por la solución inicial de 7 factores

Sumas de las saturaciones al cuadrado Suma de las saturaciones al
de la extracción cuadrado de la rotación
Factor
% de la % % de la
Total Total % acumulado Total
varianza acumulado varianza
1 4,461 15,933 15,933 3,720 13,287 13,287 2,286
2 1,675 5,981 21,914 ,921 3,288 16,575 2,633
3 1,259 4,496 26,411 ,523 1,869 18,444 1,804
4 1,184 4,227 30,638 ,489 1,748 20,192 2,056
5 1,104 3,943 34,581 ,311 1,112 21,304 2,700
6 1,029 3,674 38,255 ,266 ,949 22,253 1,938
7 1,014 3,622 41,878 ,230 ,822 23,075 ,951
8 ,988 3,530 45,408
9 ,971 3,468 48,876
10 ,926 3,308 52,184
11 ,907 3,238 55,422
12 ,884 3,155 58,578
13 ,871 3,110 61,687
14 ,849 3,031 64,719
15 ,826 2,950 67,669
16 ,816 2,915 70,584
17 ,795 2,838 73,422
18 ,778 2,779 76,201
19 ,762 2,723 78,924
20 ,733 2,619 81,543
21 ,728 2,600 84,143
22 ,677 2,417 86,560
23 ,662 2,363 88,924
24 ,653 2,334 91,257
25 ,646 2,307 93,565
26 ,632 2,256 95,821
27 ,608 2,172 97,992
28 ,562 2,008 100,000
Método de extracción: Factorización de Ejes principales.
Dado el gráfico de sedimentación (Figura 6.57) y la matriz de estructura resultante (Tabla 6.64), se
decide explorar con más profundidad el contenido y propiedades de los 3 primeros factores, que
explican un 26,41% de la varianza total (Tabla 6.63)
428
Figura 6.57. Gráfico de sedimentación del análisis factorial exploratorio inicial
Tabla 6.64. Matriz de estructura resultante del análisis factorial exploratorio inicial (sólo se muestran cargas > 0,30)
Factor
1 2 3 4 5 6 7
Pregunta 2 ,544
Pregunta 6 ,472
Pregunta 9 ,472
Pregunta 3 ,460 ,360
Pregunta 11 ,456 ,312 ,357 ,395
Pregunta 5 ,447
Pregunta 13 ,368
Pregunta 1
Pregunta 28 ,581 ,330
Pregunta 27 ,476 ,303
Pregunta 26 ,462
Pregunta 20 ,445 ,365 ,338 ,384
Pregunta 24 ,430 ,317
Pregunta 10 ,301
Pregunta 22 ,329 ,488 ,315 ,470
Pregunta 25 ,405
Pregunta 23 ,319
Pregunta 18 ,307 ,680 ,338
Pregunta 17 ,378 ,330 ,362 -,302
Pregunta 19 ,345
Pregunta 7 ,355 ,334 ,385 ,582
Pregunta 14 ,334 ,422 ,412 ,525 ,318 -,348
Pregunta 4 ,336 ,418 ,352 ,422
Pregunta 16 ,356 ,374 ,346
Pregunta 8 ,367
Pregunta 21 ,325 ,356
Pregunta 12
Pregunta 15
Método de extracción: Factorización del eje principal.
Método de rotación: Normalización Promax con Kaiser.
429
Tal y como puede observarse en la anterior Tabla 6.64, los 3 factores principales estarían
internamente compuestos por los siguientes ítems (ítems con saturaciones ≥ 0,4 en el factor; a
excepción del ítem 16 que, con saturación sólo de 0,356 en el factor 3, se incluye para que éste llegue
a contener un mínimo de 5 ítems):
 Factor 1 (en verde): compuesto por los ítems 2, 3, 5, 6, 9 y 11. Si agrupamos las
especificaciones de estos seis ítems, comprobamos que su contenido fundamental está
referido a los conceptos computacionales de ‘direcciones-secuencias básicas’ y ‘bucles’,
tanto ‘repetir veces’ como ‘repetir hasta’ (Tabla 6.65). Si calculamos una subescala derivada,
que denominaremos ‘Secuencias y Bucles’, a partir de dichos seis ítems; obtenemos una
fiabilidad para la misma de α = 0,621 (Tabla 6.66).
Tabla 6.65. Especificaciones de los ítems que componen el Factor 1

Entorno
- Estilo de las Bucles (loops) Condicionales (conditionals) Funciones (functions)
Interfaz alternativas de Repetir Repetir
del respuesta Direcciones Condicional Mientras Funciones
veces hasta Condicional Funciones
reactivo compuesto que con
(repeat (repeat simple (if) simples
(if/else) (while) parámetros
times) until)
Ítem 2 Laberinto Visual por flechas Sí No No No No No No No
Ítem 3 Laberinto Visual por bloques Sí No No No No No No No
Ítem 5 Laberinto Visual por flechas Sí Sí No No No No No No
Ítem 6 Laberinto Visual por flechas Sí Sí No No No No No No
Ítem 9 Laberinto Visual por flechas Sí No Sí No No No No No
Ítem 11 Laberinto Visual por flechas Sí Sí Sí No No No No No
Tabla 6.66. Estadísticos y fiabilidad de la subescala ‘Secuencias y Bucles’
Media Varianza Desviación típica Alfa de Cronbach N de elementos

5,15 1,461 1,209 ,621 6
 Factor 2 (en azul): compuesto por los ítems 20, 24, 26, 27 y 28. Si agrupamos las
especificaciones de estos cinco ítems, comprobamos que su contenido fundamental (aunque
no sólo) está referido al concepto computacional de ‘funciones simples’ (Tabla 6.67). Si
calculamos una subescala derivada, que denominaremos ‘Funciones’, a partir de dichos
cinco ítems; obtenemos una fiabilidad para la misma de α = 0,589 (Tabla 6.68).

Entorno - Bucles (loops) Condicionales (conditionals) Funciones (functions)
Estilo de las
Interfaz
alternativas de Repetir Repetir
del Direcc. Condicional Mientras Funciones
respuesta veces hasta Condicional Funciones
times) until)
Ítem20 Laberinto Visual por bloques Sí No Sí No Sí No No No
Ítem24 Laberinto Visual por bloques Sí No No Sí No Sí No No
Ítem26 Lienzo Visual por bloques Sí Sí No No No No Sí No
Ítem27 Laberinto Visual por bloques Sí Sí No No No No Sí No
Ítem28 Laberinto Visual por bloques Sí Sí No No No No Sí No
430
Tabla 6.68. Estadísticos y fiabilidad de la subescala ‘Funciones’

3,01 2,244 1,498 ,589 5
 Factor 3 (en rojo): compuesto por los ítems 4, 14, 16, 22 y 25. Si agrupamos las
especificaciones de estos cinco ítems, comprobamos que su contenido fundamental (aunque
no sólo) está referido a los conceptos computacionales de ‘condicional simple’ y ‘condicional
mientras que’ (Tabla 6.69). Si calculamos una subescala derivada, que denominaremos
‘Condicionales’, a partir de dichos cinco ítems; obtenemos una fiabilidad para la misma de α
= 0,575 (Tabla 6.70).

Entorno - Bucles (loops) Condicionales (conditionals) Funciones (functions)
Estilo de las
Interfaz
alternativas de Repetir Repetir
del Direcciones veces Condicional Mientras Funciones
respuesta hasta Condicional Funciones
times) until)
Ítem4 Lienzo Visual por bloques Sí No No No No No No No
Ítem14 Laberinto Visual por bloques Sí No Sí Sí No No No No
Ítem16 Laberinto Visual por bloques Sí No Sí Sí No No No No
Ítem22 Laberinto Visual por bloques Sí Sí No No No Sí No No
Ítem25 Lienzo Visual por bloques Sí Sí No No No No Sí No
Tabla 6.70. Estadísticos y fiabilidad de la subescala ‘Condicionales’

2,03 2,180 1,476 ,575 5
Dado que el anterior análisis factorial no resulta plenamente concluyente, ni en la estructura ni en las
propiedades métricas de los 3 factores estudiados, se aborda un análisis unifactorial complementario
según los siguientes parámetros: método de extracción por ‘factorización de eje principal’; número
fijo de factores = 1 (por tanto, no hay rotación). Como resultado del mismo, el único factor extraído
explica un 15,93% de la varianza total de las puntuaciones. En la siguiente Tabla 6.71 se detalla la
matriz factorial resultante.
Tabla 6.71. Matriz factoriala resultante del análisis unifactorial (sólo se muestran cargas > 0,30)
Factor
1
Pregunta 14 ,485
Pregunta 7 ,478
Pregunta 20 ,456
Pregunta 4 ,451
Pregunta 22 ,424
Pregunta 11 ,420
Pregunta 24 ,412
Pregunta 3 ,401
Pregunta 27 ,400
431
Pregunta 18 ,386
Pregunta 17 ,385
Pregunta 13 ,381
Pregunta 16 ,380
Pregunta 28 ,378
Pregunta 2 ,368
Pregunta 6 ,361
Pregunta 26 ,358
Pregunta 21 ,351
Pregunta 10 ,339
Pregunta 8 ,318
Pregunta 5 ,316
Pregunta 9 ,310
Pregunta 25
Pregunta 19
Pregunta 1
Pregunta 12
Pregunta 23
Pregunta 15
Método de extracción: Factorización del eje principal.
a. 1 factores extraídos. Requeridas 3 iteraciones.
Tal y como puede observarse, la mayoría de los ítems presentan saturaciones medias (≈ 0,4) en el
único factor extraído. Jugando con el punto de corte, encontramos una posible subescala de 13
elementos formada por los ítems con saturaciones ≥ 0,38 en el unifactor (en color gris en la tabla
anterior). Esta subescala de 13 elementos, que aglutina los ítems con mayor carga en el unifactor y a
la que denominaremos ‘Común-Principal’ (Tabla 6.72), ya presenta niveles de fiabilidad aceptables
(α = 0,741).
Tabla 6.72. Estadísticos y fiabilidad de la subescala ‘Común-Principal’

7,45 9,304 3,050 ,741 13
Como síntesis, al combinar los resultados de ambos análisis factoriales, se nos revela una versión
depurada de nuestro test, de tan sólo 20 ítems de longitud, y a la que llamaremos TPC-R. Esta
versión reducida está compuesta por todos los ítems que aparecen, bien en cualquiera de los 3
factores iniciales rotados, bien en el unifactor general (o en ambos). Es decir, el TPC-R incluye todos
los ítems que componen las anteriores subescalas; concretamente los ítems: 2, 3, 4, 5, 6, 7, 9, 11, 13,
14, 16, 17, 18, 20, 22, 24, 25, 26, 27 y 28. En la Tabla 6.73 se presentan los estadísticos y fiabilidad
de esta versión TPC-R.
Tabla 6.73. Estadísticas y fiabilidad de la versión reducida TPC-R

12,64 15,529 3,941 ,782 20
432
Así pues, aplicando una versión reducida de nuestro test de tan sólo 20 ítems (lo que supone una
reducción en la longitud del test del 28,57%), podríamos obtener una puntuación total TPC-R ya con
buena fiabilidad y homóloga a la puntuación en el TPC original; y además, obtener 4 puntuaciones
derivadas de las respectivas 4 subescalas (una ‘Común-Principal’, y tres específicas: ‘Secuencias y
Bucles’, ‘Funciones’ y ‘Condicionales’). En cualquier caso, ello exigiría confirmación empírica a
través de una nueva ronda de aplicaciones con el instrumento TPC-R, algo que excede esta tesis
doctoral y que queda pendiente para trabajos futuros. En la Tabla 6.74 se resumen las características
de las distintas escalas y subescalas definidas.
Tabla 6.74. Resumen de escalas y subescalas definidas

Nº de Fiabilidad Desviación Ítems que forman la
Media
Ítems (α) típica escala o subescala
TPC 28 0,793 16,38 4,824 Todos
Escalas 2, 3, 4, 5, 6, 7, 9, 11, 13,
TPC-R 20 0,782 12,64 3,941 14, 16, 17, 18, 20, 22,
24, 25, 26, 27 y 28
3, 4, 7, 11, 13, 14, 16,
Común-Principal 13 0,741 7,45 3,050
17, 18, 20, 22, 24 y 27
Secuencias y Bucles 6 0,621 5,15 1,209 2, 3, 5, 6, 9 y 11
Subescalas
Funciones 5 0,589 3,01 1,498 20, 24, 26, 27 y 28
Condicionales 5 0,575 2,03 1,476 4, 14, 16, 22 y 25
En la Tabla 6.75 se muestra la matriz de correlaciones entre las puntuaciones totales de los sujetos
para cada una de las escalas y subescalas definidas (la puntuación es siempre calculada como suma
de aciertos en los ítems que componen cada una de ellas). Todas las correlaciones son positivas y
estadísticamente muy significativas (p(r) < 0,01). Y la configuración de las intensidades es coherente:
una intensidad muy alta entre TPC y TPC-R (r = +0,962; en tono oscuro en la tabla y diagrama de
dispersión en la Figura 6.58); también intensidades muy altas entre la subescala ‘Común-Principal’
con respecto a TPC y TPC-R (r > 0,90; en tono oscuro en la tabla); una intensidad moderada-alta
tanto de TPC, TPC-R y ‘Común-Principal’ con respecto del resto de subescalas (r ≈ +0,7; en tono
medio en la tabla); y una intensidad moderada-baja de las subescalas específicas entre sí (r ≈ +0,3; en
tono claro).
Tabla 6.75. Matriz de correlaciones entre las escalas y subescalas definidas

Común- Secuencias y
TPC TPC-R Funciones Condicionales
Principal bucles
TPC 1 ,962 **
,925** ,628** **
,723 ,745**
TPC-R 1 ,958** ,668** ,757** ,758**
Común-Principal 1 ,566** ,685** ,765**
Secuencias y bucles 1 ,339** ,296**
Funciones 1 ,417**
Condicionales 1
433
Figura 6.58. Diagrama de dispersión TPC * TPC-R
Finalmente, en la siguiente Tabla 6.76 se muestran las correlaciones de cada una de las escalas y
subescalas definidas, con las medidas de validez criterial concurrente utilizadas en nuestro estudio
(en negrita se marcan las correlaciones que serán comentadas a continuación)
Tabla 6.76. Matriz de correlaciones de las escalas y subescalas, con las medidas de validez criterial concurrente
PMA PMA PMA PMA FI-R FI-R BFQ BFQ BFQ BFQ BFQ
RP30
(R) (E) (N) (V) (AE) (ICI) (Co) (Ap) (Ex) (Am) (Ie)
TPC ,442** ,439** -,157 ,273** ,669** ,229 ,204 ,267** ,407** ,304** ,133 ,092
TPC-R ,444** ,423** -,160* ,265** ,668** ,314* ,193 ,237* ,421** ,265** ,135 ,112
Común-Princ. ,417** ,409** -,195* ,237** ,691** ,350** ,156 ,267** ,473** ,248* ,140 ,114
Sec. y Bucles ,296** ,272** -,119 ,148 ,400** ,141 ,314* ,064 ,146 ,219* ,091 ,142
Funciones ,316** ,244** -,019 ,168* ,526** ,070 ,157 ,269** ,396** ,248* ,189 ,009
Condicionales ,263** ,334** -,062 ,246** ,464** ,376** ,206 ,150 ,287** ,175 ,110 ,063
434
De la observación detallada de la anterior Tabla 6.76, derivamos algunos resultados de especial

interés (en negrita en la tabla):
 Tanto la versión reducida TPC-R como la subescala ‘Común-Principal’, presentan

correlaciones con respecto a las medidas de validez criterial concurrente muy similares a las
obtenidas con el TPC. Ello aporta evidencia de la bondad psicométrica de ambas. Sin
embargo, encontramos algunas pequeñas diferencias de interés:
o Tanto el TPC-R como la subescala ‘Común-Principal’ llegan a correlacionar

negativamente de manera significativa (p(r) < 0,05) con el PMA-N (Factor Numérico).
Esta significación no se encontró en el caso del TPC (r = -0,157; p(r) = 0,052 > 0,05)
o El TPC-R llega a correlacionar de manera significativa con el ‘Índice de Percepción y

Atención’ (A-E) del Test FI-R (r = +0,314; p(r) = 0,014 < 0,05); dicha correlación con
el A-E se vuelve incluso muy significativa en el caso de la subescala ‘Común-
Principal’ (r = +0,350; p(r) = 0,006 < 0,01). Sin embargo, esta significación no se
encontró en el caso del TPC (r = +0,229; p(r) = 0,076 > 0,05).
o Adicionalmente, mientras que las correlaciones del TPC con respecto a las
dimensiones ‘Apertura’ (Ap) y ‘Extraversión’ (Ex) del BFQ-NA eran ambas muy
significativas y de intensidad muy similar (0,40 y 0,30 respectivamente); esas mismas
correlaciones difieren más entre sí cuando se calculan respecto de la subescala
‘Común-Principal’ (0,47 y 0,24 respectivamente)
 La subescala ‘Secuencias y Bucles’ correlaciona positiva y significativamente (r = +0,314;

p(r) = 0,014 < 0,05) con el ‘Índice de Control de la Impulsividad’ (ICI) del Test FI-R;
correlación que no llega a ser significativa ni en el caso del TPC (r = +0,204; p(r) = 0,115 >
0,05), ni en el caso del TPC-R (r = +0,193; p(r) = 0,135 > 0,05). Por otro lado, la subescala
‘Secuencias y Bucles’ es la única que no arroja correlación significativa con la dimensión
‘Apertura’ del BFQ-NA (r = +0,146; p(r) = 0,149 > 0,05).
 La subescala ‘Funciones’, en comparación con las otras subescalas específicas, presenta

correlaciones muy significativas, y de especial intensidad, con las dimensiones ‘Conciencia’
(r = +0,269; p(r) = 0,007 < 0,01) y ‘Apertura’ (r = +0,396; p(r) = 0,000 < 0,01) del BFQ-NA.
 La subescala ‘Condicionales’, en comparación con las otras subescalas específicas, presenta

correlaciones muy significativas, y de especial intensidad, con el ‘Factor Verbal’ del PMA (r
= +0,246; p(r) = 0,002 < 0,01), y con el ‘Índice de Percepción y Atención’ (A-E) del Test FI-R
(r = +0,376; p(r) = 0,003 < 0,01)
 Finalmente, hay que destacar que las medidas criteriales PMA-R (‘Factor Razonamiento’),
PMA-E (‘Factor Espacial’), y RP30 (‘Resolución de problemas’), presentan correlaciones
muy significativas con todas las escalas y subescalas definidas.
 A la inversa, las dimensiones ‘Amabilidad’ (Am) e Inestabilidad Emocional (Ie) del BFQ-NA
no llegan a correlacionar de manera significativa con ninguna de las escalas y subescalas
definidas. Lo discutimos al final del siguiente apartado.
435
6.6. Discusión y conclusiones parciales
Con respecto al objetivo específico O3a podemos concluir que:
 Se ha conseguido diseñar una primera versión del instrumento TPC (versión 1.0) con arreglo
a las directrices propuestas por Buffum et al. (2015) sobre la construcción de instrumentos de
medida en el área de las Ciencias de la Computación para edades ‘middle school’: se ha
identificado el propósito del test; se ha definido operacionalmente el constructo a medir; se
han explicitado las especificaciones del test (test de elección múltiple con 4 opciones de
respuesta); y se han generado 40 ítems candidatos caracterizados en los 5 ejes de diseño
(‘concepto computacional abordado’, ‘entorno-interfaz del ítem’, ‘estilo de las alternativas de
respuesta’, ‘existencia o inexistencia de anidamiento’, y ‘tarea requerida’), cuya elección se
ha fundamentado en la parte teórica. Con ello, también alineamos el TPC con los estándares
fijados por la ‘American Educational Research Association’ (AERA), la ‘American
Psychological Association’ (APA), y el ‘National Council on Measurement in Education’
(NCME) para la construcción de tests en el ámbito psicoeducativo (AERA, APA, & NCME,
2014)
 Adicionalmente, este diseño inicial del TPC (versión 1.0) es coherente con los otros dos
instrumentos psicométricos de medida del pensamiento computacional (PC) en edades
‘middle school’ o ‘high school’ que revisamos en la parte teórica (epígrafe 3.3.2), a saber
respectivamente: el ‘Test for Measuring Basic Programming Abilities’ (Mühling, Ruf, &
Hubwieser, 2015), y el ‘Commutative Assessment’ (Weintrop & Wilensky, 2015a)
Con respecto al objetivo específico O3b podemos concluir que:
 Se ha sometido al TPC (versión 1.0) a un proceso de validación de contenido a través del

juicio de 20 expertos. El grupo de expertos se ha constituido mayoritariamente con profesores
del área de Informática de etapa universitaria y pre-universitaria; que han valorado el TPC a
través de una mezcla de preguntas dicotómicas, escalas tipo Likert y comentarios abiertos.
Todo ello cumple con las directrices que Buffum et al. (2015) sugieren para la revisión de los
ítems candidatos a la versión final del instrumento.
 La fiabilidad inter-jueces (‘inter-rater reliability’), mostrada por los expertos, fue excelente
en lo relativo a su valoración de la ‘dificultad’ de los 40 ítems candidatos (α = 0,968), y
moderada en lo relativo a la ‘aceptación’ de los ítems para formar parte de la versión final del
TPC (α = 0,467); lo que otorga bondad métrica al proceso de validación de contenido. Sin
embargo, se encontró una fiabilidad inter-jueces muy discreta en lo relativo a la ‘pertinencia
percibida para medir el PC’ de los ítems (α = 0,294); lo que parece un claro indicador de que
aún no existe entre los expertos un consenso claro sobre cuál es el corazón central del
constructo.
 Como resultado del proceso de validación de contenido, se llega a la versión final del TPC
(versión 2.0), de 28 ítems de longitud para ser completados en un tiempo máximo de 45
minutos. Con estas especificaciones, cumplimos las directrices de Buffum et al. (2015), que
436
sugieren instrumentos de, al menos, 20 ítems de longitud, y que puedan ser completados por
los estudiantes en una sesión ordinaria de clase.
 Las dos decisiones fundamentales tomadas para la depuración de la versión original del TPC
a su versión final han sido: la exclusión de los ítems relativos al concepto computacional
‘funciones con parámetros’, y la eliminación del estilo ‘textual’ en las alternativas de
respuesta; ambas debidas a su excesiva dificultad para la población objetivo (1º-2º ESO).
Estas decisiones son consistentes con el instrumento ‘Commutative Assessment’ (Weintrop &
Wilensky, 2015a), que apuesta por introducir la medida de parámetros y variables, alternando
lenguajes visuales y textuales, a partir de la entrada del estudiante en la ‘high school’, esto es,
a partir del Grado 9 (equivalentes a nuestro 3º ESO).
Con respecto a los objetivos específicos O3c y O3d, podemos concluir que:
 Se ha conseguido virtualizar-digitalizar el TPC a través de la tecnología Google Drive Forms,

de manera que sea accesible desde cualquier dispositivo electrónico fijo o portátil (incluidas
tabletas) con conexión a Internet.
 Se ha podido garantizar una adecuada legibilidad y navegabilidad de dicha virtualización del

TPC. Así, los sujetos de la población objetivo son capaces de: acceder al TPC a partir del
enlace URL que se les proporciona; leer y comprender autónomamente las instrucciones y
ejemplos; navegar a lo largo del TPC, emitiendo las correspondientes respuestas y
enviándolas a su conclusión. Se garantiza igualmente la recepción de las respuestas en la base
de datos asociada al test.
Con respecto al objetivo específico O3e, podemos concluir que:
 Se ha conseguido aplicar el TPC sobre una muestra representativa y de tamaño suficiente de

la población objetivo. Concretamente, se ha acumulado una muestra de tamaño total N=1.251
sujetos, de los cuales 735 (58,8%) corresponden al foco central del instrumento (1º y 2º de la
ESO). Los sujetos provienen de 24 centros educativos distintos (tanto públicos como
privados), y de 7 provincias diferentes de la geografía española, asegurando la
representatividad de la muestra a nivel nacional.
 Adicionalmente, se observa un desequilibrio de género en la muestra (≈ 60% vs. 40% a favor

de los chicos). Dado que el TPC se aplicó mayoritariamente en aulas de la ESO y, dentro de
las mismas, durante la clase optativa de Informática; podemos tomar la proporción anterior
como indicativa de la elección diferencial por sexo que actualmente existe en lo que a la
asignatura optativa de Informática se refiere.
Con respecto al objetivo específico O3f, podemos concluir que:
 Las puntuaciones totales en el TPC se distribuyen con un ajuste notable a la curva normal,
algo esperable en una prueba supuestamente aptitudinal; y de manera simétrica alrededor de
la media (𝑋� = 16,38), que se sitúa muy cerca del punto medio de la escala (14 puntos sobre
28 posibles).
437
 Las puntuaciones totales en el TPC presentan una buena variabilidad (rango que oscila entre
3 y 28 puntos, sobre un rango posible de 0-28 puntos), lo que permite la construcción de
baremos adecuados para la población de referencia.
 El rendimiento en el TPC se incrementa de manera estadísticamente significativa según

avanzamos en ciclo educativo y curso académico. Este hecho es coherente con nuestra
definición del ‘pensamiento computacional’ como aptitud cognitiva de solución de problemas
que, por tanto, estaría vinculada al desarrollo madurativo de los sujetos.
 El rendimiento en el TPC de los chicos es superior al de las chicas (d = 0,31). Este resultado
es consistente con la correlación positiva encontrada entre el TPC y los factores ‘Espacial’ y
‘Razonamiento’ del PMA; sendas aptitudes en las cuales la psicología y pedagogía
diferencial ha establecido tradicionalmente una superioridad masculina (Caselles Pérez, 1997;
Linn & Petersen, 1985; Voyer, Voyer, & Bryden, 1995). El rendimiento diferencial en el TPC
a favor del colectivo masculino se incrementa a medida que avanzamos en ciclo educativo, y
sólo es estadísticamente significativo de 1º Ciclo de la ESO en adelante. Parece, pues, que
existe una brecha de género progresiva en lo que a nivel de desarrollo del pensamiento
computacional se refiere.
 Siguiendo con la cuestión de género, la percepción de ‘autoeficacia específica’ sobre el

rendimiento en el TPC es también superior en el caso de los chicos frente a las chicas. En este
caso, el tamaño del efecto asociado asciende hasta d = 0,42. Dicho en otras palabras, en la
percepción de autoeficacia con el TPC se abre una brecha de género adicional a la ya
existente en el desempeño objetivo en el instrumento. Así pues, las chicas muestran
significativamente menor confianza que los chicos sobre su respuesta al test. Este débil
percepción de autoeficacia en tareas relacionadas con el pensamiento computacional podría
afectar negativamente a las chicas al afrontar el aprendizaje de la programación, y podría
disuadirlas de elecciones académicas y profesionales vinculadas a la informática; tal y como
ya se ha sugerido en estudios previos de género (Soe & Yakura, 2008).
 Se encuentra una correlación significativa, positiva y de intensidad moderada entre la

puntuación total en el TPC y la percepción de autoeficacia sobre el rendimiento en el mismo
o ‘autoeficacia específica’ (r = +0,381); es decir, aunque los sujetos no tenían experiencia
previa en pruebas de medida del pensamiento computacional, sí perciben de manera
moderada que responden al test siguiendo una cierta lógica. En contraste, hay una correlación
baja, aunque estadísticamente significativa (r = +0,188) entre la puntuación total en el TPC y
la percepción de autoeficacia de los sujetos sobre su nivel general de competencia informática
(‘autoeficacia general’), posiblemente porque éstos relacionan dicha competencia con usos-
consumos pasivos de la tecnología en vez de con tareas activas y creativas como las que
involucran la programación y el pensamiento computacional.
 La percepción de ‘autoeficacia específica’ desciende según avanzamos en ciclo educativo,

justo a la inversa de lo que sucede con el rendimiento en el TPC. Este hecho, aparentemente
paradójico, se puede explicar dado el mayor sentido autocrítico de los sujetos de mayor edad,
que va aparejado con apreciaciones más ajustadas y consistentes; así, la correlación TPC *
438
‘autoeficacia específica’ se va incrementando con el ciclo educativo, desde r = +0,361 en 3º

Ciclo de Primaria a r = +0,527 en 2º Ciclo de la ESO. Dicho en otras palabras, a medida que
los estudiantes son más mayores, son más precisos en la apreciación de cómo ha sido su
desempeño en el test.
 El TPC tiene un índice de dificultad promedio, a lo largo de sus 28 ítems, de 0,59 (sin
corregir) o 0,45 (corregido). Es decir, podemos afirmar que, globalmente, el TPC presenta un
grado de dificultad adecuado-medio (en el rango 0,40 a 0,60) para la población objetivo, tal y
como se recomienda para pruebas de aptitud (Navas Ara, 2001)
 El TPC presenta una dificultad progresiva a lo largo de sus 28 ítems (desde valores pi altos al
inicio del test, hacia valores pi bajos), tal y como se recomienda en pruebas de aptitud en cuya
construcción se aconseja comenzar por ítems fáciles para ir complicándolos progresivamente.
Detectamos algún ítem excesivamente fácil, con pi-corregido ≥ 0,95: en concreto, el ítem 1 se
aproxima a ese nivel con pi-corregido = 0,94. Y algunos excesivamente difíciles, con pi-corregido ≤
0,05: en concreto, los ítems 12, 15, y 23.
 La correlación ítem-total promedio del TPC a lo largo de sus 28 ítems es ITC = 0,39. Es un
indicador de la adecuada homogeneidad interna de nuestro test, dado que se recomiendan
valores > 0,30 (Buffum et al., 2015) para asegurar que el instrumento está correctamente
construido. Encontramos varios ítems con valores ITC < 0,30, que deben ser revisados o
eliminados de futuras versiones del instrumento: en concreto, los ítems 1, 12, 15 y 23.
 El índice de discriminación promedio del TPC a lo largo de sus 28 ítems es D = 0,38. Es un

indicador de la adecuada potencia discriminatoria del test, dado que se recomiendan valores >
0,30 (Buffum et al., 2015) para asegurar que el instrumento está correctamente construido.
Encontramos varios ítems con valores D < 0,30, que, por su bajo poder discriminatorio, son
candidatos a ser revisados o eliminados en futuras versiones del test: es el caso de los ítems 1,
12, 15 y 23 (de los que ya conocíamos sus debilidades psicométricas), a los que se unen ahora
los ítems 2, 5, 6 y 9 (que son ítems muy fáciles, con pi ≈ 0,90, lo que incide en su baja
capacidad de discriminación).
 Tomando las anteriores conclusiones en conjunto, consideramos que hay tres ítems que
merecen nuestra especial atención para ser revisados o eliminados en futuras versiones del
instrumento: ítems 12, 15 y 23. ¿Qué puede estar fallando en estos ítems? (Anexo F para
verlos en detalle), hacemos un análisis crítico de los mismos a continuación:
o En el ítem 12 (Anexo F) hay un anidamiento simple de un bucle definido (‘repetir

veces’) dentro de un bucle indefinido (‘repetir hasta’); en esta línea, Mühling y
Hubwieser (2015) han reportado recientemente la dificultad que supone para
estudiantes ‘middle school’ resolver ítems en donde se presenta un bucle indefinido
(los autores lo llaman ‘loop with exit condition’) en anidamiento. Además, se añade
cierta dificultad porque ‘el artista’ aparece orientado de espaldas al sujeto que
contesta el ítem; pudiéndose generar cierta duda con respecto al punto de inicio del
lápiz. Una posible revisión del ítem consistiría en tumbar la escalera que lleva hasta la
flor, situando al artista de perfil.
439
o En el ítem 15 (Anexo F) hay un doble anidamiento: bucle definido (‘repetir veces’),

dentro de condicional simple (‘si’), y éste a su vez dentro de bucle indefinido (‘repetir
hasta’). Por lo tanto, a la dificultad señalada en el punto anterior, se le añade la
relativa a un segundo anidamiento. Además, las cuatro alternativas de respuesta no
son equivalentes: las tres primeras son colores (‘azul’, ‘amarillo’, ‘rojo’), mientras
que la cuarta es la afirmación “tanto la opción A como la opción C son correctas”.
Por todo ello, el ítem 15 parece un clarísimo candidato para ser eliminado en una
futura versión mejorada del TPC.
o En el ítem 23 (Anexo F) hay un anidamiento simple de un bucle definido (‘repetir

veces’) seguido por un condicional simple (‘si’), dentro de un bucle indefinido
(‘mientras que’). Además de su dificultad inherente, reconocemos un posible fallo en
la forma en que se ha escrito el programa que debe completar el sujeto. En concreto,
el sujeto debe completar el bucle definido: “repetir ¿? veces”; siendo las alternativas
de respuesta: “1 vez”, “2 veces”, “3 veces”, y “5 veces”. La formulación del reactivo
induce, por la pista gramatical que contiene, a eliminar automáticamente la opción de
respuesta “1 vez”, que precisamente es la alternativa correcta. Por ello, proponemos
una revisión del ítem para futuras versiones del test, reformulado según la siguiente
Figura 6.59.
Figura 6.59. Propuesta de revisión futura para el ítem 23. El bucle definido “repetir ¿? veces” se reformula como
“repetir?????”
Con respecto a los objetivos específicos O3g y O3h, podemos concluir que:
 La fiabilidad del TPC, como consistencia interna, es α = 0,793 ≈ 0,80; lo cual, puede
considerarse como ‘buena fiabilidad’ (Navas Ara, 2001). Con vistas a una posible mejora
futura de nuestro instrumento, destacamos que la consistencia interna del TPC sólo se
incrementa eliminando el ítem 15 (nuevo α = 0,798; lo que supone un incremento,
prácticamente inapreciable, de +0,005). Eliminando el ítem 12 o el ítem 23, la fiabilidad no
se resiente (se mantiene α = 0,793).
440
 El Alfa de Cronbach aumenta con el ciclo educativo y curso académico (llega hasta un
máximo de α = 0,854 en 4º de la ESO). Es decir, el TPC gana en consistencia interna según
aumenta la edad de los sujetos, que cometen un menor número de fallos o aciertos
‘inesperados’ en los ítems del test, dado su rendimiento global en el mismo.
 Por otro lado, nos parece de gran interés el resultado que indica un Alfa de Cronbach distinto
en función del dispositivo electrónico (ordenador o tableta) en el que fue aplicado el TPC.
Así, la consistencia interna del TPC es mayor cuando se aplica en dispositivos tipo ‘tablet’ (la
consistencia interna sube a α = 0,817); efecto especialmente notable en el 1º Ciclo de
Educación Secundaria, foco central del instrumento, en donde el valor Alfa de Cronbach
asciende hasta un notable α = 0,836 ≈ 0,84. En síntesis, la precisión de nuestro test aumenta
cuando se aplica sobre dispositivos móviles; quizás porque éstos permiten al sujeto girar la
pantalla a un lado y a otro, orientando a su gusto los reactivos del test y reduciendo su carga
cognitiva ‘espacial’, evitando en última instancia cometer ‘fallos tontos o inesperados’. Esta
interpretación es apoyada por los resultados que se obtienen al comparar el rendimiento
promedio en el TPC entre sujetos que lo realizaron en ordenador fijo y sujetos que lo
realizaron en tableta: por ejemplo, en 1º Ciclo de la ESO, 𝑋�ordenador = 16,01 vs. 𝑋�tableta = 18,24
(t = -4,116; p(t) = 0,000 < 0,01; d = 0,46). En el futuro, cuando hayamos acumulado una
muestra de mayor tamaño que haya realizado el TPC sobre tableta, y si se siguen
manteniendo estas diferencias significativas, será necesario establecer baremos diferenciados
para el instrumento en función del dispositivo de aplicación.
 Finalmente, la fiabilidad del TPC como estabilidad temporal (ρxx), calculada como
correlación entre las puntuaciones totales en el mismo, derivadas de dos aplicaciones
sucesivas a los mismos sujetos (10-12 semanas entre ambas aplicaciones), es ρxx = 0,704 ≈
0,70; que puede considerarse un valor más que aceptable (Navas Ara, 2001)
Con respecto a los objetivos específicos O3i…O3l, podemos concluir que:
 El TPC presenta una correlación estadísticamente muy significativa (p(r) < 0,01), positiva y de
intensidad moderada con el PMA-R (factor ‘razonamiento’; r = +0,442) y con el PMA-E
(factor ‘espacial’; r = +0,439), y de intensidad sólo baja con el PMA-V (factor ‘verbal’; r =
+0,273). Por otro lado, el TPC no correlaciona de manera estadísticamente significativa (p(r)
> 0,05) con el PMA-N (factor ‘numérico’; r = -0,157).
 El modelo de regresión múltiple construido a partir de las puntuaciones en la batería PMA

correlaciona r = +0,540 con el TPC; lo que supone un R2ajustado de 0,27 (el 27,0% de la
varianza del TPC es explicado a partir de una combinación lineal de las aptitudes primarias
medidas a través del PMA). Dicho modelo de regresión es capaz de explicar-predecir, de
manera estadísticamente muy significativa, las diferencias en las puntuaciones del TPC (F =
13,457; p(F) = 0,000 < 0,01). Ahora bien, sólo el PMA-R (βt = 0,265) y el PMA-E (βt= 0,308)
son capaces, de manera específica y estadísticamente muy significativa (p(t) < 0,01), de
explicar-predecir cambios en la variable dependiente del modelo (TPC). Estos resultados son
consistentes con la diferenciación que hacen O’Brien et al. (2005) sobre los ‘programmers’
frente a los ‘interfacers’; destacando los primeros por sus habilidades lógicas y espaciales.
441
Con respecto al objetivo específico O3m, podemos concluir que:
 Existe una correlación estadísticamente muy significativa (p(r) < 0,01), de signo positivo y de
intensidad moderada-alta (r = +0,669) entre el TPC y el Test de Resolución de Problemas
RP30; lo que supone un notable coeficiente de determinación (R2 = 0,447) entre las
puntuaciones arrojadas por ambos instrumentos (44,7% de varianza compartida)
Tomados conjuntamente los resultados de validez criterial (concurrente) entre el TPC y el PMA, y
entre el TPC y el RP30; podemos afirmar que son muy consistentes con recientes hallazgos
(Ambrosio, Xavier, & Georges, 2014) que vinculan el constructo psicológico ‘pensamiento
computacional’ con algunos de los factores cognitivos definidos desde el modelo de inteligencia
Cattell-Horn-Carroll (CHC) (McGrew, 2009). En concreto, Ambrosio et al. (2014) relacionan el
pensamiento computacional con los factores Gf (‘Fluid reasoning’), Gv (‘Visual processing’), y Gsm
(‘Short-term memory’) del modelo CHC. Siguiendo la descripción que McGrew (2009) ofrece de
estos tres factores de inteligencia, podemos alinearlos claramente con algunos de los instrumentos
que hemos utilizado:
 Gf (‘Fluid reasoning’): es decir, ‘razonamiento fluido’. Se define como “el uso deliberado y
controlado de operaciones mentales dirigidas a resolver nuevos problemas que no pueden
ser ejecutados automáticamente. Estas operaciones mentales habitualmente incluyen:
realización de inferencias, formación de conceptos, clasificación, generación y
comprobación de hipótesis, identificación de relaciones, comprensión de las implicaciones,
resolución de problemas, extrapolación y transformación de información. El razonamiento
inductivo y deductivo son considerados los principales indicadores de Gf” (McGrew, 2009,
p. 5). El factor Gf es abordado de manera clara por el PMA-R y el RP30.
 Gv (‘Visual processing’): es decir, ‘procesamiento visual-espacial’. Se define como “la

capacidad para generar, almacenar, recuperar, y transformar imágenes y sensaciones
visuales. El factor Gv se mide habitualmente por tareas (a partir de estímulos figurativos o
geométricos) que requieren la percepción y transformación de formas, figuras o imágenes
visuales y/o tareas que requieren mantener la orientación espacial de un objeto que puede
moverse o girar en un espacio definido” (McGrew, 2009, p. 5). El factor Gv es abordado de
manera clara por el PMA-E y el RP30.
 Gsm (‘Short-term memory’): es decir, ‘memoria a corto plazo’. Se define como “la
capacidad de aprehender y mantener la conciencia sobre un número limitado de elementos
de información, en la situación inmediata (hechos ocurridos en el último minuto o similar).
Es un sistema de capacidad limitada que pierde rápidamente la información a través del
decaimiento de las trazas de la memoria, a menos que el sujeto active otros recursos
cognitivos para mantener la información en la conciencia inmediata” (McGrew, 2009, p. 5).
El factor Gsm es abordado de manera clara por el RP30.
Así las cosas, encontramos una correspondencia clara entre la magnitud de las correlaciones
encontradas entre el TPC con los distintos factores del PMA y con el RP30, y la composición
factorial esperada del pensamiento computacional desde el modelo CHC (Tabla 6.77). Es a nuestro
entender, una potente evidencia de validez criterial (concurrente) de nuestro TPC.
442
Tabla 6.77. Correlaciones TPC*PMA y TPC*RP30, y contingencia con los factores Gf, Gv, y Gsm del modelo CHC
PMA-N PMA-V PMA-E PMA-R RP30

TPC -,157 ,273** ,439** ,442** ,669**
¿Se mide a lo largo de los siguientes instrumentos?
Gf No No No Sí Sí
Gv No No Sí No Sí
Gsm No No No No Sí
Con respecto al objetivo específico O3n, podemos concluir que:
 Encontramos correlaciones no estadísticamente significativas (p(r) > 0,05), de sentido positivo

y de intensidad baja, entre el TPC y las dos puntuaciones derivadas de la aplicación del test
FI-R: el ‘Índice de Percepción y Atención’ (r = +0,229) y el ‘Índice de Control de la
Impulsividad’ (r = +0,204). Se intuye, pues, cierta relación directa de la aptitud perceptivo-
atencional con nuestro TPC, algo esperable dadas algunas definiciones del pensamiento
computacional que incluyen la ‘persistencia’ como elemento relevante en el mismo (CSTA &
ISTE, 2015). En cualquier caso, nuestros resultados no son concluyentes y requieren de
mayor investigación al respecto.
Con respecto al objetivo específico O3ñ, podemos concluir que:
 El TPC correlaciona de manera estadísticamente muy significativa (p(r) < 0,01), en sentido
positivo, con intensidad moderada con la dimensión ‘Apertura’ (r = +0,407) y con intensidad
baja con las dimensiones ‘Extraversión’ (r = +0,304) y ‘Conciencia’ (r = +0,267). No se
encuentran correlaciones estadísticamente significativas (p(r) > 0,05) ni con la dimensión
‘Amabilidad’ (r = +0,133), ni con la dimensión ‘Inestabilidad Emocional’ (r = +0,092).
 El modelo de regresión múltiple construido a partir de las puntuaciones en las dimensiones de

personalidad del BFQ-NA correlaciona r = +0,529 con el TPC; lo que supone un R2ajustado =
0,241 (el 24,1% de la varianza del TPC es explicado a partir de una combinación lineal de las
dimensiones de personalidad medidas a través del BFQ-NA). Dicho modelo de regresión es
capaz de explicar-predecir, de manera estadísticamente muy significativa, las diferencias en
las puntuaciones del TPC (F = 7,216; p(F) = 0,000 < 0,01). Ahora bien, sólo la dimensión
‘Apertura’ (βt(Ap) = 0,618) y la dimensión ‘Extraversión’ (βt(Ex) = 0,365) son capaces, de
manera específica y estadísticamente muy significativa (p(t) < 0,01), de explicar-predecir
cambios en la variable dependiente (TPC).
 En conjunto, estos resultados son parcialmente consistentes con la investigación previa sobre
la relación entre las distintas dimensiones de personalidad del modelo de 5 factores (‘big
five’) con variables cognitivas (Barbaranelli, Caprara, Rabasca, & Pastorelli, 2003;
Chamorro-Premuzic & Furnham, 2008). En dichos estudios previos, se señalan como
dimensiones de personalidad que correlacionan positivamente con variables cognitivas (tipo
Gf o CI de coeficiente intelectual) y de rendimiento académico, a la ‘Apertura’ 389 y la
389
De hecho, a la dimensión ‘Apertura’ también se la denomina, a veces, ‘Intelecto’ (Barbaranelli, Caprara, Rabasca, &
Pastorelli, 2003)
443
‘Conciencia’ (de hecho, en nuestro estudio encontramos una correlación altísima entre ambas
dimensiones de personalidad: r = +0,834); pero no se señala a la ‘Extraversión’ (incluso,
Barbaranelli et al., 2013 informan de leves correlaciones negativas entre ‘Extraversión’ y
rendimiento académico). Así pues, parece que nuestro TPC introduce una correlación
positiva no esperada con la dimensión ‘Extraversión’, que requiere de una investigación más
profunda.
Tomados conjuntamente los modelos de regresión sobre el TPC, uno construido a partir de las
aptitudes mentales primarias del PMA y otro construido a partir de las dimensiones de personalidad
del BFQ-NA, es especialmente destacable que su poder explicativo-predictivo se sitúe en niveles
similares (R2ajustado = 0,27 en el modelo PMA vs. R2ajustado = 0,24 en el modelo BFQ-NA). Ello nos
indica que para explicar el nivel de desempeño con el TPC es necesario tomar conjuntamente
variables cognitivas y de personalidad; tal y como sugieren las recientes definiciones operativas del
pensamiento computacional (CSTA & ISTE, 2015), que definen a éste como un conjunto particular
de habilidades de solución de problemas, potenciadas por actitudes esenciales como: la apertura y la
confianza para tratar con la ambigüedad y la complejidad, la persistencia en el trabajo con tareas
difíciles, la capacidad para manejarse con problemas abiertos (‘open-ended’), o la capacidad para
comunicarse con otros para llegar a una meta o solución común.
Con respecto a los objetivos específicos O3o y O3p, de validez criterial (predictiva), podemos
concluir que:
 El TPC, aplicado al principio del trimestre, correlaciona en sentido positivo y de manera

estadísticamente muy significativa (p(r) < 0,01) con las calificaciones académicas emitidas al
final de dicho trimestre; concretamente, con intensidad moderada en la asignatura de
Informática (r = +0,412) y con intensidad baja en las asignaturas de Lengua (r = +0,361) y
Matemáticas (r = +0,333). Este último resultado es consistente con los hallazgos de Lewis y
Shah (2012), que informan de de una correlación positiva, en niños de 5º de Primaria, entre el
nivel de desempeño en retos o puzles de programación (‘programming quizzes’) y sus
calificaciones académicas en matemáticas.
 El modelo de regresión múltiple construido a partir de las calificaciones en dichas tres

asignaturas al final del trimestre, correlaciona r = +0,446 con la puntuación en el TPC al
inicio del mismo; lo que supone un R2ajustado = 0,184. Dicho modelo es capaz de explicar-
predecir, de manera retrospectiva y estadísticamente muy significativa, las puntuaciones
totales en el TPC a partir de las calificaciones en las tres asignaturas, emitidas 12 semanas
más tarde (F = 12,773; p(F) < 0,01); aunque sólo la nota de Informática (βt = 0,300) es la que,
de manera específica y estadísticamente muy significativa (p(t) < 0,01) explica-predice
diferencias en el TPC.
 Encontramos sendas correlaciones positivas y estadísticamente muy significativas (p(r) <

0,01) entre el TPC, aplicado al principio del trimestre, y las estadísticas de desempeño (o
‘tracking’) al final mismo de los estudiantes que siguieron el curso ‘K-8 Intro to Computer
Science’ (Code.org, 2015a): tanto con el número de ‘niveles-pantallas completados’ (r =
+0,331) como con el número de ‘líneas de código escritas’ (r = +0,254)
444
 Es importante hacer 2 matizaciones a las conclusiones anteriores de validez criterial

(predictiva). En primer lugar, la correlación predictiva del TPC con la nota de Informática
sólo aparece cuando el currículum seguido durante el trimestre incluye contenidos relativos a
la programación y el pensamiento computacional (r = +0,483, p(r) < 0,01), no así cuando el
currículum seguido es el tradicional 390, basado en el uso de herramientas ofimáticas u otras
aplicaciones, y en la navegación web (r = -0,003; p(r) > 0,05). Este valor predictivo
diferencial del TPC sugiere que ambos tipos de currículum implican procesos cognitivos
distintos. En segundo lugar, la correlación predictiva del TPC con las estadísticas finales de
desempeño en el curso de Code.org, se maximiza cuando el ritmo de avance por dicho curso
lo marca el propio estudiante o metodología ‘self-paced’ (en vez de un ritmo homogéneo para
todo el aula marcado por el profesor o metodología ‘teacher-paced’). Dicho de otra manera,
que el profesor permita aprovechar esta plataforma de aprendizaje para individualizar el ritmo
de avance de los estudiantes, es un hecho capital para equiparar su potencial computacional
(aptitud medida por el TPC) con su rendimiento; equiparación que es una de las premisas y
aspiraciones básicas establecidas desde la Pedagogía Diferencial (Jiménez Fernández &
González Galán, 2010; Tourón, 2010)
Con respecto al objetivo específico O3q, podemos concluir que:
 Centrándonos en la sub-muestra de estudiantes, todos ellos de 1º Ciclo de la ESO, que

siguieron el curso K-8 de Code.org según una metodología ‘self-paced’ que, como hemos
visto, es el contexto en el cual su potencial computacional pudo manifestarse en forma de
rendimiento; definimos a los sujetos de ‘alta capacidad computacional’ como aquéllos que
completaron dicho curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) a un ritmo
notablemente más rápido que sus compañeros de aula, y solicitaron acelerar a un curso de
nivel superior: el denominado ‘Computer Programming’ de la plataforma Khan Academy
(2015).
 Se encuentra una diferencia estadísticamente significativa en el TPC aplicado al comienzo del

trimestre (t = -2,300; p(t) = 0,026 < 0,05), y con un tamaño del efecto ‘grande’ (d = 0,95), a
favor del grupo categorizado posteriormente como de ‘alta capacidad computacional’ frente
al grupo ‘normal’. La media en el TPC para el grupo de ‘alta capacidad computacional’ fue
de 21,57; puntuación que se sitúa casi una desviación típica por encima de la media en el
grupo ‘normal’, y equivalente a casi un percentil 90 en el baremo de 1º Ciclo de la ESO.
 El área bajo la curva COR de potencia diagnóstica del TPC sobre la ‘alta capacidad
computacional’ es ACOR = 0,75. Este resultado es estadísticamente significativo (p = 0,037 <
0,5); y puede interpretarse como una potencia discriminante ‘buena’ (Navas Ara, 2001) del
TPC sobre la ‘alta capacidad computacional’. Adicionalmente, encontramos un punto de
corte de extraordinario interés: según la curva COR, una puntuación ≥ 24,5 en el TPC (es
decir, una puntuación 25, 26, 27 o 28), en 1º Ciclo de la ESO, consigue detectar un 42,9% de
‘verdaderos positivos’, y sólo un 7,9% de ‘falsos positivos’ en lo relativo a la ‘alta capacidad
computacional’, tal y como la hemos definido.
390
Denominado en el ámbito anglosajón como currículum ICT (“Information and Communication Technologies”); que
podría traducirse como currículum TIC (“Tecnologías de la Información y la Comunicación”)
445
 En conjunto, se encuentran evidencias para afirmar la validez discriminante del TPC sobre la
‘alta capacidad computacional’, si bien el pequeño tamaño de la sub-muestra utilizada para
este estudio (N=45) aconseja cierta prudencia y nuevas replicaciones.
Con respecto al objetivo específico O3r, podemos concluir que:
 Las puntuaciones totales en el TPC correlacionan de manera estadísticamente muy

significativa (p(r) < 0,01), en sentido positivo y con intensidad moderada, con las
puntuaciones totales en las tareas Bebras B-1 (r = +0,511), y tareas Bebras B-2 (r = +0,523).
No se encuentra correlación estadísticamente significativa entre el TPC y el total de las tareas
Bebras B-3 (r = +0,175). En conjunto, estos resultados apoyan la validez convergente entre el
TPC y las tareas Bebras, si bien no son plenamente concluyentes.
 Si hacemos un análisis pormenorizado de las tareas B-2, encontramos que:
o El TPC correlaciona de manera estadísticamente muy significativa (p(r) < 0,01), en

sentido positivo y con intensidad moderada, con la tarea B2-1 (r = +0,427),
denominada ‘Water Supply’ (Anexo H). Esta tarea consiste en una estructura binaria:
una serie de tuberías con grifos que pueden estar ‘abiertos’ o ‘cerrados’; para
solucionar la tarea el sujeto debe aplicar el pensamiento condicional sobre dicha
estructura. La tarea ‘Water Supply’ está alineada con los ítems del TPC en los cuales
el sujeto debe aplicar igualmente el pensamiento condicional binario sobre, por
ejemplo, las intersecciones que aparecen el laberinto. Consideramos, pues, que el
valor de correlación encontrado es consistente. Adicionalmente, esta es la única tarea
en la que se encontró un rendimiento significativamente superior en los chicos (51%
de acierto) frente a las chicas (36% de acierto) (t = 2,147; p(t) = 0,033 < 0,05); lo cual
es consistente con la reciente investigación sobre desempeño en tareas Bebras
(Bellettini et al., 2015; Hubwieser & Mühling, 2014, 2015; Kalelioglu, Gülbahar, &
Madran, 2015; Lee, Lin, & Lin, 2014), corpus que reporta rendimientos
significativamente superiores en los chicos frente a las chicas, en la mayoría de las
tareas Bebras.
o El TPC correlaciona de manera estadísticamente muy significativa (p(r) < 0,01), en

sentido positivo y con intensidad moderada, con la tarea B2-3 (r = +0,483),
denominada ‘Abacus’ (Anexo H). En esta tarea, el sujeto debe ser capaz de
descomponer el estímulo que se le plantea (el ‘ábaco’), aplicando-secuenciando sobre
el mismo la regla o algoritmo que se le indica. Por tanto, la tarea ‘Abacus’ está
alineada con todos los ítems del TPC que implican la secuenciación de un conjunto de
instrucciones; y especialmente con los ítems del TPC que abordan el concepto
computacional de ‘secuencias y direcciones básicas’. Consideramos, pues, que el
valor de correlación encontrado es consistente.
o Sin embargo, el TPC no correlaciona significativamente con la tarea B2-2 (r =

+0,055) denominada ‘Fast Laundry’ (Anexo H). Para contestar correctamente a esta
tarea, el sujeto debe entender que se pueden ir ejecutando varias acciones
simultáneamente y en paralelo. Por tanto, la tarea ‘Fast Laundry’ se alinea con el
446
aspecto del pensamiento computacional habitualmente denominado ‘paralelización’,

que no es abordado explícitamente en nuestro TPC (no hay ningún ítem del TPC que
exija al sujeto ejecutar 2 o más algoritmos simultáneamente). Así, parece consistente
que ésta sea la única tarea Bebras B2 en la cual no se encuentre correlación con el
TPC.
Con respecto al objetivo específico O3s, podemos concluir que:
 Encontramos correlaciones estadísticamente muy significativas (p(r) < 0,01), positivas y de

intensidad moderada, del TPC con Dr. Scratch. Tanto la correlación convergente-predictiva,
es decir, TPCpre * Dr. Scratch (r = +0,439); como la correlación convergente-concurrente, es
decir, TPCpost * Dr. Scratch (r = +0,535). De manera coherente, el segundo valor es mayor
que el primero. En conjunto, estos resultados aportan evidencia de la validez convergente de
nuestro TPC respecto a Dr. Scratch.
 Tal y como era de esperar, las correlaciones son mayores en la situación de ‘single
programming’, pues a cada sujeto le corresponde una puntuación diferente en Dr. Scratch,
que a su vez puede correlacionar con sus respectivas puntuaciones en el TPC pre y post;
frente a la situación de ‘pair programming’, en la que a cada par de sujetos le corresponde la
misma puntuación en Dr. Scratch, reduciendo la probabilidad de correlacionar con sus
puntuaciones individuales en el TPC pre y post.
 Con respecto a las correlaciones encontradas entre el TPC, tanto pre como post, con las
distintas dimensiones del pensamiento computacional que mide Dr. Scratch, aportamos una
posible explicación: los 28 ítems del TPC miden, de menor a mayor dificultad, conceptos
computacionales que se alinean progresivamente con las siguientes dimensiones de Dr.
Scratch (Tabla 6.78): ‘Control de Flujo’, ‘Sincronización’, ‘Pensamiento Lógico’,
‘Representación de la Información’ y ‘Abstracción’. Consistentemente, las 3 primeras
dimensiones, que son las abordadas por la primera parte del TPC (la más sencilla, y más
abordable para el sujeto en situación pre), son las únicas con correlaciones r > +0,40 con el
TPC tanto en situación pre como post (valores r ligeramente mayores con el post). La
dimensión ‘Representación de la Información’, que aparece hacia el final del TPC,
experimenta un incremento más notable en la correlación entre la situación pre (0,35) y la
post (0,45). En cuanto a la dimensión ‘Abstracción’, abordada en la parte final y más
compleja del TPC (ítems 25-28, sobre ‘Funciones simples’, que son menos abordables para
los sujetos en situación pretest) no tiene correlación significativa en el pre pero sí luego en el
post.
Tabla 6.78. Alineamiento de los conceptos computacionales medidos por el TPC, con las dimensiones del pensamiento
computacional medidas por Dr. Scratch
Conceptos Computacionales medidos por el TPC (de menor Dimensiones del pensamiento computacional medidas
a mayor dificultad) por Dr. Scratch
Secuencias básicas (direcciones y giros) – Ítems 1 a 4 Control de Flujo
Bucle ‘repetir veces’ – Ítems 5 a 8 Control de Flujo
447
Conceptos Computacionales medidos por el TPC (de menor Dimensiones del pensamiento computacional medidas
a mayor dificultad) por Dr. Scratch
Bucle ‘repetir hasta’ – Ítems 9 a 12 Control de Flujo + Sincronización
Control de Flujo + Sincronización + Pensamiento
Condicional simple ‘if’ – Ítems 13 a 16
Lógico
Condicional compuesto ‘if/else’ – Ítems 17 a 20
Lógico
Condicional ‘mientras’ (‘while’ conditional) – Ítems 21 a 24
Lógico + Representación de la Información
Funciones simples – Ítems 25 a 28 Control de Flujo + Abstracción
 Adicionalmente, encontramos una diferencia estadísticamente muy significativa (t = -3,334;

p(t) = 0,001 < 0,01), con un tamaño del efecto asociado d = 0,37, entre la puntuación media en
el TPC en condición pre (𝑋� = 17,07) y en condición post (𝑋� = 18,58). Ello es un indicador de
que nuestro TPC es sensible para detectar mejoras pre-post en pensamiento computacional
tras un periodo de aprendizaje en un contexto ‘open-ended’, como la plataforma Scratch, y no
sólo en contextos ‘close-ended’ (como veremos al evaluar los cursos K-8 y K-5 de Code.org
en el Capítulo 7).
Tomando conjuntamente los objetivos O3r y O3s, de validez convergente de nuestro TPC con otras
medidas del pensamiento computacional; podemos afirmar que, de manera global, se encuentran
evidencias de dicha validez, tanto con las tareas Bebras como con Dr. Scratch. Aunque serían
deseables valores algo mayores de correlación (p.e. Carlson & Herdman (2012) fijan en r ≥ 0,7 el
punto de corte para hablar de validez convergente ‘buena’), hay que recordar que cada una de las
medidas utilizadas parte de perspectivas distintas. Así:
 El TPC es una prueba de respuesta individual y de ‘ejecución máxima’; es decir, se mide la

aptitud ‘pensamiento computacional’ en cada sujeto a través de un test de elección múltiple
de 28 ítems (4 opciones de respuesta, sólo 1 correcta), y los sujetos tratan de obtener la
máxima puntuación posible.
 Las tareas Bebras no forman por sí mismas un instrumento de medida del pensamiento
computacional con propiedades psicométricas probadas. Aunque son tareas de respuesta
individual y de ‘ejecución máxima’ y, como en el TPC, con formato de elección múltiple con
4 opciones de respuesta; las tareas Bebras no miden ‘aptitud’ en sentido estricto, sino más
bien ‘competencia’, en un sentido análogo al de las tareas que se plantean en las pruebas
PISA (Hubwieser & Mühling, 2014). Dicho de otra manera, las tareas Bebras no se enfocan a
la medida del ‘pensamiento computacional’ en un estado aptitudinal puro (enfoque del TPC),
sino más bien a la medida de cómo el sujeto es capaz de transferir dicho pensamiento
computacional a problemas cotidianos y significativos.
 Por su parte, Dr. Scratch es una herramienta que, estrictamente, mide y analiza proyectos, no
sujetos; ello permite tener tanto situaciones ‘single programming’ (1 proyecto hecho por 1
sujeto, y a dicho sujeto se le asigna la puntuación obtenida por su proyecto con Dr. Scratch),
y ‘pair programming’ (1 proyecto hecho por 2 sujetos, y a ambos se les asigna la puntuación
448
obtenida por el proyecto común en Dr. Scratch; resintiéndose los valores de correlación con
el TPC). Además, no se puede asegurar que el proyecto Scratch analizado sea el de ‘ejecución
máxima’ del estudiante: puede haber sido seleccionado y enviado por el profesor/a para el
estudio por otras razones (p.e. que se asemeje lo más posible al ‘prototipo’ de proyecto que el
docente ha ‘impartido’ en la clase)
Dadas estas circunstancias, los valores obtenidos de validez convergente (r ≈ +0,5) nos parecen muy
relevantes. Estos valores apoyan la afirmación de que TPC, tareas Bebras y Dr. Scratch miden el
pensamiento computacional de manera convergente, aunque no idéntica, potenciando su uso
complementario. Y es que, haciendo un análisis crítico de las tres medidas, observamos que las
virtudes de cada una son las debilidades de las otras:
 El TPC es un instrumento de tipo aptitudinal-diagnóstico de orientación sumativa. Como

virtudes tiene que permite: aplicaciones pre (sin experiencia previa en programación);
cribados masivos; construcción de baremos a gran escala; diagnóstico de necesidades
educativas especiales en pensamiento computacional (tanto por alta como por baja aptitud); o
evaluación pre-post de currículos de programación (tal y como veremos en el Capítulo 7).
Como debilidades, el TPC ofrece una evaluación estática y descontextualizada;
excesivamente centrada en ‘conceptos computacionales’ en terminología de Brennan y
Resnick (2012) (no contempla ni ‘prácticas computacionales’ ni ‘perspectivas
computacionales’).
 Las tareas Bebras son un conjunto de problemas que, aunque no constituyen por sí mismas un
instrumento de medida validado, sirven para promover el pensamiento computacional en el
aula desde una perspectiva competencial. Al estilo de las pruebas PISA, las tareas Bebras
pueden servir para realizar oleadas sucesivas de evaluación del pensamiento computacional,
desde una perspectiva internacional y comparada. Adicionalmente, las tareas Bebras que se
vayan liberando de las sucesivas oleadas de evaluación, pueden incorporarse como elementos
de enseñanza-aprendizaje del pensamiento computacional en el aula, dado que son tareas con
carácter cotidiano y significativo. En esa misma línea, el Instituto Nacional de Tecnologías
Educativas y de Formación del Profesorado (INTEF), viene promoviendo desde hace un par
de años la incorporación de preguntas liberadas de las pruebas PISA (y TIMMS 391) a la
práctica de enseñanza-aprendizaje en el aula (INTEF, 2014)
 Por último, Dr. Scratch es un instrumento de evaluación de proyectos de orientación

formativa. Como virtudes tiene que permite: una evaluación continua a lo largo del proceso
de aprendizaje; un ‘feed-back’ formativo para estudiante y profesor (Moreno-León, Robles,
& Román-González, 2015); que abarca no sólo ‘conceptos computacionales’ sino también
‘prácticas computacionales’ (principalmente ‘iteración’ al promover la mejora continua de un
proyecto en ciclos sucesivos, y ‘depuración’ al ofrecer indicadores/avisos sobre malos hábitos
de programación). Como debilidades tiene que: no permite aplicaciones pre-test (es decir,
exige un periodo mínimo inicial de aprendizaje con Scratch), y puede resultar muy
condicionado por la metodología de enseñanza-aprendizaje de Scratch utilizada por el
profesor/a en el aula.
391
TIMMS: Trends in International Mathematics and Science Study
449
Con respecto al objetivo específico O3t, podemos concluir que:
 Encontramos una solución factorial inicial de 7 factores, que explica un 41,87% de la

varianza total de las puntuaciones en el TPC. Una vez analizada la estructura y el contenido
de los mismos, consideramos que sólo los 3 primeros son susceptibles de ser razonablemente
interpretados, y de generar subescalas con una fiabilidad mínimamente suficiente (α > 0,5).
Estos 3 factores, que explican el 26,41% de la varianza total de las puntuaciones, se describen
en los siguientes términos:
o Factor 1: compuesto por los ítems 2, 3, 5, 6, 9 y 11; todos ellos giran en torno de los
conceptos computacionales ‘direcciones-secuencias básicas’ y ‘bucles’ (tanto ‘repetir
veces’ como ‘repetir hasta’). La subescala derivada (‘Secuencias y Bucles’) presenta
una fiabilidad suficiente de α = 0,621. Esta subescala, que está compuesta por ítems
fáciles (𝑋� = 5,15 sobre 6 puntos posibles) y situados al comienzo del TPC, es la única
que correlaciona de manera significativa con el ‘Índice de Control de la Impulsividad’
del FI-R (r = +0,314; p(r) = 0,014 < 0,05); dicho de otra manera, una puntuación
anormalmente baja en la subescala ‘Secuencias y Bucles’ podría servir de indicador de
que el sujeto tiene dificultades para controlar sus impulsos. Además, esta subescala es
la única que no correlaciona con la dimensión de personalidad ‘Apertura’ (Ap) del
BFQ-NA, que es la habitualmente más vinculada a variables cognitivas y de
rendimiento. Todo ello nos lleva a afirmar que la subescala ‘Secuencias y Bucles’ es,
en comparación al resto de subescalas, de menor carga cognitiva y de mayor carga
atencional.
o Factor 2: compuesto por los ítems 20, 24, 26, 27 y 28; la mayoría de ellos giran en
torno del concepto computacional ‘funciones simples’. La subescala derivada
(‘Funciones’) presenta una fiabilidad suficiente de α = 0,589. Esta subescala, que está
compuesta por ítems de dificultad media-baja (𝑋� = 3,01 sobre 5 puntos posibles) y
situados al final del TPC, presenta correlaciones muy significativas, y de especial
intensidad, con las dimensiones ‘Conciencia’ (r = +0,269; p(r) = 0,007 < 0,01) y
‘Apertura’ (r = +0,396; p(r) = 0,000 < 0,01) del BFQ-NA. Este resultado es
consistente dado que, para tener un buen rendimiento en los ítems de la subescala
‘Funciones’ el sujeto debe conjugar la dimensión cognitiva (identificada con
‘Apertura’) con la exigencia de persistir en el esfuerzo en estos ítems finales del TPC
(persistencia que se identifica con la dimensión ‘Conciencia’).
o Factor 3: compuesto por los ítems 4, 14, 16, 22 y 25; la mayoría de ellos giran en
torno de los conceptos computacionales ‘condicional simple’ y ‘condicional mientras
que’. La subescala derivada (‘Condicionales’) presenta una fiabilidad suficiente α =
0,575. Esta subescala está compuesta por ítems de dificultad media-alta (𝑋� = 2,03
sobre 5 puntos posibles) y situados en la parte intermedia del TPC. En comparación
con las otras subescalas específicas, ‘Condicionales’ presenta correlaciones muy
significativas, y de especial intensidad, con el ‘Factor Verbal’ del PMA (r = +0,246;
p(r) = 0,002 < 0,01), y con el ‘Índice de Percepción y Atención’ (A-E) del Test FI-R (r
= +0,376; p(r) = 0,003 < 0,01). Lo primero es consistente con otros estudios que
450
señalan precisamente a los condicionales como el concepto computacional más

próximo al lenguaje natural humano y, por tanto, el más próximo a la aptitud verbal
de los sujetos (Howland & Good, 2015). Lo segundo sugiere que la ejecución de
condiciones (‘estructuras de selección’; en términos de Mühling et al., 2015) es más
exigente, desde un punto de vista perceptivo-atencional, que la ejecución de
secuencias y bucles (‘estructuras de secuenciación’ y ‘estructuras de repetición’, en
términos de dichos autores).
 Aun siendo de gran interés, consideramos que la anterior estructura de 3 factores no es del
todo concluyente dado que: sólo explica una cuarta parte de la varianza total; los factores 2
(‘Funciones’) y 3 (‘Condicionales’) no son del todo coherentes en su composición interna
(contienen algún ítem que no aborda explícitamente el concepto computacional debido); y los
ítems que componen cada uno de los factores presentan cargas en los mismos de magnitud
sólo moderada (entre 0,40 y 0,60). Así las cosas, complementamos la anterior estructura con
un análisis unifactorial, que tiene como objeto comprobar qué ítems componen un único
factor principal que explique la mayor cantidad de varianza posible (concretamente, se
obtiene un 15,93% de varianza explicada por este unifactor). Se comprueba que dicho
unifactor principal está atravesado, de manera moderada, por la gran mayoría de los ítems del
TPC (véase, 22 de los 28 ítems cargan en este unifactor por encima de 0,30; pero todos por
debajo de 0,50). Jugando con el punto de corte, encontramos una subescala muy interesante
de 13 elementos, formada por los ítems con saturaciones ≥ 0,38 en el unifactor (ítems 3, 4, 7,
11, 13, 14, 16, 17, 18, 20, 22, 24 y 27), ya con fiabilidad aceptable α = 0,741, y que
denominamos ‘Común-Principal’. La subescala ‘Común-Principal’ presenta correlaciones
con respecto a las medidas de validez criterial concurrente similares a las obtenidas con el
TPC. Sin embargo, encontramos 2 diferencias que nos inclinan a afirmar la especial bondad
psicométrica de esta subescala.
o Mientras que el TPC, sorprendentemente, no correlacionó de manera significativa con

el ‘Índice de Percepción y Atención’ (A-E) del FI-R (r = +0,229; p(r) = 0,076 > 0,05);
la subescala ‘Común-Principal’ sí lo hace, y de manera muy significativa (r = +0,350;
p(r) = 0,006 < 0,01)
o Mientras que el TPC, sorprendentemente, correlacionó de manera positiva y muy

significativa con la dimensión ‘Extraversión’ (Ex) del BFQ-NA (r = +0,30), con una
intensidad muy próxima a la correlación con ‘Apertura’ (Ap) (r = +0,40); la subescala
‘Común-Principal’ debilita la correlación con la primera dimensión (r = +0,24) al
tiempo que intensifica la correlación con la segunda (r = +0,47).
o En síntesis, la subescala ‘Común-Principal’ resuelve positivamente los dos resultados

inesperados de la validación criterial concurrente del TPC; a saber, no haber
encontrado correlación significativa con el ‘Índice de Percepción y Atención’ (A-E), y
haber encontrado una correlación excesivamente alta con la dimensión de
personalidad ‘Extraversión’. Por ello, afirmamos que esta subescala supera en
evidencias de validez criterial concurrente al propio TPC.
451
 Combinando ambos análisis, llegamos a una versión reducida de nuestro instrumento, que
denominamos TPC-R, de tan sólo 20 ítems de longitud; compuesta por todos los ítems que
aparecen en las anteriores subescalas: ítems 2, 3, 4, 5, 6, 7, 9, 11, 13, 14, 16, 17, 18, 20, 22,
24, 25, 26, 27 y 28. Consideramos que el TPC-R aporta ciertas virtudes:
o Supone una reducción en la longitud del test del 28,57%; con las ventajas que ello
implica para futuras aplicaciones (p.e. en términos de tiempo necesario para la
aplicación del test)
o El valor de fiabilidad obtenido para el TPC-R (α = 0,782) es prácticamente igual que

el obtenido para el TPC (α = 0,793). Por tanto, la reducción de longitud, de 28 a 20
ítems, prácticamente no incide en la fiabilidad del instrumento.
o Simplemente aplicando esta versión reducida de 20 ítems, podemos obtener una

puntuación total TPC-R (ya con buena fiabilidad y homóloga a la puntuación en el
TPC original); y además, obtener las 4 puntuaciones derivadas de las respectivas 4
subescalas (una ‘Común-Principal’, y tres específicas: ‘Secuencias y Bucles’,
‘Funciones’ y ‘Condicionales’). Así, el TPC-R consigue la misma eficacia
psicométrica que el TPC, pero con mayor eficiencia.
o Igualmente, hay que destacar que el TPC-R no incluye en su seno a ninguno de los
elementos que se revelaron como débiles durante el análisis de ítems: ítems 12, 15 y
23. Ello es una evidencia adicional de la bondad psicométrica de la versión reducida
TPC-R.
o Finalmente, el comportamiento del TPC-R con respecto a las medidas de validez

criterial concurrente, también resuelve las insuficiencias del TPC. Así, el TPC-R
correlaciona de manera significativa con el ‘Índice de Percepción y Atención’ (A-E)
del Test FI-R (r = +0,314; p(r) = 0,014 < 0,05), intensifica la correlación con la
dimensión de personalidad ‘Apertura’ (r = +0,42) y debilita la correlación con la
dimensión ‘Extraversión’ (r = +0,26)
o En síntesis, y dadas las virtudes que muestra la versión TPC-R, apostamos por
utilizarla en la próxima ronda de aplicaciones empíricas de nuestro instrumento, en la
que trataremos de replicar estos mismos resultados, añadiendo un análisis factorial de
tipo confirmatorio. Una línea futura de trabajo que queda fuera de esta tesis doctoral.
 Por otro lado, se ha evidenciado que las pruebas PMA-R, PMA-E y RP30 son medidas muy
robustas de validez criterial concurrente del TPC, puesto que correlacionan muy
significativamente con todas las escalas y subescalas que lo componen. Dicho de otra
manera, y de cara a futuras investigaciones en el área, parece que el ‘razonamiento lógico’, la
‘aptitud espacial’ y la ‘habilidad de solución de problemas’ son los principales criterios de
validez concurrente para el constructo ‘pensamiento computacional’.
 Por el contrario, se ha evidenciado que las dimensiones ‘Am’ e ‘Ie’ del BFQ-NA son medidas
nulas de validez criterial concurrente del TPC, puesto que no correlacionan con ninguna de
las escalas o subescalas que lo componen. Dicho de otra manera, y de cara a futuras
452
investigaciones en el área, parece que la ‘amabilidad’ y la ‘inestabilidad emocional’ no son

en absoluto criterios de validez concurrente para el constructo ‘pensamiento computacional’.
 Recapitulando, y para finalizar la discusión relativa a la validez factorial del TPC: hemos
encontrado una estructura factorial mixta (Figura 6.60), que combina un factor común
(representado por la subescala ‘Común-Principal’), con 3 factores específicos (representados
por las subescalas ‘Secuencias y Bucles’, ‘Funciones’ y ‘Condicionales’) relativamente
independientes entre sí (correlaciones r ≈ +0,3 entre las subescalas específicas); y dicha
combinación compone la versión reducida TPC-R, que posee varias ventajas psicométricas
respecto del TPC, tal y como acabamos de justificar ¿Tiene sentido la estructura factorial
encontrada con respecto a los criterios-ejes de diseño con que fue construido el TPC? Nuestra
respuesta es que sí, dadas las siguientes razones:
o De los 5 ejes de diseño con que fue construido el TPC (‘Concepto computacional
abordado’, ‘Entorno-Interfaz del ítem’, ‘Estilo de las alternativas de respuesta’,
‘Existencia o inexistencia de anidamiento’ y ‘Tarea requerida’), los factores
específicos se organizan alrededor del eje fundamental de diseño, esto es, alrededor
del ‘Concepto computacional abordado’; emergiendo 3 factores que cubren todos los
conceptos incluidos en el TPC (secuencias, bucles, condicionales y funciones).
o Ahora bien, tal y como se aprecia en la Figura 6.13 sobre las especificaciones de los
28 ítems del TPC en los 5 ejes de diseño, éstos se cruzan entre sí a lo largo de todo el
instrumento. Así, por ejemplo, aunque el ítem 6 y 28 abordan conceptos
computacionales diferentes (‘repetir veces’ y ‘funciones simples’), ambos comparten
el requerir al sujeto una tarea de ‘completamiento’. Esta comunalidad puede provocar
que la ortogonalidad (independencia) de las subescalas específicas correspondientes
(siguiendo con el ejemplo, ‘Secuencias y Bucles’ y ‘Funciones’) se resienta.
o Además, según se aprecia igualmente en Figura 6.13, los conceptos computacionales
van apareciendo progresivamente a medida que se avanza por los ítems del test; pero
no lo hacen de manera independiente unos de otros, sino más bien acumulativa. Por
ejemplo, en los ítems 1-12 se abordan las direcciones y secuencias básicas así como
los bucles; en los siguientes ítems 13-24 se abordan los distintos condicionales, pero
en dichos ítems aparecen también direcciones y bucles. Dicho de otra manera, en
nuestro TPC los conceptos computacionales no se miden ‘unos y luego otros’, sino
más bien ‘unos sobre otros’. Esta aproximación acumulativa provoca igualmente que
se resienta la ortogonalidad de las subescalas específicas correspondientes.
o Por tanto, aunque los distintos conceptos computacionales gozan de cierta
independencia entre sí, todos parecen descansar sobre un factor ‘Común-Principal’,
acaso eso que hemos venido a definir como ‘pensamiento computacional’. En esta
misma línea se manifiestan Mühling et al. (2015, p. 4), cuando afirman en la
fundamentación de su instrumento: “Parece que los conceptos [computacionales] que
nos ocupan forman parte en última instancia del mismo constructo (…) estos
conceptos están lo suficientemente relacionados entre sí como para formar la base de
una misma habilidad psicológica [el pensamiento computacional]”
453
Figura 6.60. Modelo de validez factorial del TPC: una estructura factorial mixta
454
CAPÍTULO 7
TERCER ESTUDIO: EVALUACIÓN DE PROGRAMAS DE

CODIGOALFABETIZACIÓN Y DESARROLLO DEL
PENSAMIENTO COMPUTACIONAL
En este capítulo se procede a la evaluación de programas de codigoalfabetización y desarrollo del

pensamiento computacional. En primer lugar, se realiza una evaluación principal, en profundidad,
sobre el programa-curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) implementado en 1º y 2º
Ciclo de la ESO durante el 2º trimestre del año académico 14/15 en 12 centros educativos de la
Comunidad Valenciana. En segundo lugar, se realiza una evaluación complementaria, de menor
profundidad, sobre el programa-curso ‘K-5 Computer Science Fundamentals (Course 2)’ (Code.org,
2015b) implementado en 3º Ciclo de Educación Primaria durante el 2º trimestre del año académico
14/15 en 1 centro educativo de la Comunidad de Andalucía (Sevilla). Para finalizar, se presenta un
breve estudio de casos de alumnos con altas capacidades computacionales de primer ciclo de la ESO
que, adicionalmente al programa-curso ‘K-8 Intro to Computer Science’ seguido por sus compañeros
de aula ordinaria, aceleraron hacia un programa-curso de mayor dificultad a través de la plataforma
Khan Academy: ‘Computer Programming’ (Khan Academy, 2015); mediante una metodología de
‘clase invertida’ (‘flipped classroom’) (Tourón & Santiago, 2015).
7.1. Evaluación principal: el curso ‘K-8 Intro to Computer Science’ de Code.org
7.1.1. Antecedentes
El curso ‘K-8 Intro to Computer Science’ (a partir de ahora simplemente ‘K-8’) ha sido descrito con
detalle en el sub-epígrafe 3.2.2.1 del Capítulo 3, en la parte teórica de esta tesis doctoral. Tan sólo
consideramos conveniente recordar aquí que el curso sigue un modelo ‘b-learning’ (‘blended
learning’) de enseñanza de las Ciencias de la Computación, lo cual implica que los estudiantes
aprenden a partir de una mezcla de actividades autoguiadas de ‘coding on-line’; y de actividades sin
conexión (‘unplugged’), que son dirigidas de manera más tradicional por el profesor sin necesidad de
uso del ordenador. El conjunto de actividades resultante se estructura en 20 etapas: 9 etapas de
‘coding on-line’ y 11 etapas ‘unplugged’, que se van alternando a lo largo del itinerario curricular del
curso. A su vez, las etapas de ‘coding on-line’ están internamente compuestas por una serie de
niveles-retos 392 de programación; con un total de 98 niveles-retos existentes a lo largo de las 9
etapas. Cada etapa está diseñada para ser abordada en una sesión de clase de alrededor de 45-60
minutos de duración. Habitualmente, este curso se integra en el aula ordinaria impartiéndose 2 etapas
semanales (2 sesiones de clase a la semana), con lo cual su completamiento lleva alrededor de las 10
semanas (aproximadamente un trimestre escolar).
La implantación del curso supone, por tanto, un enriquecimiento curricular trimestral en aula
ordinaria sobre codigoalfabetización y desarrollo del pensamiento computacional.
392
A lo largo de la tesis doctoral se utilizan indistintamente los términos ‘niveles-retos’ o ‘niveles-pantallas’ para
describir la composición interna de las etapas de ‘coding on-line’ que componen los cursos de Code.org.
Volver al índice
7.1.2. Hipótesis específicas
En este apartado 7.1 se aborda el objetivo general O4 [‘Evaluar el programa-curso ‘K-8’, desde el
marco fijado por nuestras hipótesis directivas de investigación’]. Así pues, los objetivos específicos,
que serán expresados a modo de hipótesis específicas dado el carácter fundamentalmente cuasi-
experimental de esta evaluación; están enmarcados en las hipótesis directivas que fijamos en el
apartado 2.6 de la parte teórica:
 En el marco de la hipótesis directiva de adecuación, nos planteamos las siguientes hipótesis

específicas:
• H4a: El curso K-8 mejora la aptitud ‘razonamiento lógico’ de los estudiantes 393
• H4b: El curso K-8 mejora la aptitud ‘espacial’ de los estudiantes
• H4c: El curso K-8 mejora la aptitud ‘numérica’ de los estudiantes
• H4d: El curso K-8 mejora la aptitud ‘verbal’ de los estudiantes
• H4e: El curso K-8 mejora la aptitud ‘resolución de problemas’ de los estudiantes
• H4f: El curso K-8 mejora la aptitud ‘perceptivo-atencional’ de los estudiantes
• H4g: El curso K-8 mejora la aptitud ‘pensamiento computacional’ de los estudiantes
• H4h: El curso K-8 mejora el rendimiento académico de los estudiantes en Informática
• H4i: El curso K-8 mejora el rendimiento académico de los estudiantes en Matemáticas
• H4j: El curso K-8 mejora el rendimiento académico de los estudiantes en Lengua
 En el marco de la hipótesis directiva de viabilidad, nos planteamos las siguientes hipótesis

específicas 394:
• H4k: Más del 50% de los profesores informan de que en los grupos de clase
experimentales se han dedicado al menos 8 semanas lectivas al curso K-8
• H4l: Más del 50% de los profesores informan de que en los grupos de clase
experimentales se han impartido al menos el 80% de las 20 etapas que componen el
curso K-8.
• H4m: Más del 80% de los profesores informan de que en los grupos de clase
experimentales se han realizado tanto etapas ‘on line’ como etapas ‘unplugged’
393
En comparación con el ‘currículum TIC’ tradicional (este matiz rige para todas las hipótesis específicas dentro de la
directiva de adecuación). El ‘currículum TIC’ es el seguido por los grupos de control, tal y como se explica más
adelante.
394
Para establecer los puntos de corte (puntos de decisión estadística) en las hipótesis específicas dentro de las directivas
de viabilidad y relevancia, nos hemos basado en los resultados previos obtenidos durante el primer estudio empírico, de
carácter exploratorio, sobre el evento ‘La Hora del Código’ (Capítulo 5)
456
• H4n: Los profesores consideran que el grado de aprendizaje de sus estudiantes con el
curso K-8 ha sido de al menos 4 sobre 5 (Mediana ≥ 4)
• H4ñ: Los profesores muestran una satisfacción global con respecto al curso K-8 en un
grado de al menos 4 sobre 5 (Mediana ≥ 4)
• H4o: Más del 80% de los profesores manifiesta su intención de impartir el curso K-8
de nuevo en el próximo curso académico.
• H4p: Más del 50% de los estudiantes completan al menos el 80% de los 98 niveles-
pantallas ‘on-line’ que componen el curso K-8
• H4q: Los estudiantes manifiestan una percepción de autoeficacia en ‘coding’ tras el

curso K-8 en un grado de al menos 4 sobre 5 (Mediana ≥ 4)
• H4r: Los estudiantes manifiestan motivación por continuar aprendiendo ‘coding’ tras
el curso K-8 en un grado de al menos 4 sobre 5 (Mediana ≥ 4)
• H4s: Más del 80% de los estudiantes manifiesta su intención de continuar aprendiendo
‘coding’ a través de plataformas-tutoriales en Internet tras el curso K-8
• H4t: Los estudiantes consideran que su grado de aprendizaje con el curso K-8 ha sido
de al menos 4 sobre 5 (Mediana ≥ 4)
• H4u: Los estudiantes hacen una valoración global con respecto al curso K-8 en un
grado de al menos 4 sobre 5 (Mediana ≥ 4)
 En el marco de la hipótesis directiva de relevancia, nos planteamos las siguientes hipótesis

específicas:
• H4v: Más del 80% de los estudiantes considera importante el ‘coding’ para su
formación como ciudadano del siglo XXI, tras el curso K-8.
7.1.3. Método
Aplicamos metodologías distintas, aunque complementarias entre sí, en función del tipo de hipótesis
específicas sometidas a contraste:
 Las hipótesis específicas enunciadas en el marco de la directiva de adecuación son

contrastadas a través de un diseño cuasi-experimental de dos grupos no equivalentes (Colás y
Buendía, 1992); que incluye medidas psicométricas pretest y postest, tanto en el grupo
experimental (= de tratamiento) como en el grupo de control, habiéndose constituido dichos
grupos de manera natural (no aleatoria).
 Las hipótesis específicas enunciadas en el marco de la directiva de viabilidad son

contrastadas a través de una metodología descriptivo-cuantitativa apoyada en encuestas
(preguntas cerradas) e indicadores objetivos de seguimiento (‘tracking’) del curso K-8
(Code.org, 2015a).
457
 Las hipótesis específicas enunciadas en el marco de la directiva de relevancia son

contrastadas a través de una metodología interpretativo-cualitativa, apoyada en encuestas
(preguntas abiertas)
7.1.3.1. Muestra
El procedimiento de muestreo es intencional y no probabilístico. Todos los centros participantes en

la investigación (a excepción de la Escola La Masía) son Institutos de Educación Secundaria (IES)
de la Comunidad Valenciana que están integrados en la red de innovación ‘IT Teaching’, cuyo
objetivo es la utilización del inglés como lengua vehicular de la asignatura optativa de Informática.
Tras haber tenido contacto previo con alguno de los IES durante la investigación de ‘La Hora del
Código’, el conjunto de la red se ofreció para la implantación y evaluación del curso K-8; lo cual
supone una experiencia de enriquecimiento curricular trimestral en aula ordinaria, sobre
codigoalfabetización y desarrollo del pensamiento computacional; que involucra a todos los alumnos
de dicha asignatura.
7.1.3.1.1. Muestra de estudiantes
La muestra de estudiantes participantes está formada por un total de 526 sujetos (N = 526);
procedentes de 12 centros educativos distintos, todos ellos ubicados en la Comunidad Valenciana
(Tabla 7.1), e integrados en la red de innovación ‘IT Teaching’ (a excepción de La Masía)
Tabla 7.1. Distribución de la muestra de estudiantes K-8 por centro educativo
Provincia Frecuencia Porcentaje Porcentaje válido Porcentaje acumulado

Escola La Masía Valencia 76 14,4 14,4 14,4
IES María Blasco Alicante 63 12,0 12,0 26,4
IES Camp de Morvedre Valencia 59 11,2 11,2 37,6
IES Penyagolosa Castellón 56 10,6 10,6 48,3
IES San Antonio de Benagéber Valencia 50 9,5 9,5 57,8
IES Andreu Sempere Alicante 48 9,1 9,1 66,9
IES L'Eliana Valencia 35 6,7 6,7 73,6
IES Juan de Garay Valencia 33 6,3 6,3 79,8
IES Dr. Lluis Simarro Lacabra Valencia 28 5,3 5,3 85,2
IES Betxí Castellón 28 5,3 5,3 90,5
IES El Plá Alicante 28 5,3 5,3 95,8
IES L'Almadrava Alicante 22 4,2 4,2 100,0
Total 526 100,0 100,0
La distribución de la muestra por sexo es de 62,2% de chicos frente al 37,8% de chicas (Tabla 7.2);
todos ellos cursando la asignatura optativa de Informática. Por tanto, el desequilibrio de género es
atribuible a una elección diferencial entre ambos sexos de la citada asignatura optativa.
458
Tabla 7.2. Distribución de la muestra de estudiantes K-8 por sexo

Chico 326 62,0 62,2 62,2
Válido Chica 198 37,6 37,8 100,0
Total 524 99,6 100,0
Perdidos Sistema 2 ,4
Total 526 100,0
Con respecto a la distribución de la muestra por curso académico, se muestra el Tabla 7.3. Tal y
como puede observarse, más del 90% de los estudiantes son de 1º Ciclo de la ESO, y dentro del
mismo hay aproximadamente el doble de estudiantes de 1º ESO que de 2º ESO.
Tabla 7.3. Distribución de la muestra de estudiantes K-8 por curso académico

1º ESO 321 61,0 61,0 61,0
2º ESO 162 30,8 30,8 91,8
3º ESO 29 5,5 5,5 97,3
4º ESO 14 2,7 2,7 100,0
Total 526 100,0 100,0
Finalmente, de los 526 estudiantes, 401 (76,2%) serán sujetos experimentales de nuestro diseño
cuasi-experimental (que será descrito en detalle en el sub-epígrafe 7.1.3.3), mientras que los 125
restantes (23,8%) serán sujetos de control (Tabla 7.4).
Tabla 7.4. Distribución de la muestra K-8 en función de la condición ‘experimental’ o ‘control’ de los sujetos

Control 125 23,8 23,8 23,8
Experimental 401 76,2 76,2 100,0
Total 526 100,0 100,0
7.1.3.1.2. Muestra de profesores
El número total de profesores que han colaborado directamente con esta investigación es de 16;
todos ellos son profesores de Informática en los 12 centros educativos participantes (Tabla 7.5). De
los 16 profesores, 9 son mujeres y 7 son hombres; y la edad media se sitúa en 41,8 años.
Tabla 7.5. Profesores participantes en la evaluación K-8
Centro Educativo Apellidos Nombre Edad Sexo

Escola La Masía Alcaide Valverde Miquel 35 Hombre
Martínez Martínez Vicente 39 Hombre
IES María Blasco
Pastor Pina Herminia N/A Mujer
IES Camp de Morvedre Navarro Bayo María Amparo 41 Mujer
Bernad Nebot Carmen 51 Mujer
IES Penyagolosa
López Sánchez Joaquín 44 Hombre
López de la Hoz Sandra 35 Mujer
IES San Antonio de Benagéber
Stabile Rodríguez-Vergés Lidia 53 Mujer
459
Centro Educativo Apellidos Nombre Edad Sexo

IES Andreu Sempere Pastor Peidro Daniel 39 Hombre
IES L'Eliana Piqueras Murcia Rocío 47 Mujer
IES Juan de Garay Díaz Ibáñez Milagros 40 Mujer
Mollá Vayá Gustavo 44 Hombre
IES Dr. Lluis Simarro Lacabra
Pérez Ibáñez Aránzazu 48 Mujer
IES Betxí Palasí Lallana Ana Isabel 34 Mujer
IES El Plá López Ibarra David 38 Hombre
IES L'Almadrava Coloma Brotons Antonio 40 Hombre
Para el contraste de las hipótesis específicas H4a…H4f se han utilizado tests psicométricos
estandarizados, que ya fueron descritos en el sub-epígrafe 6.5.1.2 del Capítulo 6. Así:
 La hipótesis específica H4a sobre la aptitud ‘razonamiento lógico’ es contrastada mediante el

test PMA-R (TEA Ediciones, 2015a)
 La hipótesis específica H4b sobre la aptitud ‘espacial’ es contrastada mediante el test PMA-E
(TEA Ediciones, 2015a)
 La hipótesis específica H4c sobre la aptitud ‘numérica’ es contrastada mediante el test PMA-
N (TEA Ediciones, 2015a)
 La hipótesis específica H4d sobre la aptitud ‘verbal’ es contrastada mediante el test PMA-V
(TEA Ediciones, 2015a)
 La hipótesis específica H4e sobre la aptitud ‘resolución de problemas’ es contrastada

mediante el test RP30 (TEA Ediciones, 2015b)
 La hipótesis específica H4f sobre la aptitud ‘perceptivo-atencional’ es contrastada mediante el

test FI-R (TEA Ediciones, 2015c)
Para el contraste de la hipótesis específica H4g sobre la aptitud ‘pensamiento computacional’ ya

podemos utilizar nuestro Test de Pensamiento Computacional (TPC) (Román-González, 2014i);
dado su proceso previo de validación expuesto en el Capítulo 6.
Para el contraste de las hipótesis específicas H4h…H4j sobre rendimiento académico se utilizan las
calificaciones escolares de los estudiantes, que nos proporcionan los profesores colaboradores en la
investigación.
Para el contraste de las hipótesis específicas H4k…H4o se recogen datos a través del “Cuestionario
para profesores sobre la implantación del Curso K-8 de Code.org” 395 (Román-González, 2015c). En
la siguiente Figura 7.1 se muestra el código QR de enlace a dicho cuestionario; cuyo contenido
completo se adjunta en el Anexo J.
395
Disponible en https://goo.gl/Ovswgg
460
Figura 7.1. Código QR de enlace al “Cuestionario para profesores sobre la implantación del Curso K-8 de Code.org”
(Román-González, 2015c)
Para el contraste de la hipótesis específica H4p se descargan los datos de seguimiento (‘tracking’) de
los estudiantes relativos a su desempeño en el curso K-8 (‘niveles superados’ y ‘líneas de código
escritas’), que proporciona la plataforma de Code.org.
Finalmente, para el contraste de las hipótesis específicas H4q…H4v se recogen datos a través del
“Cuestionario de Satisfacción para estudiantes sobre el Curso K-8 de Code.org” 396 (Román-
González, 2015d). En la siguiente Figura 7.2 se muestra el código QR de enlace a dicho cuestionario;
cuyo contenido completo se adjunta en el Anexo K.
Figura 7.2. Código QR de enlace al “Cuestionario de Satisfacción para estudiantes sobre el Curso K-8 de Code.org”
(Román-González, 2015d)
Algunos de los centros educativos participantes en esta investigación (IES L’Almadrava, IES
Penyagolosa e IES San Antonio de Benagéber) ya colaboraron en nuestra recogida de datos sobre el
evento ‘La Hora del Código’ en su edición de diciembre de 2013. A raíz de este primer (y muy
satisfactorio) contacto, a finales del curso académico 2013/2014 dicho grupo de centros más otros
que se incorporaron, todos ellos IES públicos que forman parte de la red de innovación ‘IT Teaching’
de la Comunidad Valenciana, se ofrecieron para realizar una implantación experimental del curso K-
8 a lo largo de un trimestre del curso académico siguiente (2014/2015).
Durante el 1º trimestre del curso 2014/2015 se solicitó a estos centros participantes su confirmación
y compromiso para colaborar con la investigación, así como el número concreto de grupos y
estudiantes que se incorporarían al estudio. Finalmente se convino en contar con grupos de 1º y 2º de
la ESO que estuvieran cursando la asignatura optativa de Informática 397. Una vez confirmados los
grupos participantes, se procedió a asignarles su condición ‘experimental’ o de ‘control’; para ello se
respetó la composición natural de los grupos de clase, por lo cual el diseño de investigación llevado a
cabo puede etiquetarse como ‘cuasi-experimental de dos grupos no equivalentes’.
396
Disponible en https://goo.gl/6X9rcv
397
Posteriormente se incorpora la Escola La Masía, centro privado de Valencia; aportando grupos de 1º, 3º y 4º ESO
461
Durante el 2º trimestre del curso 2014/2015 se procedió a la implantación experimental del curso K-
8. En el marco de la asignatura optativa de Informática (2 sesiones de clase por semana, de 1 hora
cada una), los grupos ‘experimentales’ siguieron dicho curso K-8 a lo largo del trimestre, mientras
que los grupos ‘control’ 398 siguieron el currículum TIC tradicional (fundamentalmente, uso de
herramientas ofimáticas y navegación web).
Justo al comienzo de dicho 2º trimestre, antes de arrancar el curso K-8, se realizaron las medidas
psicométricas en situación pretest tanto de los grupos ‘experimentales’ como ‘control’. Típicamente
(Tabla 7.6), en cada grupo se tomaron dos medidas pretest: nuestro TPC y una de las medidas
estandarizadas de TEA Ediciones; siendo aplicadas cada una de estas medidas en una sesión de clase
distinta. Análogamente, justo al finalizar el 2º trimestre, una vez realizado el curso K-8, se realizaron
las medidas psicométricas en situación postest tanto de los grupos ‘experimentales’ como ‘control’.
Típicamente, en cada grupo se tomaron como medidas postest las mismas que en la situación pretest
(Tabla 7.6). En la siguiente Figura 7.3 se diagrama el diseño de investigación seguido: diseño cuasi-
experimental con grupos ‘experimentales’ (Ge) y de ‘control’ (Gc), con medidas pretest y postest.
Ge: O1_______________________________Curso K-8_______________________________O2

Gc: O3_________________________Currículum TIC Tradicional_______________________O4
Donde:
Ge: Grupos Experimentales

Gc: Grupos de Control
O1, O3: Medidas pretest
O2, O4: Medidas postest
Figura 7.3. Diagrama del diseño cuasi-experimental seguido para la evaluación del curso K-8
También al finalizar el 2º trimestre: se descargaron las estadísticas de seguimiento (‘tracking’) con el

desempeño en el curso K-8 de los estudiantes de los grupos ‘experimentales’; se solicitó a los
profesores de los grupos ‘experimentales’ que cumplimentaran el “Cuestionario para profesores
sobre la implantación del Curso K-8 de Code.org”; y a los estudiantes de los grupos
‘experimentales’ que hicieran lo propio con el “Cuestionario de Satisfacción para estudiantes sobre
el Curso K-8 de Code.org”.
Finalmente, al finalizar el curso académico 2014/2015 se solicitaron las calificaciones académicas de

todos los sujetos participantes, en las asignaturas de Informática, Matemáticas y Lengua,
correspondientes a la ‘1ª evaluación’ (medida pre de rendimiento académico) y a la ‘2ª evaluación’
(medida post de rendimiento académico). En la Tabla 7.6 se detalla la composición de los distintos
grupos ‘experimentales’ (Ge) y de ‘control’ (Gc), así como las medidas tomadas en cada uno de
ellos 399
398
Los grupos ‘control’ pudieron posteriormente realizar el curso K-8, durante el 3º trimestre del curso 2014/2015,
respetándose así el principio ético de equidad en la investigación educativa.
399
Para el análisis global de los datos, se acumulan todos los sujetos de una misma condición (‘control’ o
‘experimental’), como componentes de un mismo grupo de análisis (‘grupo control’ o ‘grupo experimental’). Cuando sea
posible, se segmentarán los análisis adicionalmente por centro educativo y/o por ciclo educativo para controlar su posible
carácter de variables extrañas. Con ello se pretende garantizar un mínimo de validez interna en el diseño, al tiempo que
se mantiene su alta validez externa.
462
Tabla 7.6. Composición y medidas de los grupos participantes en la investigación
Centro Educativo Grupo Condición Tamaño Medidas pretest Medidas postest

1º ESO-A Control N = 15
IES San Antonio de Benagéber 1º ESO-B N = 16 PMA, RA* PMA, RA, TPC
Experimental
2º ESO N = 19
IES Penyagolosa 1º ESO-B N = 18 PMA, RA, TPC PMA, RA, TPC
Experimental
2º ESO N = 15
IES L’Almadrava 1º ESO Experimental N = 22 PMA, RA, TPC PMA, RA, TPC
1º ESO N = 33
PMA, TPC PMA, TPC
IES Camp de Morvedre 2º ESO-A Experimental N = 13
2º ESO-B N = 13 TPC TPC
1º ESO Experimental N = 17
IES Juan de Garay PMA, TPC PMA, TPC
2º ESO Control N = 16
IES Dr. Lluis Simarro Lacabra PMA, TPC PMA, TPC
1º ESO-B Experimental N = 15
1º ESO N = 19
IES María Blasco Experimental RA, RP30, TPC RA, RP30, TPC
2º ESO N = 44
IES Betxí 2º ESO Control N = 28 RP30 RP30
1º ESO-A Control N = 19 FI-R, RA FI-R, RA
IES Andreu Sempere 1º ESO-B N = 15
Experimental FI-R, RA, TPC FI-R, RA, TPC
2º ESO N = 14
IES L’Eliana 1º ESO Experimental N = 35 FI-R, TPC FI-R, TPC
IES El Plá 1º ESO Experimental N = 28 TPC TPC
1º ESO Experimental N = 33
3º ESO-A Control N = 11 BFQ-NA**, TPC
Escola La Masía TPC
3º ESO-B Experimental N = 18
4º ESO Experimental N = 14 TPC
* RA: Rendimiento Académico
** BFQ-NA: Cuestionario “Big-Five” de Personalidad para Niños y Adolescentes (Esta medida no se ha utilizado para la evaluación del curso K-8)
463
7.1.4. Resultados
Dando respuesta a la hipótesis específica H4a, en la Tabla 7.7 se detalla la prueba t de diferencia de
medias en el PMA-R para grupos independientes entre el grupo control y experimental; tanto es
situación pretest como postest. No se encuentran diferencias significativas en ninguna de las
situaciones (p(t) > 0,05).
Tabla 7.7. Prueba t para muestras independientes en el PMA-R
Condición N Media Desviación estándar t p(t) d

Control 57 14,61 6,494
PMA-R (pre) 1,269 ,206 0,20
Experimental 118 13,36 5,972
Control 57 17,14 7,296
PMA-R (post) ,773 ,440 0,12
En la Tabla 7.8 se detalla la prueba t de diferencia de medias en el PMA-R para grupos relacionados
entre la situación pretest y postest; tanto para la condición control como experimental. En ambas
condiciones encontramos ganancias estadísticamente muy significativas entre pre y post (p(t) < 0,01).
Tabla 7.8. Prueba t para muestras relacionadas en el PMA-R

N Media Desviación estándar r p(r) t p(t) d
PMA-R (pre) 57 14,61 6,494
Control ,721** ,000 -3,666** ,001 0,37
PMA-R (post) 57 17,14 7,296
PMA-R (pre) 118 13,36 5,972
Experimental ,674** ,000 -6,158** ,000 0,46
PMA-R (post) 118 16,28 6,700
** Significación al nivel p < 0,01
Finalmente, en la Tabla 7.9 se presentan los resultados del análisis de covarianza (ANCOVA) sobre
el postest en el PMA-R; tomando la condición ‘control’ o ‘experimental’ como factor fijo, y el
pretest en el PMA-R como covariable. Tal y como puede observarse, no se encuentran diferencias
significativas en el postest del PMA-R en función de la condición ‘control’ o ‘experimental’, una vez
controladas las posibles diferencias iniciales entre ambos grupos en situación pretest (Fcondición =
0,020; p(F) = 0,887 > 0,05). El tamaño del efecto global del diseño cuasi-experimental sobre el PMA-
R es prácticamente nulo (d = 0,06). Por tanto, se rechaza la hipótesis H4a.
Tabla 7.9. ANCOVA sobre el PMA-R

Variable dependiente: PMA-R (post)
Origen Tipo III de suma de cuadrados gl Cuadrático promedio F Sig. d global
Modelo corregido 3961,136a 2 1980,568 79,223** ,000
Interceptación 942,761 1 942,761 37,711** ,000
PMA-R (pre) 3932,664 1 3932,664 157,307** ,000
Condición ,506 1 ,506 ,020 ,887 0,06
Error 4299,984 172 25,000
Total 56252,000 175
Total corregido 8261,120 174
a. R al cuadrado = ,479 (R al cuadrado ajustada = ,473)
** Significación al nivel p(F) < 0,01
464
Dando respuesta a las hipótesis específicas H4b…H4d, realizamos unos análisis análogos a los
anteriores, sobre el PMA-E (Tablas 7.10, 7.11 y 7.12), PMA-N (7.13, 7.14 y 7.15) y PMA-V (7.16,
7.17 y 7.18).
Tabla 7.10. Prueba t para muestras independientes en el PMA-E

Control 61 16,23 11,097
PMA-E (pre) 1,702 ,091 0,25
Control 61 24,02 15,244
PMA-E (post) 1,119 ,265 0,18
Tabla 7.11. Prueba t para muestras relacionadas en el PMA-E

PMA-E (pre) 61 16,23 11,097
Control ,808** ,000 -6,704** ,000 0,58
PMA-E (post) 61 24,02 15,244
PMA-E (pre) 130 13,02 14,178
Experimental ,656** ,000 -7,534** ,000 0,55
PMA-E (post) 130 21,30 15,823
Tabla 7.12. ANCOVA sobre el PMA-E

Variable dependiente: PMA-E (post)
Interceptación 9263,178 1 9263,178 72,314** ,000
PMA-E (pre) 22158,166 1 22158,166 172,980** ,000
Condición ,373 1 ,373 ,003 ,957 0,04
Error 24082,117 188 128,096
Total 140404,000 191
Tal y como puede observarse en las tablas previas, los resultados en las pruebas t para el PMA-E son
análogos a los del PMA-R. En cuanto al ANCOVA, tampoco se encuentran diferencias significativas
en el postest del PMA-E en función de la condición ‘control’ o ‘experimental’, una vez controladas
las posibles diferencias iniciales entre ambos grupos en situación pretest (Fcondición = 0,003; p(F) =
0,957 > 0,05). El tamaño del efecto global del diseño cuasi-experimental sobre el PMA-E es
prácticamente nulo (d = 0,04). Por tanto, se rechaza la hipótesis H4b.
Tabla 7.13. Prueba t para muestras independientes en el PMA-N

Control 51 12,73 7,153
PMA-N (pre) -1,244 ,215 0,21
Control 51 16,73 8,464
PMA-N (post) -1,199 ,232 0,20
465
Tabla 7.14. Prueba t para muestras relacionadas en el PMA-N

PMA-N (pre) 51 12,73 7,153
Control ,632** ,000 -4,199** ,000 0,51
PMA-N (post) 51 16,73 8,464
PMA-N (pre) 126 14,36 8,182
Experimental ,324** ,000 -4,624** ,000 0,48
PMA-N (post) 126 18,49 9,039
Tabla 7.15. ANCOVA sobre el PMA-N

Variable dependiente: PMA-N (post)
Interceptación 5613,767 1 5613,767 84,271** ,000
PMA-N (pre) 2204,486 1 2204,486 33,092** ,000
Condición 38,453 1 38,453 ,577 ,448 0,02
Error 11591,163 174 66,616
Total 71149,000 177
Tal y como puede observarse en las tablas previas, los resultados en las pruebas t para el PMA-N son
análogos a los del PMA-R y PMA-E: no se encuentran diferencias significativas entre el grupo
control y experimental, ni en situación pretest ni postest (p(t) > 0,05); pero sí se encuentran ganancias
muy significativas entre pre y post, tanto para el grupo control como para el experimental (p(t) <
0,01). En cuanto al ANCOVA, tampoco se encuentran diferencias significativas en el postest del
PMA-N en función de la condición ‘control’ o ‘experimental’, una vez controladas las posibles
diferencias iniciales entre ambos grupos en situación pretest (Fcondición = 0,577; p(F) = 0,448 > 0,05).
El tamaño del efecto global del diseño cuasi-experimental sobre el PMA-N es prácticamente nulo (d
= 0,02). Por tanto, se rechaza la hipótesis H4c.
Tabla 7.16. Prueba t para muestras independientes en el PMA-V

Control 57 24,56 6,167
PMA-V (pre) -,267 ,790 0,04
Control 57 26,70 7,106
PMA-V (post) -,116 ,908 0,02
Tabla 7.17. Prueba t para muestras relacionadas en el PMA-V

PMA-V (pre) 57 24,56 6,167
Control ,719** ,000 -3,197** ,002 0,32
PMA-V (post) 57 26,70 7,106
PMA-V (pre) 130 24,83 6,423
Experimental ,527** ,000 -3,491** ,001 0,30
PMA-V (post) 130 26,83 6,969
466
Tabla 7.18. ANCOVA sobre el PMA-V

Variable dependiente: PMA-V (post)
Interceptación 1333,932 1 1333,932 40,946** ,000
PMA-V (pre) 3097,871 1 3097,871 95,091** ,000
Condición ,079 1 ,079 ,002 ,961 0,02
Error 5994,336 184 32,578
Total 143318,000 187
Tal y como puede observarse en las tablas anteriores, los resultados en el PMA-V siguen en la misma
línea que los del resto de pruebas de la batería PMA. Las pruebas t siguen arrojando el mismo patrón
de resultados; y en el ANCOVA tampoco se encuentran diferencias significativas en el postest del
PMA-V (F = 0,002; p(F) = 0,961 > 0,05). El tamaño del efecto global del diseño cuasi-experimental
sobre el PMA-V es prácticamente nulo (d = 0,02). Por tanto, se rechaza la hipótesis H4d.
Recapitulando los resultados relativos al grupo de hipótesis específicas H4a…H4d, en las siguientes
Figuras 7.4, 7.5, 7.6 y 7.7 se ilustran dichos resultados de manera resumida, respectivamente para
cada una de las pruebas que componen la batería PMA. En estas figuras sólo se muestran los
tamaños del efecto relativos a las pruebas t que resultaron estadísticamente significativas; y el
tamaño del efecto global correspondiente al diseño cuasi-experimental en su conjunto.
Figura 7.4. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘razonamiento lógico’ (PMA-R). A
la izquierda, se muestran las medias en el PMA-R del grupo control y experimental, en situación pretest y postest;
marcándose exclusivamente los tamaños del efecto correspondientes a las pruebas t estadísticamente significativas. A la
derecha, se muestra un resumen del análisis de covarianza (ANCOVA), el tamaño del efecto global para el diseño cuasi-
experimental, y la decisión estadística subsiguiente.
467
Figura 7.5. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘espacial’ (PMA-E)
Figura 7.6. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘numérica’ (PMA-N)
Figura 7.7. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘verbal’ (PMA-V)
468
Para finalizar con el PMA, si recalculamos los anteriores ANCOVA segmentados en función de los
cuatro IES que en el diseño aportan grupos ‘control’ y ‘experimental’ con pre y post en dicha batería
(En Tabla 7.6, IES San Antonio de Benagéber, IES Penyagolosa, IES Juan de Garay y IES Dr. Lluis
Simarro Lacabra), obtenemos que: no se encuentra en ninguno de los centros ninguna diferencia
significativa para ninguna de las pruebas de la batería PMA (todas las p(F) > 0,05); a excepción del
ANCOVA sobre el postest del PMA-R en el IES San Antonio de Benagéber que arrojó una
diferencia significativa a favor del grupo experimental (F(1,41) = 4,434; p(F) = 0,042 < 0,05).
Dando ahora respuesta a la hipótesis específica H4e sobre la aptitud ‘resolución de problemas’,
medida a través del RP30; en la Tabla 7.19 se detalla la prueba t de diferencia de medias en el RP30
para grupos independientes entre el grupo control y experimental; tanto es situación pretest como
postest. No se encuentran diferencias significativas en ninguna de las situaciones (p(t) > 0,05).
Tabla 7.19. Prueba t para muestras independientes en el RP30

Control 21 29,19 15,102
RP30 (pre) 1,563 ,122 0,42
Control 21 31,24 13,397
RP30 (post) ,297 ,767 0,07
En la Tabla 7.20 se detalla la prueba t de diferencia de medias en el RP30 para grupos relacionados
entre la situación pretest y postest; tanto para la condición control como experimental. Sólo
encontramos una ganancia estadísticamente muy significativas entre pre y post (p(t) < 0,01) en el
grupo experimental.
Tabla 7.20. Prueba t para muestras relacionadas en el RP30

RP30 (pre) 21 29,19 15,102
Control ,460* ,036 -,630 ,536 0,14
RP30 (post) 21 31,24 13,397
RP30 (pre) 55 21,91 19,172
Experimental ,855** ,000 -5,694** ,000 0,41
RP30 (post) 55 30,05 20,058
* Significación al nivel p < 0,05
Finalmente, en la Tabla 7.21 se presentan los resultados del análisis de covarianza (ANCOVA) sobre
el postest en el RP30; tomando la condición ‘control’ o ‘experimental’ como factor fijo, y el pretest
en el RP30 como covariable. Tal y como puede observarse, no se encuentran diferencias
significativas en el postest del RP30 en función de la condición ‘control’ o ‘experimental’, una vez
controladas las posibles diferencias iniciales entre ambos grupos en situación pretest (Fcondición =
2,444; p(F) = 0,122 > 0,05). El tamaño del efecto global del diseño cuasi-experimental sobre el RP30
es d = 0,34, que puede considerarse un tamaño entre ‘pequeño’ y ‘moderado’, y ya a tomar en
consideración. Por tanto, aunque se rechaza la hipótesis H4e, es plausible considerar que con
muestras de tamaño algo mayor ésta podría haberse aceptado. Se ilustra en la Figura 7.8.
469
Tabla 7.21. ANCOVA sobre el RP30

Variable dependiente: RP30 (post)
Modelo corregido 15772,605a 2 7886,302 60,199 ,000**
Interceptación 2372,125 1 2372,125 18,107 ,000**
RP30 (pre) 15751,317 1 15751,317 120,235 ,000**
Condición 320,239 1 320,239 2,444 ,122 0,34
Error 9563,329 73 131,005
Total 95487,000 76
Figura 7.8. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘resolución de problemas’ (RP30)
Dando respuesta a la hipótesis específica H4f sobre la aptitud ‘perceptivo-atencional’ medida a través
del FI-R, realizamos unos análisis análogos a los anteriores sobre cada uno de los índices que arroja
este instrumento: el Índice ‘A-E’ de Percepción y Atención (Tablas 7.22, 7.23 y 7.24), y el Índice
‘ICI’ de Control de la Impulsividad (Tablas 7.25, 7.26 y 7.27).
Tabla 7.22. Prueba t para muestras independientes en el Índice A-E del FI-R

Control 17 29,53 8,186
A-E (pre) -,551 ,583 0,15
Control 17 36,12 9,656
A-E (post) ,099 ,921 0,03
Tabla 7.23. Prueba t para muestras relacionadas en el Índice A-E del FI-R
A-E (pre) 17 29,53 8,186
Control ,704** ,002 -3,885** ,001 0,74
A-E (post) 17 36,12 9,656
A-E (pre) 54 30,72 7,659
Experimental ,698** ,000 -6,309** ,000 0,67
A-E (post) 54 35,89 7,813
470
Tabla 7.24. ANCOVA sobre el Índice A-E del FI-R

Variable dependiente: A-E (post)
Interceptación 787,387 1 787,387 22,090** ,000
A-E (pre) 2303,314 1 2303,314 64,620** ,000
Condición 15,978 1 15,978 ,448 ,505 0,18
Error 2423,784 68 35,644
Total 96456,000 71
Tabla 7.25. Prueba t para muestras independientes en el Índice ICI del FI-R

Control 17 89,71 8,865
ICI (pre) -,775 ,441 0,21
Control 17 87,94 12,311
ICI (post) -1,425 ,159 0,36
Tabla 7.26. Prueba t para muestras relacionadas en el Índice ICI del FI-R
ICI (pre) 17 89,71 8,865
Control ,271 ,292 ,557 ,586 0,16
ICI (post) 17 87,94 12,311
ICI (pre) 54 91,50 8,149
Experimental ,313* ,021 -,167 ,868 0,03
ICI (post) 54 91,72 8,531
Tabla 7.27. ANCOVA sobre el Índice ICI del FI-R
Variable dependiente: ICI (post)
Modelo corregido 739,123a 2 369,561 4,388* ,016
Interceptación 2001,100 1 2001,100 23,758** ,000
ICI (pre) 554,277 1 554,277 6,581* ,013
Condición 128,799 1 128,799 1,529 ,220 0,24
Error 5727,497 68 84,228
Total 592054,000 71
* Significación al nivel p(F) < 0,05 ** Significación al nivel p(F) < 0,01
Tal y como puede verse en las tablas anteriores, el patrón de resultados para el índice ‘A-E’ del FI-R
es análogo al encontrado para todas las pruebas de la batería PMA: no hay diferencias significativas
entre el grupo control y experimental, ni en situación pretest ni postest; pero sí hay diferencias muy
significativas entre el pretest y el postest, tanto en el grupo control como en el experimental (Figura
7.9). En el caso del índice ‘ICI’ no se encuentra ninguna t significativa (Figura 7.10). En cualquier
caso, tanto el ANCOVA sobre el postest del ‘A-E’ como el ANCOVA sobre el postest del ‘ICI’
arrojan una F no estadísticamente significativa (p(F) > 0,05); con tamaños globales del efecto
pequeños (0,18 y 0,24, respectivamente). Por tanto, se rechaza la hipótesis H4f
471
Figura 7.9. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘perceptivo-atencional’ (A-E)
Figura 7.10. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘perceptivo-atencional’ (ICI)
Para finalizar con el FI-R, si replicamos los ANCOVA focalizados sobre el único IES que aporta
simultáneamente grupos ‘control’ y ‘experimental’ en esta medida (ver Tabla 7.6, IES Andreu
Sempere); seguimos sin encontrar diferencias ni en el índice ‘A-E’, ni en el índice ‘ICI’ (en ambos
casos p(F) > 0,05)
Dando respuesta ahora a la hipótesis específica H4g sobre la aptitud ‘pensamiento computacional’, se
presentan los resultados correspondientes en las Tablas 7.28, 7.29 y 7.30.
Tabla 7.28. Prueba t para muestras independientes en el TPC

Control 54 16,67 3,629
TPC (pre) ,432 ,666 0,07
Control 54 17,91 4,602
TPC (post) -3,571** ,000 0,52
472
Tabla 7.29. Prueba t para muestras relacionadas en el TPC

TPC (pre) 54 16,67 3,629
Control ,704** 400 ,000 -2,771** ,008 0,30
TPC (post) 54 17,91 4,602
TPC (pre) 332 16,39 4,391
Experimental ,637** ,000 -18,649** ,000 0,87
TPC (post) 332 20,30 4,562
Tabla 7.30. ANCOVA sobre el TPC
Variable dependiente: TPC (post)
Interceptación 1378,328 1 1378,328 112,506** ,000
TPC (pre) 3320,232 1 3320,232 271,014** ,000
Condición 309,036 1 309,036 25,225** ,000 0,62
Error 4692,184 383 12,251
Total 162159,000 386
Tal y como puede observarse en las tablas anteriores, no se encuentran diferencias significativas
entre ambos grupos en la situación pretest, pero sí (muy significativas) en la situación postest. Por
otro lado, tanto el grupo control como el experimental mejoran su rendimiento en el TPC de manera
muy significativa entre el pretest y el postest, si bien dicha ganancia es mayor en el caso del grupo
experimental. Globalmente, el ANCOVA sobre el postest del TPC en función de la condición
‘control’ o ‘experimental’, y controlando las diferencias iniciales en pretest, arroja una F muy
significativa (F = 25,225; p(F) = 0,000 < 0,01); con un tamaño del efecto del diseño cuasi-
experimental sobre el TPC de valor d = 0,62, que puede considerarse un efecto entre ‘moderado’ y
‘grande’. Así pues, se acepta la hipótesis H4g de que el curso K-8, en comparación con el
currículum TIC tradicional, mejora la aptitud ‘pensamiento computacional’ (Figura 7.11)
Figura 7.11. Resumen de los resultados del diseño cuasi-experimental sobre ‘pensamiento computacional’ (TPC)
400
Éste es el valor de fiabilidad como estabilidad del TPC, que ya aportamos en el Capítulo 6 (sub-epígrafe 6.5.2.2.2)
473
Para finalizar con el TPC, tal y como puede verse en la Tabla 7.6, es la única medida del diseño que
se aplica pre y post, en grupos ‘control’ y ‘experimental’, tanto en primer ciclo de la ESO (todos los
IES públicos) como en segundo ciclo de la ESO (Escola La Masía, privada). Para controlar la
amenaza del ‘ciclo educativo’ como variable extraña en el diseño, replicamos el ANCOVA sobre el
postest del TPC, segmentado por ciclo. Como resultado, obtenemos diferencias significativas a favor
del grupo experimental tanto en primer ciclo (F(1,347) = 9,180; p(F) = 0,003 < 0,01), como en segundo
ciclo (F(1,37) = 72,142; p(F) = 0,000 < 0,01) de la ESO.
Con respecto a las hipótesis específicas de rendimiento académico (RA), H4h…H4j, relativas
respectivamente a las asignaturas de Informática (Inf), Matemáticas (Mat) y Lengua (Len), se
presentan los resultados en las siguientes Tablas 7.31 a 7.39.
Tabla 7.31. Prueba t para muestras independientes en RA-Inf

Control 65 7,25 1,531
RA-Inf (pre) 1,154 ,250 0,17
Control 65 7,35 1,690
RA-Inf (post) 1,178 ,240 0,17
Tabla 7.32. Prueba t para muestras relacionadas en RA-Inf

RA-Inf (pre) 65 7,25 1,531
Control ,304* ,014 -,456 ,650 0,06
RA-Inf (post) 65 7,35 1,690
RA-Inf (pre) 179 6,97 1,722
Experimental ,683** ,000 -,994 ,322 0,06
RA-Inf (post) 179 7,07 1,678
Tabla 7.33. ANCOVA sobre el RA-Inf
Variable dependiente: RA-Inf (post)
Interceptación 112,775 1 112,775 60,944 ,000**
RA-Inf (pre) 238,096 1 238,096 128,668 ,000**
Condición ,695 1 ,695 ,376 ,541 0,00
Error 445,961 241 1,850
Total 13139,000 244
Tabla 7.34. Prueba t para muestras independientes en RA-Mat

Control 84 5,43 2,202
RA-Mat (pre) -2,640** ,009 0,36
Control 84 5,31 2,173
RA-Mat (post) -2,013* ,045 0,26
474
Tabla 7.35. Prueba t para muestras relacionadas en RA-Mat

RA-Mat (pre) 84 5,43 2,202
Control ,840** ,000 ,883 ,380 0,05
RA-Mat (post) 84 5,31 2,173
RA-Mat (pre) 179 6,16 1,808
Experimental ,746** ,000 3,224** ,002 0,17
RA-Mat (post) 179 5,84 1,891
Tabla 7.36. ANCOVA sobre el RA-Mat

Variable dependiente: RA-Mat (post)
Interceptación 22,948 1 22,948 14,980 ,000**
RA-Mat (pre) 629,947 1 629,947 411,206 ,000**
Condición ,161 1 ,161 ,105 ,746 0,10
Error 398,307 260 1,532
Total 9497,000 263
Tabla 7.37. Prueba t para muestras independientes en RA-Len

Control 84 5,50 1,898
RA-Len (pre) -1,466 ,144 0,19
Control 84 5,49 1,794
RA-Len (post) -1,059 ,290 0,14
Tabla 7.38. Prueba t para muestras relacionadas en RA-Len

RA-Len (pre) 84 5,50 1,898
Control ,848** ,000 ,107 ,915 0,01
RA-Len (post) 84 5,49 1,794
RA-Len (pre) 179 5,84 1,666
Experimental ,730** ,000 1,143 ,255 0,07
RA-Len (post) 179 5,73 1,714
Tabla 7.39. ANCOVA sobre el RA-Len

Variable dependiente: RA-Len (post)
Interceptación 34,573 1 34,573 28,094** ,000
RA-Len (pre) 470,166 1 470,166 382,068** ,000
Condición ,015 1 ,015 ,012 ,911 0,06
Error 319,951 260 1,231
Total 9201,000 263
475
Tal y como puede observarse en los ANCOVAs anteriores sobre el rendimiento académico en
Informática, Matemáticas y Lengua; en ninguna de dichas asignaturas se encuentran diferencias
significativas en el postest de rendimiento en función de la condición ‘control’ o ‘experimental’,
habiéndose controlado las posibles diferencias en situación pretest (en todos los casos p(F) > 0,05).
Todos los tamaños globales del efecto del diseño cuasi-experimental sobre el rendimiento académico
en las distintas asignaturas son casi nulos (d ≤ 0,10). Con respecto a las pruebas t, en Informática y
en Lengua no se encuentra ninguna diferencia entre pares de medias que sea significativa (todas p(t) >
0,05). En el caso de la asignatura de Matemáticas, hay una diferencia muy significativa del grupo
experimental frente al control en situación pretest, que pasa a ser sólo significativa en situación
postest; debido a un descenso muy significativo (aunque de tamaño pequeño, d = 0,17) entre el pre y
post del grupo experimental. Todo ello se ilustra en las siguientes Figuras 7.12, 7.13 y 7.14.
Figura 7.12. Resumen de los resultados del diseño cuasi-experimental sobre el rendimiento académico en Informática
Figura 7.13. Resumen de los resultados del diseño cuasi-experimental sobre el rendimiento académico en Matemáticas
476
Figura 7.14. Resumen de los resultados del diseño cuasi-experimental sobre el rendimiento académico en Lengua
En la siguiente Tabla 7.40 se resumen los resultados relativos a todas las anteriores hipótesis
específicas H4a…H4j; todas ellas enmarcadas en la directiva de adecuación y abordadas a través del
diseño cuasi-experimental descrito. Tal y como puede observarse en la tabla, y según hemos ido
viendo en las páginas anteriores, el diseño cuasi-experimental sólo genera diferencias
estadísticamente significativas, y a favor del grupo experimental, en la variable ‘pensamiento
computacional’ medida a través de nuestro TPC. Por tanto, todas las hipótesis específicas
enmarcadas en la directiva de adecuación H4a…H4j son rechazadas; a excepción de la H4g, que se
acepta: “(En comparación con el currículum TIC tradicional) El curso K-8 mejora la aptitud
‘pensamiento computacional’ de los estudiantes”. Con tres matices que, igualmente, se indican
sobre la Tabla 7.40:
 Sí se encontró una F significativa sobre el postest del PMA-R, a favor del grupo
experimental, en el IES San Antonio de Benagéber.
 Parece plausible que las F sobre el postest del RP30 y del índice ‘ICI’ del FI-R, se vuelvan
estadísticamente significativas a favor del grupo experimental, replicando el diseño con
muestras de mayor tamaño en dichas medidas.
 La F sobre el postest del TPC fue muy significativa, y a favor del grupo experimental, tanto
en primer como en segundo ciclo de la ESO.
477
Tabla 7.40. Resumen de resultados del diseño cuasi-experimental sobre todas las variables aptitudinales y de rendimiento
Muestra Pretest Postest Ganancia ANCOVA sobre postest
Control Experimental Control Experimental Control Experimental Control Experimental

F p(F) dglobal
N N �
𝑿 s �
𝑿 s �
𝑿 s �
𝑿 s � post - 𝑿
𝑿 � pre � post - 𝑿
𝑿 � pre
PMA-Ra 57 118 14,61 6,494 13,36 5,972 17,14 7,296 16,28 6,700 2,53** 2,92** ,020 ,887 0,06
PMA-E 61 130 16,23 11,097 13,02 14,178 24,02 15,244 21,30 15,823 7,79** 8,28** ,003 ,957 0,04
PMA-N 51 126 12,73 7,153 14,36 8,182 16,73 8,464 18,49 9,039 4,00** 4,13** ,577 ,448 0,02
PMA-V 57 130 24,56 6,167 24,83 6,423 26,70 7,106 26,83 6,969 2,14** 2,00** ,002 ,961 0,02
RP30b 21 55 29,19 15,102 21,91 19,172 31,24 13,397 30,05 20,058 2,05 8,14** 2,444 ,122 0,34
FI-R (A-E) 17 54 29,53 8,186 30,72 7,659 36,12 9,656 35,89 7,813 6,59** 5,17** ,448 ,505 0,18
FI-R (ICI)c 17 54 89,71 8,865 91,50 8,149 87,94 12,311 91,72 8,531 -1,77 0,22 1,529 ,220 0,24
TPCd 54 332 16,67 3,629 16,39 4,391 17,91 4,602 20,30 4,562 1,24** 3,91** 25,225** ,000 0,62
RA-Inf 65 179 7,25 1,531 6,97 1,722 7,35 1,690 7,07 1,678 0,10 0,10 ,376 ,541 0,00
RA-Mat 84 179 5,43 2,202 6,16 1,808 5,31 2,173 5,84 1,891 -0,12 -0,32** ,105 ,746 0,10
RA-Len 84 179 5,50 1,898 5,84 1,666 5,49 1,794 5,73 1,714 -0,01 -0,11 ,012 ,911 0,06
** Significativo al nivel < 0,01

PMA-R = Razonamiento Lógico; PMA-E: Espacial; PMA-N: Numérico; PMA-V: Verbal; RP30: Resolución de Problemas; FI-R (A-E): Percepción y Atención; FI-R (ICI): Control de la
Impulsividad; TPC: Pensamiento Computacional; RA-Inf: Calificación en Informática; RA-Mat: Calificación en Matemáticas; RA-Len: Calificación en Lengua
a. Sí se encontró una F significativa sobre el postest del PMA-R, a favor del grupo experimental, en el IES San Antonio de Benagéber
b. y c. Parece plausible que las F sobre el postest del RP30 y del índice ‘ICI’ del FI-R, se vuelvan estadísticamente significativas a favor del grupo experimental, replicando
el diseño con muestras de mayor tamaño en dichas medidas
d. La F sobre el postest del TPC fue muy significativa tanto en primer como en segundo ciclo de la ESO.
478
Pasamos ahora a presentar los resultados relativos a las hipótesis específicas enunciadas en el marco
de la directiva de viabilidad; comenzando por el conjunto de hipótesis H4k…H4o 401, que se
contrastan a partir de los datos recogidos en el “Cuestionario para profesores sobre la implantación
del Curso K-8 de Code.org” (Román-González, 2015c). A dicho cuestionario contestaron 13 de los
16 profesores participantes en esta investigación.
Así, abordando la hipótesis H4k, en la Tabla 7.41 se detallan las respuestas de los profesores sobre el
número de semanas lectivas dedicadas al curso K-8. Tal y como puede verse, más del 50% de los
profesores informan de que en los grupos de clase experimentales se han dedicado al menos 8
semanas lectivas al curso K-8. Por tanto, se acepta la hipótesis H4k.
Tabla 7.41. Respuestas de los profesores sobre el número de semanas lectivas dedicadas al curso K-8
¿Cuántas semanas lectivas has dedicado en tu/s grupo/s al Curso K-8 de Code.org?
10 semanas o más 5 38,5 38,5 38,5
9 semanas 2 15,4 15,4 53,8
8 semanas 2 15,4 15,4 69,2
Válido
7 semanas 1 7,7 7,7 76,9
6 semanas 3 23,1 23,1 100,0
Total 13 100,0 100,0
Siguiendo con la hipótesis H4l, en la Tabla 7.42 se detallan las respuestas de los profesores sobre el
porcentaje de etapas del curso K-8 impartidas realmente. Tal y como puede verse, más del 50% de
los profesores informan de que en los grupos de clase experimentales se han impartido al menos el
80% de las 20 etapas que componen el curso K-8. Por tanto, se acepta la hipótesis H4l.
Tabla 7.42. Respuestas de los profesores sobre el % de etapas del curso K-8 impartidas realmente
De las 20 etapas de las que se compone el Curso K-8 de Code.org, ¿qué % aproximado has impartido en tu/s grupo/s?
100% de las etapas 4 30,8 30,8 30,8
90% 4 30,8 30,8 61,5
80% 1 7,7 7,7 69,2
Válido 70% 1 7,7 7,7 76,9
60% 2 15,4 15,4 92,3
50% de las etapas o menos 1 7,7 7,7 100,0
Total 13 100,0 100,0
Siguiendo con la hipótesis H4m, en la Tabla 7.43 se detallan las respuestas de los profesores sobre
qué partes del curso K-8 (‘on-line’, ‘unplugged’ o ambas) se han impartido realmente. Tal y como
puede verse, menos del 80% de los profesores informan de que en los grupos de clase experimentales
se han realizado tanto etapas ‘on line’ como etapas ‘unplugged’. Por tanto, se rechaza la hipótesis
H4m.
401
Dado que estas hipótesis específicas están todas ellas refereridas a indicadores descriptivos, en las siguientes tablas de
resultados se marca en negrita el punto de corte establecido en la hipótesis, así como la decisión estadística que se deriva
del resultado encontrado (en verde se acepta, y en rojo se rechaza). Para el establecimiento del punto de corte nos hemos
guiado por los resultados previos encontrados en el estudio exploratorio sobre ‘La Hora del Código’ (Capítulo 5)
479
Tabla 7.43. Respuestas de los profesores sobre qué partes del curso K-8 (‘on-line’, ‘unplugged’ o ambas) se han
impartido realmente
¿Qué parte del Curso K-8 de Code.org has impartido en tu/s grupo/s?
Frecuencia Porcentaje Porcentaje válido
Tanto etapas ‘on-line’ como ‘unplugged’ 10 76,9 76,9
Válido Sólo etapas ‘on-line’ 3 23,1 23,1
Total 13 100,0 100,0
Siguiendo con la hipótesis H4n, en la Tabla 7.44 se detallan las respuestas de los profesores sobre su
percepción del grado de aprendizaje de sus estudiantes con el curso K-8 (desde 1=Poco aprendizaje
hasta 5=Mucho aprendizaje). Tal y como puede observarse en la Tabla 7.45, tanto la media, la
mediana como la moda se sitúan al menos en una puntuación 4 sobre 5. Por tanto, se acepta la
hipótesis H4n.
Tabla 7.44. Respuestas de los profesores sobre su percepción del grado de aprendizaje de sus estudiantes con el K-8
Globalmente, ¿cuál crees que ha sido el grado de aprendizaje de tus estudiantes con el Curso K-8?
5 = Mucho aprendizaje 2 15,4 15,4 15,4
4 9 69,2 69,2 84,6
Válido
3 2 15,4 15,4 100,0
Total 13 100,0 100,0
Tabla 7.45. Estadísticos relativos a la pregunta “Globalmente, ¿cuál crees que ha sido el grado de aprendizaje de tus
estudiantes con el Curso K-8?”
Válido 13
N
Perdidos 0
Media 4,00
Mediana 4,00
Moda 4
Varianza ,333
Mínimo 3
Máximo 5
Siguiendo con la hipótesis H4ñ, en la Tabla 7.46 se detallan las respuestas de los profesores sobre su
nivel de satisfacción global con el curso K-8 (desde 1=Muy bajo hasta 5=Muy alto). Tal y como
puede observarse en la Tabla 7.47, tanto la media, la mediana como la moda se sitúan al menos en
una puntuación 4 sobre 5. Por tanto, se acepta la hipótesis H4ñ.
Tabla 7.46. Respuestas de los profesores sobre su nivel de satisfacción global con el K-8
Como profesor/a responsable de la implantación del Curso K-8 de Code.org, ¿cuál es tu nivel de satisfacción con el curso
globalmente?
5 = Muy alto 7 53,8 53,8 53,8
Válido 4 6 46,2 46,2 100,0
Total 13 100,0 100,0
480
Tabla 7.47. Estadísticos relativos a la pregunta “Como profesor/a responsable de la implantación del Curso K-8 de
Code.org, ¿cuál es tu nivel de satisfacción con el curso globalmente?”
Válido 13
N
Perdidos 0
Media 4,54
Mediana 5,00
Moda 5
Varianza ,269
Mínimo 4
Máximo 5
Acabamos con este grupo de hipótesis específicas con la H4o. En la Tabla 7.48 se detallan las
respuestas de los profesores sobre su intención de volver a impartir el K-8. Tal y como puede
observarse, más del 80% de los profesores (de hecho, el 100%) manifiesta su intención de impartir el
curso K-8 de nuevo en el próximo curso académico. Por tanto, se acepta la hipótesis H4o.
Tabla 7.48. Respuestas de los profesores sobre su intención de volver a impartir el curso K-8
Después de la experiencia, ¿tienes intención de impartir el Curso K-8 nuevamente el próximo año académico?
Válido Sí 13 100,0 100,0
Adicionalmente, se presenta un resumen de las respuestas de los profesores a las dos preguntas
abiertas del “Cuestionario para profesores sobre la implantación del Curso K-8 de Code.org”
(Román-González, 2015c); a saber: “Brevemente, indica los aspectos más positivos y más negativos
(puntos mejorables) del Curso K-8” y “Opcionalmente, relata alguna anécdota o incidente
especialmente reseñable que ilustre vuestra experiencia con el Curso K-8” (Tabla 7.49)
Tabla 7.49. Resumen de las respuestas de los profesores a las preguntas abiertas del cuestionario sobre el curso K-8
Aspectos positivos Aspectos negativos

 El K-8 permite la autonomía de los alumnos. El curso  El K-8 no incentiva suficientemente la creatividad: hasta
permite atender distintos ritmos de aprendizaje, y que llegar a la etapa 19 no se permite que el alumno evoque-
cada alumno alcance metas diferentes. También escriba un programa desde un lienzo en blanco (‘open-
ofrece flexibilidad (p.e. los alumnos pueden avanzar ended’)
en casa en caso de ir retrasados)
 Algunos profesores señalan problemas de temporalización
 La alta motivación mostrada por los estudiantes del curso: p.e. que haciendo el 100% de las 20 etapas es
durante el K-8 (incluso para trabajar en casa). demasiado extenso; y al ritmo de 2 horas de clase
Algunos de los aspectos que favorecen esta alta semanales, contando con festivos, vacaciones e
motivación son: aspecto visual y gamificado del curso incidencias varias puede llevar más allá de un trimestre.
(personajes conocidos que se mueven a través de También se señala que, al impartir el curso en inglés, el
programas escritos en lenguaje visual por bloques); ritmo se ralentiza.
las pistas y videos de ayuda para la resolución de los
niveles-retos de ‘coding’; sencillez de uso de la  Para el (pequeño) grupo de alumnos que no les ha gustado
plataforma; posibilidad de que el alumno pueda ver su el curso, éste puede resultar “como una tortura”, dado el
progreso en el curso. carácter similar y repetitivo de los niveles-retos de
‘coding’ propuestos. Este carácter repetitivo puede fatigar.
 El curso K-8 desarrolla algunos aprendizajes y
habilidades importantes como: autogestión del estrés  También se señala la dificultad de algunos conceptos
y la frustración (cuando un alumno no consigue computacionales para algunos estudiantes de 1º ESO: en
resolver un nivel-reto de ‘coding’); trabajo en equipo especial, los bucles anidados, y el cálculo de ángulos
481
Aspectos positivos Aspectos negativos

y colaboración entre compañeros; atención, (necesario para girar correctamente a los personajes).
concentración, compromiso con la tarea (p.e. algunos
 Aparecen algunas críticas a las actividades ‘unplugged’:
profesores relatan cómo los alumnos “admiten que el
p.e. que algunas resultan demasiado sencillas o “tontas”
K-8 les ha ayudado sorprendentemente a fijar la
para 2º ESO. Se señalan como especialmente
atención durante más tiempo”).
prescindibles las etapas 14 (‘Abstracción) y 20 (‘Cierre’).
 Adicionalmente, se señala que el curso K-8 ha
 Problemas de conectividad en los centros que dificultan la
permitido trabajar transversalmente la competencia en
realización del curso.
lengua inglesa (la interfaz del curso utilizada fue
siempre en lengua inglesa).
 Globalmente, los profesores señalan que el K-8 ha
permitido desarrollar el pensamiento computacional
de los alumnos; y que es muy útil para adquirir los
conceptos computacionales básicos, y como paso
previo a la introducción de los lenguajes de
programación textuales.
 En general, se señala que a los alumnos les han
gustado más las etapas ‘on-line’ que las ‘unplugged’.
Respecto de las etapas ‘unplugged’ se valoran positiva
y especialmente la etapa 6 (‘Algoritmos’ a través del
juego Tangram), 8 (‘Funciones’ a través de
construcción de pulseras de abalorios), y 12 (concepto
computacional ‘funciones’ trabajado a través de los
estribillos de canciones). Una profesora señala que,
para la planificación de las etapas ‘unplugged’, fue de
mucha utilidad el foro en línea que utilizaron para
comunicarse todos los profesores de la red ‘IT
Teaching’: en este foro los profesores fueron
compartiendo testimonios gráficos del desarrollo del
curso K-8, algunos de los cuales se adjuntan en el
Anexo L.
Anécdotas
 “Un día no había conexión a Internet en el aula, y los alumnos/as se enfadaron mucho y no sabían qué podían
hacer en el aula con los ordenadores porque no podían seguir el curso online”
 “Algunos de los alumnos que prácticamente no hacen nada en otros temas de informática o en otras
asignaturas se han sentido muy motivados. Algunos incluso han sido de los más aventajados en este tema en
concreto”
 “Para mí ha sido un shock ver cómo uno de los alumnos que acabó muy pronto el curso, se puso a diseñar
proyectos con bananas y demás fauna y cómo sus compañeros admiran lo que su compañero es capaz de
realizar” 402
 “Les gustó mucho el tema de las funciones explicado con el estribillo de las canciones” [Etapa 12]
 “Normalmente al acabar la lección, les dejo 5 minutos para que puedan jugar a juegos online (si se han
comportado bien)... Pues después del curso algunos en lugar de jugar a estos juegos, se conectaban a code.org
para programar el Flappy Bird” 403
Decisiones
 “El próximo curso sólo realizarán el K-8 los de 1º ESO, y en 2º y 3º ESO trabajarán con Scratch”
402
Testimonio de la profesora de 1º ESO del IES María Blasco; en dicho aula se siguió una metodología ‘self-paced’ (al
ritmo del propio alumno), que permitió emerger la alta capacidad computacional. Dos de los estudiantes de este grupo
acabaron el K-8 en apenas un par de semanas y aceleraron al curso ‘Computer Programming’ de Khan Academy.
Volveremos a ellos en el estudio de casos que se presenta en el apartado 7.3.
403
Dentro de la plataforma Code.org, además del curso K-8, hay otros muchos entornos de programación como, por
ejemplo, uno para aprender a codificar el conocido juego “Flappy Bird”: https://studio.code.org/flappy/1
482
Pasamos ahora a la hipótesis específica H4p, que es contrastada a través de los datos de seguimiento
(‘tracking’) que aporta la plataforma de Code.org. En la Tabla 7.50 (y Figura 7.15) se presentan los
estadísticos relativos a los ‘Niveles Completados’ por los estudiantes. Tal y como puede observarse,
el percentil 50 (mediana) se sitúa en 85 niveles completados (lo que supone un 86,7% sobre el total
de 98 niveles-pantallas que componen el curso K-8). Así pues, podemos afirmar que más del 50% de
los estudiantes completan al menos el 80% de los 98 niveles-pantallas ‘on-line’ que componen el
curso K-8; y, por tanto, se acepta la hipótesis H4p.
Tabla 7.50. Estadísticos sobre los ‘niveles-pantallas’ completados por los estudiantes del curso K-8
Niveles-Pantallas Completados [K-8 Code.org]

Válido 385
N
Perdidos 0
Media 82,21
Mediana 85,00
Moda 98
Asimetría -,132
Mínimo 24
Máximo 157
10 53,00
20 63,20
30 71,00
40 78,00
Percentiles 50 85,00
60 92,00
70 97,00
80 98,00
90 108,00
100% de niveles-pantallas del curso K-8
Mediana encontrada
Sujetos que
hicieron por su
Punto de corte para la cuenta niveles
decisión estadística adicionales en la
plataforma
Figura 7.15. Distribución de frecuencias del número de ‘niveles-pantallas’ completados por los estudiantes K-8
483
Tal y como puede observarse en la anterior figura, nos encontramos con aproximadamente un 20%
de estudiantes, en la parte derecha de la distribución, que no sólo completaron el 100% de niveles del
curso K-8 (98 niveles), sino que adicionalmente completaron niveles en otros entornos de
programación que ofrece la plataforma Code.org (por ejemplo, ‘Código Flappy’ 404 o ‘Play Lab’ 405).
Pasamos ahora a presentar los resultados relativos al conjunto de hipótesis H4q…H4u, que se
contrastan a partir de los datos recogidos en el “Cuestionario de satisfacción para estudiantes sobre
el Curso K-8 de Code.org” (Román-González, 2015d). A dicho cuestionario contestaron 267 de los
401 estudiantes participantes en los grupos experimentales de esta investigación.
Así, abordando la hipótesis H4q, en la Tabla 7.51 se detallan las respuestas de los estudiantes sobre
su percepción de autoeficacia en ‘coding’ tras la realización del curso K-8 (entre 1=Se me da muy
mal y 5=Se me da muy bien). Tal y como puede observarse en la Tabla 7.52, los estudiantes
manifiestan una percepción de autoeficacia en un grado de al menos 4 sobre 5 (mediana ≥ 4); por
tanto, se acepta la hipótesis H4q.
Tabla 7.51. Respuestas de los estudiantes sobre su percepción de autoeficacia en ‘coding’ tras el curso K-8
Tras tu experiencia con el Curso K-8 ¿cómo dirías que se te da la ‘programación informática’ (‘coding’)?
Se me da muy bien 40 15,0 15,0 15,0
Se me da bien 159 59,6 59,6 74,5
Se me da regular 58 21,7 21,7 96,3
Válido
Se me da mal 8 3,0 3,0 99,3
Se me da muy mal 2 ,7 ,7 100,0
Total 267 100,0 100,0
Tabla 7.52. Estadísticos relativos a la pregunta sobre percepción de autoeficacia en ‘coding’ tras el curso K-8
Válido 267
N
Perdidos 0
Media 3,85
Mediana 4,00
Moda 4
Varianza ,534
Mínimo 1
Máximo 5
Siguiendo con la hipótesis H4r, en la Tabla 7.53 se detallan las respuestas de los estudiantes sobre su
motivación por continuar aprendiendo ‘coding’ tras el curso K-8 (entre 1=Nada motivado y 5=Muy
motivado). Tal y como puede observarse en la Tabla 7.54, los estudiantes manifiestan motivación en
un grado de al menos 4 sobre 5 (mediana ≥ 4); por tanto, se acepta la hipótesis H4r.
404
https://studio.code.org/flappy/1
405
https://studio.code.org/s/playlab/stage/1/puzzle/1
484
Tabla 7.53. Respuestas de los estudiantes sobre su motivación por continuar aprendiendo ‘coding’ tras el K-8
Tras el Curso K-8, ¿cómo de motivado te sientes para continuar aprendiendo 'programación informática' ('coding')?
Muy motivado 50 18,7 18,7 18,7
Bastante motivado 96 36,0 36,0 54,7
Algo motivado 89 33,3 33,3 88,0
Válido
Poco motivado 23 8,6 8,6 96,6
Nada motivado 9 3,4 3,4 100,0
Total 267 100,0 100,0
Tabla 7.54. Estadísticos relativos a la pregunta sobre motivación por continuar aprendiendo ‘coding’ tras el K-8
Válido 267
N
Perdidos 0
Media 3,58
Mediana 4,00
Moda 4
Varianza ,996
Mínimo 1
Máximo 5
Siguiendo con la hipótesis H4s, en la Tabla 7.55 se detallan las respuestas de los estudiantes sobre su
intención de continuar aprendiendo ‘coding’ a través de plataformas-tutoriales en Internet tras el
curso K-8 (‘sí’ o ‘no’). Tal y como puede observarse en la tabla, algo menos del 80% de los
estudiantes manifiesta dicha intención; por tanto, se rechaza la hipótesis H4s.
Tabla 7.55. Respuestas de los estudiantes sobre su intención de continuar aprendiendo ‘coding online’ tras el K-8
¿Te gustaría continuar aprendiendo 'programación informática' ('coding') a través de plataformas-tutoriales en Internet?
Sí 209 78,3 78,3
Válido No 58 21,7 21,7
Total 267 100,0 100,0
Siguiendo con la hipótesis H4t, en la Tabla 7.56 se detallan las respuestas de los estudiantes sobre en
qué grado consideran que han aprendido con el curso K-8 (entre 1=No he aprendido nada y 5=He
aprendido mucho). Tal y como puede observarse en la Tabla 7.57, los estudiantes consideran que han
aprendido en un grado de al menos 4 sobre 5 (mediana ≥ 4); por tanto, se acepta la hipótesis H4t.
Tabla 7.56. Respuestas de los estudiantes sobre su grado de aprendizaje con el curso K-8
Globalmente, ¿cuánto crees que has aprendido con el Curso "K-8 Intro to Computer Science"?
5 = He aprendido mucho 83 31,1 31,1 31,1
4 125 46,8 46,8 77,9
3 48 18,0 18,0 95,9
Válido
2 9 3,4 3,4 99,3
1= No he aprendido nada 2 ,7 ,7 100,0
Total 267 100,0 100,0
485
Tabla 7.57. Estadísticos relativos a la pregunta sobre grado de aprendizaje percibido con el curso K-8
Válido 267
N
Perdidos 0
Media 4,04
Mediana 4,00
Moda 4
Varianza ,694
Mínimo 1
Máximo 5
Para acabar con este grupo de hipótesis específicas, abordamos la H4u; en la Tabla 7.58 se detallan
las respuestas de los estudiantes sobre su valoración global del curso K-8 (entre 1=No me ha gustado
nada y 5=Me ha gustado mucho). Tal y como puede observarse en la Tabla 7.59, los estudiantes
valoran globalmente el curso K-8 en un grado de al menos 4 sobre 5 (mediana ≥ 4); por tanto, se
acepta la hipótesis H4u.
Tabla 7.58. Respuestas de los estudiantes sobre su valoración global del curso K-8
Globalmente, ¿qué valoración haces del Curso "K-8 Intro to Computer Science"?
5 = Me ha gustado mucho 87 32,6 32,6 32,6
4 108 40,4 40,4 73,0
3 59 22,1 22,1 95,1
Válido
2 6 2,2 2,2 97,4
1 = No me ha gustado nada 7 2,6 2,6 100,0
Total 267 100,0 100,0
Tabla 7.59. Estadísticos relativos a la pregunta sobre la valoración global del curso K-8
Válido 267
N
Perdidos 0
Media 3,98
Mediana 4,00
Moda 4
Varianza ,876
Mínimo 1
Máximo 5
Para complementar los resultados relativos a las hipótesis previas H4p…H4u, en la siguiente Tabla
7.60 se presentan las pruebas t de diferencia de medias en las anteriores variables según sexo. Tal y
como puede observarse, no se encuentran diferencias significativas por sexo en niveles-pantallas
completados, es decir, en una medida de desempeño objetivo en el curso K-8. En lo relativo a las
preguntas del cuestionario para estudiantes, sí se encuentran diferencias significativas a favor de los
chicos (p(t) > 0,05) en motivación por continuar aprendiendo ‘coding’ tras el curso K-8, y en la
valoración global del curso.
486
Tabla 7.60. Pruebas t de diferencia de medias en las preguntas del cuestionario para estudiantes del K-8, según sexo
Desviación d de
Sexo N Media t p(t)
estándar Cohen
Chico 247 82,77 21,342
Niveles-pantallas completados en K-8 ,663 ,508 0,07
Chica 138 81,22 22,754
Chico 174 3,90 ,738
Autoeficacia en ‘coding’ tras K-8 1,421 ,156 0,19
Chica 93 3,76 ,713
Motivación seguir aprendiendo ‘coding’ Chico 174 3,68 ,997
2,202* ,029 0,28
tras K-8 Chica 93 3,40 ,980
Determinación aprender ‘coding’ en Chico 174 ,79 ,410
,248 ,805 0,05
entornos ‘on-line’ tras K-8 Chica 93 ,77 ,420
Chico 174 3,99 ,870
Percepción global de aprendizaje con K-8 -1,261 ,208 0,17
Chica 93 4,13 ,755
Chico 174 4,07 ,931
Valoración global del K-8 2,249* ,025 0,28
Chica 93 3,81 ,924
* Significativo al nivel p(t) > 0,05
Finalizamos este epígrafe de resultados con los relativos a la hipótesis específica H4v, ya en el marco
de la directiva de relevancia. Tal y como hemos ido viendo a lo largo de la tesis, el marco de
relevancia exige de un abordaje más cualitativo. En este sentido, la hipótesis H4v es contrastada a
través de las respuestas a la última pregunta (abierta) del “Cuestionario de satisfacción para
estudiantes sobre el Curso K-8 de Code.org” (Román-González, 2015d); que dice: “¿Consideras
importante la ‘programación informática’ (‘coding’) para tu formación como ciudadano del siglo
XXI? ¿Sí, No? ¿Por qué? Razona por favor tu respuesta”. En la Figura 7.16 se muestra el código
QR de enlace a un documento PDF 406 con las respuestas ‘en bruto’ a dicha pregunta.
Figura 7.16. Código QR de enlace a las respuestas abiertas del “Cuestionario de satisfacción para estudiantes sobre el
Curso K-8 de Code.org”
En la siguiente Tabla 7.61 se muestran las frecuencias de respuesta a dicha pregunta tras ser
categorizadas como ‘sí’, ‘no’ o ‘tal vez / no sé / depende’. Tal y como puede observarse, tras el curso
K-8, más del 80% de los estudiantes considera importante el ‘coding’ para su formación como
ciudadano del siglo XXI; por tanto, se acepta la hipótesis H4v
Tabla 7.61. Respuestas de los estudiantes acerca de la importancia del ‘coding’ para su formación como ciudadanos

Sí 227 85,0 85,0 85,0
No 24 9,0 9,0 94,0
Válido
Total 267 100,0 100,0
406
Disponible en https://db.tt/DMynZaLZ
487
Replicando el análisis cualitativo de contenido que hicimos en el estudio exploratorio sobre ‘La Hora
del Código’, aplicamos ahora el sistema de categorías allí generado sobre las razones que aportan los
estudiantes del K-8 que defienden la importancia del ‘coding’ para su formación como ciudadanos
del siglo XXI. Tal y como puede observarse en la Figura 7.17, las razones que esgrimen los
estudiantes son, de mayor a menor frecuencia: ‘utilitarias’ (≈ “porque el ‘coding’ me servirá para
encontrar trabajo…”); ‘de desarrollo’ (≈ “porque con el ‘coding’ aprendo/desarrollo la lógica…”);
‘sociológicas’ (≈ “porque el mundo es cada vez más tecnológico/digital y…”); ‘genéricas’ (≈ “el
‘coding’ es importante…”); ‘críticas’ (≈ “porque el ‘coding’ me permite controlar las máquinas, en
vez de que las máquinas me controlen a mí…”); ‘escolares’ (≈ “porque el ‘coding’ mejora mis
resultados en el colegio, me hace falta en algunos trabajos escolares…”); ‘expresivo-comunicativas’
(≈ “porque con el ‘coding’ puedo crear una aplicación, un videojuego, una web”); ‘emotivas’ (≈
“porque con el ‘coding’ me siento bien, me gusta…”)
Figura 7.17. Diagrama radial de las razones esgrimidas por los estudiantes K-8 que defienden la importancia del ‘coding’
7.1.5. Discusión y conclusiones parciales
Con respecto a las hipótesis específicas H4a…H4d, podemos concluir que:
 En comparación con el currículum TIC tradicional, el curso K-8 no mejora significativamente

ninguna de las aptitudes mentales primarias de los estudiantes, medidas a través de la batería
PMA. Tanto los grupos experimentales como de control muestran ganancias estadísticamente
significativas y de tamaño ‘pequeño’ a ‘moderado’ entre el pretest y postest. Dado que este
patrón de resultados se produce por igual en todas las aptitudes medidas por el PMA, para
ambos grupos, y que el intervalo entre ambas aplicaciones de la batería es de sólo 10-12
semanas, la explicación más plausible para dichas ganancias pretest-postest es el efecto del
entrenamiento de los sujetos con las pruebas.
488
 En uno de los centros participantes, IES San Antonio de Benagéber, sí se encuentra un efecto
significativo del diseño a favor del grupo experimental en el PMA-R. Este resultado es
consistente dado que el PMA-R es el test de la batería PMA en el cual se encontró una mayor
correlación con el TPC durante su validación criterial concurrente (r = +0,442; ver sub-
epígrafe 6.5.2.3.1.1). Dado que el K-8 pretende ser un curso de codigoalfabetización y
desarrollo del pensamiento computacional (PC), es coherente que pueda producir también
mejoras en las variables que correlacionan con el PC, tal y como el razonamiento lógico
(PMA-R). En cualquier caso, dado que el efecto significativo sólo se encontró en un centro,
los resultados no son plenamente concluyentes y requieren de más investigación.
Con respecto a la hipótesis específica H4e, podemos concluir que:

la aptitud de ‘resolución de problemas’ de los estudiantes medida a través del RP30. Sin
embargo, en este caso se encuentra una ganancia estadísticamente muy significativa, y de
tamaño ‘moderado’ entre el pretest y postest del grupo experimental; no siendo así en el
grupo de control. El ANCOVA sobre el postest no resulta estadísticamente significativo, pero
se aproxima bastante al límite de significatividad (p(F) = 0,122 > 0,05); llegando el tamaño
global del efecto del diseño cuasi-experimental sobre el RP30 a un valor entre ‘pequeño’ y
‘moderado’ d = 0,34, que debe tomarse en consideración. Es plausible considerar que una
replicación con muestras de tamaño algo mayor arrojará resultados estadísticamente
favorables al K-8 respecto del currículum TIC tradicional en la aptitud ‘resolución de
problemas’.
Con respecto a la hipótesis específica H4f, podemos concluir que:

la aptitud ‘perceptivo-atencional’ de los estudiantes medida a través del FI-R, en ninguno de
los dos índices que aporta la aplicación de esta prueba: índice A-E (‘percepción y atención’) e
índice ICI (‘control de la impulsividad’). Sin embargo, el patrón de resultados es diferencial
entre ambos índices, lo cual merece un comentario:
o En el caso del índice A-E, tanto el grupo control como experimental muestran
ganancias estadísticamente muy significativas, y de tamaño entre ‘moderado’ y
‘grande’, desde el pretest al postest. Al igual que en la batería PMA, la explicación
más plausible de dicha ganancia en ambos grupos es el efecto del entrenamiento de
los sujetos en las pruebas. Sin embargo, dado el considerable tamaño de las ganancias
pre-post (d ≈ 0,70), también es plausible considerar que ambos currículum, tanto el
TIC tradicional como el K-8, estén produciendo mejoras en el índice A-E. Ello podría
confirmarse en una replicación del diseño añadiendo una tercera condición de control
con sujetos que no estén siguiendo ningún currículum de Informática en absoluto.
o En el caso del índice ICI, no se encuentran ganancias significativas en ninguno de los

dos grupos entre el pretest y postest. Parece, por tanto, que es un índice más
insensible al efecto del entrenamiento, lo cual es consistente con su naturaleza de
‘control de la impulsividad’, variable a priori más cercana a temperamento o estilo
489
típico de respuesta. En cualquier caso, el ANCOVA sobre el postest del ICI, aunque
no resulta estadísticamente significativo, se aproxima al límite (p(F) = 0,220 > 0,05); y
el tamaño global del efecto del diseño cuasi-experimental sobre el ICI supera la
barrera mínima para tomarlo en consideración (d = 0,24 > 0,20). Todo ello hace
plausible que en una replicación con muestras de mayor tamaño se encuentren
resultados estadísticamente favorables al K-8 respecto del currículum TIC tradicional
en ‘control de la impulsividad’.
Con respecto a la hipótesis específica H4g, podemos concluir que:
 En comparación con el currículum TIC tradicional, el curso K-8 sí mejora significativamente

la aptitud ‘pensamiento computacional’ de los estudiantes, medida a través del TPC; tanto en
primer ciclo como en segundo ciclo de la ESO. El tamaño global del efecto del cuasi-
experimento sobre el ‘pensamiento computacional’ está entre ‘moderado’ y ‘grande’ (d =
0,62). Ello es consistente con la diferencia fundamental entre ambos currículum informáticos,
a saber, que el TIC tradicional está basado en una perspectiva del estudiante como mero
usuario de tecnología digital; frente al K-8, orientado explícitamente a la
codigoalfabetización y el desarrollo del pensamiento computacional de los alumnos.
 Adicionalmente, queremos señalar que, segmentando la muestra por sexo, el ANCOVA sobre
el postest del TPC resulta también estadísticamente muy significativo tanto para los chicos
(F(1,244) = 13,124; p(F) = 0,000 < 0,01; dglobal = 0,59) como para las chicas (F(1,140) = 7,879; p(F)
= 0,006 < 0,01; dglobal = 0,61). Así, podríamos afirmar que el K-8, respecto al currículum TIC,
mejora el pensamiento computacional con una magnitud muy similar en ambos sexos.
Recapitulando sobre el conjunto de hipótesis específicas que involucran algún tipo de ‘aptitud’, es
decir, hipótesis H4a…H4g, cabe destacar que, en ninguna de ellas, se encontró diferencia significativa
alguna en situación pretest entre el grupo ‘experimental’ y ‘control’. Ello es evidencia de la relativa
equivalencia inicial entre ambos grupos; y apoya la validez del proceso seguido para la conformación
global de nuestro diseño cuasi-experimental (Tabla 7.6)
Con respecto a las hipótesis específicas H4h…H4j, podemos concluir que:

el rendimiento académico en ninguna de las tres asignaturas consideradas: Informática,
Matemáticas y Lengua. Los rendimientos en ambos grupos son muy similares entre sí, y
resistentes a cambios entre la situación pre y post. Es destacable que, comparando
asignaturas, las calificaciones promedio en Informática se sitúan en el entorno del 7, frente a
Matemáticas y Lengua, cuyas calificaciones promedio se sitúan entre el 5 y el 6.
Considerando globalmente todas las hipótesis específicas anteriores H4a…H4j, enmarcadas en la

directiva de adecuación, podemos afirmar que:
 La única variable aptitudinal en la que se han encontrado mejoras estadísticamente

significativas en los estudiantes que siguieron el K-8 frente a los estudiantes que siguieron el
currículum TIC tradicional, ha sido el ‘pensamiento computacional’ medido a través de
nuestro TPC (sólo se ha aceptado la hipótesis específica H4g). Este único resultado
490
significativo nos lleva a reafirmar la necesidad que existía de construir un instrumento

explícitamente diseñado para medir el ‘pensamiento computacional’ y que fuera, por tanto,
sensible a medir los efectos de cursos-programas orientados a desarrollar dicha aptitud. Ello
también puede considerarse como una nueva evidencia de la validez discriminante de nuestro
TPC, en el sentido de que nuestro instrumento es capaz de discriminar entre sujetos que han
seguido un currículum TIC tradicional y sujetos que han seguido un currículum orientado al
desarrollo del pensamiento computacional, como el curso K-8. Así se comprueba al calcular
la Curva COR de potencia diagnóstica del TPC (postest) para discriminar entre ambos grupos
de sujetos (Figura 7.18); como puede verse en la Tabla 7.62 el área bajo la curva COR es
ACOR = 0,696**, estadísticamente muy significativa, considerándose una potencia diagnóstica
‘buena’. También en la Figura 7.18 se ilustra el punto de corte diagnóstico más óptimo: una
puntuación en el postest del TPC > 18,50 identifica correctamente un 70% de ‘verdaderos
positivos’ (sujetos que han hecho el K-8), frente a sólo un 35% de ‘falsos positivos’.
TPC (postest) > 18,50
Figura 7.18. Curva COR de potencia diagnóstica del TPC (postest) para discriminar entre sujetos que hicieron el K-8
frente al TIC Tradicional
Tabla 7.62. Área bajo la Curva COR de potencia diagnóstica del TPC (postest) para discriminar sujetos K-8 vs. TIC
Área bajo la curva
Condición N válido (por lista) p(ACOR)
ACOR
Experimental 377
,696** ,000
Control 73
491
 Por otro lado, hay otras dos variables en las que se han encontrado mejoras cercanas al límite
de significatividad en los estudiantes que siguieron el K-8 frente a los estudiantes que
siguieron el currículum TIC tradicional; y con tamaños globales del efecto del diseño cuasi-
experimental d > 0,20: la ‘resolución de problemas’ y el ‘control de la impulsividad’. Estos
resultados nos llevan a proponer replicaciones del cuasi-experimento con ambas medidas.
Además, son resultados que parecen tener sentido: por un lado, la ‘resolución de problemas’
medida a través del RP30 fue la variable que correlacionó más intensamente en la validación
criterial concurrente de nuestro TPC (r = +0,669**), y es esperable que ambas medidas se
muestren sensibles al mismo tipo de cursos-programas; por otro lado, el ‘control de la
impulsividad’ va en la línea de nuestra fundamentación teórica que defiende la
codigoalfabetización como antídoto a un uso impulsivo, poco reflexivo, de lo digital.
Con respecto al grupo de hipótesis específicas H4k…H4o, todas ellas ya en el marco directivo de
viabilidad y relativas al cuestionario de profesores, podemos concluir que:
 Globalmente, los profesores señalan la viabilidad del K-8: más del 50% de los profesores
informan de que en los grupos de clase experimentales se han dedicado al menos 8 semanas
lectivas al curso K-8 (H4k aceptada); más del 50% de los profesores informan de que en los
grupos de clase experimentales se han impartido al menos el 80% de las 20 etapas que
componen el curso K-8 (H4l aceptada); los profesores consideran que el grado de aprendizaje
de sus estudiantes con el curso K-8 ha sido de al menos 4 sobre 5 (H4n aceptada), y muestran
una satisfacción global con respecto al mismo también en un grado de al menos 4 sobre 5
(H4ñ aceptada); y finalmente más del 80% de los profesores (de hecho el 100%) manifiesta su
intención de impartir el curso K-8 de nuevo en el próximo curso académico (H4o aceptada).
 La única hipótesis específica rechazada de este grupo es la H4m, dado que sólo el 76,9% de
los profesores (< 80% que fue fijado como criterio de aceptación estadístico) informan de que
en los grupos de clase experimentales se hayan realizado tanto etapas ‘on line’ como etapas
‘unplugged’. Ello enlaza con los 3 puntos débiles principales del K-8 señalados por los
profesores en sus respuestas abiertas, a saber: ciertos problemas de temporalización del curso
que llevan a prescindir de algunas actividades ‘unplugged’ (algunas de ellas son consideradas
poco motivadoras y/o excesivamente sencillas para 2º ESO); entorno de aprendizaje ‘on-line’
basado en niveles-retos excesivamente repetitivos; y déficit del K-8 para el fomento de la
creatividad. Frente a estos 3 puntos débiles pueden contraponerse los 3 puntos fuertes
principales del K-8, señalados por los profesores en sus respuestas abiertas: el K-8 permite la
autonomía de aprendizaje de los alumnos, atendiendo a distintos ritmos de avance por el
curso; es un entorno gamificado y visual que mantiene alta la motivación; y promueve no
sólo el pensamiento computacional sino también trabajo en equipo, concentración, tolerancia
al error y, transversalmente, competencia en lengua inglesa.
Con respecto al grupo de hipótesis específicas H4p…H4u, todas ellas en el marco directivo de
viabilidad y relativas al cuestionario de estudiantes, podemos concluir que:
 Globalmente, los estudiantes señalan la viabilidad del K-8: más del 50% de los estudiantes
completan al menos el 80% de los 98 niveles-pantallas ‘on-line’ que componen el curso K-8
492
(H4p aceptada); los estudiantes manifiestan una percepción de autoeficacia en ‘coding’ y

motivación por continuar aprendiendo ‘coding’ tras el curso K-8 en un grado de al menos 4
sobre 5 (H4q y H4r aceptadas); los estudiantes consideran que su grado de aprendizaje con el
curso K-8 ha sido de al menos 4 sobre 5 (H4t aceptada), y su valoración global del mismo
también se sitúa en un grado de al menos 4 sobre 5 (H4u aceptada)
 La única hipótesis específica rechazada de este grupo es la H4s, dado que sólo el 78,3% de los
estudiantes (< 80% que fue fijado como criterio de aceptación estadístico) manifiesta su
intención de continuar aprendiendo ‘coding’ a través de plataformas-tutoriales en Internet tras
el curso K-8. Estos resultados son consistentes con los ya encontrados en el estudio
exploratorio de ‘La Hora del Código’ (Capítulo 5), en el que vimos que alrededor de un 20%
de sujetos (fundamentalmente chicas), incluso teniendo buena percepción de autoeficacia y
motivación con el ‘coding’, no desean aprenderlo exclusivamente a través de estos entornos
‘on-line’ autoguiados.
 Adicionalmente, los análisis diferenciados por sexo sobre las variables involucradas en las
anteriores hipótesis muestran que no hay diferencias en rendimiento objetivo en el K-8
medido a través del número de ‘niveles-pantallas’ completados; pero sí aparecen diferencias
significativas a favor de los chicos en motivación por continuar aprendiendo ‘coding’ tras el
curso K-8, y en la valoración global del curso. Estos resultados van también en la línea de los
obtenidos en el estudio exploratorio de ‘La Hora del Código’ en el que ya vimos cómo el
aprendizaje del ‘coding’, especialmente en estos entornos ‘close-ended’, penalizan
diferencialmente la motivación de las chicas, que parecen necesitar otros contextos más
creativos, narrativos y cercanos a sus intereses para practicar la lectoescritura de código.
Globalmente, los resultados relativos a las hipótesis específicas dentro de la directiva de adecuación
y viabilidad, son consistentes con la otra evaluación del curso K-8 de la cual hemos tenido noticia
(Kalelioğlu, 2015). En este trabajo, un diseño pre-experimental de un solo grupo con pretest y
postest, el autor reporta que los estudiantes que siguieron el curso: no mejoraron significativamente
sus habilidades de solución de problemas; pero sí mejoraron sus actitudes y motivación hacia la
programación informática; y no se encontraron diferencias por sexo en rendimiento objetivo en el K-
8 medido a través del número de ‘niveles-pantallas’ completados.
Por último, a modo especulativo y más allá de las hipótesis específicas enunciadas, presentamos un
diagrama de dispersión (Figura 7.19) que ilustra la correlación entre las dos medidas de ‘tracking’
que aporta la plataforma de Code.org: ‘niveles-pantallas completados’ (que hemos usado para el
contraste de la hipótesis H4p) y ‘número de líneas de código escritas’. Tal y como podría esperarse, la
correlación entre ambas medidas es positiva, de intensidad alta y estadísticamente muy significativa
(r = +0,640; p(r) = 0,000 < 0,01). Sin embargo, la relación no es perfectamente lineal. Ello es debido
a que un mismo nivel se puede completar con un número variable de líneas de código (p.e. al utilizar
un ‘bucle’ de repetición, el programa resultante tiene un menor número de líneas de código, aunque
de hecho ejecute las mismas instrucciones). Volviendo a la Figura 7.19, nos preguntamos para
estudios futuros qué caracteriza al grupo de sujetos que se apartan notoriamente de la recta de
regresión; estos sujetos tienen un estilo ‘ineficiente’ de escritura de código dado que, para superar el
mismo número de niveles que sus iguales, necesitan un número de líneas de código mucho mayor.
493
Área de escritura
ineficiente de código
¿Qué caracteriza a
estos sujetos?
Figura 7.19. Diagrama de dispersión ‘Niveles completados’ * ‘Líneas de código escritas’ en Code.org
Finalmente, con respecto a la hipótesis específica H4v, dentro de la directiva de relevancia:
 Hay un consenso generalizado por parte de los estudiantes de que el ‘coding’ es relevante:
tras el curso K-8, más del 80% de los estudiantes considera importante el ‘coding’ para su
formación como ciudadano del siglo XXI (H4v aceptada)
 Sin embargo, el análisis cualitativo del contenido de las razones que esgrimen los estudiantes
para sostener la afirmación anterior nos devuelve un panorama algo preocupante. Partiendo
de la base de que todos los tipos de razones tienen su peso específico, llama poderosamente la
atención la baja frecuencia de aparición de razones del tipo ‘expresivo-comunicativas’ y
‘emotivas’. Parece que, tras el curso K-8, los estudiantes tienen claro que el ‘coding’ les
puede resultar útil para encontrar un trabajo, que es una habilidad fundamental para un
mundo cada vez más invadido por lo tecnológico-digital, e incluso que puede contribuir a
desarrollar sus habilidades mentales; sin embargo, el curso K-8 no parece haber transmitido
tan eficazmente a los estudiantes la potencialidad del ‘coding’ como vehículo de creación,
expresión y comunicación de ideas, como una tarea divertida y de disfrute que, además,
genera una mayor conciencia crítica con respecto a nuestra relación con las máquinas. Ello es
consistente con el contexto de aprendizaje ‘close-ended’, poco creativo, que propone el curso
K-8; y que nos lleva a postular que debe ser complementado por contextos tipo ‘open-ended’
para que el sujeto sea codigoalfabetizado de manera completa.
Con estas conclusiones parciales, damos por finalizada la evaluación principal sobre el curso ‘K-8
Intro to Computer Science’. Ahora damos paso a una evaluación complementaria, de mucha menor
profundidad, que confiamos sirva para contextualizar mejor las anteriores conclusiones.
494
7.2. Evaluación complementaria: el curso ‘K-5 Computer Science Fundamentals (Course 2)’
de Code.org
7.2.1. Antecedentes
El currículum ‘K-5 Computer Science Fundamentals’ 407 es una adaptación del ‘K-8 Intro to
Computer Science’, que propone Code.org para sujetos ‘elementary school’ (equivalente a nuestro
1º-5º Primaria). El K-5 está compuesto internamente por cuatro cursos: ‘Course 1’ 408 (diseñado para
niños de Primaria pre-lectores), ‘Course 2’ 409, ‘Course 3’ 410 y ‘Course 4’ 411 (éstos últimos diseñados
para niños de Primaria ya con habilidades lectoras).
Para la realización del ‘Course 3’ se recomienda haber realizado previamente el ‘Course 2’; y para la
realización del ‘Course 4’ se recomienda haber realizado previamente el ‘Course 3’. Por tanto, para
la implantación que aquí presentamos y evaluamos, circunscrita a último ciclo de Primaria, se optó
por focalizarnos en el ‘Course 2’.
El itinerario curricular del K-5 (‘Course 2’) se estructura de manera análoga al que ya vimos para el
K-8: una mezcla de etapas ‘on-line’ y ‘unplugged’, diseñadas para ser cubiertas en una sesión de
clase cada etapa, que se van alternando hasta completar el itinerario. En concreto, el K-5 se compone
de un total de 19 etapas: 11 etapas ‘on-line’ y 8 etapas ‘unplugged’. Las etapas ‘on-line’ están a su
vez internamente compuestas por ‘niveles-pantallas’, a modo de retos-puzles de ‘coding’ que el
alumno debe resolver; resultando un total de 151 ‘niveles-pantallas’ en el K-5 (‘Course 2’). En la
siguiente Tabla 7.63 se resume la estructura y contenido del mismo (Code.org, 2015d, p. 88-89)
Tabla 7.63. Estructura y contenido del itinerario curricular del K-5 (‘Course 2’)
Tipo de
# Nombre de la Etapa Descripción
Etapa
‘Graph Paper
Programming’ Los alumnos escriben un algoritmo (un conjunto de instrucciones)
1 ‘Unplugged’ utilizando un conjunto predefinido de órdenes, con el objetivo de
(‘Programación con conseguir que sus compañeros reproduzcan un dibujo.
papel cuadriculado’)
‘Real-Life Algorithms’ Esta etapa llama la atención acerca de cómo utilizamos los algoritmos en
(‘Algoritmos de la vida la vida cotidiana (p.e. instrucciones para construir un avión de papel)
2 ‘Unplugged’
real: Aviones de También aborda el lugar de los algoritmos dentro del conjunto de las
papel’) Ciencias de la Computación.
‘Maze: Sequence’ Los estudiantes escriben programas (algoritmos destinados a un

ordenador) que llevan a un personaje a través de un laberinto.
3 (‘El Laberinto: ‘On-line’
Comprenderán la importancia de secuenciar las instrucciones en los
secuencias’) programas que escriben.
‘Artist: Sequence’
4 (‘El Artista: ‘On-line’ Los estudiantes escriben programas para dibujar distintas líneas y formas.
secuencias’)
407
Más información en: https://code.org/educate/k5
408
409
410
411
495
Tipo de
Etapa
‘Getting Loopy’ Esta etapa introduce el concepto computacional de los ‘bucles’

(instrucciones repetidas) a través de una actividad de baile. Los
5 (‘Volviéndonos ‘Unplugged’
estudiantes aprenderán una coreografía sencilla y serán instruidos para
bucles’) repetirla.
‘Maze: Loops’ Los estudiantes escriben programas en el entorno ‘Laberinto’, utilizando
6 ‘On-line’
(‘El Laberinto: bucles) bucles.
Los estudiantes escriben programas para dibujar diferentes formas, al
‘Artist: Loops’ tiempo que identifican patrones en su código. Aprenderán sobre el
7 ‘On-line’
(‘El Artista: bucles’) concepto computacional de ‘bucle’ (instrucciones repetidas), que puede
ser usado para hacer sus programas más eficientes.
‘Bee: Loops’ Los estudiantes escriben programas en el entorno ‘La Abeja’, utilizando
8 ‘On-line’
(‘La Abeja: bucles’) bucles.
‘Relay programming’ Los estudiantes corren una carrera de relevos, en la cual van escribiendo
9 (‘Programación por ‘Unplugged’ progresivamente un algoritmo que reproduce una imagen en un papel
relevos’) cuadriculado.
‘Bee: Debugging’ A los estudiantes se les presenta un programa ya escrito que contiene
10 (‘La Abeja: ‘On-line’ algún error para completar el puzle. Los estudiantes deben ‘depurar’ (=
depuración’) arreglar) el programa dado para que funcione correctamente.
‘Artist: Debugging’ A los estudiantes se les presenta un programa ya escrito que falla al tratar
11 (‘El Artista: ‘On-line’ de crear un diseño geométrico dado. Los estudiantes deben depurar el
depuración) programa para que funcione correctamente.
‘Conditionals’ Para aprender qué son las sentencias condicionales, los estudiantes juegan
12 ‘Unplugged’ a las cartas y generan reglas como “Si saco una carta roja, yo obtengo un
(‘Condicionales’) punto” y “Si saco una carta negra, tú obtienes un punto”
‘Bee: Conditionals’
Los estudiantes escriben programas en el entorno ‘La Abeja’, utilizando
13 (‘La Abeja: ‘On-line’
sentencias condicionales.
condicionales’)
Los estudiantes hacen pulseras de abalorios a partir de una plantilla de
‘Binary Bracelets’ papel, que es una representación en código binario de la inicial de su
14 ‘Unplugged’
(‘Pulseras binarias’) nombre. Los estudiantes aprenden que un mismo conjunto de datos puede
ser representado en más de una manera.
Se introduce a los estudiantes en el concepto computacional de ‘eventos’,
‘The Big Event’ que son las acciones cuyo estado es vigilado constantemente por el
15 ‘Unplugged’ ordenador. El profesor pulsará botones sobre un control remoto falso (de
(‘El gran evento’) juguete), y los estudiantes tendrán que gritar distintas frases dependiendo
del botón pulsado.
‘Flappy’ Aplicando el concepto computacional de ‘eventos’, los estudiantes

16 ‘On-line’ crearán su propio juego con eventos del tipo “Cuando se clica el ratón, el
(‘Flappy’) pájaro aletea” y “Cuando el pájaro toca el suelo, el juego se acaba”
‘Play Lab: Create a
Story’ Los estudiantes emplean todos los conceptos computacionales aprendidos
17 (‘Laboratorio de ‘On-line’ a lo largo del itinerario curricular, para crear una narración digital,
Juegos: Crea una personalizada e interactiva.
historia’)
‘Your Digital Los profesores introducen a los estudiantes acerca de cómo el hecho de
18 Footprint’ ‘Unplugged’ subir información personal a la red, genera una huella digital o ‘traza’,
(‘Tu huella digital’) que tiene consecuencias.
496
Tipo de
Etapa
‘Artist: Nested Loops’
Los estudiantes escriben programas que dibujan bellos patrones,
19 (‘El Artista: bucles ‘On-line’
utilizando bucles anidados.
anidados’)
La implantación típica del K-5 (‘Course 2’) en el aula, al igual que el K-8, es de 2 etapas semanales;
por tanto, el itinerario curricular completo suele llevar alrededor de 10 semanas lectivas (en conjunto,
un trimestre escolar). También hay que señalar que el currículum K-5 fue desarrollado por Code.org
con posterioridad al K-8, y ya da respuesta a una de las principales críticas a la que fue sometido éste
último: el déficit de creatividad. Para ello, el K-5 incluye explícitamente el concepto computacional
de ‘control de eventos’ (etapa 15), que es aplicado para la creación de juegos (etapa 16) y de
narraciones digitales interactivas (etapa 17).
7.2.2. Hipótesis específicas
En este apartado 7.2 estamos abordando el objetivo general O5 [‘Evaluar el programa-curso ‘K-5
(Course 2)’, desde el marco fijado por nuestras hipótesis directivas de investigación’]. Así pues, las
hipótesis específicas, que enunciaremos a continuación, están enmarcadas en las hipótesis directivas
que fijamos en el apartado 2.6 de la parte teórica:
 En el marco de la hipótesis directiva de adecuación, nos planteamos la siguiente hipótesis

específica:
• H5a: La aptitud ‘pensamiento computacional’ de los estudiantes mejora del momento

anterior al posterior de realización del K-5 (‘Course 2’)
 En el marco de la hipótesis directiva de viabilidad, nos planteamos la siguiente hipótesis

específica:
• H5b: Más del 50% de los estudiantes completan al menos el 80% de los 151 niveles-
pantallas ‘on-line’ que componen el K-5 (‘Course 2’)
En este estudio, de menor profundidad, no nos planteamos ninguna hipótesis específica en la

directiva de relevancia.
7.2.3. Método
Aplicamos metodologías distintas, aunque complementarias entre sí, en función del tipo de hipótesis
específica sometida a contraste:
 La hipótesis específica enunciada en el marco de la directiva de adecuación es contrastada a

través de un diseño pre-experimental de un solo grupo con pretest y postest (Colás y
Buendía, 1992); que sólo incluye grupo de tratamiento (no hay grupo de control)
 La hipótesis específica enunciada en el marco de la directiva de viabilidad es contrastada a

través de una metodología descriptivo-cuantitativa, apoyada en indicadores objetivos de
seguimiento (‘tracking’) del curso K-5 (Code.org, 2015b)
497
7.2.3.1. Muestra
Para esta investigación contamos con un total de 51 sujetos, todos ellos alumnos del centro privado
Yago School 412 de Sevilla. De ellos, hay 33 alumnos (64,7%) de 5º de Primaria, y 18 alumnos
(35,3%) de 6º de Primaria. Hay 23 chicos (45,1%) frente a 28 chicas (54,9%). Todos ellos son
sujetos experimentales (no hay sujetos control) que realizan el K-5 (‘Course 2’) a través de un
dispositivo móvil tipo tableta (un iPad por cada alumno), a lo largo del 2º trimestre del curso
2014/2015 durante la clase obligatoria de TIC que imparte el centro (2 horas semanales)
El procedimiento de muestreo es no probabilístico e intencional. El centro contacta con este

doctorando tras su comunicación en el ‘I Simposio Internacional Mobile Learning’ celebrado en
Córdoba en marzo de 2014 (Román-González, 2014c)
Para el contraste de la hipótesis específica H5a sobre la aptitud ‘pensamiento computacional’

utilizamos nuestro Test de Pensamiento Computacional (TPC) (Román-González, 2014i); dado que
en su proceso previo de validación, expuesto en el Capítulo 6, se incluye también población escolar
de 5º y 6º de Primaria.
Para el contraste de la hipótesis específica H5b se descargan los datos de seguimiento (‘tracking’) de
los estudiantes relativos a su desempeño en el K-5 (‘Course 2’) (‘niveles superados’ y ‘líneas de
código escritas’), que proporciona la plataforma de Code.org.
En la primavera de 2014, tras la comunicación presentada por el doctorando al ‘I Simposio

Internacional Mobile Learning’ (Román-González, 2014c), el centro privado Yago School se
muestra interesado en realizar una implantación piloto de un currículum de ‘coding’ en sus grupos de
Primaria. Durante el 1º trimestre del curso 2014/2015 se acuerda con la coordinadora TIC de
Primaria la implantación piloto del K-5 (‘Course 2’) de Code.org, a lo largo del 2º trimestre del
curso, en todos los grupos de 5º y 6º de Primaria del centro (2 grupos de 5º, más 1 grupo de 6º).
Todos los grupos serán, por tanto, grupos experimentales (no hay grupos de control). La
implantación se realiza en el contexto de la clase obligatoria de TIC (2 horas semanales) que oferta el
centro; lo cual supone un enriquecimiento curricular en aula ordinaria sobre codigoalfabetización y
desarrollo del pensamiento computacional.
Justo al comienzo del 2º trimestre, antes de arrancar con el K-5 (‘Course 2’), se realizan las medidas
psicométricas en situación pretest con nuestro TPC en todos los grupos experimentales 413.
Análogamente, justo al finalizar el 2º trimestre, una vez realizado el K-5 (‘Course 2’) se realizan las
medidas psicométricas en situación postest con nuestro TPC, y se descargan las estadísticas de
seguimiento (‘tracking’) con el desempeño en el K-5 de los estudiantes. En la siguiente Figura 7.20
412
http://yagoschool.com/
413
Adicionalmente, en estos grupos se tomaron en situación pretest medidas con el BFQ-NA. Estos datos fueron
utilizados para la validación criterial concurrente del TPC que se presentó en el Capítulo 6 (sub-epígrafe 6.5.2.3.1.1);
pero no para la evaluación del K-5 (‘Course 2’), que ahora nos ocupa.
498
se diagrama el diseño de investigación seguido: diseño pre-experimental de un solo grupo con

pretest y postest (Colás y Buendía, 1992)
Ge: O1___________________________K-5 (‘Course 2’)______________________________O2
Donde:
Ge: Grupos Experimentales

O1: Medidas pretest
O2: Medidas postest
Figura 7.20. Diagrama del diseño pre-experimental seguido para la evaluación del K-5 (‘Course 2’)
Este tipo de diseño es más débil que el cuasi-experimental utilizado para la evaluación del curso K-8,
pues no permite asegurar que los cambios producidos entre el pretest y el postest sean debidos al K-5
(hay explicaciones alternativas plausibles no controladas en el diseño, como la maduración de los
sujetos o el efecto del entrenamiento con las pruebas). Por ello, la hipótesis específica H5a ha sido
enunciada en términos menos ambiciosos que su análoga de la evaluación K-8.
7.2.4. Resultados
Dando respuesta a la hipótesis específica H5a, en la Tabla 7.64 se detalla la prueba t de diferencia de
medias para muestras emparejadas entre el TPC (pretest) y el TPC (postest). Se encuentra una
diferencia estadísticamente muy significativa (t = -6,261; p(t) = 0,000 < 0,01), y de tamaño ‘grande’
(d = 0,80), a favor de la situación postest. Por tanto, se acepta la hipótesis específica H5a.
Tabla 7.64. Prueba t para muestras relacionadas en el TPC
N Media Desviación estándar r p(r) t p(t) d de Cohen

TPC (pre) 51 13,55 5,423
,581** ,000 -6,261** ,000 0,80
TPC (post) 51 18,00 5,657
Segmentando el análisis por curso académico, vemos que la diferencia de medias es muy
significativa en 5º de Primaria (p(t) = 0,000 < 0,01; d = 0,88), y sólo significativa en 6º Primaria (p(t)
= 0,020 < 0,05; d = 0,70). Se detalla en la siguiente Tabla 7.65.
Tabla 7.65. Prueba t para muestras relacionadas en el TPC, segmentada por curso académico
N Media Desviación estándar r p(r) t p(t) d de Cohen

TPC (pre) 33 12,79 5,110
5º Primaria ,727** ,000 -6,819** ,000 0,88
TPC (post) 33 17,39 5,379
TPC (pre) 18 14,94 5,846
6º Primaria ,341 ,166 -2,570* ,020 0,70
TPC (post) 18 19,11 6,135
* Significativo al nivel p < 0,05
Dando respuesta a la hipótesis específica H5b, en la Tabla 7.66 se detallan las estadísticas de
‘niveles-pantallas’ completados por los sujetos experimentales en la plataforma Code.org. Según
decíamos algo más arriba, el K-5 (‘Course 2’) está compuesto por 151 ‘niveles-pantallas’; por tanto,
499
el punto de corte para nuestra decisión estadística se sitúa en 0,8*151 = 120 ‘niveles-pantallas’
superados. Tal y como puede observarse en la Tabla 7.66, más del 50% de los estudiantes completan
al menos el 80% de los 151 niveles-pantallas ‘on-line’ que componen el K-5 (‘Course 2’) (Mediana
= 134 > 120); por tanto, se acepta la hipótesis específica H5b. Segmentando por curso académico,
comprobamos que la hipótesis se cumple en 6º Primaria, no así en 5º de Primaria. Adicionalmente,
comprobamos que hay aproximadamente un 15% de la muestra total que supera los 151 ‘niveles-
pantallas’: son sujetos que, una vez completado el 100% de los niveles K-5 (‘Course 2’), hicieron
por su cuenta niveles adicionales en alguno de los otros entornos de programación que ofrece la
plataforma Code.org.
Tabla 7.66. Estadísticas de ‘niveles-pantallas’ completados en Code.org por los sujetos K-5
Niveles Completados [Code.org]

Muestra Total K-5 5º Primaria 6º Primaria
Válido 50 32 18
N
Perdidos 1 1 0
Media 120,80 109,28 141,28
Mediana 134,00 115,50 142,00
a
Moda 144 152 144
Desviación estándar 35,370 38,607 13,940
Asimetría -,994 -,464 -,109
Mínimo 33 33 106
Máximo 173 158 173
10 65,10 45,90 124,90
20 87,00 69,60 134,00
30 109,50 85,70 137,40
40 125,20 105,60 139,20
Percentiles 50 134,00 115,50 142,00
60 139,20 128,00 144,00
70 144,00 137,00 144,30
80 148,80 150,80 147,20
90 156,50 155,50 164,90
a. Existen múltiples modas. Se muestra el valor más pequeño.
Con respecto a la hipótesis H5a, en el marco de la directiva de adecuación, podemos concluir que:
 La aptitud ‘pensamiento computacional’ de los estudiantes mejora del momento anterior al

posterior de realización del K-5 (‘Course 2’); es decir, se acepta H5a. Ahora bien, dicha
mejora no puede atribuirse causalmente al K-5 (‘Course 2’) dado que el diseño no controla
posibles explicaciones alternativas, especialmente el efecto del entrenamiento con el TPC.
500
 Dicho lo anterior, y dado que el tamaño del efecto entre pretest-postest del TPC en los sujetos
K-5 es ‘grande’ (d = 0,80), y de magnitud similar al encontrado en los grupos experimentales
de la evaluación K-8 (d = 0,87) en donde sí se pudo probar la causalidad de dicho curso en la
mejora del pensamiento computacional de los estudiantes de Secundaria; es muy plausible
considerar que el K-5 ha ejercido una mejora análoga sobre los estudiantes de Primaria. En
cualquier caso, es una hipótesis que deberá ser sometida a contraste mediante el diseño cuasi-
experimental correspondiente.
 En este punto, consideramos de gran interés comparar los tamaños del efecto pretest-postest
con el TPC en los 4 tipos de sujetos en que se ha aplicado este par de medidas, a lo largo de
esta tesis doctoral; a saber: el grupo de sujetos experimentales K-8; el grupo de sujetos
control K-8 (que siguieron el currículum TIC tradicional); el grupo de sujetos experimentales
K-5; y el grupo de sujetos que participaron en la validación convergente del TPC con Dr.
Scratch (que trabajaron en la plataforma Scratch durante el intervalo pre-post). En los 4 tipos,
el intervalo de aplicación pretest-postest del TPC fue similar (10-12 semanas). En la Tabla
7.67 se muestran los tamaños del efecto, ordenados de mayor a menor.
Tabla 7.67. Comparación de los tamaños del efecto pre-post del TPC, en función del curso-programa seguido
Tamaño del efecto

Número Etapa educativa Contexto de aprendizaje
Currículum seguido pretest-postest con el
de sujetos de los sujetos del ‘coding’
TPC (d de Cohen)
K-8 de Code.org 332 Secundaria ‘Close-ended’ 0,87**
K-5 (‘Course 2’) de Code.org 51 Primaria ‘Close-ended’ 0,80**
Scratch 414 71 Secundaria ‘Open-ended’ 0,37**
TIC tradicional 54 Secundaria No se aprende ‘coding’ 0,30**
** La prueba t para muestras emparejadas pretest-postest resultó significativa al nivel p(t) < 0,01
Tal y como puede verse en la tabla anterior (y Figura 7.21) los tamaños del efecto pretest-
postest con el TPC son mayores tras un aprendizaje del ‘coding’ en contextos ‘close-ended’,
que tras un aprendizaje del ‘coding’ en un contexto ‘open-ended’; y mayor en éste último que
tras un aprendizaje TIC tradicional (que no incluye el ‘coding’ en sus contenidos). Estos
resultados son consistentes, dado que los contextos ‘close-ended’ trabajan sistemáticamente
los conceptos computacionales, de manera que sirven de entrenamiento para una prueba de
elección múltiple como el TPC. Cabe entonces preguntarse si es que la plataforma Code.org
promueve el pensamiento computacional en mayor medida que la plataforma Scratch; o si,
más bien, el TPC es una medida de pensamiento computacional más sensible al aprendizaje
realizado en contextos como Code.org (‘close-ended’) que al realizado en contextos como
Scratch (‘open-ended’). Dada esta posible dependencia del TPC con respecto al tipo de
contexto de aprendizaje del ‘coding’, parece aconsejable que, para futuras evaluaciones de
programas de codigoalfabetización y desarrollo del pensamiento computacional, se utilicen,
junto al TPC, otros instrumentos de medida (p.e. Dr. Scratch o Tareas Bebras).
414
No se siguió estrictamente ningún currículum estructurado-sistemático con Scratch, aunque sí se aconsejo utilizar la
guía ‘Creative Computing’ (Brennan, Balch, & Chung, 2014)
501
Figura 7.21. Comparación de las medias TPC pretest-postest, en función del curso-programa seguido
Con respecto a la hipótesis específica H5b, en el marco de la directiva de viabilidad, podemos

concluir que:
 La implantación del K-5 (‘Course 2’) parece globalmente viable en último ciclo de
Educación Primaria, dado que, en nuestra evaluación, más del 50% de los estudiantes
completan al menos el 80% de los 151 niveles-pantallas ‘on-line’ que componen el curso (H5b
aceptada). Ahora bien, si dicha viabilidad parece garantizada en 6º Primaria, ofrece algunas
dudas en 5º de Primaria, en donde la mediana de ‘niveles-pantallas’ completados no llegó al
punto de corte establecido.
 Finalmente, cabe destacar que vuelve a aparecer una cola derecha en la distribución de
‘niveles-pantallas’ completados, correspondiente aproximadamente a un 15% de sujetos, que
traspasan el techo fijado por el K-5 (‘Course 2’) para adentrarse por su cuenta en otros
entornos de programación que ofrece la plataforma Code.org. En este sentido, valoramos
muy positivamente las virtudes de este tipo de plataformas para permitir un avance, acaso sin
límite, de los sujetos por sucesivos grados de dominio.
Para finalizar este capítulo, pasamos a dar cuenta del tercer sub-estudio, éste centrado en un par de
casos de sujetos con ‘alta capacidad computacional’, que esperamos sirva para cerrar el (amplio)
círculo abierto al comienzo de esta tesis.
7.3. Estudio de casos de alta capacidad computacional en el curso ‘Computer Programming’

de Khan Academy
7.3.1. Antecedentes
El curso ‘Computer Programming’ 415 (Khan Academy, 2015) y, en particular, su módulo ‘Intro to
JS: Drawing & Animation’ 416, ya fueron descritos en el Capítulo 1 de esta tesis doctoral (epígrafe
415
416
https://www.khanacademy.org/computing/computer-programming/programming
502
1.2.1) como ejemplos de contextos de codigoalfabetización especialmente indicados para los más
capaces. Baste aquí recordar que el módulo ‘Intro to JS: Drawing & Animation’ está compuesto por
un itinerario formativo perfectamente delimitado en el que se distinguen 3 tipos de elementos:
tutoriales de vídeo, tutoriales de ‘consola de programación interactiva’, y retos de programación.
Los tutoriales de vídeo son piezas audiovisuales alojadas en el canal de Khan Academy en YouTube;
mientras que los tutoriales de ‘consola de programación interactiva’ son simulaciones en el mismo
entorno que utilizará el estudiante para sus retos y proyectos de programación, que reproducen cómo
ir utilizando los distintos comandos y parámetros del lenguaje de programación textual ‘JavaScript
& ProcessingJS’
Precisamente, la principal diferencia del curso ‘Computer Programming’ (Khan Academy, 2015)
respecto de los anteriormente evaluados K-8 (Code.org, 2015a) y K-5 (Code.org, 2015b) es que éstos
últimos funcionan con lenguajes de programación visuales por bloques, mientras que aquél lo hace
ya con lenguajes de programación textuales. Ello hace del curso ‘Computer Programming’ un
entorno de aprendizaje a priori indicado para los sujetos computacionalmente más capaces de primer
ciclo de la ESO que puedan y quieran avanzar hacia niveles superiores de codigoalfabetización
(Severance, 2015).
7.3.2. Objetivos específicos
En este apartado 7.3 estamos abordando el objetivo general O6 [‘Estudiar casos de sujetos con alta
capacidad computacional en el contexto del programa-curso ‘Computer Programming’; desde el
marco fijado por nuestras hipótesis directivas de investigación’]. Así pues, los objetivos específicos,
que enunciaremos a continuación, están enmarcados en las hipótesis directivas que fijamos en el
apartado 2.6 de la parte teórica:
 En el marco de la hipótesis directiva de adecuación, nos planteamos el siguiente objetivo

específico:
• O6a: Describir las medidas psicométricas de los sujetos-casos de ‘alta capacidad

computacional’
 En el marco de la hipótesis directiva de viabilidad, nos planteamos el siguiente objetivo

específico:
• O6b: Describir el nivel de desempeño de los sujetos-casos de ‘alta capacidad

computacional’ en el módulo ‘Intro to JS: Drawing & Animation’ del curso
‘Computer Programming’
 En el marco de la hipótesis directiva de relevancia, nos planteamos el siguiente objetivo

específico:
• O6c: Describir los productos de programación realizados por los sujetos-casos de ‘alta
capacidad computacional’ en el módulo ‘Intro to JS: Drawing & Animation’ del curso
503
7.3.3. Método
Este tercer sub-estudio sigue una metodología de estudio de casos múltiples (García Llamas, 2003) o
estudio de caso, múltiple (Montero & León, 2007); apoyado en medidas de distinto tipo en función
del objetivo específico abordado.
7.3.3.1. Muestra
Tal y como ya se justificó en el Capítulo 6 (sub-epígrafe 6.5.2.3.2, sobre la validez discriminante del
TPC), los sujetos-casos de ‘alta capacidad computacional’ son extraídos a partir de los grupos de
clase que realizaron el curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) mediante una
metodología ‘self-paced’ (‘autoguiada’ por el ritmo de cada sujeto); metodología que permitió
emerger y manifestarse a la ‘alta capacidad computacional’.
Más concretamente, los sujetos categorizados como de ‘alta capacidad computacional’ son aquéllos
que completaron el curso K-8 a un ritmo notablemente más rápido que sus compañeros de aula, y
solicitaron acelerar al curso de nivel superior que nos ocupa, el ‘Computer Programming’ (Khan
Academy, 2015). Atendiendo a este criterio, se detectaron 7 sujetos de ‘alta capacidad
computacional’: 2 del IES María Blasco y 5 del IES Andreu Sempere, todos ellos varones de 1º
Ciclo de la ESO. Finalmente, sólo se obtuvo acceso y seguimiento de la actividad en el curso
‘Computer Programming’ de los dos sujetos del IES María Blasco (dos varones de 1º ESO), que
forman la muestra final para este estudio de casos.
Para el objetivo específico O6a nos servimos de las medidas psicométricas aplicadas a los dos
sujetos-casos en el marco de la evaluación cuasi-experimental del K-8, a saber, el TPC y el RP30, ya
descritos anteriormente en esta tesis doctoral (sub-epígrafe 6.5.1.2). Para el objetivo específico O6b
se descargan los datos de seguimiento (‘tracking’) aportados por la plataforma Khan Academy, sobre
el módulo ‘Intro to JS: Drawing & Animation’ del curso ‘Computer Programming’. Para el objetivo
específico O6c se analiza uno de los proyectos realizados por cada uno de los sujetos-casos, que
fueron compartidos en la galería pública de código de Khan Academy.
Mediado el 2º trimestre del curso 2014/2015, en el marco de la implantación experimental del curso
K-8 en el grupo de 1º ESO del IES María Blasco, que sigue una metodología ‘self-paced’ (los
alumnos pueden avanzar por el curso tan rápido como su capacidad y motivación se lo permite, tanto
en el aula como en casa); su profesora 417 nos comunica que hay 2 alumnos que han completado los
98 ‘niveles-pantallas’ del K-8 en apenas un par de semanas (cuando el tiempo estimado para ello es
de, al menos, ocho semanas). La profesora nos solicita alguna sugerencia para que esos dos alumnos
puedan avanzar hacia un currículum de nivel superior, que ya incluya el aprendizaje de algún
417
Se da la circunstancia de que esta persona, además de ejercer docencia en Secundaria, es profesora en la Universidad
de Alicante en el Departamento de Ciencias de la Computación e Inteligencia Artificial. Este particular influyó
notablemente en su sensibilidad para promover la alta capacidad computacional en su grupo de clase.
504
lenguaje de programación textual, y entonces les proponemos cursar el módulo ‘Intro to JS: Drawing
& Animation’ del curso ‘Computer Programming’ (Khan Academy, 2015).
Tanto profesora como alumnos aceptan. Creamos entonces un aula virtual asociada al módulo ‘Intro
to JS: Drawing & Animation’ en la plataforma Khan Academy, y damos de alta en la misma a los
dos sujetos-casos para poder monitorizar su progreso. Durante el resto del 2º trimestre, los dos
sujetos-casos fueron avanzando por el módulo según una metodología ‘flipped classroom’: en su
casa visualizaban los vídeos y tutoriales, y durante la hora de clase realizaban los retos y proyectos
de programación pudiendo solicitar la ayuda de la profesora (sin perjuicio de poder igualmente
continuar en su domicilio).
7.3.4. Resultados
Abordando el objetivo O6a, en la Tabla 7.68 se detallan las puntuaciones, tanto directas (Pd) como
percentiles 418 (Pc), de los dos sujetos-casos en las pruebas psicométricas que se les aplicaron durante
la evaluación cuasi-experimental del K-8.
Tabla 7.68. Puntuaciones directas y percentiles de los dos sujetos-casos de alta capacidad computacional en TPC y RP30
Test de Pensamiento Computacional (TPC) Test de Resolución de Problemas (RP30)

pretest postest pretest postest
Pd Pc Pd Pc Pd Pc Pd Pc
Caso 1 27 100 27 99 42 61 50 76
Caso 2 26 99 28 100 36 44 45 59
Tal y como puede observarse en la tabla anterior, los dos sujetos-casos se sitúan en el extremo
superior de la distribución en el TPC (Pc ≥ 99), tanto en pretest como en postest. Sin embargo, en el
RP30 se sitúan ‘sólo’ en percentiles medio-altos (44 ≤ Pc ≤ 76). Por otro lado, mientras que en el
TPC prácticamente ya tocaron ‘techo’ en situación pretest (recordemos que el máximo posible en el
TPC es Pd = 28), alcanzando dicho ‘techo’ el Caso 2 en postest; en el RP30, con más margen de
mejora, ambos sujetos-casos progresaron del pre al post.
Abordando el objetivo O6b, en la siguiente Tabla 7.69 se detalla el resumen de datos de seguimiento
(‘tracking’) que aporta la plataforma Khan Academy sobre la actividad de aprendizaje de los dos
sujetos-casos en el módulo ‘Intro to JS: Drawing & Animation’ del curso ‘Computer Programming’
Tabla 7.69. Estadísticas de seguimiento (‘tracking’) de los dos sujetos-casos en el módulo ‘Intro to JS: Drawing &
Animation’ del curso ‘Computer Programming’
Tiempo utilizado en visualización Tiempo utilizado en ejercicios y Insignias digitales Puntos

de videos y tutoriales (en minutos) retos (en minutos) (‘badges’) ganadas conseguidos
Caso 1 169,45 795,01 16 95222
Caso 2 393,41 155,81 13 78005
Tal y como puede observarse en la tabla anterior, aunque ambos casos comparten la etiqueta de
‘sujetos de alta capacidad computacional’ y la metodología ‘flipped classroom’, luego presentan un
418
Todos los percentiles están referidos a las muestras de 1º ESO en las que se aplicaron el TPC y/o RP30,
respectivamente en situación pretest y postest de la evaluación cuasi-experimental del K-8.
505
estilo distinto de uso de la plataforma de aprendizaje. Así, mientras que el Caso 1 emplea en realizar
ejercicios y retos casi cinco veces más de tiempo que en visualizar videos y tutoriales (un estilo
diríamos más activo); el Caso 2 presenta un patrón inverso, empleando más del doble de tiempo en
videos y tutoriales que en ejercicios y retos (un estilo diríamos más reflexivo).
Adicionalmente, se pueden obtener gráficas detalladas de la actividad y progreso de cada estudiante

a lo largo del tiempo. Por ejemplo, en la Figura 7.22 se muestra la gráfica detallada del Caso 1. Tal y
como podemos observar, dicha gráfica muestra en el eje de abscisas el periodo temporal analizado, y
en el eje de ordenadas el tiempo en minutos empleado en la plataforma cada día de dicho periodo;
sobre la gráfica se muestra información detallada sobre videos y tutoriales visionados por el
aprendiz, proyectos y retos superados, ‘badges’ y puntos conseguidos.
Figura 7.22. Gráfica detallada del progreso del Caso 1 en el módulo ‘Intro to JS: Drawing & Animation’ del curso
Tal y como puede verse en la anterior Figura 7.22, la gráfica del Caso 1 registra su actividad en la
plataforma en un periodo temporal que va desde el 1 de febrero al 30 de junio de 2015. Se detectan
claramente dos franjas de actividad: una, a la izquierda, que abarca del 1 de febrero al 15 de marzo
(coincidiendo con la segunda mitad del 2º trimestre escolar, en el cual el Caso 1 estuvo realizando el
módulo ‘Intro to JS: Drawing & Animation’ mientras sus compañeros ‘normales’ de aula ordinaria
acababan el K-8); y otra, a la derecha, que abarca del 1 de mayo al 15 de junio (en la que el Caso 1
siguió avanzando por el módulo de manera independiente al contexto escolar).
En la Figura 7.23, presentamos la gráfica de actividad del Caso 2 correspondiente al mismo periodo
temporal (del 1 de febrero al 30 de junio de 2015). Tal y como puede observarse, la actividad del
Caso 2 se concentra casi exclusivamente en la segunda mitad del 2º trimestre escolar (a la izquierda
de la gráfica); no apareciendo posteriormente casi ningún rastro de actividad del Caso 2 en la
plataforma.
506
Figura 7.23. Gráfica detallada del progreso del Caso 2 en el módulo ‘Intro to JS: Drawing & Animation’ del curso
Abordando el objetivo O6c, en la Figura 7.24 se ilustra uno de los productos-proyectos 419 de
programación publicados por el Caso 1 en la galería de código de Khan Academy. Tal y como puede
observarse en la figura, el Caso 1 ha sido capaz de escribir un programa de 10 líneas de código en
lenguaje textual ‘JavaScript & ProcessingJS’ que incluye: definición inicial de tres variables
[posición inicial del centro del círculo en el eje x (‘xPos’), posición inicial del centro del círculo en el
eje y (‘yPos’), y radio inicial del círculo (‘e’)]; una función (‘function’) que incluye dichos
parámetros-variables, además de los códigos RGB de color del fondo (‘background’) y de color del
círculo (‘fill’); y un bucle que repite indefinidamente esta función (‘draw’ = ‘function’) con un
incremento del radio del círculo (‘e+=1’) en cada iteración. Tal y como puede intuirse, al ejecutar el
programa se genera el efecto animado de que el círculo se va acercando al espectador
(recomendamos vivamente visualizar el programa en acción, pinchando sobre enlace al pie de figura)
Figura 7.24. Programa escrito por el Caso 1 en el módulo ‘Intro to JS: Drawing & Animation’ del curso ‘Computer
Programming’ [Recuperado de https://www.khanacademy.org/computer-programming/spin-off-of-project-shooting-
star/6674640557309952]
419
Ver en https://www.khanacademy.org/computer-programming/spin-off-of-project-shooting-star/6674640557309952
507
En la Figura 7.25, se ilustra uno de los productos-proyectos 420 de programación publicados por el
Caso 2 en la galería de código de Khan Academy. Tal y como puede observarse en la figura, el Caso
2 ha sido capaz de escribir un programa de casi 20 líneas de código en lenguaje textual ‘JavaScript &
ProcessingJS’ que incluye: definición inicial de dos variables [ángulo en el que comienza el arco
(‘wing’), y ángulo en el que finaliza el arco (‘wing2’)]; una función (‘function’) que incluye dichos
parámetros-variables, además de los códigos RGB de color del fondo (‘background’), de color de las
figura (‘fill’), y de posición y tamaño de texto (‘text’); y un bucle que repite indefinidamente esta
función (‘draw’ = ‘function’) con una variación del ángulo en que comienza y finaliza el arco
(‘wing--’, ‘wing2--‘) en cada iteración. Tal y como puede intuirse, al ejecutar el programa se genera
el efecto animado de que el plátano tiene una rueda que le gira encima, a modo de pelador
(recomendamos vivamente visualizar el programa en acción, pinchando sobre el enlace al pie de la
figura)
Figura 7.25. Programa escrito por el Caso 2 en el módulo ‘Intro to JS: Drawing & Animation’ del curso ‘Computer
Programming’ [Recuperado de https://www.khanacademy.org/computer-programming/spin-off-of-project-ad-
design/5915228372729856]
Antes de entrar a concluir acerca de cada uno de los objetivos específicos del estudio de casos,
merece discusión el hecho de que todos los sujetos categorizados como de ‘alta capacidad
computacional’ son varones (tanto los 5 del IES Andreu Sempere como los 2 del IES María Blasco
que han protagonizado finalmente este estudio de casos). Es decir, una vez implantado el curso K-8
(Code.org, 2015a) en el aula ordinaria (lo cual supone un enriquecimiento curricular en
codigoalfabetización y desarrollo del pensamiento computacional para todos los alumnos 421) y
mediante metodología ‘self-paced’ (lo que permite que el talento computacional aflore); entonces
emergen 7 sujetos, todos varones, que pueden y quieren acelerar hacia un entorno de programación
de nivel superior. Decimos ‘pueden y quieren’ porque dicho desequilibrio de género no es sólo
explicable por las posibles diferencias globales en la aptitud ‘pensamiento computacional’ a favor de
420
Ver en https://www.khanacademy.org/computer-programming/spin-off-of-project-ad-design/5915228372729856
421
Todos los alumnos que cursan la asignatura optativa de Informática
508
los chicos (que en el estudio de la psicometría general del TPC arrojaron un tamaño ‘pequeño’ d =
0,22 en el conjunto de la muestra de 1º Ciclo de la ESO a favor del grupo masculino).
Así, por ejemplo, en el mismo grupo de clase del que hemos extraído nuestros dos sujetos-casos
varones, encontramos dos chicas que en el pretest del TPC obtuvieron una Pd = 26 (Pc = 99), que es
la misma puntuación que el Caso 2 (ver más arriba Tabla 7.68). Sin embargo, ninguna de ellas
solicitó acelerar al curso de nivel superior ‘Computer Programming’ (Khan Academy, 2015). Estos
hechos son consistentes con cierta literatura en el área de las altas capacidades, ya comentada en el
Capítulo 1, que informa de cómo la aceleración es un modelo desestimado en ocasiones
diferencialmente por las chicas de alta capacidad frente a sus homólogos masculinos (Crombie,
Bouffard-Bouchard, & Schneider, 1992). Ello también es consistente con los resultados encontrados
en la evaluación del K-8 que informan de un nivel significativamente menor de motivación en las
chicas para seguir aprendiendo ‘coding’ tras dicho curso; y consistente con otros estudios que
afirman que las chicas de alta capacidad son menos proclives al aprendizaje en entornos ‘on-line’
que sus iguales masculinos (Yang et al., 2011).
Ahora sí, con respecto al objetivo específico O6a, en el marco de la directiva de adecuación,
podemos concluir que:
 Cuando descendemos a nivel de sujeto, específicamente a 2 casos etiquetados como de ‘alta

capacidad computacional’, se comprueba que el TPC tiene una buena potencia diagnóstica
para detectar dichos casos (conclusión a la que ya llegamos tras los resultados del sub-
epígrafe 6.5.2.3.2, sobre la validez discriminante del TPC). No ocurre así con otro
instrumento ya conocido como el RP30 que, aunque globalmente arroja una alta correlación
positiva con el TPC (recordemos, r = + 0,669), al descender a la escala de sujeto no llega a
detectar la ‘alta capacidad computacional’. Estos resultados van en la línea de las
afirmaciones de Siegle (2004) en lo relativo a que el talento digital puede no ser detectado
por pruebas diagnósticas habituales de inteligencia y/o resolución de problemas. Todo ello es
una nueva evidencia de la necesidad de contar con un instrumento como el TPC, que sirva
para la medida específica del pensamiento computacional. Y es que el pensamiento
computacional no deja de ser una operacionalización de un constructo más amplio, como la
inteligencia digital, de la que se ha venido apuntando su relativa independencia respecto de
otras inteligencias ‘clásicas’, como la lógico-matemática o la lingüística (Battro & Denham,
2007)
Con respecto al objetivo específico O6b, en el marco de la directiva de viabilidad, podemos concluir
que:
 Tanto el Caso 1 como el Caso 2 presentan actividad y progreso en la plataforma Khan

Academy a lo largo del módulo ‘Intro to JS: Drawing & Animation’ del curso ‘Computer
Programming’. El Caso 1 registra algo más de 16 horas de trabajo en la plataforma, mientras
que el Caso 2 registra casi 10 horas.
 Sin embargo, aunque ambos sujetos-casos comparten etiqueta de ‘alta capacidad

computacional’ y metodología ‘flipped classroom’ para la realización del módulo ‘Intro to
JS: Drawing & Animation’; su estilo de aprendizaje y uso de la plataforma es completamente
509
distinto. El Caso 1 presenta un estilo más activo e independiente: emplea la mayor parte del
tiempo en retos y ejercicios, y sigue con el curso más allá de la temporalización escolar. El
Caso 2 presenta un estilo más reflexivo y dependiente: emplea la mayor parte del tiempo en
videos y tutoriales, y una vez finalizada la temporalización escolar relacionada con el curso,
no prosigue con el mismo por su cuenta. Ello es evidencia de:
o La heterogeneidad interna del grupo de ‘alta capacidad computacional’ en lo que a

estilo de aprendizaje ‘on-line’ se refiere.
o La versatilidad de plataformas como Khan Academy para adaptarse a los estilos

individuales, posibilitando que el aprendizaje rompa las barreras del espacio-tiempo
escolar. Por fin, el sujeto de alta capacidad no se encuentra limitado a la
estructuración de tiempos y contenidos fijados por el profesor y/o por el currículo
oficial.
Con respecto al objetivo específico O6c, en el marco de la directiva de relevancia, podemos concluir
que:
 Ambos sujetos-casos, de 12 años de edad (1º ESO), son capaces de escribir (y compartir) un
programa informático en lenguaje textual ‘JavaScript & ProcessingJS’ utilizando conceptos
computacionales avanzados como las funciones con parámetros-variables insertas en bucles
indefinidos.
 Con ello, ambos sujetos-casos superan de largo el techo que fijamos en el diseño del TPC
para estas edades (lectoescritura con lenguajes visuales ‘por bloques’, llegando hasta el
concepto computacional de ‘funciones simples’); y se alinean con los estándares de
codigoalfabetización fijados aproximadamente para final de 3º ESO tanto por el currículum
británico (UK Department of Education, 2013) como por el de la Comunidad de Madrid
(DECRETO 48/2015), que ya incluyen los lenguajes textuales y las funciones con
parámetros-variables. Dicho de otra manera, nuestros dos sujetos-casos han acelerado
aproximadamente el equivalente a dos cursos.
510
CAPÍTULO 8
CONCLUSIONES, IMPLICACIONES, LIMITACIONES Y

SUGERENCIAS
8.1. Conclusiones
Al final de cada uno de los tres estudios empíricos de esta tesis doctoral, ya se discutieron los
correspondientes resultados y se procedió a enunciar unas conclusiones parciales, muy detalladas,
referidas a los objetivos específicos respectivos de cada estudio. Así:
 En el apartado 5.5 se enuncian las conclusiones parciales relativas a los objetivos específicos
abordados en el primer estudio (O1* y O2*)
 En el apartado 6.6 se enuncian las conclusiones parciales relativas a los objetivos específicos
abordados en el segundo estudio (O3*)
 Con respecto al tercer estudio, compuesto a su vez por tres sub-estudios:
o En el epígrafe 7.1.5 se enuncian las conclusiones parciales relativas a los objetivos

específicos, formulados como hipótesis específicas, abordados en el primer sub-
estudio (H4*)

específicos, formulados como hipótesis específicas, abordados en el segundo sub-
estudio (H5*)

específicos abordados en el tercer sub-estudio (O6*)
De manera análoga, a continuación vamos a proceder a enunciar las conclusiones finales, de carácter
necesariamente sintético, que estarán referidas a cada uno de los seis objetivos generales de esta tesis
doctoral. Para facilitar su posterior comunicación y defensa, se procederá a enunciar las conclusiones
finales numerándolas de manera correlativa.
8.1.1. Con respecto al primer objetivo general
Objetivo 1 (O1): Describir el impacto del evento ‘La Hora del Código’ (a partir de ahora,
ediciones: HoC-2013 y HoC-2014.
Primera: Se evidencia un fortísimo crecimiento del evento ‘La Hora del Código’ en España, con un
número de centros educativos registrados en el mismo que se multiplica por cinco entre 2013 y 2014
(y por quince entre 2013 y 2015) en nuestro país.
Volver al índice
Segunda: Aceptando ‘La Hora del Código’ como un evento indicador de los procesos de
codigoalfabetización en España, se puede afirmar que la codigoalfabetización irrumpe en España en
2013 por la zona Este de la península de la mano de centros privados y concertados multietapa, con
especial incidencia en Secundaria; posteriormente, en 2014 la codigoalfabetización se extiende hacia
el Centro y Noroeste de la península, con la incorporación del sector público y la etapa de Primaria.
8.1.2. Con respecto al segundo objetivo general
Objetivo 2 (O2): Explorar evidencias empíricas en dicho evento ‘HoC’ que den apoyo y
fundamento a nuestras hipótesis directivas de investigación, ya enunciadas en el apartado 2.6 de
esta tesis.
Tercera: Los profesores responsables de ‘La Hora del Código’ en España consideran que: el
‘coding’ es adecuado para el desarrollo de un amplio abanico de aptitudes y habilidades
(principalmente razonamiento lógico y resolución de problemas, pero también aptitudes espaciales,
atencionales, de motivación e iniciativa, creatividad o trabajo en equipo); que el ‘coding’ es
adecuado para todo tipo de alumnos, independientemente de su edad, género o capacidad; y que el
‘coding’ es adecuado para atender a la diversidad del alumnado dado la flexibilidad y autonomía que
ofrecen sus recursos de aprendizaje.
Cuarta: Los profesores responsables de ‘La Hora del Código’ en España están de acuerdo en señalar
la viabilidad del aprendizaje del ‘coding’: con los lenguajes visuales ‘por flechas’ para Educación
Infantil y comienzos de Educación Primaria; con los lenguajes visuales ‘por bloques’ para finales de
Educación Primaria y comienzos de Educación Secundaria; y con los lenguajes ‘textuales’ para
finales de Educación Secundaria, Bachillerato y Formación Profesional.
Quinta: Los profesores responsables de ‘La Hora del Código’ en España declaran que es viable
introducir a los estudiantes en el ‘coding’ a través de una actividad de 1 hora, consiguiendo:
despertar la curiosidad del alumnado para proseguir con un aprendizaje del ‘coding’ más profundo;
mostrar a la comunidad educativa la accesibilidad de la programación informática para todo tipo de
alumnos; y desmitificar la dificultad extrema del ‘coding’. Según estos mismos profesores, ello es
posible dadas algunas características de los tutoriales ‘on-line’ que ofrece ‘La Hora del Código’:
tutoriales gamificados, accesibles y adaptables, basados en su mayoría en lenguajes visuales de
programación, que ofrecen feed-back inmediato al alumno y mantienen alto su nivel de motivación y
percepción de autoeficacia subsiguiente; así como le permiten publicar y compartir los proyectos de
código realizados.
Sexta: Los profesores responsables de ‘La Hora del Código’ en España informan unánimemente de
un excelente caldo de cultivo en la comunidad educativa para celebrar el evento: muchos apoyos y
casi ninguna resistencia. Hay una asunción colectiva y mayoritaria de padres, madres, estudiantes,
equipos directivos y profesorado, de la importancia de la programación informática o ‘coding’ como
habilidad digital clave en el siglo XXI. Dado este ambiente de receptividad al evento, y la posibilidad
de escalar fácilmente los recursos de aprendizaje del ‘coding’, es viable organizar ‘La Hora del
Código’ a nivel de todo un centro educativo.
512
Séptima: Los profesores responsables de ‘La Hora del Código’ en España están de acuerdo en
señalar la relevancia del aprendizaje del ‘coding’ para el futuro de sus estudiantes, como ciudadanos
y como profesionales digitales del siglo XXI.
Octava: Los profesores responsables de ‘La Hora del Código’ en España señalan cierta casuística y
anecdotario entre sus estudiantes durante la celebración del evento; siendo las más recurrentes:
estudiantes que muestran un talento especial en tareas de ‘coding’ y que no necesariamente destacan
en otras áreas curriculares; sujetos o grupos habitualmente disruptivos que muestran atención
sostenida y perseverancia en tareas de ‘coding’; chicas inicialmente con prejuicios negativos
alrededor del ‘coding’ que se ven confrontadas ante la posibilidad real de iniciar su
codigoalfabetización; y la buena acogida de los estudiantes de la metodología ‘pair programming’.
Novena: Algo más de la mitad de los estudiantes participantes en ‘La Hora del Código’ (53,0%)
declara haber oído hablar de la programación informática o ‘coding’ con anterioridad al evento; y
algo menos de la mitad (43,0%) declara tener experiencia previa en ‘coding’ con anterioridad al
mismo. Los porcentajes se van incrementando consistentemente a lo largo de las distintas etapas
educativas.
Décima: Los lenguajes de programación con los que un mayor porcentaje de estudiantes declara
haber tenido experiencia previa a ‘La Hora del Código’ son: HTML (14,02%), Scratch (12,03%),
JavaScript (9,63%), CSS (4,45%), Python (3,61%), Lightbot (2,77%) y Blockly (2,17%). Se observa
una clara trayectoria evolutiva en el uso de los lenguajes: los lenguajes visuales encuentran su mayor
uso en Primaria (Lightbot, ‘visual por flechas’) y en Secundaria (Scratch y Blockly, ‘visuales por
bloques’); los ‘pseudolenguajes’ textuales de etiquetas y estilo (HTML y CSS) tienen su mayor uso
en el Bachillerato; y los lenguajes textuales ‘puros’ (JavaScript y Python) encuentran su mayor uso
en la Formación Profesional.
Undécima: Los estudiantes participantes en ‘La Hora del Código’ perciben que el ‘coding’
contribuye a desarrollar sus aptitudes y habilidades. Esta percepción se organiza alrededor de tres
componentes principales, relativamente independientes entre sí: 1) un componente principal o ‘el
acto de programar en sí’ que aglutina dos subcomponentes: uno cognitivo (‘pensamiento lógico’ y
‘resolución de problemas’) y otro motivacional-atencional (‘persistencia-perseverancia’ y ‘capacidad
de atención’); 2) un componente de menor peso, relativo a la carga creativa del ‘entorno-tarea de
programación’ (‘close-ended’ vs. ‘open-ended’); 3) y un último componente, relativo al carga
colaborativa de la ‘metodología de programación’ utilizada en el aula (‘single programming’ vs.
‘pair programming’).
Duodécima: Globalmente, el evento ‘La Hora del Código’ logra su objetivo de desmitificar la
dificultad del ‘coding’ (un 70,2% de los participantes declara que se les da bien o muy bien, tras la
experiencia); y de motivar a los estudiantes a proseguir con un aprendizaje más profundo del
‘coding’ tras el evento (un 60,2% de los participantes dice estar bastante o muy motivado para ello).
Además, 8 de cada 10 estudiantes declaran su determinación a seguir aprendiendo ‘coding’ a través
de entornos autoguiados ‘on-line’. Así pues, la mayoría de los estudiantes participantes en ‘La Hora
del Código’ entran en un círculo motivacional virtuoso en ‘coding’ tras el evento: buena percepción
de autoeficacia, buena motivación, y buena determinación a la acción.
513
Decimotercera: Las variables que mejor explican la motivación por proseguir con el aprendizaje del
‘coding’ tras ‘La Hora del Código’ son: la autoeficacia percibida en ‘coding’ tras la actividad, la
percepción de que el ‘coding’ contribuye a desarrollar la creatividad y la resolución de problemas; y,
en sentido inverso, la etapa educativa del estudiante. En síntesis, para promover una alta motivación
de los estudiantes en continuar aprendiendo ‘coding’ es crítico plantear tareas que sean capaces de
acometer con éxito y que les planteen problemas significativos que puedan abordarse desde un plano
creativo; ello parece estar sucediendo más adecuadamente en Primaria que en Secundaria.
Decimocuarta: Las variables que mejor explican la determinación a seguir aprendiendo ‘coding’ tras
‘La Hora del Código’ a través de entornos autoguiados ‘on-line’ son, además de la autoeficacia y la
motivación: la experiencia previa en ‘coding’ del estudiante y su percepción de que éste contribuye
al desarrollo del pensamiento lógico. En síntesis, el perfil más específico del estudiante que se
declara proclive al aprendizaje del ‘coding on-line’ autoguiado, es el de un sujeto que ya ha tenido
contacto con la programación informática y que es especialmente sensible a sus aspectos formales-
lógicos.
Decimoquinta: Existe una correlación significativa entre tener experiencia previa en ‘coding’ y el
rendimiento académico informado por los estudiantes participantes en ‘La Hora del Código’;
especialmente en las asignaturas de Tecnología/Informática y Matemáticas. Además, dicha
correlación es más fuerte en el colectivo masculino. Así, el tener contacto con la programación
informática podría estar funcionando como catalizador del buen rendimiento académico,
especialmente en las asignaturas más afines y con un efecto acelerador especialmente intenso entre
los chicos (las chicas tienden a rendir alto en cualquier caso).
Decimosexta: Las plataformas de aprendizaje del ‘coding’ más conocidas por los estudiantes
participantes en ‘La Hora del Código’ son: Code.org y Scratch, con una alta penetración que se sitúa
en el orden del 30-40% del total de estudiantes; Light-Bot, App Inventor, Khan Academy,
Codecademy, Tynker, Blockly y CodeHS, con una penetración moderada en el orden del 5-10%; y c)
el resto de plataformas-tutoriales, con una baja penetración que no llega al 1% sobre el total de
estudiantes.
Decimoséptima: Una amplia mayoría de los estudiantes participantes en ‘La Hora del Código’
afirma la relevancia del ‘coding’, tanto para su futuro personal (87,6%) como profesional (82,1%).
Las razones que aportan para sustentar dicha información son consistentes con los mensajes lanzados
desde el evento, y giran alrededor de aspectos sociológicos (‘el coding como respuesta a un mundo-
sociedad tecnológico y digital), utilitarios (‘el coding como herramienta para conseguir beneficios
personales y profesionales’), y de desarrollo (‘el coding como potenciador de una mente lógica y
solucionadora de problemas). Es preocupante la escasa frecuencia de aparición de razones de tipo
expresivo-comunicativas (‘el coding como vía de expresión a través de la creación de objetos
digitales’), emotivas (‘el coding como fuente de diversión y satisfacción’), o críticas (‘el coding
como elemento de empoderamiento y alfabetización crítica en la sociedad digital; programar para
evitar ser programado’).
Decimoctava: Globalmente, parece que los tutoriales de Code.org, en el contexto de ‘La Hora del
Código’, ofrecen ventajas respecto a los de Scratch. Este hecho es consistente con el diseño de los
514
tutoriales de Code.org, muy orientados a la solución progresiva de puzles breves de programación,

en un entorno gamificado y con feed-back inmediato que consigue, en sólo 1 hora, elevar la
sensación de competencia y motivación a corto plazo del aprendiz; mientras que Scratch se orienta a
la creación de proyectos abiertos a través del código, exigiendo procesos de aprendizaje más largos
(y, al principio del proceso, bastante dirigidos por el docente).
Decimonovena: Para finalizar las conclusiones relativas a ‘La Hora del Código’, desde una
perspectiva de género, se evidencia una brecha progresiva en lo referente al ‘coding’: es leve en
Educación Primaria, emerge a partir de Educación Secundaria, y se agranda aún más en Bachillerato;
hasta el punto de que, en el nivel máximo de codigoalfabetización o lectoescritura con lenguajes
textuales ‘puros’, el factor de género es 2,5-3 veces superior en chicos. Esta brecha de género tiene,
al menos, tres aspectos: 1) las chicas están menos expuestas que los chicos a la idea del ‘coding’, y
se atreven menos a probarlo; 2) las chicas se sienten menos autoeficaces que los chicos tras la
actividad introductoria de ‘coding’; 3) y las chicas se sienten menos determinadas que los chicos a
proseguir el aprendizaje del ‘coding’; especialmente si éste se realiza en entornos autoguiados ‘on-
line’. En síntesis, es necesario trabajar por la equidad de género en lo que a la codigoalfabetización
se refiere; lo retomamos en el apartado de implicaciones.
8.1.3. Con respecto al tercer objetivo general
Objetivo 3 (O3): Diseñar y validar un instrumento que mida el nivel de desarrollo del
pensamiento computacional, o ‘Test de Pensamiento Computacional’ (TPC), en población
escolar española de primer ciclo de la Educación Secundaria Obligatoria (1º ESO – 2º ESO).
Vigésima: Globalmente, se ha conseguido diseñar y validar un test de 28 ítems de longitud, el ‘Test

de Pensamiento Computacional’ (TPC), que mide el nivel de desarrollo del pensamiento
computacional, fundamentalmente en población escolar española de primer ciclo de la Educación
Secundaria Obligatoria (1º ESO – 2º ESO), con extensiones hacia tercer ciclo de Primaria y segundo
ciclo de Secundaria. Para ello se han seguido las indicaciones metodológicas de Buffum et al. (2015)
para la construcción de instrumentos de medida en el área de las Ciencias de la Computación en
edades ‘middle school’, indicaciones a su vez alineadas con los estándares para la medición
psicoeducativa de la AERA, la APA, y la NCME (AERA, APA, & NCME, 2014).
Vigesimoprimera: El TPC presenta una adecuada validez de contenido. Los conceptos

computacionales que constituyen el dominio del TPC: están alineados con los estándares de
aprendizaje fijados por la CSTA para la educación en Ciencias de la Computación en edades ‘middle
school’ (CSTA, 2011); son consistentes con los conceptos computacionales medidos por otros
instrumentos de similares características recientemente diseñados en Alemania (Mühling, Ruf, &
Hubwieser, 2015) o Estados Unidos (Weintrop & Wilensky, 2015a); y han sido validados a través
del juicio de una veintena de expertos de nuestro país.
Vigesimosegunda: El TPC presenta una adecuada validez aparente. Se ha conseguido virtualizar-

digitalizar el TPC de manera que éste sea accesible desde cualquier dispositivo electrónico fijo o
móvil con conexión a Internet. Así, el TPC presenta una adecuada legibilidad y navegabilidad,
siendo los sujetos de la población objetivo capaces de: acceder al TPC a partir del enlace URL que se
515
les proporciona; leer y comprender autónomamente las instrucciones y ejemplos; navegar a lo largo
del TPC; y emitir las correspondientes respuestas, enviándolas a su conclusión.
Vigesimotercera: Se ha conseguido aplicar el TPC sobre una muestra representativa a nivel nacional
y de tamaño suficiente. En concreto, se ha acumulado una muestra de 1.251 sujetos, de los cuales
735 (58,8%) corresponden al foco central del instrumento (1º y 2º de la ESO). Los sujetos proceden
de un total de 24 centros educativos distintos, ubicados en 7 provincias diferentes.
Vigesimocuarta: El TPC presenta, en general, unos índices psicométricos adecuados. Así, las
puntuaciones totales en el TPC: se distribuyen con un ajuste notable a la curva normal y de manera
simétrica alrededor de la media, que se sitúa muy cerca del punto medio de la escala; presentan una
buena variabilidad, lo que permite la construcción de baremos adecuados para las poblaciones de
referencia; se incrementan de manera significativa según avanzamos en ciclo educativo y curso
académico. Todo ello apoya la afirmación de que el TPC es una prueba de competencia cognitiva.
Vigesimoquinta: Globalmente, el TPC está compuesto por ítems adecuados. Así, los 28 ítems del
TPC arrojan, de valor promedio: un índice de dificultad en el intervalo 0,40–0,60 (dificultad
adecuada para la población objetivo); una correlación ítem-total > 0,30 (adecuada homogeneidad
interna); y un índice de discriminación > 0,30. El análisis en detalle de cada uno de los 28 ítems del
TPC en los indicadores anteriores, revela tres claros candidatos a ser eliminados en futuras versiones
mejoradas del instrumento: ítems 12, 15 y 23.
Vigesimosexta: El TPC presenta una adecuada fiabilidad. Su fiabilidad como consistencia interna es
buena (α ≈ 0,80), incrementándose cuando el TPC es aplicado sobre dispositivos móviles tipo
tableta. (p.e. α ≈ 0,84 en aplicaciones sobre tableta en primer ciclo de la ESO). Su fiabilidad como
como estabilidad temporal es igualmente aceptable (ρxx ≈ 0,70).
Vigesimoséptima: El TPC presenta una adecuada validez criterial concurrente. Así, el TPC
correlaciona concurrentemente con medidas estandarizadas de razonamiento lógico, aptitud espacial
y resolución de problemas; esta terna de correlaciones es consistente con las recientes formulaciones
del constructo ‘pensamiento computacional’ de Ambrosio et al. (2014), que lo relacionan con los
factores Gf (‘Fluid reasoning’), Gv (‘Visual processing’), y Gsm (‘Short-term memory’) del modelo
de inteligencia Cattell-Horn-Carroll (CHC) (McGrew, 2009). Adicionalmente, la dimensión de
personalidad que correlaciona más intensamente con el TPC, es la denominada ‘Apertura’
(dimensión vinculada con aspectos intelectuales); ello es nueva evidencia de la naturaleza
fundamentalmente cognitiva de la medida del TPC.
Vigesimoctava: El modelo de regresión de las aptitudes mentales primarias sobre el TPC explica un
27,0% de su varianza; mientras que el modelo de regresión de las dimensiones de personalidad sobre
el TPC (construido de manera independiente al anterior) explica un 24,1% de su varianza. Ello nos
lleva a concluir: que el TPC es una medida fundamentalmente cognitiva, pero también sensible a las
dimensiones de personalidad (consistentemente con algunas definiciones del pensamiento
computacional que incorporan aspectos actitudinales); y que el TPC tiene un amplio porcentaje de
varianza específica, no explicable por otras medidas estandarizas de aptitud o personalidad, que nos
lleva a concluir sobre la plausible especificidad del pensamiento computacional como constructo
psicopedagógico con entidad propia.
516
Vigesimonovena: El TPC presenta una adecuada validez criterial predictiva. En concreto, el TPC se
muestra válido: para predecir el rendimiento académico en la asignatura de Informática, siempre que
el currículum seguido en ésta sea de codigoalfabetización y desarrollo del pensamiento
computacional; y para predecir el nivel de desempeño objetivo de los sujetos en plataformas de
aprendizaje del ‘coding’ como Code.org, en especial si los sujetos siguen una metodología
autoguiada ‘self-paced’ (a su propio ritmo). En este sentido, concluimos que la metodología ‘self-
paced’ tiende a equiparar en mayor medida potencial computacional a rendimiento computacional,
que la metodología ‘teacher-paced’ (ritmo homogéneo fijado por el profesor).
Trigésima: El TPC presenta una adecuada validez discriminante sobre la ‘alta capacidad
computacional’, definida ésta como propia de los sujetos que solicitan acelerar a entornos de
codigoalfabetización de nivel superior (concretamente en primer ciclo de la ESO, acelerar desde
entornos con lenguajes de programación visuales por bloques hacia entornos con lenguajes
textuales). Puntuaciones ≥ 25 en situación pretest con el TPC en primer ciclo de la ESO son
especialmente discriminantes de sujetos con ‘alta capacidad computacional’.
Trigesimoprimera: El TPC presenta una adecuada validez convergente con otras medidas
alternativas del pensamiento computacional. En concreto, el TPC correlaciona con Tareas Bebras
que implican pensamiento lógico-condicional y pensamiento algorítmico; no así con Tareas Bebras
que implican pensamiento paralelo (ello consistente con la ausencia de ítems de ‘paralelización’ en el
TPC). Igualmente, el TPC correlaciona con Dr. Scratch, tanto de manera predictiva como
concurrente. En conjunto, los valores de validez convergente son algo inferiores de lo deseable (r ≈
0,5 < 0,7); pero explicables dada la distinta orientación de los instrumentos: TPC (medida
aptitudinal-diagnóstica), Tareas Bebras (medida competencial, de transferencia), Dr. Scratch (medida
formativa-iterativa de proyectos de ‘coding’). Se concluye la bondad y necesidad del uso
complementario de las tres medidas.
Trigesimosegunda: El TPC presenta una validez factorial adecuada, aunque no concluyente. Se

encuentra una estructura factorial mixta, que combina un factor común (representado por la
subescala ‘Común-Principal’), con 3 factores específicos (representados por las subescalas
‘Secuencias y Bucles’, ‘Funciones’ y ‘Condicionales’) relativamente independientes entre sí
(correlaciones r ≈ +0,3 entre las subescalas específicas). Dicha combinación compone la versión
reducida TPC-R (20 ítems), que posee varias ventajas psicométricas respecto del TPC (28 ítems):
menor longitud y menor tiempo de aplicación; fiabilidad similar; cuatro puntuaciones derivadas de
las cuatro sub-escalas; eliminación de los ítems 12, 15 y 23 (detectados como débiles en el análisis
de ítems); y mejor comportamiento con respecto a los criterios de validez concurrente (p.e. con el
TPC-R emerge la correlación con la aptitud perceptivo-atencional y se difumina la correlación no
esperada con la dimensión ‘Extraversión’ de personalidad).
Trigesimotercera: Para finalizar las conclusiones relativas al TPC, y desde una perspectiva de
género; el rendimiento en el TPC de los chicos es superior al de las chicas (d = 0,31). Ello es
consistente con la carga lógica y, sobre todo, espacial del TPC. Dicho rendimiento diferencial en el
TPC a favor del colectivo masculino se incrementa a medida que avanzamos en ciclo educativo, y
sólo es estadísticamente significativo de primer ciclo de la ESO en adelante; por tanto, se concluye
una brecha de género progresiva en lo que a nivel de desarrollo del pensamiento computacional se
517
refiere. Esta brecha constituye una potencial amenaza a la equidad de género en lo relativo a la
medida del emergente constructo del pensamiento computacional. Lo retomamos en el apartado de
implicaciones.
8.1.4. Con respecto al cuarto objetivo general
Objetivo 4 (O4): Evaluar el programa-curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a),
desde el marco fijado por nuestras hipótesis directivas de investigación, ya enunciadas en el
apartado 2.6 de esta tesis.
Trigesimocuarta: En comparación con el currículum TIC tradicional, el curso ‘K-8 Intro to

Computer Science’ (Code.org, 2015a) mejora significativamente el pensamiento computacional de
los estudiantes, medido a través del TPC; esta mejora se produce tanto en primer como en segundo
ciclo de la ESO, y tanto en chicos como en chicas. Ello constituye una evidencia adicional de la
validez discriminante del TPC, para diferenciar entre sujetos que han o no han seguido un curso-
programa específico de codigoalfabetización y desarrollo del pensamiento computacional.
Trigesimoquinta: En comparación con el currículum TIC tradicional, el curso ‘K-8 Intro to

Computer Science’ (Code.org, 2015a) no mejora significativamente ninguna de las otras variables
aptitudinales de los estudiantes. Aunque sí se encuentran indicios que señalan la plausibilidad de que,
en futuras replicaciones con muestras de mayor tamaño, se puedan producir mejoras atribuibles al
curso K-8 en razonamiento lógico, resolución de problemas y control de la impulsividad.
Trigesimosexta: Así, globalmente, se concluye que el K-8 presenta una adecuación restringida:
produce mejoras específicas en pensamiento computacional, pero no en otras variables aptitudinales
clásicas.
Trigesimoséptima: Globalmente, los profesores señalan la viabilidad, en términos de implantación,

del curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) en aulas ordinarias de 1º y 2º ciclo de
la ESO (asignatura optativa de Informática). Así, en más del 50% de aulas de implantación: se
dedican 8 o más semanas lectivas al K-8, y se imparten el 80% o más de las etapas que componen el
mismo. Las estadísticas de desempeño objetivo (‘tracking’) de los estudiantes en el curso confirman
dicha viabilidad, ya que más del 50% de los estudiantes completan al menos el 80% de los niveles-
pantallas ‘on-line’ que componen el curso K-8.
Trigesimoctava: Globalmente, los profesores señalan la viabilidad, en términos de satisfacción, del

curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a): hay unanimidad entre los profesores sobre
impartir de nuevo el K-8 el siguiente curso académico; valoran en alto grado el aprendizaje realizado
por los estudiantes y manifiestan una alta satisfacción con el curso. Los estudiantes confirman esta
viabilidad, en términos de satisfacción, dado que, al terminar el K-8, también manifiestan alto grado
en: percepción de autoeficacia en ‘coding’, motivación por continuar aprendiendo ‘coding’, y
satisfacción global.
Trigesimonovena: Globalmente, los estudiantes afirman la relevancia del aprendizaje del ‘coding’
tras el curso ‘K-8 Intro to Computer Science’ (Code.org, 2015a) para su formación como ciudadanos
518
del siglo XXI. Sin embargo, las razones que manifiestan los estudiantes para sustentar dicha
afirmación son de corte fundamentalmente utilitarista, sociológico y de desarrollo; y en mucha
menor medida esgrimen razones expresivo-comunicativas, emocionales o críticas. Se concluye que
los contextos ‘close-ended’ de aprendizaje del ‘coding’, como el K-8, son limitados en cuanto a la
perspectiva final que generan en los sujetos sobre la relevancia de la codigoalfabetización en la
sociedad actual; siendo necesario, por tanto, su complemento con otros contextos ‘open-ended’ o
‘hardware-driven’.
Cuadragésima: Para finalizar con las conclusiones relativas al curso ‘K-8 Intro to Computer
Science’ (Code.org, 2015a), y desde una perspectiva de género; se concluye la ausencia de
diferencias entre chicos y chicas en desempeño objetivo (‘tracking’) durante el curso. Sin embargo,
aparecen niveles de motivación y satisfacción global significativamente menores entre las chicas tras
su finalización; lo que nos lleva a concluir sobre la necesidad de diversificar los entornos de
aprendizaje del ‘coding’ para cubrir los gustos y necesidades de ambos géneros. Lo retomamos en el
apartado de implicaciones.
8.1.5. Con respecto al quinto objetivo general
Objetivo 5 (O5): Evaluar el programa-curso ‘K-5 Computer Science Fundamentals (Course 2)’
(Code.org, 2015b), desde el marco fijado por nuestras hipótesis directivas de investigación, ya
enunciadas en el apartado 2.6 de esta tesis.
Cuadragesimoprimera: El pensamiento computacional de los estudiantes de tercer ciclo de

Educación Primaria, medido a través del TPC, mejora significativamente entre el inicio y el final del
curso ‘K-5 Computer Science Fundamentals (Course 2)’ (Code.org, 2015b). Aunque dicha mejora
no es atribuible causalmente al curso K-5 dadas las debilidades del diseño pre-experimental
utilizado, la magnitud del tamaño del efecto pre-post (d ≈ 0,80; grande y similar al encontrado con el
curso K-8) nos lleva a concluir que dicha relación causal es plausible; algo que debe ser replicado y
que nos permitirá afirmar con seguridad la adecuación del K-5.
Cuadragesimosegunda: Al comparar la magnitud de los tamaños del efecto pre-post en

pensamiento computacional, medido a través del TPC, entre los distintos cursos-programas, se puede
concluir que: las mejoras en pensamiento computacional son mayores tras aprendizajes del ‘coding’
en contextos estructurados ‘close-ended’ (cursos K-8 o K-5), que tras lo propio en contextos abiertos
‘open-ended’ (Scratch); y mayores en estos últimos que tras el seguimiento de un currículum TIC
tradicional (que no incluye ‘coding’). Esta relativa dependencia de la sensibilidad del TPC para
detectar mejoras en pensamiento computacional en función del tipo de contexto de aprendizaje del
‘coding’ seguido (‘close-ended’ vs. ‘open-ended’) nos lleva a concluir la necesidad de su uso
complementario con otros instrumentos de medida, como las Tareas Bebras o Dr. Scratch, para
futuras evaluaciones de programas de codigoalfabetización y desarrollo del pensamiento
computacional.
Cuadragesimotercera: Globalmente, se concluye la viabilidad, en términos de implantación, del

curso ‘K-5 Computer Science Fundamentals (Course 2)’ (Code.org, 2015b) en tercer ciclo de
519
Educación Primaria, ya que más del 50% de los estudiantes completan al menos el 80% de los
niveles-pantallas ‘on-line’ que componen el curso.
8.1.6. Con respecto al sexto objetivo general
Objetivo 6 (O6): Estudiar casos de sujetos con alta capacidad computacional en el contexto del
programa-curso ‘Computer Programming’ (Khan Academy, 2015); desde el marco fijado por
nuestras hipótesis directivas de investigación, ya enunciadas en el apartado 2.6 de esta tesis.
Cuadragesimocuarta: Los casos de alta capacidad computacional son detectados adecuadamente a

través del TPC; no así por otros instrumentos de medida sobre constructos próximos, como el test de
resolución de problemas RP30. Ello nos lleva a concluir sobre la relativa independencia del talento
computacional respecto de otros talentos cercanos; y, por tanto, sobre la necesidad de contar con
instrumentos de medida específicos para el pensamiento computacional.
Cuadragesimoquinta: En las aulas de primer ciclo de la ESO que abordan la codigoalfabetización

desde una metodología ‘self-paced’, emergen sujetos de alta capacidad computacional que pueden y
quieren acelerar hacia contextos ‘on-line’ de codigoalfabetización superior; desde entornos con
lenguajes visuales por bloques (Code.org) hacia entornos con lenguajes textuales (Khan Academy), y
mediante un esquema ‘flipped classroom’. Ahora bien, se evidencia heterogeneidad interna entre los
sujetos de alta capacidad computacional en lo que a estilo de uso-aprendizaje de la plataforma Khan
Academy se refiere (estilo activo ≈ pocos videos-tutoriales, muchos retos-ejercicios vs. estilo
reflexivo ≈ muchos videos-tutoriales, pocos retos-ejercicios)
Cuadragesimosexta: Sujetos de alta capacidad computacional de 1º ESO, que aceleraron hacia

contextos ‘on-line’ de codigoalfabetización superior (Khan Academy), son capaces de escribir
programas informáticos en lenguajes textuales (JavaScript & Processing JS) que involucran
conceptos computacionales complejos como funciones con parámetros-variables insertas en bucles
indefinidos. Ello supone, de hecho, una aceleración de dos cursos académicos si tomamos de
referencia los recientes currículums en computación de Reino Unido y de la Comunidad de Madrid.
Cuadragesimoséptima: Para finalizar las conclusiones respecto del sexto objetivo general, y desde
una perspectiva de género; se evidencian resistencias entre el colectivo femenino de mayor
capacidad computacional de primer ciclo de la ESO para acelerar hacia contextos de
codigoalfabetización superior. Lo retomamos en el apartado de implicaciones.
8.2. Respuesta al problema general de investigación
Ahora ya estamos en condiciones de dar respuesta a nuestro problema general de investigación,

formulado allá por el Capítulo 2 de esta tesis doctoral (Figura 2.12): ¿es posible (adecuado y viable)
y deseable (relevante) introducir la codigoalfabetización en el sistema educativo español (Educación
Primaria y Secundaria)? Dadas las anteriores conclusiones, la respuesta es ‘sí’. Ello supondría un
enriquecimiento curricular del sistema en una triple dimensión: contenido, proceso y producto de
aprendizaje. Ahora bien, con las siguientes matizaciones:
520
 Introducir la codigoalfabetización en el sistema educativo español (Educación Primaria y

Secundaria) es adecuado. Pero se trata de una adecuación restringida (no indiscriminada): la
codigoalfabetización mejora aptitudes específicas como el pensamiento computacional, no así
otras aptitudes próximas de mayor tradición en la medición psicopedagógica.

Secundaria) es viable, tanto en términos de implantación como de satisfacción. Sin embargo,
esta viabilidad corre el riesgo de quedar descompensada en términos de género, favoreciendo
al colectivo masculino.

Secundaria) es relevante. Sin embargo, esta relevancia corre el riesgo de quedar restringida a
los aspectos más utilitarios y sociológicamente deterministas.
Las matizaciones anteriores, con los riesgos que se advierten, nos llevan a formular el siguiente
apartado de implicaciones; que cristaliza en una propuesta-modelo integral de codigoalfabetización y
desarrollo del pensamiento computacional desde una perspectiva holística, equitativa y diversa.
8.3. Implicaciones
8.3.1. En el marco de la directiva de adecuación
Dado que la inteligencia digital, en general, y el pensamiento computacional, en particular, parecen

tener especificidad propia y ser relativamente independientes de otras inteligencias y pensamientos
afines; es necesario seguir avanzando en una mejor definición de ambos constructos, así como en sus
instrumentos propios de medición.
Al volver sobre nuestra definición operativa de trabajo del pensamiento computacional, o ‘la
capacidad de formular y solucionar problemas apoyándose en los conceptos fundamentales de la
computación…’, parece evidente que, en el desarrollo del TPC, nos hemos centrado en un tipo
particular de problemas: problemas ‘close-ended’ con carga lógica y espacial. Este sesgo, que parece
favorecer a los chicos frente a las chicas, corre el riesgo de alimentar y mantener los estereotipos de
género en cuanto a la aptitud para la programación informática se refiere. En otras palabras, se nos
plantea el siguiente interrogante, al cual es fundamental dar respuesta ahora que encaramos los
primeros pasos en la definición-medición del emergente constructo del pensamiento computacional:
¿medimos lo que existe, o existe lo que medimos? ¿El pensamiento computacional es una aptitud
fundamentalmente masculina, o lo es debido a la forma (acaso sesgada) en que la estamos midiendo?
Ello nos impulsa a trabajar en sucesivas versiones del instrumento TPC que impliquen la proyección
del pensamiento computacional sobre un amplio abanico, más equitativo, de problemas: lógicos y
viso-espaciales, pero también narrativos o musicales.
Igualmente, dadas las limitaciones inherentes al TPC (medida aptitudinal-diagnóstica, excesivamente

centrada en conceptos computacionales proyectados sobre problemas lógicos y viso-espaciales, y con
cierto sesgo de género), recomendamos que la medida del pensamiento computacional y la
evaluación de los nuevos currículos de codigoalfabetización en Primaria y Secundaria, se apoyen en
un conjunto de instrumentos complementarios entre sí, a saber: el propio TPC, Tareas Bebras
521
(enfoque competencial y de transferencia del pensamiento computacional a problemas cotidianos y

significativos), y Dr. Scratch (enfoque iterativo-formativo sobre proyectos abiertos en Scratch).
8.3.2. En el marco de la directiva de viabilidad
La introducción de la codigoalfabetización en el sistema educativo (Educación Primaria y

Secundaria) es viable, tanto en términos de implantación como de satisfacción. Pero si dicha
implantación no se realiza de manera diversa (sobre temas diversos, en contextos diversos, y con
ritmos diversos), se corre el riesgo de que la codigoalfabetización quede sesgada a favor de unos
cuantos, predominantemente del colectivo masculino.
Así pues, la lectoescritura con código informático, y el pensamiento computacional subyacente,

debe: proyectarse sobre todo tipo de problemas 422 (simulaciones científicas computacionales,
narrativas computacionales, música computacional, diseños geométricos computacionales, etcétera);
mediante todo tipo de contextos de aprendizaje (problemas cerrados-determinados ‘close-ended’,
problemas o proyectos abiertos-indeterminados ‘open-ended’, y conexiones del código con el mundo
físico ‘hardware-driven’ que vayan más allá de la pantalla e incluyan el componente cinestésico); y
atendiendo todos los ritmos de aprendizaje, para que todos y cada uno de los estudiantes avancen
hacia las mayores cotas de codigoalfabetización posibles que su aptitud y motivación les permitan.
Por tanto, apostamos por ir avanzando hacia una codigoalfabetización que siga los principios
generales de equidad, excelencia y atención a la diversidad.
8.3.3. En el marco de la directiva de relevancia
Finalmente, debemos asegurar que los sujetos que se codigoalfabeticen en Primaria y Secundaria
interioricen durante el proceso que la lectoescritura de código no sólo les será útil para encontrar un
mejor trabajo o para controlar los artefactos digitales de los cuales (casi) inevitablemente estarán
rodeados; sino también para expresarse, para comunicarse, para divertirse, para ser ciudadanos
críticos en el ecosistema digital. Diríamos:
“Pensar computacionalmente no para pensar como ordenadores, sino precisamente para

poder seguir pensando (y expresando) como humanos en un mundo repleto de máquinas”
Todas estas implicaciones se sintetizan en la siguiente propuesta-modelo integral de

codigoalfabetización y desarrollo del pensamiento computacional en Primaria y Secundaria, desde
una perspectiva holística, equitativa y diversa (Figura 8.1).
422
De lo contratrio estaríamos limitando la codigoalfabetización a temas y contextos muy parciales, alimentando de
nuevo los estereotipos de género asociados al área de las Ciencias de la Computación. Haciendo una analogía con la
alfabetización analógica tradicional, es como si pretendiéramos abordar ésta solicitando a los sujetos que escribieran
textos exclusivamente sobre temas de interés predominantemente masculino (p.e. imaginemos que la alfabetización
analógica tradicional se basara exclusivamente en redacciones y dictados sobre rugby y béisbol) y luego nos
sorprendiéramos por la mayor aptitud y motivación de los chicos hacia la escritura. Así lo denuncian ya en nuestro país
algunas asociaciones en defensa de una codigoalfabetización equitativa como ‘Mujeres Tech’ [https://mujerestech.com/]
522
Figura 8.1. Modelo integral de codigoalfabetización y desarrollo del pensamiento computacional en Educación Primaria
y Secundaria
8.4. Limitaciones y sugerencias
En conjunto, consideramos que los tres estudios empíricos que aporta esta tesis doctoral gozan de
una alta validez externa: se acumulan muestras de gran tamaño y representativas a nivel nacional; y
tanto la aplicación de instrumentos como la implantación de los programas se realizan en contextos
naturales de aula ordinaria. En ese sentido, se estima que las conclusiones son fuertemente
susceptibles de extrapolación.
Por el contrario, y en aras de preservar dicha alta validez externa, se ha sacrificado cierto control de
variables extrañas tanto en la aplicación de instrumentos (p.e. el TPC fue aplicado en aula ordinaria
con la supervisión del profesor correspondiente, pero sin la presencia de un administrador externo)
como en la implantación de los programas (p.e. el K-8 fue implantado en múltiples IES, sin control
estricto de algunas variables como ‘años de experiencia del profesor’ u ‘hora del día’ en que se
523
acometía el mismo). Todo ello constituye una limitación a la validez interna de nuestros estudios
empíricos; y aconseja la replicación de partes concretas de los mismos a través de diseños más
controlados.
Igualmente, la orientación general de nuestros estudios empíricos ha sido de ‘datos masivos’:

acumular un gran número de aplicaciones del TPC para asegurar el estudio global de la fiabilidad y
la validez del instrumento; y extender la implantación del curso K-8 a múltiples centros educativos
con objeto de acumular grupos experimentales y de control de tamaño suficiente para la comparación
entre ambas condiciones. Por tanto, nos hemos focalizado, respectivamente, en el nivel de
‘constructo’ y en el nivel de ‘grupo’; y, sólo ligeramente, nos hemos acercado al nivel de ‘ítem’ y al
nivel de ‘sujeto’. Prestigiosos investigadores, tanto del ámbito de la medición de variables
intelectuales-cognitivas (Haier, 2014) como del ámbito de la evaluación de programas educativos
(Slavin, 2008), han señalado recientemente la necesidad de complementar ambos niveles de análisis
para no incurrir en insuficiencias y sesgos. Queda pendiente para futuras investigaciones.
En lo relativo a nuestro primer estudio, descriptivo-exploratorio sobre ‘La Hora del Código’ (HoC)
en España; éste parte de la premisa de que el evento HoC es el más representativo para estudiar el
fenómeno global de la codigoalfabetización en nuestro país. Debemos reconocer que hay otros
eventos, como la ‘CodeWeek’ 423 promovida por la Comisión Europea, que podrían haber gozado de
dicha consideración. Igualmente, dado que nuestra investigación sobre el evento ‘HoC’ está limitada
a sólo dos ediciones consecutivas (2013 y 2014), sugerimos extenderla sobre un periodo acumulado
total de, al menos, cinco años; que permita hacer una aproximación verdaderamente longitudinal al
fenómeno.
En lo relativo a nuestro segundo estudio, ya hemos venido señalando algunas limitaciones inherentes
al diseño y validación del ‘Test de Pensamiento Computacional’ (TPC): esencialmente, que es un
instrumento casi exclusivamente orientado a medir ‘conceptos computacionales’ (Brennan &
Resnick, 2012), a partir de la resolución de un tipo concreto de problemas (lógicos y viso-
espaciales), y focalizado en edades ‘middle school’. En ese sentido se sugiere trabajar en futuras
versiones del TPC que incluyan también ‘prácticas computacionales’ y ‘perspectivas
computacionales’ (Brennan & Resnick, 2012), todo ello proyectado sobre un abanico más amplio de
problemas (narrativos, musicales, etc…), y con extensiones hacia edades ‘elementary school’ y ‘high
school’. En cualquier caso, y mientras las anteriores sugerencias se van acometiendo, consideramos
que el actual estado del TPC es ya suficientemente fiable y válido como para permitir su traducción y
adaptación a otras lenguas 424 y culturas; lo cual haga posible realizar, próximamente, estudios
comparados de medición del pensamiento computacional entre escolares de distintos países.
En lo relativo a nuestro tercer estudio, la evaluación de programas acometida se ha focalizado sobre

contextos de aprendizaje esencialmente ‘close-ended’, como son los cursos K-8 y K-5 de Code.org.
Queda pendiente mucha investigación evaluativa sobre programas basados en contextos ‘open-
ended’ y ‘hardware-driven’; y especialmente sobre la combinación efectiva de todos ellos. Así pues,
sugerimos emprender líneas de investigación que se interroguen sobre cuál o cuáles son las
423
http://codeweek.eu/
424
Durante la estancia internacional de investigación del doctorando en la Universidad de Sussex (verano de 2015) se
han iniciado los trabajos de traducción y adaptación del TPC a lengua inglesa.
524
secuencias y combinaciones curriculares de mayor calidad para la codigoalfabetización y desarrollo

del pensamiento computacional de nuestros escolares (p.e. una combinación posible en primer ciclo
de la ESO es: primer trimestre escolar ‘close-ended’ con Code.org, segundo trimestre escolar ‘open-
ended’ con Scratch, y tercer trimestre escolar ‘hardware-driven’ con Arduino; ¿sería ésta la mejor
secuenciación posible?)
En síntesis, creemos que esta tesis doctoral delimita un campo de juego, amplio y global, para la
futura investigación en codigoalfabetización y desarrollo del pensamiento computacional. En
conjunto, consideramos que, con esta tesis, se abren más preguntas de las que se cierran; esperamos
que ello sea un buen indicador sobre su valor.
525
REFERENCIAS
Adams, A., & Mowers, H. (10 de octubre de 2013). 7 Apps for Teaching Children Coding Skills
[Mensaje en un blog] Recuperado de http://www.edutopia.org/blog/7-apps-teaching-children-
coding-anna-adam
Adams, C. M., & Cross, T. L. (2000). Distance learning opportunities for academically gifted
students. Journal of Secondary Gifted Education, 11(2), 88-96.
Adams, N. B. (2004). Digital intelligence fostered by technology. Journal of Technology Studies,

30(2), 93-97.
AERA, APA, & NCME (2014). Standards for Educational and Psychological Testing. Washington,
DC: AERA.
Agencia EFE (27 de marzo de 2013). Nick D'Aloisio, el adolescente de 17 años que ha creado una
app de 23 millones. La Vanguardia.com. Recuperado de
http://www.lavanguardia.com/tecnologia/20130327/54369594772/nick-d-aloisio-adolescente-
app-47-millones.html
Agencia EFE (08 de octubre de 2015). Más de 15 millones de usuarios en España utilizan
«smartphones». ABC.es. Recuperado de http://www.abc.es/tecnologia/moviles-
telefonia/20150929/abci-usuarios-smartphones-espana-whatsapp-facebook-
201509291429.html
Aho, A. V. (2012). Computation and computational thinking. The Computer Journal, 55(7), 832-
835.
Akpinar, Y., & Aslan, Ü. (2015). Supporting Children’s Learning of Probability Through Video
Game Programming. Journal of Educational Computing Research, 53(2), 228-259.
Allan, P. (20 de noviembre de 2014). These Are the Highest Paying Programming Skills to Have on
Your Resume. LifeHacker.com. Recuperado de http://lifehacker.com/these-are-the-highest-
paying-programming-skills-to-have-1661389920
Alliance for Excellent Education (2012). Sal Khan Video Lecture on Digital Learning [Archivo de
vídeo] Recuperado de https://youtu.be/0OtSs2xEpzY
Amabile, T. M., & Pillemer, J. (2012). Perspectives on the Social Psychology of Creativity. The
Journal of Creative Behavior, 46(1), 3-15. doi: http://dx.doi.org/10.1002/jocb.001
Ambrosio, A. P., Xavier, C., & Georges, F. (2014). Digital ink for cognitive assessment of
computational thinking. Frontiers in Education Conference (FIE), 2014 IEEE, 1-7. doi:
http://dx.doi.org/10.1109/FIE.2014.7044237
Barbaranelli, C., Caprara, G. V., Rabasca, A., & Pastorelli, C. (2003). A questionnaire for measuring
the big five in late childhood. Personality and Individual Differences, 34(4), 645-664.
Volver al índice
REFERENCIAS / Román-González (2016)
Barbaranelli, C., Caprara, G. V., & Rabasca, A. (2013). BFQ-NA Cuestionario “Big Five” de
Personalidad para Niños y Adolescentes [Manual técnico]. Madrid: TEA Ediciones.
Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is involved and
what is the role of the computer science education community? ACM Inroads, 2(1), 48-54
Basawapatna, A., Koh, K. H., Repenning, A., Webb, D. C., & Marshall, K. S. (2011). Recognizing
computational thinking patterns. Proceedings of the 42nd ACM Technical Symposium on
Computer Science Education, 245-250. doi: http://dx.doi.org/10.1145/1953163.1953241
Basogain, X., Olabe, M. A., & Olabe, J.C. (2015). Pensamiento Computacional a través de la
programación: paradigma de aprendizaje. RED, Revista de Educación a Distancia, 46.
Recuperado de http://www.um.es/ead/red/46/Basogain.pdf
Battista, M. T., & Clements, D. H. (1988). A case for a Logo-based elementary school geometry
curriculum. Arithmetic Teacher, 36(3), 11-17.
Battro, A. M. (2009a). Digital intelligence: The evolution of a new human capacity. Scientific
Insights into the Evolution of the Universe and of Life - Pontifical Academy of Sciences, 20,
539-549.
Battro, A. M. (2009b). Multiple intelligences and constructionism in the digital era. En J. Chen, S.
Moran & H. Gardner (Eds.), Multiple Intelligences around the World (pp. 261-268). San
Francisco, CA: Jossey-Bass.
Battro, A. M., & Denham, P. J. (2007). Hacia una inteligencia digital. Buenos Aires: Academia
Nacional de Educación.
BBC News (09 de diciembre de 2014). President Obama writes Frozen code with school group.
BBC.com. Recuperado de http://www.bbc.com/news/technology-30393234
Bell, T., Witten, I.H., & Fellows, M. (2015). CS Unplugged. An enrichment and extension
programme for primary-aged students [Documento en línea] Recuperado de
http://csunplugged.org/wp-content/uploads/2015/03/CSUnplugged_OS_2015_v3.1.pdf
Bellettini, C., Lonati, V., Malchiodi, D., Monga, M., Morpurgo, A., & Torelli, M. (2015). How
challenging are Bebras tasks?: An IRT analysis based on the performance of italian students.
Proceedings of the 2015 ACM Conference on Innovation and Technology in Computer
Science Education, 27-32. doi: http://dx.doi.org/10.1145/2729094.2742603
Belshaw, D. (22 de enero de 2014a). Mozilla Open Badges and Web Literacy Map [Presentación en
línea] Recuperado de http://www.slideshare.net/dajbelshaw/open-badges-web-literacy-map-
101
Belshaw, D. (06 de enero de 2014b). Going Beyond ‘Learning to Code’: Why 2014 is the Year of
Web Literacy [Mensaje en un blog] Recuperado de http://dmlcentral.net/blog/doug-
belshaw/going-beyond-learning-code-why-2014-year-web-literacy
527
Benbow, C. (1991). Mathematically talented children: can acceleration meet their educational needs?
En N. Colangelo y G. A. Davis, Handbook of Gifted Education (pp. 154-165). Massachusetts:
Allyn and Bacon.
Bender, W., & Urrea, C. (2015). Visualizing Learning in Open-Ended Problem Solving in the Arts.
RED, Revista de Educación a Distancia, 46. Recuperado de
http://www.um.es/ead/red/46/bender_urrea.pdf
Bender, W., Urrea, C., & Zapata-Ros, M. (2015). Pensamiento Computacional [Número
monográfico]. RED, Revista de Educación a Distancia, 46. Recuperado de
http://www.um.es/ead/red/46/
Bennett, B., Kern, J., Gudenrath, A., & McIntosh, Ph. (2012). The Flipped Class. What Does a Good
One Look Like? [Documento en línea]. Recuperado de
http://www.thedailyriff.com/articles/the-flipped-class-what-does-a-good-one-look-like-
692.php
Bergmann, J., & Sams, A. (2012). Flip your Classroom: Reach every student in every Class every
day. Washington, DC: ISTE.
Besnoy, K. D., Dantzler, J. A., & Siders, J. A. (2012). Creating a digital ecosystem for the gifted
education classroom. Journal of Advanced Academics, 23(4), 305-325. doi:
http://dx.doi.org/10.1177/1932202X12461005
Bitzer, J., Schrettl, W., & Schroder, P. J. H. (2007). Intrinsic motivation in open source software
development. Journal of Comparative Economics, 35(1), 160-169. doi:
http://dx.doi.org/10.1016/j.jce.2006.10.001
Blair, R. (2011). Online learning for gifted students from the parents' perspectives. Gifted Child
Today, 34(3), 28-30.
Bloom, B. (1972). Taxonomía de los objetivos de la educación. La clasificación de las metas

educacionales. Buenos Aires: El Ateneo.
Boe, B., Hill, C., Len, M., Dreschler, G., Conrad, P., & Franklin, D. (2013). Hairball: Lint-inspired
static analysis of Scratch projects. Proceeding of the 44th ACM Technical Symposium on
Bohemia, E., & Ghassan, A. (2012). Globally networked collaborative learning in industrial design.
American Journal of Distance Education, 26(2), 110-125.
Bort, J. (18 de enero de 2016). Two Valley teen programmers have started a movement where kids
teach other kids how to code. BusinessInsider.com. Recuperado de
http://www.businessinsider.com/teens-launch-kid-programming-movement-2016-01
Brennan, K., Balch, C., & Chung, M. (2014). Creative Computing [Documento en línea] Recuperado
de http://scratched.gse.harvard.edu/guide/
528
Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of
computational thinking. Proceedings of the 2012 Annual Meeting of the American
Educational Research Association (Vancouver: Canada) Recuperado de
http://scratched.gse.harvard.edu/ct/files/AERA2012.pdf
Buffum, P. S., Lobene, E. V., Frankosky, M. H., Boyer, K. E., Wiebe, E. N., & Lester, J. C. (2015).
A practical guide to developing and validating computer science knowledge assessments with
application to middle school. Proceedings of the 46th ACM Technical Symposium on
Bullard, B. (2005). Catching the tail of the comet: Technology in the classroom. Understanding our
Gifted, 17(4), 9-12.
Burke, Q. (2012). The markings of a new pencil: Introducing programming-as-writing in the middle
school classroom. The Journal of Media Literacy Education, 4(2), 121–135.
Burke, Q., & Kafai, Y. (2010). Programming & storytelling: opportunities for learning about coding
& composition. Proceedings of the 9th International Conference on Interaction Design and
Children (pp. 348–351). Barcelona, Spain: ACM. doi:
http://dx.doi.org/10.1145/1810543.1810611
Burker, J. (2015). Going from Bits to Atoms: Programming in Turtle Blocks JS and Personal
Fabrication in Youth Maker Projects. RED, Revista de Educación a Distancia, 46.
Recuperado de http://www.um.es/ead/red/46/burker.pdf
Burnett, M. M., Beckwith, L., Wiedenbeck, S., Fleming, S. D., Cao, J., Park, T. H., ... Rector, K.
(2011). Gender pluralism in problem-solving software. Interacting with Computers, 23(5),
450-460.
Burns, A. M. (2006). Integrating technology into your elementary music classroom. General Music
Today, 20(1), 6-10.
Cadwalladr, C. (02 de marzo de 2014). The hour of code: why we should get with the program… and
try coding. TheGuardian.com. Recuperado de
http://www.theguardian.com/technology/2014/mar/02/hour-of-code-get-with-program-try-
coding
Calao, L. A., Moreno-León, J., Correa, H. E., & Robles, G. (2015). Developing mathematical
thinking with Scratch: An experiment with 6th grade students. In Design for Teaching and
Learning in a Networked World, 10th European Conference on Technology Enhanced
Learning, EC-TEL 2015 (pp. 17-27). Toledo, Spain: Springer. doi:
http://dx.doi.org/10.1007/978-3-319-24258-3_2
Campbell, P. F. (1987). Measuring distance: Children’s use of number and unit. Final report
submitted to the National Institute of Mental Health Under the ADAMHA Small Grant Award
Program. Grant No. MSMA, 1, R03.
529
Carlson, K. D., & Herdman, A. O. (2012). Understanding the impact of convergent validity on
research results. Organizational Research Methods, 15(1), 17-32.
Carr, N. G. (2011). Superficiales: ¿Qué está haciendo Internet con nuestras mentes? Barcelona:
Taurus.
Cartelli, A., Dagiene, V., & Futschek, G. (2012). Bebras contest and digital competence assessment:
Analysis of frameworks. En A. Cartelli (Ed.), Current Trends and Future Practices for
Digital Literacy and Competence (pp. 35-46). Hershey, PA: IGI Global.
CAS, Computing at School (2015). CAS Barefoot [Página web] Recuperado de

http://barefootcas.org.uk/
Caselles Pérez, J. F. (1997). Pedagogía diferencial, sexo y educación: El sexismo en el sistema

educativo mixto y la coeducación como alternativa. En C. Jiménez Fernández (Coord.),
Lecturas de Pedagogía Diferencial (pp. 135-170). Madrid: Dykinson.
Cattell, R. B. (1963). Theory of fluid and crystallized intelligence: a critical experiment. Journal of
Educational Psychology, 54, 1-22.
Chamorro-Premuzic, T., & Furnham, A. (2008). Personality, intelligence and approaches to learning
as predictors of academic performance. Personality and Individual Differences, 44(7), 1596-
1603. doi: http://dx.doi.org/10.1016/j.paid.2008.01.003
Chan, Y., Hui, D., Dickinson, A. R. et al. (2010). Engineering outreach: A successful initiative with
gifted students in science and technology in Hong Kong. IEEE Transactions on Education,
53(1), 158-171.
Cheng, P. (1993). Metacognition and giftedness: The state of the relationship. Gifted Child
Quarterly, 37(3), 105-12.
Chilcott, L. (2015). CodeGirl [Documental de vídeo] Recuperado de http://www.codegirlmovie.com/
Clark, L. (2005). Gifted and growing. Educational Leadership, 63(3), 56-60.
Clements, D. H. (1985). Research on Logo in education: Is the turtle slow but steady, or not even in
the race? Computers in the Schools, 2(2-3), 55-71.
Clements, D. H. (1986). Effects of Logo and CAI environments on cognition and creativity. Journal
of Educational Psychology, 78(4), 309-318. doi: http://dx.doi.org/10.1037/0022-
0663.78.4.309
Clements, D. H., & Battista, M. T. (1989). Learning of geometric concepts in a Logo environment.
Journal for Research in Mathematics Education, 20(5), 450-467.
Clements, D. H., & Gullo, D. F. (1984). Effects of computer programming on young children’s
cognition. Journal of Educational Psychology, 76(6), 1051-1058. doi:
http://dx.doi.org/10.1037/0022-0663.76.6.1051
530
Clements, D. H., & Meredith, J. S. (1993). Research on Logo: Effects and efficacy. Journal of
Computing in Childhood Education, 4(4), 263-290.
Clements, D. H., & Merriman, S. (1988). Componential developments in Logo programming and
environments. En R. E. Mayer (Ed.), Teaching and learning computer programming (pp. 13-
54). Hillsdale, NJ: Erlbaum.
Clements, D. H., & Sarama, J. (1997). Research on Logo: A decade of progress. Computers in the
Schools, 14(1-2), 9-46.
Clements, D. H., & Swaminathan, S. (1995). Technology and School Change New Lamps for Old?
Childhood Education, 71(5), 275-281. doi:
http://dx.doi.org/10.1080/00094056.1995.10522619
Crombie, G., Bouffard-Bouchard, T., & Schneider, B.H. (1992). Gifted Programs: Gender
Differences in Referral and Enrollment. Gifted Child Quarterly, 36(4), 213-214.
Code.org (2013). What Most Schools Don't Teach [Archivo de vídeo] Recuperado de
https://youtu.be/nKIu9yen5nc
Code.org (2014). Pair Programming [Archivo de vídeo] Recuperado de

https://youtu.be/vgkahOzFH2Q
Code.org (2015a). K-8 Intro to Computer Science [Curso en línea] Recuperado de

https://studio.code.org/s/20-hour
Code.org (2015b). K-5 Computer Science Fundamentals (Course 2) [Curso en línea] Recuperado de
Code.org (2015c). The Hour of Code [Página web] Recuperado de https://hourofcode.com
Code.org (2015d). Instructor Handbook: Code Studio Lesson Plans for Courses One, Two, and
Three [Documento en línea] Recuperado de https://code.org/curriculum/docs/k-
5/complete.pdf
Cohen, L., Manion, L., & Morrison, K. (2007). Research Methods in Education. New York:
Routledge.
Colás, P., & Buendía, L. (1992). Investigación Educativa. Sevilla: Ediciones Alfar.
Colás-Bravo, P., González-Ramírez, T., & de Pablos-Pons, J. (2013). Juventud y redes sociales:
Motivaciones y usos preferentes. Comunicar: Revista Científica De Comunicación y
Educación, 20(40), 15-23. doi: http://dx.doi.org/10.3916/C40-2013-02-01
Compañ-Rosique, P., Satorre-Cuerda, R., Llorens-Largo, F., & Molina-Carmona, R. (2015).

Enseñando a programar: un camino directo para desarrollar el pensamiento computacional.
RED, Revista de Educación a Distancia, 46. Recuperado de
http://www.um.es/ead/red/46/faraon_et_al.pdf
531
Connolly, T. (2010). Review of outliers: The story of success. Journal of Behavioral Decision
Making, 23(3), 331-333. doi: http://dx.doi.org/10.1002/bdm.693
Cooper, S., Dann, W., & Pausch, R. (2000). Alice: A 3-D tool for introductory programming
concepts. Journal of Computing Sciences in Colleges, 15(5), 107-116.
Cope, E. W., & Suppes, P. (2002). Gifted students' individual differences in distance-learning
computer-based calculus and linear algebra. Instructional Science, 30(2), 79-110.
Coxon, S. V. (2012). Innovative allies: Spatial and creative abilities. Gifted Child Today, 35(4), 277-
284.
Crawley, D. (3 de junio de 2014). 12 games that teach kids to code — and are even fun, too [Mensaje
en un blog] Recuperado de http://venturebeat.com/2014/06/03/12-games-that-teach-kids-to-
code/view-all/
Cronin, A. (14 de julio de 2014). Teach Coding in the Classroom: Resources from ISTE '14
[Mensaje en un blog] Recuperado de http://www.edutopia.org/blog/teach-coding-classroom-
resources-iste-14
CSTA (2011). K–12 Computer Science Standards [Documento en línea]. Recuperado de

http://csta.acm.org/Curriculum/sub/CurrFiles/CSTA_K-12_CSS.pdf
CSTA & ISTE (2015). Operational Definition of Computational Thinking for K–12 Education
[Documento en línea]. Recuperado de
http://csta.acm.org/Curriculum/sub/CurrFiles/CompThinkingFlyer.pdf
Curzon, P., & McOwan, P. (2015). The Magic of Computer Science [Documento en línea]
Recuperado de http://www.cs4fn.org/magic/downloads/cs4fnmagicbook3.pdf
Cuthbertson, A. (2 de septiembre de 2014). Coding in the Classroom: Computational Thinking Will

Allow Children to ‘Change the World’. InternationalBusinnessTimes.com. Recuperado de
http://www.ibtimes.co.uk/coding-classroom-computational-thinking-will-allow-children-
change-world-1463493
Dagiene, V., & Futschek, G. (2008). Bebras international contest on informatics and computer
literacy: Criteria for good tasks. En R. T. Mittermeir & M. M. Sysło (Eds.), Informatics
education-supporting computational thinking (pp. 19-30). Berlín: Springer.
Dagiene, V., & Stupuriene, G. (2014). Informatics education based on solving attractive tasks
through a contest. Proceedings of KEYCIT 2014–Key Competencies in Informatics and ICT,
51-62.
Daily, S. B., Leonard, A. E., Jörg, S., Babu, S., & Gundersen, K. (2014). Dancing Alice: Exploring
embodied pedagogical strategies for learning computational thinking. Proceedings of the 45th
ACM Technical Symposium on Computer Science Education, 91-96.
532
Dans, E. (28 de septiembre de 2013). Programación, niños y escuelas: el reto del momento [Mensaje
en un blog]. Recuperado de http://www.enriquedans.com/2013/09/programacion-ninos-y-
escuelas-el-reto-del-momento.html
Dans, E. (23 de mayo de 2015a). Educación y tecnología: aterrizando conceptos [Mensaje en un

blog] Recuperado de http://www.enriquedans.com/2015/05/educacion-y-tecnologia-
aterrizando-conceptos.html
Dans, E. (17 de septiembre de 2015b). Facebook y el supuesto botón “no me gusta” [Mensaje en un
blog] Recuperado de http://www.enriquedans.com/2015/09/facebook-y-el-supuesto-boton-
no-me-gusta.html
Dans, E. (27 de enero de 2016). No envíes a un humano a hacer el trabajo de una máquina [Mensaje
en un blog] Recuperado de http://www.enriquedans.com/2016/01/no-envies-a-un-humano-a-
hacer-el-trabajo-de-una-maquina.html
De Wet, C. F. (2006). Beyond presentations: Using PowerPoint as an effective instructional tool.

Gifted Child Today, 29(4), 29-39.
DECRETO 48/2015 (2015). Decreto 48/2015, de 14 de mayo, del Consejo de Gobierno, por el que
se establece para la Comunidad de Madrid el currículo de la Educación Secundaria
Obligatoria. Boletín Oficial de la Comunidad de Madrid, 20/05/2015. Recuperado de
http://www.bocm.es/boletin/CM_Orden_BOCM/2015/05/20/BOCM-20150520-1.PDF
Denner, J., Werner, L., & Ortiz, E. (2012). Computer games created by middle school girls: Can they
be used to measure understanding of computer science concepts? Computers & Education,
58(1), 240-249. doi: http://dx.doi.org/10.1016/j.compedu.2011.08.006
DiBello, L. V., & Stout, W. (2007). Guest editors’ introduction and overview: IRT‐Based cognitive
diagnostic models and related methods. Journal of Educational Measurement, 44(4), 285-
291.
Dickes, A. C., & Sengupta, P. (2013). Learning natural selection in 4th grade with multi-agent-based
computational models. Research in Science Education, 43(3), 921-953.
Díez, A., Santiago, R., & Climent, J. (2015). Eduapps [Página web] Recuperado de
http://www.eduapps.es/
Dorling, M. (2015). CAS Computing Progression Pathways KS1 (Y1) to KS3 (Y9) by topic
[Documento en línea] Recuperado de
http://community.computingatschool.org.uk/resources/1692
Dove, M. K., & Zitkovich, J. A. (2003). Technology driven group investigations for gifted
elementary students. Information Technology in Childhood Education Annual, 15, 223-241.
Dredge, S. (27 de enero de 2014). Tablets in schools: coding, creativity and the importance of
teachers. TheGuardian.com. Recuperado de
533
http://www.theguardian.com/technology/2014/jan/27/tablets-schools-coding-kids-education-
ipad
Dubinski, K. (04 de diciembre de 2014). An Hour of Code, a link to future. Lfpress.com. Recuperado
de http://www.lfpress.com/2014/12/04/an-hour-of-code-a-link-to-future
Eckstein, M. (2009). Enrichment 2.0 gifted and talented education for the 21st century. Gifted Child
Today, 32(1), 59-63.
EdTech Team (17 de noviembre de 2014). Teaching coding in class: 17 apps to try [Mensaje en un
blog] Recuperado de http://www.educatorstechnology.com/2014/11/teaching-coding-in-class-
17-apps-to-try.html
Elder, J. (26 de junio de 2015). Bangalore Girls Who Code Pitch Their Waste Killer App in San
Francisco. TheWallStreetJournal.com. Recuperado de
http://blogs.wsj.com/indiarealtime/2015/06/26/bangalore-girls-who-code-pitch-their-waste-
killer-app-in-san-francisco/
Ellis, P. D. (2010). The essential guide to effect sizes: Statistical power, meta-analysis, and the
interpretation of research results. Cambridge, MA: Cambridge University Press.
Epstein, R., Schmidt, S. M., & Warfel, R. (2008). Measuring and training creativity competencies:
Validation of a new test. Creativity Research Journal, 20(1), 7-12.
Eristi, B. (2012). To learn from teachers at school, ideal teacher or E-learning applications from the
perspectives of gifted students. Turkish Online Journal of Distance Education, 13(4), 153-
166.
Espeso, P. (16 de noviembre de 2015). CS Unplugged: aprendiendo programación en el aula… ¡sin

ordenadores! Educación 3.0. [Artículo en línea] Recuperado de
http://www.educaciontrespuntocero.com/formacion/libros/cs-unplugged-aprendiendo-
programacion-en-el-aula-sin-ordenadores/30076.html
European Commission (2014). E-Skills for Jobs in Europe: measuring progress and moving ahead
[Informe técnico] Recuperado de http://eskills-monitor2013.eu/results/
European Schoolnet (2015). Computing our future. Computer programming and coding: priorities,
school curricula and initiatives across Europe [Informe técnico]. Recuperado de
http://www.eun.org/c/document_library/get_file?uuid=3596b121-941c-4296-a760-
0f4e4795d6fa&groupId=43887
Fessakis, G., Gouli, E., & Mavroudi, E. (2013). Problem solving by 5–6 years old kindergarten
children in a computer programming environment: A case study. Computers & Education,
63, 87-97.
Festinger, L. (1957). A theory of cognitive dissonance. Stanford, CA: Stanford University Press.
Fincher, S., & Petre, M. (2004). Computer science education research. London: Taylor & Francis.
534
Finkel, E. (2012). Flipping the Script in K12 [Documento en línea] Recuperado de

http://www.districtadministration.com/article/flipping-script-k12
Freeman, J. (1990). Educating gifted children. En N. Entwistle (ed.), Handbook of Educational Ideas
and Practices (pp. 939-947). London: Routledge.
Frenkel, K. A. (1990). Women and computing. Communications of the ACM, 33(11), 34-46. doi:
http://dx.doi.org/10.1145/92755.92756
Fundación Telefónica (2014). La Sociedad de la Información en España 2014 [Informe técnico]

Recuperado de http://www.fundaciontelefonica.com/arte_cultura/publicaciones-
listado/pagina-item-publicaciones/?itempubli=323
FUNED (2014). Desarrollo avanzado de aplicaciones en iOS7 (Héroe de iOS) [Curso en línea]
Recuperado de http://www.fundacion.uned.es/actividad/idactividad/5766
FUNED (2015). Desarrollo Rápido de Aplicaciones Android en el Aula de ESO, Bachillerato y FP

[Curso en línea] Recuperado de
https://formacionpermanente.uned.es/tp_actividad/idactividad/8018
Gadanidis, G., Hughes, J., & Cordy, M. (2011). Mathematics for gifted students in an Arts and
Technology rich setting. Journal for the Education of the Gifted, 34(3), 397-433.
Gagné, F. (1991). Toward a differentiated model of giftedness and talent. En N. Colangelo & G. A.
Davis, Handbook of Gifted Education (pp. 65-80). Massachusetts: Allyn and Bacon.
Gagné, F. (2004). Transforming gifts into talents: The DMGT as a developmental theory. High
Ability Studies, 15(2), 119-147.
Gagné, F. (2015). De los genes al talento: La perspectiva DMGT/CMTD. Revista de Educación, 368,
12-39. http://dx.doi.org/10.4438/1988-592X-RE-2015-368-289
Garcia, D. D., Ding, W., Cohen, J., Ericson, B., Gray, J., & Reed, D. (2015). One-day activities for
K-12 face-to-face outreach. Proceedings of the 46th ACM Technical Symposium on
García Hoz, V. (1991). El principio de complementariedad en la investigación pedagógica y en la

educación personalizada. Anales de la Real Academia de Ciencias Morales y Políticas, 68,
299-318.
García Llamas, J. L. (2003). Métodos de Investigación en Educación. Volumen II: Investigación

Cualitativa y Evaluativa. Madrid: UNED.
Gardner, H. (1983). Frames of Mind: The Theory of Multiple Intelligences. New York: Basic Books.
Gardner, H. (1995). Inteligencias múltiples. La teoría en la práctica. Barcelona: Paidós.
Gardner, H. (1999). Intelligence Reframed. New York: Basic Books.
535
Gardner, H., & Davis, K. (2014). La generación APP: Cómo los jóvenes gestionan su identidad, su
privacidad y su imaginación en el mundo digital. Barcelona: Paidós.
Genishi, C., McCollum, P., & Strand, E. (1985). Research currents: The interactional richness of
children’s computer use. Language Arts, 62(5), 526-532.
Gentry, J. (2008). E-publishing's impact on learning in an inclusive sixth grade social studies
classroom. Journal of Interactive Learning Research, 19(3), 455-467.
Gentry, J., Fowler, T., & Nichols, B. (2007). Textbook preferences: The possibilities of
individualized learning in social studies with an individualized textbook. Journal of
Interactive Learning Research, 18(4), 493-510.
Gil Pascual, J. A. (2003). Métodos de Investigación en Educación. Volumen III: Análisis

Multivariante. Madrid: UNED.
Gilbert-Macmillan, K. (2000). Computer-based distance learning for gifted students: The EPGY
experience. Understanding our Gifted, 12(3), 17-20.
Gombachika, H. S., & Khangamwa, G. (2013). ICT readiness and acceptance among TEVT students
in University of Malawi. Campus-Wide Information Systems, 30(1), 35-43. doi:
http://dx.doi.org/10.1108/10650741311288805
Goodwin, B., & Miller, K. (2013). Research Says Evidence on Flipped Classrooms Is Still Coming
In. Technology-Rich Learning, 70(6). 78-80. Recuperado de
http://www.ascd.org/publications/educational-leadership/mar13/vol70/num06/Evidence-on-
Flipped-Classrooms-Is-Still-Coming-In.aspx
Google for Education (2015). Exploring Computational Thinking [Página web]. Recuperado de
https://www.google.com/edu/resources/programs/exploring-computational-thinking/
Gorman, H., & Bourne, L. E. (1983). Learning to think by learning LOGO: Rule learning in third-
grade computer programmers. Bulletin of the Psychonomic Society, 21(3), 165-167.
Gould, J. C., Staff, L. K., & Theiss, H. M. (2012). The right fit for Henry. Educational Leadership,
69(5), 71-73.
Gouws, L. A., Bradshaw, K., & Wentworth, P. (2013a). Computational thinking in educational
activities: An evaluation of the educational game light-bot. Proceedings of the 18th ACM
Conference on Innovation and Technology in Computer Science Education, 10-15.
Gouws, L., Bradshaw, K., & Wentworth, P. (2013b). First year student performance in a test for
computational thinking. Proceedings of the South African Institute for Computer Scientists
and Information Technologists Conference, 271-277.
Graczyńska, E. (2010). ALICE as a tool for programming at schools. Natural Science, 2(2), 124-129.
Grimes, D., & Warschauer, M. (2008). Learning with laptops: A multi-method case study. Journal of
Educational Computing Research, 38(3), 305-332.
536
Grover, S. (2011). Robotics and engineering for middle and high school students to develop
computational thinking. Annual Meeting of the American Educational Research Association,
New Orleans (LA)
Grover, S., & Pea, R. (2013a). Computational thinking in K–12. A review of the state of the field.
Educational Researcher, 42(1), 38-43.
Grover, S., & Pea, R. (2013b). Using a discourse-intensive pedagogy and Android’s App Inventor
for introducing computational concepts to middle school students. Proceeding of the 44th
ACM Technical Symposium on Computer Science Education, 723-728. doi:
http://dx.doi.org/10.1145/2445196.2445404
Guilford, J. P. (1967). La naturaleza de la inteligencia humana. Barcelona: Paidós.
Gwet, K. L. (2014). Handbook of inter-rater reliability: The definitive guide to measuring the extent
of agreement among raters. Gaithersburg, MD: Advanced Analytics, LLC.
Haier, R. J. (2014). Increased intelligence is a myth (so far). Frontiers in Systems Neuroscience, 8,
34. doi: http://dx.doi.org/10.3389%2Ffnsys.2014.00034
Hamada, R. M. (1987). The relationship between learning Logo and proficiency in mathematics.
Dissertation Abstracts International, 47, 2510-A.
Hamdan, N, McKnight, P., McKnight, K., & Arfstrom, K. M. (2013). A White Paper Based on the
Literature Review of Flipped Learning [Informe técnico]. Recuperado de
http://www.flippedlearning.org/cms/lib07/VA01923112/Centricity/Domain/41/WhitePaper_F
lippedLearning.pdf
Han, B. C. (2014). En el enjambre. Barcelona: Herder.
Han, B. C. (2015). La salvación de lo bello. Barcelona: Herder.
Hatch, M. (2014). The Maker Movement Manifesto. New York: McGraw Hill Education
Hauser-Reynolds, R. (2015). CODE: Debugging the gender gap [Documental de video] Recuperado
de http://www.codedocumentary.com/
Hawke, L. (10 de diciembre de 2014). Hour of Code: Young Australian students explore computer
science, as numbers of IT graduates shrink. ABC.net.au. Recuperado de
http://mobile.abc.net.au/news/2014-12-09/hour-of-code-australian-students-explore-
computer-science/5954282
Henderson, P. B., Cortina, T. J., & Wing, J. M. (2007). Computational thinking. ACM SIGCSE
Bulletin, 39(1), 195-196.
Hernández Jorge, C. M., & Borges del Rosal, A. (2005). Un programa de aprendizaje autorregulado
para personas de altas capacidades mediante herramientas telemáticas. Revista Electrónica de
Investigación Psicoeducativa, 3(3), 233-252.
537
Hidalgo, M. (13 de febrero de 2013). Un aula en la web para «alumnos del siglo XXI».
DiarioVasco.com. Recuperado de http://www.diariovasco.com/20130217/local/aula-para-
alumnos-siglo-201302131008.html
Himanen, P. (2004). La ética del hacker y el espíritu de la era de la información. Barcelona:

Destino.
Hines, S. N. (1983). Computer programming abilities of five-year-old children. Educational

Computer, 3(4), 10-12.
Holmboe, C., McIver, L., & George, C. (2001). Research agenda for computer science education.
Proceedings of the 13th Workshop of the Psychology of Programming Interest Group, 207-
233.
Hoover, A. K., & Stanley, K. O. (2009). Exploiting functional relationships in musical composition.
Connection Science, 21(2-3), 227-251. doi: http://dx.doi.org/10.1080/09540090902733871
Howland, K., & Good, J. (2015). Learning to communicate computationally with flip: A bi-modal
programming language for game creation. Computers & Education, 80, 224-240. doi:
http://dx.doi.org/10.1016/j.compedu.2014.08.014
Huang, L., Cui, Y., Zhang, D., & Wu, S. (2011). Impact of noise structure and network topology on
tracking speed of neural networks. Neural Networks, 24(10), 1110-1119. doi:
http://dx.doi.org/10.1016/j.neunet.2011.05.018
Hubwieser, P., & Mühling, A. (2014). Playing PISA with Bebras. Proceedings of the 9th Workshop
in Primary and Secondary Computing Education, 128-129. doi:
http://dx.doi.org/10.1145/2670757.2670759
Hubwieser, P., & Muhling, A. (2015). Investigating the psychometric structure of Bebras contest:
Towards mesuring computational thinking skills. International Conference on Learning and
Teaching in Computing and Engineering (LaTiCE), 62-69. doi:
http://dx.doi.org/10.1109/LaTiCE.2015.19
Hyde, J. S., & Linn, M. C. (1988). Gender differences in verbal ability: A meta-analysis.
Psychological Bulletin, 104(1), 53.
INTEF (20 de octubre de 2014). MOOC “Las preguntas de PISA y TIMSS: una práctica para el
aula”, inscripción abierta [Mensaje en un blog]. Recuperado de
http://blog.educalab.es/intef/2014/10/20/mooc-las-preguntas-de-pisa-y-timss-una-practica-
para-el-aula-inscripcion-abierta/
Jašková, L., & Kováčová, N. (2015). Bebras contest for blind pupils. Proceedings of the Workshop in
Primary and Secondary Computing Education, 92-95. doi:
http://dx.doi.org/10.1145/2818314.2818324
538
Jee, C. (18 de mayo de 2015). Coding languages: which ones pay most in Europe? TechWorld.com.
Recuperado de http://www.techworld.com/picture-gallery/careers/coding-languages-which-
ones-pay-most-in-europe-3611877/
Jenkins, H. (2010). Transmedia storytelling and entertainment: An annotated syllabus. Continuum:

Journal of Media & Cultural Studies, 24(6), 943-958.
Jiménez Cano, R. (26 de abril de 2013). Google no puede con la App Store. El País.com.
Recuperado de
http://tecnologia.elpais.com/tecnologia/2013/04/26/actualidad/1366971919_151325.html
Jiménez Fernández, C. (1997). Educación de los más dotados. Revista de Investigación Educativa,
15(2), 217-234.
Jiménez Fernández, C. (2010). Diagnóstico y educación de los más capaces. Madrid: Pearson
Educación.
Jiménez Fernández, C. (02 de octubre de 2014). El Desarrollo del Talento: Educación y Alta
Capacidad [Lección inaugural: UNED] Recuperado de
https://canal.uned.es/uploads/material/Video/21562/LECCI__N_INAUGURAL14.PDF
Jiménez Fernández, C., & García Perales, R. (2013). Los alumnos más capaces en España.
Normativa e incidencia en el diagnóstico y la educación. Revista Española de Orientación y
Psicopedagogía (REOP), 24(1), 7-24.
Jiménez Fernández, C., & González Galán, M. A. (2010). Pedagogía Diferencial y Atención a la
Diversidad. Madrid: UNED.
Johnson-Gentile, K., Clements, D. H., & Battista, M. T. (1994). Effects of computer and
noncomputer environments on students’ conceptualizations of geometric motions. Journal of
Educational Computing Research, 11(2), 121-140.
Jonassen, D., Howland, J., Marra, R.M., & Crismond, D. (2008). Meaningful learning with
technology (3rd ed.). Boston, MA: Prentice Hall.
Kafai, Y., & Burke, Q. (2013). Computer programming goes back to school. Phi Delta Kappan,
95(1), 61–65.
Kafai, Y., & Burke, Q. (2014). Connected Code: Why Children Need to Learn Programming.
Cambridge, MA: MIT Press.
Kafai, Y., & Resnick, M. (1996). Constructionism in practice: Designing, thinking, and learning in a
digital world. New York: Routledge.
Kafai, Y., & Vasudevan, V. (2015). Constructionist gaming beyond the screen: Middle school
students’ crafting and computing of touchpads, board games, and controllers. Proceedings of
the Workshop in Primary and Secondary Computing Education WiPSCE 2015, 49-54. doi:
http://dx.doi.org/10.1145/2818314.2818334
539
Kahn, K., Sendova, E., Sacristán, A. I., & Noss, R. (2011). Young students exploring cardinality by
constructing infinite processes. Technology, Knowledge and Learning, 16(1), 3-34.
Kalelioğlu, F. (2015). A new way of teaching programming skills to K-12 students: Code.org.
Computers in Human Behavior, 52, 200-210. doi:http://dx.doi.org/10.1016/j.chb.2015.05.047
Kalelioğlu, F., Gülbahar, Y., & Madran, O. (2015). A snapshot of the first implementation of Bebras
international informatics contest in Turkey. En A. Brodnik & J. Vahrenhold (Eds.),
Informatics in schools. Curricula, competences, and competitions (pp. 131-140). Berna:
Springer.
Kazakoff, E., & Bers, M. (2012). Programming in a robotics context in the kindergarten classroom:
The impact on sequencing skills. Journal of Educational Multimedia and Hypermedia, 21(4),
371-391.
Ke, F. (2014). An implementation of design-based learning through creating educational computer

games: A case study on mathematics learning during design and computing. Computers &
Education, 73, 26-39. doi: http://dx.doi.org/10.1016/j.compedu.2013.12.010
Kelleher, C., & Pausch, R. (2005). Lowering the barriers to programming: A taxonomy of
programming environments and languages for novice programmers. ACM Computing
Surveys, 37(2), 83–137.
Kelleher, C., Pausch, R., & Kiesler, S. (2007). Storytelling Alice motivates middle school girls to
learn computer programming. Proceedings of the SIGCHI Conference on Human Factors in
Computing Systems, 1455-1464.
Khan, S. (2011). Usemos el vídeo para reinventar la educación [Archivo de vídeo] Recuperado de
https://www.ted.com/talks/salman_khan_let_s_use_video_to_reinvent_education?language=e
s
Khan Academy (2015). Computer Programming [Curso en línea] Recuperado de

Khorram, Y. (21 de enero de 2014). She's a beauty and a geek: Supermodel is a coder. CNN.com.
Recuperado de http://edition.cnn.com/2014/01/20/tech/web/lyndsey-scott-model-
coder/index.html
Kim, M. (2011). The relationship between thinking style differences and career choices for high-
achieving students. Roeper Review: A Journal on Gifted Education, 33(4), 252-262. doi:
http://dx.doi.org/10.1080/02783193.2011.603113
Kim, S., Chung, K., & Yu, H. (2013). Enhancing digital fluency through a training program for
creative problem solving using computer programming. The Journal of Creative Behavior,
47(3), 171-199. doi: http://dx.doi.org/10.1002/jocb.30
Klawe, M., Whitney, T., & Simard, C. (2009). Women in computing---take 2. Communications of
the ACM, 52(2), 68-76. doi: http://dx.doi.org/10.1145/1461928.1461947
540
Kline, P. (1994). An easy guide to factor analysis. London: Routledge.
Koh, K. H., Basawapatna, A., Bennett, V., & Repenning, A. (2010). Towards the automatic
recognition of computational thinking for adaptive visual language learning. Visual
Languages and Human-Centric Computing (VL/HCC), 2010 IEEE Symposium, 59-66.
Koivunen, N. (2009). Collective expertise: Ways of organizing expert work in collective settings.
Journal of Management & Organization, 15(2), 258-276. doi:
http://dx.doi.org/10.1017/S1833367200002820
Lai, C. S., & Lai, M. H. (2012). Using Computer Programming to Enhance Science Learning for 5th
Graders in Taipei. In Computer, Consumer and Control (IS3C), 2012 International
Symposium on (pp. 146–148). Taichung, Taiwan: IEEE. doi:
http://dx.doi.org/10.1109/IS3C.2012.45
Lanier, J. (2011). Contra el rebaño digital. Barcelona: Debate.
Lankshear, C., & Knobel, M. (2008). Nuevos alfabetismos. Su práctica cotidiana y el aprendizaje en
el aula. Madrid: Morata.
Larson, R. C., & Murray, M. E. (2008). Open educational resources for blended learning in high
schools: Overcoming impediments in developing countries. Journal of Asynchronous
Learning Networks, 12(1), 85-103.
Layton, L. (14 de enero de 2014). Successful ‘Hour of Code’ computer tutorials prompts effort to
change school policies. WashingtonPost.com. Recuperado de
https://www.washingtonpost.com/local/education/successful-hour-of-code-computer-
tutorials-prompts-effort-to-change-school-policies/2014/01/14/f224f112-7d5f-11e3-95c6-
0a7aa80874bc_story.html
Lee, G., Lin, Y., & Lin, J. (2014). Assessment of computational thinking skill among high school
and vocational school students in Taiwan. World Conference on Educational Multimedia,
Hypermedia and Telecommunications, 173-180.
Lee, Y. (2010). Developing computer programming concepts and skills via technology-enriched
language-art projects: A case study. Journal of Educational Multimedia and Hypermedia,
19(3), 307-326.
Lee, Y. (2011). Scratch: Multimedia programming environment for young gifted learners. Gifted
Child Today, 34(2), 26-31.
Lehrer, R., & DeBernard, A. (1987). Language of learning and language of computing: The
perceptual-language model. Journal of Educational Psychology, 79(1), 41-48. doi:
http://dx.doi.org/10.1037/0022-0663.79.1.41
Lehrer, R., Lee, M., & Jeong, A. (1999). Reflective teaching of Logo. The Journal of the Learning
Sciences, 8(2), 245-289.
541
Leonard, A. E., Dsouza, N., Babu, S. V., Daily, S. B., Jörg, S., Waddell, C., … , & Boggs, K (2015).
Embodying and programming a constellation of multimodal literacy practices: Computational
thinking, creative movement, biology, & virtual environment interactions. Journal of
Language and Literacy Education 11(2), 64-93.
Levy, S. (1984). Hackers: Heroes of the Computer Revolution. New York: Doubleday
Lewis, C. M., & Shah, N. (2012). Building upon and enriching grade four mathematics standards
with programming curriculum. Proceedings of the 43rd ACM technical symposium on
Computer Science Education (pp. 57–62). Raleigh, NC, USA: ACM. doi:
http://dx.doi.org/10.1145/2157136.2157156
Lin, J. M., & Liu, S. (2012). An investigation into parent-child collaboration in learning computer
programming. Journal of Educational Technology & Society, 15(1), 162-173.
Linn, M. C., & Petersen, A. C. (1985). Emergence and characterization of sex differences in spatial
ability: A meta-analysis. Child Development, 56(6), 1479-1498.
LOCE (2002). Ley Orgánica 10/2002, de 23 de diciembre, de Calidad de la Educación. Boletín

Oficial del Estado, 24/12/2002.
LOE (2006). Ley Orgánica 2/2006, de 3 de mayo, de Educación. Boletín Oficial del Estado,
04/05/2006.
LOGSE (1990). Ley 1/1990, de 3 de octubre, de Ordenación General del Sistema Educativo. Boletín
Oficial del Estado, 04/10/1990.
LOMCE (2013). Ley 8/2013, de 9 de diciembre, para la Mejora de la Calidad Educativa. Boletín
Oficial del Estado, 10/12/2013
Lye, S. Y., & Koh, J. H. L. (2014). Review on teaching and learning of computational thinking
through programming: What is next for K-12? Computers in Human Behavior, 41, 51-61.
doi: http://dx.doi.org/10.1016/j.chb.2014.09.012
Madrid, I. (15 de junio de 2015). Two high schoolers create Tampon Run video game to take the
taboos out of menstruation. PRI.org. Recuperado de http://www.pri.org/stories/2015-06-
15/two-high-schoolers-create-tampon-run-video-game-take-taboos-out-menstruation
Maloney, J., Peppler, K., Kafai, Y., Resnick, M., & Rusk, N. (2008). Programming by choice: Urban
youth learning programming with scratch. ACM SIGCSE Bulletin, 40(1), 367-371.
Maloney, J., Resnick, M., Rusk, N., Silverman, B., & Eastmond, E. (2010). The Scratch
programming language and environment. ACM Transactions on Computing Education
(TOCE), 10(4), 16. doi: http://dx.doi.org/10.1145/1868358.1868363
Mann, E. L. (2006). Creativity: The essence of mathematics. Journal for the Education of the Gifted,
30(2), 236-260.
Manovich, L. (2013). El software toma el mando. Barcelona: UOC Press.
542
Marais, C., & Bradshaw, K. (2015). Problem-solving ability of first year CS students: A case study
and intervention. Proceedings of Southern African Computer Lecturers' Association, 154-
160.
Massachusetts Institute of Technology (2015). MIT – App Inventor [Curso en línea] Recuperado de
Mayer, R. E. (2004). Should there be a three-strikes rule against pure discovery learning? American
Psychologist, 59(1), 14-19.
McAllister, A. (1993). Representing the programming process: Goal structures and action sequences
in LOGO programming. Annual Meeting of the American Educational Research Association.
Atlanta (April 12-16, 1993). Recuperado de http://files.eric.ed.gov/fulltext/ED364195.pdf
McGraw-Hill Higher Education (13 de junio de 2013). Flipping the Classroom Panel Discussion
[Archivo de vídeo] Recuperado de https://youtu.be/3T8jfzCJza0
McGrew, K. S. (2009). CHC theory and the human cognitive abilities project: Standing on the
shoulders of the giants of psychometric intelligence research. Intelligence, 37(1), 1-10. doi:
http://dx.doi.org/10.1016/j.intell.2008.08.004
McLester, S. (2012). Sally Reis and Joe Renzulli: Models for Education Reform, part 2. District
Administration, 48(5), 68-72.
McLuhan, M. (1994). Understanding media: The extensions of man. Cambridge, MA: MIT Press.
Meerbaum-Salant, O., Armoni, M., & Ben-Ari, M. M. (2010). Learning computer science concepts
with Scratch. Proceedings of the Sixth International Workshop on Computing Education
Research, 69-76. doi: http://dx.doi.org/10.1145/1839594.1839607
Microsoft Research (2015). Touch Develop [Curso en línea] Recuperado de

Miller, L. D., Soh, L., Chiriacescu, V., Ingraham, E., Shell, D. F., …, & Hazley, M. P. (2013).
Improving learning of computational thinking using creative thinking exercises in CS-1
computer science courses. Frontiers in Education Conference, 2013 IEEE, 1426-1432.
Miller, L. D., Soh, L., Chiriacescu, V., Ingraham, E., Shell, D. F., & Hazley, M. P. (2014).
Integrating computational and creative thinking to improve learning and performance in CS1.
Proceedings of the 45th ACM Technical Symposium on Computer Science Education, 475-
480.
Miller, P. (2009). Learning with a missing sense: What can we learn from the interaction of a deaf
child with a turtle? American Annals of the Deaf, 154(1), 71-82.
Mills, K. A. (2010). A review of the ‘digital turn’ in the new literacy studies. Review of Educational
Research, 80(2), 246-271.
543
Miriada X (2015). Emprendimiento y App Inventor [Curso en línea] Recuperado de

https://miriadax.net/web/emprendimiento-y-app-inventor1
MIT Media Lab (2015). Scratch [Plataforma en línea] Recuperado de https://scratch.mit.edu/
Montero, I. & León, O. G. (2007). A guide for naming research studies in psychology. International
Journal of Clinical and Health Psychology, 7(3), 847-862.
Moreno-León, J., & Robles, G. (2014). Automatic detection of bad programming habits in Scratch:
A preliminary study. Frontiers in Education Conference (FIE), 2014 IEEE, 1-4. doi:
http://dx.doi.org/10.1109/FIE.2014.7044055
Moreno-León, J., & Robles, G. (2015). Analyze your Scratch projects with Dr. Scratch and assess
your computational thinking skills. Scratch Conference, 12-15.
Moreno-León, J., Robles, G., & Román-González, M. (2015). Dr. Scratch: análisis automático de
proyectos Scratch para evaluar y fomentar el Pensamiento Computacional. RED, Revista de
Educación a Distancia, 46. Recuperado de http://www.um.es/ead/red/46/moreno_robles.pdf
Morozov, E. (2015). La locura del solucionismo tecnológico. Madrid: Clave Intelectual
Morrison, B. B., & DiSalvo, B. (2014). Khan Academy gamifies computer science. Proceedings of
the 45th ACM Technical Symposium on Computer Science Education, 39-44. doi:
http://dx.doi.org/10.1145/2538862.2538946
Morrison, N. (6 de julio de 2014). The primary getting kids into binary. TheTelegraph.co.uk.
Recuperado de http://www.theguardian.com/technology/2014/jan/27/tablets-schools-coding-
kids-education-ipad
Mozilla Webmaker (2015). Estándares de alfabetización web [Documento en línea] Recuperado de

https://teach.mozilla.org/activities/web-literacy/
Mühling, A., Ruf, A., & Hubwieser, P. (2015). Design and first results of a psychometric test for
measuring basic programming abilities. Proceedings of the Workshop in Primary and
Secondary Computing Education, 2-10. doi: http://dx.doi.org/10.1145/2818314.2818320
Muñiz, J. (1992). Teoría clásica de los tests. Madrid: Pirámide.
Muñoz-Merino, P. J., Valiente, J. A. R., & Kloos, C. D. (2013). Inferring higher level learning
information from low level data for the khan academy platform. Proceedings of the Third
International Conference on Learning Analytics and Knowledge, 112-116. doi:
http://dx.doi.org/10.1145/2460296.2460318
National Science Foundation (2014). Computing Education for the 21st Century [Informe técnico]
Recuperado de http://www.nsf.gov/pubs/2012/nsf12527/nsf12527.htm
National Science Foundation (2015). CS Principles [Curso en línea] Recuperado de

http://apcsprinciples.org/
544
Navas Ara, M. J. (2001). Métodos, diseños y técnicas de investigación psicológica. Madrid: UNED.
Negroponte, N. (1995). Ser digital. Barcelona: Ediciones B.
NFER & Nesta (2015). Flipped Learning Research Report [Informe de Investigación] Recuperado
de https://www.nesta.org.uk/sites/default/files/flipped_learning_-_research_report.pdf
Ng, W. (2012). Can we teach digital natives digital literacy? Computers & Education, 59(3), 1065-
1078.
Nikolova, O., & Taylor, G. (2003). The impact of a language learning task on instructional outcomes
in two student populations: High-ability and average-ability students. Journal of Secondary
Gifted Education, 14(4), 205-217.
Noer, M. (11 de febrero de 2012). One man, one computer, 10 million students: How Khan Academy
is reinventing education. Forbes.com. Recuperado de http://www.prisim.com/wp-
content/uploads/2013/12/One-Man-One-Computer-10-Million-Students-How-Khan-
Academy-Is-Reinventing-Education-Forbes.pdf
O’Brien, B., Friedman-Nimz, R., Lacey, J., & Denson, D. (2005). From bits and bytes to C++ and
web sites: What is computer talent made of? Gifted Child Today, 28(3), 56-64.
O’Reilly, T. (23 de febrero de 2006). Qué es Web 2.0. Patrones del diseño y modelos del negocio
para la siguiente generación del software. Telos.com. En http://elchinorarodemadera.com/wp-
content/uploads/2013/03/Web2punto0_by_Tim_OReilly.pdf
Olabe, J. C., Basogain, X., Olabe, M. A., Maíz, I., & Castaño, C. (2014). Solving math and science
problems in the real world with a computational mind. Journal of New Approaches in
Educational Research (NAER Journal), 3(2), 75-82.
Olive, J. (1991). LOGO programming and geometric understanding: An in-depth study. Journal for
Research in Mathematics Education, 22(2), 90-111.
Olszewski-Kubilius, P. (2001). Interview with Joyce VanTassel-Baska. Journal of Secondary Gifted

Education, 12(2), 57-61.
Olszewski-Kubilius, P., & Lee, S. (2004). Gifted adolescents' talent development through distance
learning. Journal for the Education of the Gifted, 28(1), 7-35.
Olszewski-Kubilius, P., & Lee, S. (2005). The role of participation in In-School and Outside-of-
School activities in the talent development of gifted students. Journal of Secondary Gifted
Education, 15(3), 107-123.
Olszewski-Kubilius, P., Subotnik, R. F., & Worrell, F. C. (2015). Re-pensando las altas capacidades:
Una aproximación evolutiva. Revista de Educación, 368, 40-65. doi:
http://dx.doi.org/10.4438/1988-592X-RE-2015-368-297
ORDEN 1493/2015 (2015). Orden 1493/2015, de 22 de mayo, de la Consejería de Educación,

Juventud y Deporte, por la que se regula la evaluación y la promoción de los alumnos con
545
necesidad específica de apoyo educativo, que cursen segundo ciclo de Educación Infantil,
Educación Primaria y Enseñanza Básica Obligatoria, así como la flexibilización de la
duración de las enseñanzas de los alumnos con altas capacidades intelectuales en la
Comunidad de Madrid. Boletín Oficial de la Comunidad de Madrid, 15/06/2015
Palumbo, D. B. (1990). Programming language/problem-solving research: A review of relevant

issues. Review of educational research, 60(1), 65-89.
Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. New York: Basic Books.
Papert, S. (1994). The children’s machine: Rethinking school in the age of the computer. New York:
Basic Books.
Papert, S., Watt, D., diSessa, A., & Weir, S. (1979). Final report of the Brookline Logo Project:
Project summary and data analysis (Logo Memo 53). Cambridge, MA: MIT Logo Group.
Parke, B.N. (1989). Gifted Students in Regular Classrooms. Massachusetts: Allyn and Bacon.
Pedersen, S., & Liu, M. (2002). Effects of modeling expert cognitive strategies during problem-
based learning. Journal of Educational Computing Research, 26(4), 353-380. doi:
http://dx.doi.org/10.2190/6NL3-HMED-J8HE-GD4T
Pendarvis, E. D., Howley, A., & Howley, C.B. (1990). The abilities of gifted children. Nueva Jersey:
Prentice-Hall.
Pérez Juste, R. (2000). La evaluación de programas educativos: Conceptos básicos, planteamientos

generales y problemática. Revista de Investigación Educativa, 18(2), 261-287.
Pérez San-José, P. (2010). Estudio sobre seguridad y privacidad en el uso de los servicios móviles
por los menores españoles. Madrid: INTECO-Orange. Recuperado de
http://acercadeorange.orange.es/UpImages/files/2204/estudio_intecoorange_menores_y_movi
les_31e23c99b05123c622f224dfa.pdf
Piaget, J. (1952). The origins of intelligence in children. New York: International Universities Press.
Plummer, J. D., Wasko, K. D., & Slagle, C. (2011). Children learning to explain daily celestial
motion: Understanding astronomy across moving frames of reference. International Journal
of Science Education, 33(14), 1963-1992.
Pozniak, H. (21 de abril de 2014). Code to crack the job market. TheTelegraph.co.uk. Recuperado de
http://www.telegraph.co.uk/education/educationopinion/10767496/Code-to-crack-the-job-
market.html
Prensky, M. (2001). Digital natives, digital immigrants. On the Horizon, 9(5), 1-6.
Prensky, M. (13 de enero de 2008). Programming Is the New Literacy [Mensaje en un blog].
Recuperado de http://www.edutopia.org/programming-the-new-literacy
546
Prensky, M. (2009). H. sapiens digital: From digital immigrants and digital natives to digital
wisdom. Innovate: Journal of Online Education, 5(3).
Prensky, M. (2011). Enseñar a nativos digitales. Madrid: Ediciones SM.
Prince, K. R., Litovsky, A. R., & Friedman-Wheeler, D. (2012). Internet-mediated research: Beware
of bots. The Behavior Therapist, 35(5), 85-88.
PuroMarketing (s.f. 2014). En el mundo ya hay casi tantos teléfonos móviles como personas.
Puromarketing.com. Recuperado de http://www.puromarketing.com/12/19020/mundo-casi-
tantos-telefonos-moviles-como-personas.html
Quartararo, J. (2002). Continental mathematics league. Understanding our Gifted, 14(4), 15-16.
R. D. 943/2003 (2003). Real Decreto 943/2003, de 18 de julio, por el que se regulan las condiciones
para flexibilizar la duración de los diversos niveles y etapas del sistema educativo para los
alumnos superdotados intelectualmente. Boletín Oficial del Estado, 31/07/2003.
RAE (2015). Aplicación. Recuperado el 14 de octubre de 2015 de http://www.rae.es/
Rasch, G. (1993). Probabilistic models for some intelligence and attainment tests. Chicago: Chicago
Press.
Ratcliff, C. C., & Anderson, S. E. (2011). Reviving the turtle: Exploring the use of Logo with
students with mild disabilities. Computers in the Schools, 28(3), 241-255.
Raymond, E. S. (2001). Cómo convertirse en hacker [Documento en línea] Recuperado de

http://biblioweb.sindominio.net/telematica/hacker-como.html
Raymond, E. S. (2003). The Art of Unix Programming. Reading, MA: Addison-Wesley
Reid, P. T., & Roberts, S. K. (2006). Gaining options: A mathematics program for potentially
talented at-risk adolescent girls. Merrill-Palmer Quarterly, 52(2), 288-304. doi:
http://dx.doi.org/10.1353/mpq.2006.0019
Reis, S. M., & Renzulli, J. S. (2003). Research related to the Schoolwide Enrichment Triad Model.
Gifted Education International, 18(1), 15-40.
Renzulli, J. S. (1977). The Enrichment Triad Model: A guide for developing defensible program for
the gifted and talented. Mansfield: Creative Learning Press.
Renzulli, J. S. (1978). What makes giftedness? Reexamining a definition. Phi Delta Kappan, 78(3),
180-184.
Renzulli, J. S. (Ed.). (1988). Technical report of research studies related to the enrichment
triad/revolving door model (3rd ed.). Storrs, CT: University of Connecticut.
Renzulli, J. S. (2005). The three-ring conception of giftedness: A developmental model for

promoting creative productivity. En R. J. Sternberg, & J. Davidson (Eds.), Conceptions of
giftedness (2nd ed., pp. 217-245). Boston, MA: Cambridge University Press.
547
Renzulli, J.S., & Gaesser, A. H. (2015). Un sistema multicriterial para la identificación del alumnado
de alto rendimiento y de alta capacidad creativo-productiva. Revista de Educación, 368, 96-
131. doi: http://dx.doi.org/10.4438/1988-592X-RE-2015-368-290
Renzulli, J. S., & Reis, S. M. (1991). The Schoolwide Enrichment Model: A Comprehensive Plan for
the Development of Creative Productivity. En N. Colangelo & G. A. Davis, Handbook of
Gifted Education (pp. 111-141). Massachusetts: Allyn and Bacon.
Resig, J. (14 de agosto de 2012). Redefining the Introduction to Computer Science. [Mensaje en un
blog]. Recuperado de http://ejohn.org/blog/introducing-khan-cs/
Resnick, M. (2013a). Let’s Teach Kids to Code [Archivo de vídeo]. Recuperado de

http://www.ted.com/talks/mitch_resnick_let_s_teach_kids_to_code.html
Resnick, M. (08 de mayo de 2013b). Learn to Code, Code to Learn [Mensaje en un blog]
Recuperado de https://www.edsurge.com/news/2013-05-08-learn-to-code-code-to-learn
Resnick, M., Maloney, J., Monroy-Hernández, A., Rusk, N., Eastmond, E., Brennan, K., et al.
(2009). Scratch: Programming for all. Communications of the ACM, 52(11), 60-67. doi:
http://dx.doi.org/10.1145/1592761.1592779
Ritchel, M. (10 de mayo de 2014). Reading, Writing, Arithmetic, and Lately, Coding. NYtimes.com.
Recuperado de http://www.nytimes.com/2014/05/11/us/reading-writing-arithmetic-and-
lately-coding.html
Robertson, J. (2012). Making games in the classroom: Benefits and gender concerns. Computers &
Education, 59(2), 385-398. doi: http://dx.doi.org/10.1016/j.compedu.2011.12.020
Robinson, M. A., Gilley, W. F., & Uhlig, G. E. (1988). The effects of guided discovery Logo on
SAT performance of first grade students. Education, 109(2), 226-230.
Rodríguez, S., Cabanach, R. G., Valle, A., Núñez, J. C., & González-Pineda, J. A. (2004).
Diferencias en el uso de self-handicapping y pesimismo defensivo y sus relaciones con las
metas de logro, la autoestima y las estrategias de autorregulación. Psicothema, 16(4), 625-
631.
Román-González, M. (2013a). Programación de aplicaciones para dispositivos móviles (‘apps’)

como enriquecimiento curricular en sujetos de alta capacidad. Una revisión sistemática.
Trabajo Fin de Máster (TFM). Madrid: UNED. Recuperado de https://db.tt/nx0XNmQ5
Román-González, M. (2013b). Programación de aplicaciones para dispositivos móviles (‘apps’)

como enriquecimiento curricular en sujetos de alta capacidad. Actas del XVI Congreso
Nacional / II Internacional, Modelos de Investigación Educativa de AIDIPE (Alicante, 4-6 de
septiembre de 2013). Recuperado de https://db.tt/hpY0bDFd
Román-González, M. (26 de noviembre de 2013c). ‘Flipped Classroom’: una oportunidad para

profundizar en el EEES [Mensaje en un blog] Recuperado de
548
http://www.theflippedclassroom.es/flipped-classroom-una-oportunidad-para-profundizar-en-
el-eees/
Román-González, M. (2013d). CSEW: Cuestionario para profesores/as (previo) [Cuestionario en

línea] Recuperado de http://goo.gl/xCRO26
Román-González, M. (2013e). CSEW: Cuestionario para profesores/as (post) [Cuestionario en

línea] Recuperado de https://goo.gl/RRV9E5
Román-González, M. (2013f). CSEW: Cuestionario para estudiantes [Cuestionario en línea]

Recuperado de https://goo.gl/c3j5xq
Román-González, M. (2014a). Aprender a programar ‘apps’ como enriquecimiento curricular en

alumnado de alta capacidad. Bordón. Revista de Pedagogía, 66(4), 135-155. doi:
http://dx.doi.org/10.13042/Bordon.2014.66401
Román-González, M. (2014b). Aprender a programar aplicaciones para dispositivos móviles (‘apps’)

como enriquecimiento curricular en sujetos de alta capacidad: una revisión sistemática. VI
Congreso Iberoamericano de Pedagogía (Chile, 23-25 septiembre de 2014).
Román-González, M. (2014c). Codigoalfabetización y aprendizaje móvil. I Simposio Internacional

Mobile Learning. Córdoba (21-23 de marzo de 2014). Recuperado de https://db.tt/fgSMz2vL
Román-González, M (2014d). Test de Pensamiento Computacional – Versión 1.0 [Documento en

línea]. Recuperado de https://db.tt/66FJPURK
Román-González, M. (2014e). Validación de expertos – 1ª Parte [Cuestionario en línea].

Recuperado de http://goo.gl/6p1gcR
Román-González, M. (2014f). Validación de expertos – 2ª Parte [Cuestionario en línea]. Recuperado

de http://goo.gl/JSrHSD
Román-González, M. (2014g). Validación de expertos – 3ª Parte [Cuestionario en línea].

Recuperado de http://goo.gl/xCZlU8
Román-González, M. (2014h). Test de Pensamiento Computacional – Versión 2.0 [Documento en

línea]. Recuperado de https://db.tt/6hg2seLu
Román-González, M. (2014i). Test de Pensamiento Computacional [Test en línea] Recuperado de

http://goo.gl/IYEKMB
Román-González, M. (2015a). Computational Thinking Test: Design Guidelines and Content

Validation. 7th annual International Conference on Education and New Learning
Technologies (Barcelona, 6-8 de julio de 2015) Recuperado de
http://library.iated.org/view/ROMANGONZALEZ2015COM
Román-González, M. (2015b). Test de Pensamiento Computacional: principios de diseño, validación

de contenido y análisis de ítems. En M. A. Murga Menoyo, & M. P. Trillo Miravalles
549
(Coord.), Perspectivas y avances de la investigación (pp. 279-302). Madrid: UNED.

Recuperado de http://e-uned.es/product/product.php?prdctID=561
Román-González, M. (2015c). Cuestionario para profesores sobre la implantación del Curso K-8 de
Code.org [Cuestionario en línea] Recuperado de https://goo.gl/Ovswgg
Román-González, M. (2015d). Cuestionario de Satisfacción para estudiantes sobre el Curso K-8 de

Code.org [Cuestionario en línea] Recuperado de https://goo.gl/6X9rcv
Román-González, M., Pérez-González, J.C., & Jiménez-Fernández, C. (2015). Test de Pensamiento

Computacional: diseño y psicometría general. III Congreso Internacional sobre Aprendizaje,
Innovación y Competitividad (CINAIC 2015) (Madrid, 14-16 de octubre de 2015).
Recuperado de http://www.dmami.upm.es/dmami/documentos/liti/Actas_CINAIC_2015.pdf
Rotigel, J. V., & Fello, S. (2004). Mathematically gifted students: How can we meet their needs?
Royal Society. (2012). Shut down or restart: The way forward for computing in UK schools [Informe
técnico] Recuperado de http://royalsociety.org/education/policy/computing-in-schools/report/
Ruipérez-Valiente, J. A., Muñoz-Merino, P. J., Leony, D., & Kloos, C. D. (2015). ALAS-KA: A
learning analytics extension for better understanding the learning process in the Khan
Academy platform. Computers in Human Behavior, 47, 139-148. doi:
http://dx.doi.org/10.1016/j.chb.2014.07.002
Rushkoff, D. (2010). Program or be programmed. New York: OR Books.
Rushkoff, D. (13 de noviembre de 2012). Code Literacy: A 21st-Century Requirement [Mensaje en

un blog]. Recuperado de http://www.edutopia.org/blog/code-literacy-21st-century-
requirement-douglas-rushkoff
Sacristán, A. (2013). Sociedad del Conocimiento, Tecnología y Educación. Madrid: Morata.
Sadin, E. (2015). La vie algorithmique: Critique de la raison numérique. París: Éditions L’Échappée.
Salaman, W. (2008). Reflections on progress in musical education. British Journal of Music

Education, 25(3), 237-243. doi: http://dx.doi.org/10.1017/S0265051708008073
Sanjanaashree, P., Kumar, M. A., & Soman, K. (2014). Language learning for visual and auditory
learners using scratch toolkit. Proceedings of the Computer Communication and Informatics
(ICCCI), 2014 International Conference on (pp. 1-5). Coimbatore, India: IEEE. doi:
http://dx.doi.org/10.1109/ICCCI.2014.6921765
Santiago, R., Trabaldo, S., Kamijo, M., & Fernández, A. (2015). Mobile learning: nuevas realidades
en el aula. Barcelona: Digital-Text.
Seisdedos, N. (2002). RP-30 Resolución de Problemas [Manual técnico] Madrid: TEA Ediciones.
550
Seiter, L., & Foreman, B. (2013). Modeling the learning progressions of computational thinking of
primary grade students. Proceedings of the Ninth Annual International ACM Conference on
International Computing Education Research, 59-66. doi:
http://dx.doi.org/10.1145/2493394.2493403
Severance, C. (2015). Khan Academy and computer science. Computer, 48(1), 14-15.
Shah, S. (12 de septiembre de 2014). Hour of Code: Build The Next DevOps Generation.
Informationweek.com. Recuperado de http://www.informationweek.com/strategic-cio/it-
strategy/hour-of-code-build-the-next-devops-generation/a/d-id/1317967
Shaklee, B., & Landrum, M. (2000). Traveling the information highway in search of evidence.
Understanding our Gifted, 12(3), 14-16.
Shell, D. F., Hazley, M. P., Soh, L., Dee Miller, L., Chiriacescu, V., & Ingraham, E. (2014).
Improving learning of computational thinking using computational creativity exercises in a
college CS1 computer science course for engineers. Frontiers in Education Conference
(FIE), 2014 IEEE, 1-7.
Shivers, C. (2012). Shaking up expectations: The OCLS shake it! App. Computers in Libraries,
32(2), 14-17.
Siegle, D. (2003). Mentors on the net: Extending learning through telementoring. Gifted Child
Today, 26(4), 51-54.
Siegle, D. (2004). Identifying students with gifts and talents in technology. Gifted Child Today,
27(4), 30-33.
Siegle, D. (2005). Technology: An introduction to using spreadsheets to increase the sophistication

of student projects. Gifted Child Today, 28(4), 50-55.
Siegle, D. (2009). Developing student programming and problem-solving skills with visual basic.
Siegle, D. (2011). Technology: Presentations in the cloud with a twist. Gifted Child Today, 34(4),
54-58.
Siegle, D. (2013). iPads: Intuitive technology for 21st-century students. Gifted Child Today, 36(2),
146-150.
Siegle, D., & Powell, T. (2004). Exploring teacher biases when nominating students for gifted
programs. Gifted Child Quarterly, 48(1), 21-29.
Siemens, G. (2005). Conectivismo: Una teoría de la enseñanza para la era digital. International
Journal of Instructional Technology and Distance Learning, 2(10).
Siemens, G. (2010). Conectivismo: Una teoría de aprendizaje para la era digital. En R. Aparici
(Coord.), Conectados en el Ciberespacio (pp. 77-90). Madrid: UNED.
551
Silió, E. (7 de marzo de 2013). Aprender a programar como se aprende a leer. El País.com.

Recuperado de
http://sociedad.elpais.com/sociedad/2013/03/07/actualidad/1362689630_904553.html
Slavin, R. E. (2008). Perspectives on evidence-based research in education—What works? Issues in

synthesizing educational program evaluations. Educational Researcher, 37(1), 5-14.
Smith, D. C., Cypher, A., & Tesler, L. (2000). Novice programming comes of age. Communications
of the ACM, 43(3), 75–81.
Soe, L., & Yakura, E. K. (2008). What’s wrong with the pipeline? Assumptions about gender and
culture in IT work. Women's Studies, 37(3), 176-201.
Somyürek, S., & Coskun, B. K. (2013). Digital competence: Is it an innate talent of the new
generation or an ability that must be developed? British Journal of Educational Technology,
44(5), 163-166. doi: http://dx.doi.org/10.1111/bjet.12044
SRI Education (2014). Research on the Use of Khan Academy in Schools [Informe técnico]
Recuperado de https://www.sri.com/sites/default/files/publications/2014-03-
07_implementation_briefing.pdf
St. Cyr, S. (2004). Can distance learning meet the needs of gifted elementary math students? Gifted
Child Today, 27(2), 42-51.
Statz, J. A. (1974). The development of computer programming concepts and problem-solving

abilities among ten-year-olds learning Logo. Dissertation Abstracts International, 34, 5418B-
5419B.
Stefik, A., & Siebert, S. (2013). An Empirical Investigation into Programming Language Syntax.
ACM Transactions on Computing Education (TOCE), 13(4), 1-40. doi:
http://dx.doi.org/10.1145/2534973
Sternberg, R. (1991). Giftedness according to the Triarchic Theory of Human Intelligence. En N.

Colangelo y Davis, G. A., Handbook of Gifted Education (pp. 45-54). Massachusetts: Allyn
and Bacon.
Suarez, Th. (2011). A 12-year-old app developer [Archivo de Vídeo]. Recuperado de

http://www.ted.com/talks/thomas_suarez_a_12_year_old_app_developer
Suárez Riveiro, J. M., & Fernández Suárez, A. P. (2005). Escalas de evaluación de las estrategias
motivacionales de los estudiantes. Anales de psicología, 21(1), 116-128.
Sullivan, F., & Lin, X. (2012). The ideal science student: Exploring the relationship of students’
perceptions to their problem solving activity in a robotics context. Journal of Interactive
Learning Research, 23(3), 273-308.
552
Sun, C., Lin, H., & Hong Ho, C. (2006). Sharing tips with strangers: Exploiting gift culture in
computer gaming. CyberPsychology & Behavior, 9(5), 560-570. doi:
http://dx.doi.org/10.1089/cpb.2006.9.560
Suppes, P., Holland, P. W., Hu, Y., & Vu, M. (2013). Effectiveness of an individualized computer-
driven online math K-5 course in eight California title I elementary schools. Educational
Assessment, 18(3), 162-181. doi: http://dx.doi.org/10.1080/10627197.2013.814516
Tannenbaum, A. J. (1986). Giftedness: a psychosocial approach. En R. Sternberg y J. E. Davidson

(eds.), Conceptions of giftedness (pp. 21-52). Cambridge: Cambridge University Press.
Tannenbaum, A. J. (1991). The social psychology of giftedness. En N. Colangelo y G. A. Davis,

Handbook of Gifted Education (pp. 27-44). Massachusetts: Allyn and Bacon.
TEA Ediciones (2007). PMA – Aptitudes Mentales Primarias [Manual técnico]. Madrid: TEA
Ediciones.
TEA Ediciones (2015a). Batería de Aptitudes Mentales Primarias (PMA) [Test en línea] Disponible
en http://www.e-teaediciones.com/
TEA Ediciones (2015b). Resolución de Problemas (RP30) [Test en línea] Disponible en

TEA Ediciones (2015c). Formas Idénticas – Revisadas (FI-R) [Test en línea] Disponible en
TEA Ediciones (2015d). Cuestionario “Big Five” de Personalidad para Niños y Adolescentes
(BFQ-NA) [Test en línea] Disponible en http://www.e-teaediciones.com/
TEDx Talks (12 de febrero de 2013). Hackschooling makes me happy [Archivo de vídeo]
Recuperado de https://www.youtube.com/watch?v=h11u3vtcpaY
Tew, A. E., & Guzdial, M. (2010). Developing a validated assessment of fundamental CS1 concepts.
Proceedings of the 41st ACM Technical Symposium on Computer Science Education, 97-101.
Tew, A. E., & Guzdial, M. (2011). The FCS1: A language independent assessment of CS1
knowledge. Proceedings of the 42nd ACM Technical Symposium on Computer Science
Education, 111-116.
THNKR (2013a). 14-Year-Old Prodigy Programmer Dreams In Code [Archivo de vídeo]

Recuperado de https://youtu.be/DBXZWB_dNsw
THNKR (2013b). Is Prodigy Programmer The Next Steve Jobs? [Archivo de vídeo] Recuperado de
https://youtu.be/XWny9lZ9fM8
Thompson, C. (15 de julio de 2011). How Khan Academy is changing the rules of education. Wired
Digital Magazine. Recuperado de http://resources.rosettastone.com/CDN/us/pdfs/K-
12/Wired_KhanAcademy.pdf
553
Thomson, D. L. (2010). Beyond classroom walls: Teachers' and students' perspectives on how online
learning can meet the needs of gifted students. Journal of Advanced Academics, 21(4), 662-
712.
Thurstone, L. L. (1938a). Primary mental abilities. Chicago: University of Chicago Press.
Thurstone, L. (1938b). The perceptual factor. Psychometrika, 3(1), 1-17.
Torrance, E.P. (1986). Teaching creative and gifted learners. En M. C. Wittrock (ed.), Handbook of
Research on Teaching (pp. 630-647). London: McMillan.
Tourón, J. (2008). La enseñanza a distancia: posibilidades para la atención individualizada de los

alumnos de alta capacidad en la escuela y la familia. Revista Española de Pedagogía, 240,
297-314.
Tourón, J. (2010). El desarrollo del talento y la promoción de la excelencia: Exigencias de un

sistema educativo mejor. Bordón. Revista De Pedagogía, 62(3), 133-149.
Tourón, J. (08 de febrero de 2013a). Khan Academy. ¡Una revolución a coste cero! [Mensaje en un
blog] Recuperado de http://www.javiertouron.es/2013/02/khanacademy-una-revolucion-
coste-cero.html
Tourón, J. (15 de febrero de 2013b). Khan Academy para profesores. ¿Quién dijo que no es posible
diferenciar? [Mensaje en un blog] Recuperado de
http://www.javiertouron.es/2013/02/khanacademy-para-profesores-quien-dijo.html
Tourón, J. (16 de abril de 2013c). Dispositivos móviles en la clase: ¿modernidad o eficiencia?

[Mensaje en un blog] Recuperado de http://www.javiertouron.es/2013/04/dispositivos-
moviles-en-la-clase.html
Tourón, J. (22 de abril de 2013d). Enseñando con tablets: ¿moda u oportunidad? [Mensaje en un
blog] Recuperado de http://www.javiertouron.es/2013/04/ensenando-con-tablets-moda-u-
oportunidad.html
Tourón, J. (28 de junio de 2013e). The Flipped Classroom: ¿no has 'flipado' aún? (1) [Mensaje en
un blog] Recuperado de http://www.javiertouron.es/2013/06/the-flipped-classroom-no-has-
flipado.html
Tourón, J. (01 de julio de 2013f). Qué es y qué no es la Flipped Classroom: aclarando conceptos (2)
[Mensaje en un blog] Recuperado de http://www.javiertouron.es/2013/07/que-es-y-que-no-
es-la-flipped-classroom.html
Tourón, J. (14 de septiembre de 2015). ¿Qué dicen los profesores sobre el Flipped Classroom?
[Mensaje en un blog] Recuperado de http://www.javiertouron.es/2015/09/que-dicen-los-
profesores-sobre-el.html
554
Tourón, J., & Santiago, R. (2015). El modelo Flipped Learning y el desarrollo del talento en la
escuela. Revista de Educación, 368, 196-231. doi: http://dx.doi.org/10.4438/1988-592X-RE-
2015-368-288
Tourón, J., Santiago, R., & Díez, A. (2014). The Flipped Classroom: Cómo convertir la escuela en
un espacio de aprendizaje. Barcelona: Digital-Text.
Tourón, J., Santiago, R., & Vázquez, H. (2015). The Flipped Classroom: Experiencias y recursos
para ‘darle la vuelta’ a la clase [Página web] Recuperado de
http://www.theflippedclassroom.es/
Turkle, S. (1995). Life on the screen: Identity in the age of the internet. New York: Simon &
Schuster
Turkle, S. (2011). Alone Together: Why We Expect More from Technology and Less from Each
Other. New York: Basic Books
Turkle, S. (2015). Reclaiming Conversation: The Power of Talk in a Digital Age. New York:
Penguin Press.
UK Department of Education (2013). National curriculum in England: computing programmes of

study [Documento en línea] Recuperado de
https://www.gov.uk/government/publications/national-curriculum-in-england-computing-
programmes-of-study
Urrea, C., & Bender, W. (2012). Making learning visible. Mind, Brain, and Education, 6(4), 227-
241.
U-Tad (06 de junio de 2013). Las Apps del futuro llegan a U-tad con las I Olimpiadas Android para
jóvenes. U-Tad.com. Recuperado de https://www.u-tad.com/noticias/las-apps-del-futuro-
llegan-a-u-tad-con-las-i-olimpiadas-android-para-jovenes/
Vallespín, I. (19 de febrero de 2014). Las ‘apps’ del insti. ElPaís.com. Recuperado de
http://tecnologia.elpais.com/tecnologia/2014/02/14/actualidad/1392406482_481618.html
Valverde, J., Fernández, M. R., & Garrido, M. C. (2015). El pensamiento computacional y las nuevas
ecologías de aprendizaje. RED, Revista de Educación a Distancia, 46. Recuperado de
http://www.um.es/ead/red/46/valverde_et_al.pdf
VanTassel-Baska, J. (1989). Appropriate curriculum for gifted learners. Educational Leadership,

46(6), 13-15.
VanTassel-Baska, J. (2015). La diferenciación en acción: el Modelo de Currículo Integrado. Revista

de Educación, 368, 232-254. doi: http://dx.doi.org/10.4438/1988-592X-RE-2015-368-296
Von Stumm, S., Hell, B., & Chamorro-Premuzic, T. (2011). The hungry mind: intellectual curiosity
is the third pillar of academic performance. Perspectives on Psychological Science, 6(6), 574-
588. doi: http://dx.doi.org/10.1177/1745691611421204
555
Voyer, D., Voyer, S., & Bryden, M. P. (1995). Magnitude of sex differences in spatial abilities: A
meta-analysis and consideration of critical variables. Psychological Bulletin, 117(2), 250.
Vygotsky, L. (1978). Mind in society: The development of higher psychological processes.

Cambridge, MA: Harvard University Press.
Vygotsky, L. (1986). Thought and language. Cambridge, MA: MIT Press.
Walden, J., Doyle, M., Garns, R., & Hart, Z. (2013). An informatics perspective on computational
thinking. Proceedings of the 18th ACM Conference on Innovation and Technology in
Computer Science Education, 4-9.
Wang, L., & Chen, M. (2010). The effects of game strategy and preference‐matching on flow
experience and programming performance in game‐based learning. Innovations in Education
and Teaching International, 47(1), 39-52.
Wang, M. C., & Lindvall, C. M. (1984). Individual differences and school learning environments.
Review of Research in Education, 11, 161-225.
Ward, M. (03 de marzo de 2014). An hour to catch the coding bug. BBC.com. Recuperado de
http://www.bbc.com/news/technology-26415021
Watt, M. (1982). What is Logo? Creative Computing, 8(10), 112-129.
Webb, J. T. (1993). Nurturing social emotional development of gifted children. En K. A. Heller, F. J.

Mönks, & A. H. Passow (eds.), International Handbook of Research and Development of
Giftedness and Talent (pp. 525-538). Oxford: Pergamon Press.
Webb, J. (2011). The iPad as a Tool For Education - a case study [Informe técnico] Recuperado de
http://www.naace.co.uk/publications/longfieldipadresearch
Weber, C. L., & Cavanaugh, T. W. (2006). Promoting reading: Using eBooks with gifted and
advanced readers. Gifted Child Today, 29(4), 56-63.
Weintrop, D., & Wilensky, U. (2015a). Using commutative assessments to compare conceptual
understanding in blocks-based and text-based programs. Proceedings of the Eleventh Annual
International Conference on International Computing Education Research, ICER15, 101-
110. doi: http://dx.doi.org/10.1145/2787622.2787721
Weintrop, D., & Wilensky, U. (2015b). To block or not to block, that is the question: Students’
perceptions of blocks-based programming. Proceedings of the 14th International Conference
on Interaction Design and Children, 199-208. doi:
http://dx.doi.org/10.1145/2771839.2771860
Werner, L., Denner, J., Campe, S., & Kawamoto, D. C. (2012). The fairy performance assessment:
Measuring computational thinking in middle school. Proceedings of the 43rd ACM Technical
Symposium on Computer Science Education, 215-220.
556
Whitmore, J. (1988). Nuevos retos a los métodos de investigación habituales. En J. Freeman (Dir.),
Los niños superdotados. Aspectos psicológicos y pedagógicos (pp. 115-138). Madrid:
Santillana.
Wilensky, U., & Reisman, K. (2006). Thinking like a wolf, a sheep, or a firefly: Learning biology
through constructing and testing computational theories—an embodied modeling approach.
Cognition and instruction, 24(2), 171-209.
Williamson, B. (2015). Political computational thinking: Policy networks, digital governance and
‘learning to code’. Critical Policy Studies, 1-20. doi:
http://dx.doi.org/10.1080/19460171.2015.1052003
Wilson, A., Hainey, T., & Connolly, T. (2012). Evaluation of computer games developed by primary
school children to gauge understanding of programming concepts. 6th European Conference
on Games-Based Learning (ECGBL), 4-5.
Wilson, C. (2015a). Hour of code: Bringing research to scale. ACM Inroads, 6(2), 18-18. doi:
http://dx.doi.org/10.1145/2746406
Wilson, C. (2015b). Hour of code---a record year for computer science. ACM Inroads, 6(1), 22-22.
doi: http://dx.doi.org/10.1145/2723168
Wilson, Z. S., Iyengar, S. S., Pang, S., Warner, I. M., & Luces, C. A. (2012). Increasing access for
economically disadvantaged students: The NSF/CSEM & S-STEM programs at Louisiana
State University. Journal of Science Education and Technology, 21(5), 581-587.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
Wing, J. M. (2008). Computational thinking and thinking about computing. Philosophical

Transactions. Series A, Mathematical, Physical, and Engineering Sciences, 366(1881), 3717-
3725. doi: http://dx.doi.org/10.1098/rsta.2008.0118
Wolfe, J. M. (1968). Aptitude Assessment Battery Programming. Montreal: Walden Personnel

Testing & Consulting Inc.
Wolz, U., Hallberg, C., & Taylor, B. (2011). Scrape: A tool for visualizing the code of scratch
programs. Poster Presented at the 42nd ACM Technical Symposium on Computer Science
Education, Dallas, TX.
Wong, J. (22 de agosto de 2012a). What I did at Khan Academy. [Mensaje en un blog]. Recuperado
de http://jamie-wong.com/2012/08/22/what-i-did-at-khan-academy/
Wong, J. (14 de agosto de 2012b). Khan Academy Computer Science: Instant Gratification and
Bragging Rights. [Mensaje en un blog]. Recuperado de http://jamie-
wong.com/2012/08/14/khan-academy-computer-science/
557
Wurst, C., Smarkola, C., & Gaffney, M. A. (2008). Ubiquitous laptop usage in higher education:
Effects on student achievement, student satisfaction, and constructivist measures in honors
and traditional classrooms. Computers & Education, 51(4), 1766-1783.
Yang, Y., Cho, Y., Mathew, S., & Worth, S. (2011). College student effort expenditure in online
versus face-to-face courses: The role of gender, team learning orientation, and sense of
classroom community. Journal of Advanced Academics, 22(4), 619-638. doi:
http://dx.doi.org/10.1177/1932202X11415003
Yáñez, A. (10 de diciembre de 2015). El futuro de la programación es femenino plural [Mensaje en

un blog] Recuperado de http://programamos.es/programacion-femenino/
Yarbro, J., Arfstrom, K. M., McKnight, K., & McKnight, P. (2014). Extension of a Review of
Flipped Learning [Informe técnico] Recuperado de
http://flippedlearning.org/cms/lib07/VA01923112/Centricity/Domain/41/Extension%20of%2
0FLipped%20Learning%20LIt%20Review%20June%202014.pdf
Ysseldyke, J., Tardrew, S. P., Betts, J., Thill, T. L., & Hannigan, E. (2004). Use of an instructional
management system to enhance math instruction of gifted and talented students. Journal for
the Education of the Gifted, 27(4), 293-310.
Zapata-Ros, M. (2015). Pensamiento computacional y alfabetización digital. RED, Revista de

Educación a Distancia, 46. Recuperado de http://www.um.es/ead/red/46/zapata.pdf
Zavala, L. A., Gallardo, S. C. H., & García-Ruiz, M. A. (2013). Designing interactive activities
within Scratch 2.0 for improving abilities to identify numerical sequences. Proceedings of the
12th International Conference on Interaction Design and Children (pp. 423–426). New York,
NY, USA: ACM. doi: http://dx.doi.org/10.1145/2485760.2485831
Zeilinger, J. (22 de abril de 2015). Meet The Group of Young Female Coders Who Developed A
Yelp-Like Safety App. Mic.com. Recuperado de http://mic.com/articles/116204/how-a-
group-of-young-female-coders-developed-a-yelp-like-safety-app
Zhuang, H., & Morgera, S. D. (2007). Development of an undergraduate course. Internet-based

instrumentation and control. Computers & Education, 49(2), 330-344.
Zucker, A. A. (2009). Assessment made easy: Students flourish in a one-to-one laptop program.
Learning & Leading with Technology, 36(8), 18-21.
558
ÍNDICE DE FIGURAS Y TABLAS
Figuras ordenadas por capítulos y anexos Pág.
Figura 0.1. Códigos QR que enlazan a los tableros sobre codigoalfabetización curados por el
doctorando en Pinterest y Scoop.it……………………………………………………………… 16
Figura 1.1. Delimitación inicial del problema de investigación………………………………... 19

Figura 1.2. Consola de programación en lenguaje JavaScript & ProcessingJS e interfaz de la
aplicación resultante…………………………………………………………………………….. 20
Figura 1.3. Comandos y parámetros para la programación en lenguaje JavaScript &
ProcessingJS…………………………………………………………………………………….. 20
Figura 1.4. Sucesivos derivados o versiones de un objeto original de programación………….. 22
Figura 1.5. Entorno de trabajo de la plataforma ‘MIT – App Inventor’……………………….... 26
Figura 1.6. Mapa de Conocimiento (‘Knowledge Map’) del área de Matemáticas en KA…….. 29
Figura 1.7. Relación detallada del progreso en las habilidades de un estudiante en el área de
Matemáticas en KA……………………………………………………………………………... 30
Figura 1.8. Interfaz con el conjunto de recursos para desarrollar la habilidad ‘Basic Division’
en KA…………………………………………………………………………………………… 30
Figura 1.9. Videotutorial de KA en YouTube, de apoyo al aprendizaje de la habilidad ‘Basic
Division’………………………………………………………………………………………… 31
Figura 1.10. ‘Badges’ (insignias digitales) obtenidas en KA por un estudiante tras el logro de
sucesivas habilidades…………………………………………………………………………… 31
Figura 1.11. Ejemplo de la actividad del estudiante en la plataforma KA a lo largo de ‘los
pasados 30 días’………………………………………………………………………………… 32
Figura 1.12. Conjunto de habilidades y videotutoriales abordados por el estudiante en ‘los
pasados 30 días’, con los respectivos niveles de dominio alcanzados en KA………………….. 32
Figura 1.13. Itinerario formativo del módulo ‘Intro to JS: Drawing & Animation’ en KA……. 35
Figura 1.14. Tutorial de ‘consola de programación interactiva’ denominado ‘Intro to coloring’
en KA…………………………………………………………………………………………… 35
Figura 1.15. Ilustración del modelo ‘flipped classroom’ (1)…………………………………… 39
Figura 1.16. Ilustración del modelo ‘flipped classroom’ (2)…………………………………… 40
Figura 1.17. Tiempo en la ‘clase invertida’ según la taxonomía de Bloom……………………. 41
Figura 1.18. Noticia en prensa de implantación pionera de ‘clase invertida’ en España……….. 43
Figura 1.19. Oferta de ‘apps’ en ‘App Store’…………………………………………………… 49
Figura 1.20. Santiago González, programador prodigio de ‘apps’ con 14 años………………... 51
Figura 1.21. Web de descarga de ‘apps’ de Santiago González………………………………... 51
Volver al índice
ÍNDICE DE FIGURAS Y TABLAS / Román-González (2016)
Figura 1.22. Página Web de las ‘Olimpiadas Android’………………………………………… 53

Figura 1.23. Países de la UE que ya integran, en alguna medida, la programación informática
(‘coding’) en sus currículos……………………………………………………………………... 55
Figura 1.24. Mapa conceptual sobre la adecuación, viabilidad y relevancia de la programación
de ‘apps’ como enriquecimiento curricular en alumnado de alta capacidad…………………… 58
Figura 1.25. Proceso de fijación de los parámetros de búsqueda………………………………. 61
Figura 1.26. Códigos QR de enlace a la hoja de tabulación de las referencias de la revisión
sistemática; y al documento con la recopilación de abstracts………………………………….. 63
Figura 1.27. Revistas de publicación de los artículos revisados………………………………... 65
Figura 1.28. Año de publicación de los artículos revisados…………………………………….. 65
Figura 1.29. Nivel educativo sobre el que se centran los artículos……………………………... 67
Figura 1.30. Porcentaje de artículos revisados en cuyo abstract se encuentran indicios para el
contraste de las respectivas hipótesis directivas enunciadas……………………………………. 68
Figura 2.1. El programa ‘Hello World!’ escrito en código HTML, JavaScript, Python (versión
3) y Ruby………………………………………………………………………………………... 77
Figura 2.2. Estándares de ‘alfabetización web’ de la Fundación Mozilla………………………. 87
Figura 2.3. Alfabetización Digital, Alfabetización Web, y Codigoalfabetización……………... 88
Figura 2.4. Entorno de programación Scratch…………………………………………………... 92
Figura 2.5. Algunas cifras del evento ‘La Hora del Código’…………………………………… 93
Figura 2.6. La ‘brecha laboral’ en el campo de la programación informática………………….. 94
Figura 2.7. Cita de Steve Jobs utilizada como leitmotiv en ‘La Hora del Código’……………... 95
Figura 2.8. Figuras relevantes de Silicon Valley promoviendo el evento ‘La Hora del Código’. 95
Figura 2.9. El presidente Barack Obama anima a los estudiantes a programar sus teléfonos
móviles………………………………………………………………………………………….. 96
Figura 2.10. Captura de pantalla de 1 de los 20 retos de ‘coding’ que se proponen en el tutorial
interactivo de ‘La Hora del Código’ diseñado por Code.org…………………………………… 97
Figura 2.11. Plantilla personalizable para la certificación de participación el ‘La Hora del
Código’………………………………………………………………………………………….. 97
Figura 2.12. Delimitación final del problema de investigación………………………………… 98
Figura 2.13. El lenguaje-entorno de programación informática Logo………………………….. 100
Figura 2.14. ‘Modelo Computacional Multiagente’ de depredación lobos-ovejas en NetLogo... 105
Figura 2.15. Conceptos de programación implícitos en un script de Scratch…………………... 106
Figura 2.16. Ejemplo de lenguaje de programación visual por flechas………………………… 108
Figura 2.17. Ejemplo de lenguaje de programación visual por bloques………………………... 108
Figura 2.18. Ejemplo de lenguaje de programación textual…………………………………….. 109
560
Figura 2.19. Ejemplo de una de las muchas interfaces tipo ‘laberinto’ existentes para el
aprendizaje del ‘coding’………………………………………………………………………… 109
Figura 2.20. Ejemplo de una de las muchas interfaces tipo ‘lienzo o pizarra’ existentes para el
Figura 2.21. Ejemplo de ‘coding’ en un proyecto abierto de narración digital, a través de Alice 111
Figura 2.22. Ejemplo de ‘coding’ a través de la programación directa de robots Bee-Bots……. 111
Figura 2.23. Ejemplo de ‘coding’ desde dispositivos móviles para controlar robots y drones, a
través de Tickle…………………………………………………………………………………. 112
Figura 2.24. Ejemplo de ‘coding’ desde un ordenador para controlar una placa Arduino, a
través de S4A…………………………………………………………………………………… 112
Figura 2.25. Cejilla para guitarra impresa en 3D, cuyos códigos se comparten y remezclan en
Thingiverse……………………………………………………………………………………… 112
Figura 2.26. Proyecto Scratch “Flotar o no flotar: Esa es la cuestión”………………………... 126
Figura 2.27. Proyecto Scratch “La aventura de Mark”………………………………………… 127
Figura 2.28. Proyecto Scratch “Concurs”……………………………………………………… 127
Figura 2.29. Composición interna, editable, del proyecto “Concurs” ………………………… 128
Figura 2.30. Script que controla uno de los objetos del proyecto “Concurs”………………….. 128
Figura 2.31. Ranking de sueldos para un programador informático en función del lenguaje que
domine…………………………………………………………………………………………... 130
Figura 2.32. Captura de pantalla de la comunidad ‘on-line’ DIY.org………………………….. 132
Figura 2.33. Proyectos y Mentoras de la plataforma ‘Made with Code’ de Google……………. 138
Figura 2.34. Ejemplo de cartel promocional de ‘Girls who code’……………………………… 139
Figura 2.35. Símil entre el mundo globalizado y el mundo digitalizado……………………….. 142
Figura 3.1. Codigoalfabetización y Pensamiento Computacional: dos caras de una misma

moneda………………………………………………………………………………………….. 143
Figura 3.2. Las 4 fases-pasos cognitivos del pensamiento computacional……………………... 148
Figura 3.3. Algoritmo del ‘cambio porcentual’ escrito como programa informático a través de
código Python…………………………………………………………………………………... 151
Figura 3.4. Marco-modelo de pensamiento computacional en el aula propuesto desde ‘CAS
Barefoot’………………………………………………………………………………………… 154
Figura 3.5. Ejemplo de algoritmo: secuencia de instrucciones para preparar una tostada……… 155
Figura 3.6. La detección del patrón revela la regla ortográfica (ejemplo tomado de ‘CAS
Barefoot’)……………………………………………………………………………………….. 156
Figura 3.7. Ejemplo de ‘pair programming’……………………………………………………. 158
Figura 3.8. Diagrama resumen del Modelo MIT-Harvard de pensamiento computacional……. 159
Figura 3.9. Una secuencia con instrucciones repetidas, expresada a través de un bucle……….. 160
Figura 3.10 Ejemplo de 3 secuencias ejecutadas en paralelo en respuesta al mismo evento…… 160
561
Figura 3.11. Operadores disponibles en Scratch………………………………………………... 161

Figura 3.12. Familias de estándares curriculares para las ‘Ciencias de la Computación’ de la
CSTA……………………………………………………………………………………………. 167
Figura 3.13. El mismo programa informático escrito en un lenguaje textual y en un lenguaje
visual……………………………………………………………………………………………. 183
Figura 3.14. Galería de diseños artísticos producidos por estudiantes a través del lenguaje
Logo…………………………………………………………………………………………….. 187
Figura 3.15. Red de ordenación y clasificación………………………………………………… 191
Figura 3.16. Código QR de enlace al curso ‘K-8 Intro to Computer Science’………………….. 192
Figura 3.17. Itinerario curricular-formativo del curso ‘K-8 Intro to Computer Science’………. 194
Figura 3.18. Nivel 15 de la Etapa 2 del curso ‘K-8 Intro to Computer Science’……………….. 195
Figura 3.19. Nivel 7 de la Etapa 7 del curso ‘K-8 Intro to Computer Science’………………… 195
Figura 3.20. Panel de seguimiento (‘tracking’) del profesor, y galería de trofeos digitales
(‘badges’) del estudiante en el curso ‘K-8 Intro to Computer Science’………………………… 197
Figura 3.21. Visualización resultante del análisis de un conjunto de proyectos Scratch a través
de la herramienta ‘Scrape’……………………………………………………………………… 206
Figura 3.22. Ítem utilizado en el ‘Test for Computational Thinking’ (Gouws, Bradshaw &
Wentworth, 2013b), perteneciente a la categoría de ‘Patrones y Algoritmos’…………………. 210
Figura 3.23. Aproximación kinestésica al aprendizaje (‘embodied learning’) del PC…………. 212
Figura 3.24. ‘Computational Thinking Patterns Graph’ desarrollado por la Universidad de
Colorado………………………………………………………………………………………… 213
Figura 3.25. Ejemplo de ítem del ‘Test for Measuring Basic Programming Abilities’………… 216
Figura 3.26. Ejemplo de ítem del ‘Commutative Assessment’………………………………….. 217
Figura 3.27. Tarea ‘Ice Cream Machine’ de la Edición 2013 del Concurso Internacional
Bebras…………………………………………………………………………………………… 220
Figura 3.28. Tarea ‘Visiting friends’ de la Edición 2013 del Concurso Internacional Bebras….. 221
Figura 3.29. Diferentes niveles de competencia en la dimensión ‘Pensamiento lógico’……….. 224
Figura 3.30. Retroalimentación de Dr. Scratch en función del nivel de competencia
demostrado……………………………………………………………………………………… 224
Figura 5.1. Histograma con la distribución por edad de la muestra de estudiantes…………….. 245
Figura 5.2. Centros educativos de procedencia de la muestra de estudiantes…………………... 246
Figura 5.3. Código QR que enlaza al ‘CSEW: Cuestionario para profesores (previo)’………... 249
Figura 5.4. Código QR que enlaza al ‘CSEW: Cuestionario para profesores (post)’…………... 249
Figura 5.5. Código QR que enlaza al ‘CSEW: Cuestionario para estudiantes’………………… 250
Figura 5.6. Distribución de los centros invitados por área geográfica, diferenciada para ambas
ediciones………………………………………………………………………………………… 252
562
Figura 5.7. Distribución de los centros invitados por Comunidad Autónoma, diferenciada para
ambas ediciones…………………………………………………………………………………. 253
Figura 5.8. Distribución de los centros invitados por titularidad, diferenciado por cada edición
HoC……………………………………………………………………………………………... 254
Figura 5.9. Distribución de los centros invitados por tipología, diferenciado por cada edición
HoC……………………………………………………………………………………………... 254
Figura 5.10. Código QR al documento con el contenido completo de las respuestas al
cuestionario pre para profesores………………………………………………………………... 255
Figura 5.11. Captura de una de las pantallas del tutorial propuesto por Code.org, utilizando los
personajes de ‘Angry Birds’…………………………………………………………………….. 260
Figura 5.12. Captura de una de las pantallas del tutorial ‘Lightbot’ para la HoC………………. 261
Figura 5.13. Ejemplo del ‘tracking’ que se puede realizar a los estudiantes, sobre los niveles
que van intentando y completando a lo largo de ‘La Hora del Código’………………………... 266
Figura 5.14. Código QR al documento con el contenido completo de las respuestas al
cuestionario post para profesores……………………………………………………………….. 267
425
Figura 5.15. Evolución en la Pregunta 1 por sexo a lo largo de las distintas etapas
educativas……………………………………………………………………………………….. 273
Figura 5.16. Evolución en la Pregunta 2 por sexo a lo largo de las distintas etapas educativas... 276
Figura 5.17. Penetración de los lenguajes de programación entre los estudiantes……………… 278
Figura 5.18. Índices de penetración de cada lenguaje sobre el total de la muestra, diferenciado
por sexos………………………………………………………………………………………… 279
Figura 5.19. Factor de género sobre el índice de penetración [(%chicos) ÷ (%chicas)], según
lenguajes………………………………………………………………………………………… 280
Figura 5.20. Comparativa de medias en las distintas aptitudes-habilidades……………………. 281
Figura 5.21. Diferencias por etapa educativa para la Pregunta 4……………………………….. 282
Figura 5.22. Diferencias según experiencia previa en ‘coding’ para la Pregunta 4…………….. 283
Figura 5.23. Solución de 3 factores para la Pregunta 4…………………………………………. 286
Figura 5.24. Solución de 4 factores para la Pregunta 4…………………………………………. 288
Figura 5.25. Distribución de frecuencias para la Pregunta 5, en función de la respuesta a la
Pregunta 6……………………………………………………………………………………….. 290
Figura 5.26. Media en la Pregunta 5 según etapa educativa……………………………………. 292
Figura 5.27. Media en la Pregunta 6 según etapa educativa……………………………………. 292
Figura 5.28. Medias de las respuestas a la Pregunta 4, en función de la Pregunta 5…………… 293
Figura 5.29. Medias de las respuestas a la Pregunta 4, en función de la Pregunta 6…………… 294
Figura 5.30. Medias en la Pregunta 7, en función de sexo y etapa educativa…………………... 296
Figura 5.31. Medias en la Pregunta 7, en función de la experiencia previa en ‘coding’
(Pregunta 2) y sexo……………………………………………………………………………… 298
425
Para orientar al lector, aquí comienzan las figuras relativas a los resultados del ‘CSEW: Cuestionario para estudiantes’
(Anexo C)
563
Figura 5.32. Medias en la Pregunta 7, en función de la autoeficacia en ‘coding’ (Pregunta 5)… 299
Figura 5.33. Medias en la Pregunta 7, en función de la autoeficacia en ‘coding’ (Pregunta 5) y
sexo……………………………………………………………………………………………… 300
Figura 5.34. Medias en la Pregunta 7, en función de haber conseguido completar la actividad
HoC (Pregunta 6) y sexo………………………………………………………………………... 301
Figura 5.35. Distribución de frecuencias de las respuestas a la Pregunta 8 del cuestionario para
estudiantes………………………………………………………………………………………. 302
Figura 5.36. Medias en la Pregunta 8 según la etapa educativa………………………………… 304
Figura 5.37. Medias en la Pregunta 9 según la etapa educativa………………………………… 305
Figura 5.38. Media en la Pregunta 8, en función de la percepción de autoeficacia (Pregunta 5). 306
Figura 5.39. Media en la Pregunta 9, en función de la percepción de autoeficacia (Pregunta 5). 306
Figura 5.40. Distribución de frecuencias según sexo en los clústeres………………………….. 310
Figura 5.41. Distribución de frecuencias según sexo y etapa educativa en los clústeres……….. 311
Figura 5.42. Distribución de frecuencias según titularidad de centro en los clústeres…………. 311
Figura 5.43. Diagrama de dispersión entre puntuaciones observadas-predichas por el modelo
para la variable dependiente…………………………………………………………………….. 315
Figura 5.44. Puntuaciones en la función discriminante para los sujetos que contestaron
originalmente ‘sí’ a la P9……………………………………………………………………….. 319
Figura 5.45. Puntuaciones en la función discriminante para los sujetos que contestaron
originalmente ‘no’ a la P9………………………………………………………………………. 319
Figura 5.46. Distribución de casos anómalos del análisis discriminante por sexo……………... 320
Figura 5.47. Distribución de casos anómalos del análisis discriminante por etapa educativa….. 320
Figura 5.48. Distribución de casos anómalos del análisis discriminante por clúster de
pertenencia…………………………………………………………………………………….... 321
Figura 5.49. Porcentajes de penetración de las distintas plataformas-tutoriales ‘on-line’ sobre
el total de la muestra…………………………………………………………………………….. 323
Figura 5.50. Tutorial HoC de Code.org………………………………………………………… 324
Figura 5.51. Tutorial HoC de Scratch…………………………………………………………... 324
Figura 5.52. Distribución de ‘coders’ y ‘scratchers’ según sexo………………………………. 325
Figura 5.53. Distribución de ‘coders’ y ‘scratchers’ según etapa educativa…………………… 325
Figura 5.54. Medias en la Pregunta 4 para ‘coders’ y ‘scratchers’…………………………….. 326
Figura 5.55. Medias en la Pregunta 4 para ‘coders’ y ‘scratchers’, diferenciado para Primaria
y Secundaria…………………………………………………………………………………….. 327
Figura 5.56. Medias en las preguntas 5 y 8 para ‘coders’ y ‘scratchers’………………………. 328
Figura 5.57. Medias en las preguntas 5 y 8 para ‘coders’ y ‘scratchers’, diferenciado para
Primaria y Secundaria…………………………………………………………………………... 328
Figura 5.58. Códigos QR a sendos PDF con el conjunto de respuestas emitidas en las
preguntas 11 y 12……………………………………………………………………………….. 329
564
Figura 5.59. Frecuencias en la Pregunta 11 en función de la Pregunta 12……………………… 330

Figura 5.60. Gráfico radial con la frecuencia de aparición relativa a cada tipo de razones para
aprender ‘coding’……………………………………………………………………………….. 333
Figura 5.61. Evolución de ‘La Hora del Código’ a lo largo de las ediciones 2013 y 2014…….. 335
Figura 5.62. Aspectos más positivos y más negativos reportados por los profesores en el
cuestionario posterior a ‘La Hora del Código’………………………………………………….. 337
Figura 5.63. Análisis combinado de la brecha de género……………………………………….. 339
Figura 5.64. Diagrama de dispersión entre el rendimiento informado en Tecnología /
Informática y la percepción de autoeficacia en ‘coding’, diferenciado por sexo…...................... 343
Figura 5.65. Diagrama de dispersión tridimensional: “alta autoeficacia * alta motivación * sí a
proseguir aprendizaje del ‘coding’ on-line”…………………………………………………….. 344
Figura 5.66. Evolución de la ‘cascada motivacional virtuosa’, en función del sexo…………… 345
Figura 5.67. Evolución de la ‘cascada motivacional virtuosa’ por sexo y etapa educativa (I)…. 346
Figura 5.68. Evolución de la ‘cascada motivacional virtuosa’ por sexo y etapa educativa (II)… 346
Figura 6.1. Un problema computacional, y su solución expresada en lenguaje visual ‘por

flechas’, visual ‘por bloques’, y ‘textual’……………………………………………………….. 354
Figura 6.2. Cuadro resumen de especificaciones de los 40 ítems del TPC (versión 1.0) en los 5
ejes de diseño…………………………………………………………………………………… 356
Figura 6.3. Se corresponde con el ítem 8 del TPC (versión 1.0)……………………………….. 357
Figura 6.4. Se corresponde con el ítem 9 del TPC (versión 1.0)……………………………….. 357
Figura 6.5. Se corresponde con el ítem 19 del TPC (versión 1.0)……………………………… 358
Figura 6.6. Se corresponde con el ítem 31 del TPC (versión 1.0)……………………………… 358
Figura 6.7. Códigos QR de enlace a los 3 cuestionarios en línea utilizados para el
procedimiento de validación de contenido……………………………………………………… 360
Figura 6.8. Nivel de dificultad percibido por los expertos para cada ítem……………………... 368
Figura 6.9. Pertinencia para medir el PC percibido por los expertos para cada ítem…………... 369
Figura 6.10. ‘Índice de aceptación’ por ítem…………………………………………………… 369
Figura 6.11. ‘Índice de aceptación’ por ítem (+ ítems que son eliminados tras el proceso de
validación de contenido)………………………………………………………………………... 370
Figura 6.12. Revisión del ítem 9 de la versión original del TPC (ver anterior Figura 6.4), para
la versión final del TPC…………………………………………………………………………. 371
Figura 6.13. Cuadro resumen de especificaciones de los 28 ítems del TPC (versión 2.0) en los
5 ejes de diseño…………………………………………………………………………………. 373
Figura 6.14. Código QR de enlace al formulario de prueba de virtualización del TPC………... 374
Figura 6.15 Código QR de enlace a la versión final del TPC…………………………………... 380
Figura 6.16. Ejemplos de ítems de la Batería PMA…………………………………………….. 381
Figura 6.17. Ítem del Test de Resolución de Problemas RP30…………………………………. 382
565
Figura 6.18. Ítem del Test de Formas Idénticas-Revisadas (FI-R)……………………………... 383

Figura 6.19. Ítem del Cuestionario “Big Five” de Personalidad para Niños y Adolescentes
(BFQ-NA)………………………………………………………………………………………. 384
Figura 6.20. Códigos QR de enlace a las versiones TPC-B1, TPC-B2, y TPC-B3…………….. 386
Figura 6.21. Histograma de las puntuaciones totales en el TPC para toda la muestra………….. 388
Figura 6.22. Comparativa de las distribuciones de la puntuación total en el TPC por ciclo
educativo………………………………………………………………………………………... 390
Figura 6.23. Diagrama de cajas de la puntuación total en el TPC por ciclo educativo…………. 391
Figura 6.24. Media en la puntuación total del TPC por ciclo educativo………………………... 391
Figura 6.25. Diagrama de cajas de la puntuación total en el TPC por curso académico……….. 392
Figura 6.26. Media en la puntuación total del TPC por curso académico……………………… 393
Figura 6.27. Diferencias por sexo en la puntuación total en el TPC, a lo largo de los ciclos
educativos……………………………………………………………………………………….. 394
Figura 6.28. Evolución de la ‘autoeficacia específica’ por ciclo educativo…………………….. 396
Figura 6.29. Evolución de la ‘autoeficacia general’ por ciclo educativo……………………….. 396
Figura 6.30. Índice de dificultad (sin corregir y corregido) para cada uno de los ítems del TPC 399
Figura 6.31. Correlación ítem-total para cada uno de los ítems del TPC………………………. 400
Figura 6.32. Índice de Discriminación (D) para cada uno de los ítems del TPC……………….. 401
Figura 6.33. Fiabilidad del TPC como estabilidad temporal……………………………………. 403
Figura 6.34. Diagrama de dispersión TPC * PMA-R…………………………………………... 405
Figura 6.35. Diagrama de dispersión TPC * PMA-E…………………………………………… 405
Figura 6.36. Diagrama de dispersión TPC * PMA-N…………………………………………... 406
Figura 6.37. Diagrama de dispersión TPC * PMA-V…………………………………………... 406
Figura 6.38. Gráficos de regresión parcial de PMA-R sobre TPC, y PMA-E sobre TPC…….... 408
Figura 6.39. Diagrama de dispersión entre las puntuaciones totales observadas en el TPC y las
predichas por el modelo PMA…………………………………………………………………... 408
Figura 6.40. Diagrama de dispersión TPC * RP30……………………………………………... 409
Figura 6.41. Diagrama de dispersión TPC*Inestabilidad Emocional, y TPC*Amabilidad…….. 410
Figura 6.42. Diagrama de dispersión TPC*Conciencia, y TPC*Extraversión…………………. 411
Figura 6.43. Diagrama de dispersión TPC*Apertura…………………………………………… 411
Figura 6.44. Gráficos de regresión parcial de BFQ-NA (Ap) sobre TPC, y BFQ-NA (Ex)
sobre TPC……………………………………………………………………………………….. 413
Figura 6.45. Diagrama de dispersión entre las puntuaciones observadas TPC y las predichas
por el modelo BFQ-NA…………………………………………………………………………. 413
Figura 6.46. Diagrama de dispersión TPC*Nota en Matemáticas……………………………… 414
Figura 6.47. Diagrama de dispersión TPC*Nota en Lengua……………………………………. 415
Figura 6.48. Diagrama de dispersión TPC*Nota en Informática……………………………….. 415
566
Figura 6.49. Diagrama de dispersión entre las puntuaciones observadas TPC y las predichas
por el modelo RA……………………………………………………………………………….. 416
Figura 6.50. Diagrama de dispersión TPC* Niveles-Pantallas completados en Code.org……... 418
Figura 6.51. Diagrama de dispersión TPC* Líneas de código escritas en Code.org…………… 418
Figura 6.52. Diagrama de dispersión TPC*Niveles completados en Code.org, según sistema
metodológico……………………………………………………………………………………. 419
Figura 6.53. Curva COR de rendimiento diagnóstico del TPC sobre la ‘alta capacidad
computacional’………………………………………………………………………………….. 421
Figura 6.54. Diagramas de dispersión TPC * Tareas Bebras…………………………………… 424
Figura 6.55. Diagrama de dispersión TPCpre * Dr. Scratch……………………………………. 426
Figura 6.56. Diagrama de dispersión TPCpost * Dr. Scratch…………………………………... 426
Figura 6.57. Gráfico de sedimentación del análisis factorial exploratorio inicial………………. 429
Figura 6.58. Diagrama de dispersión TPC * TPC-R……………………………………………. 434
Figura 6.59. Propuesta de revisión futura para el ítem 23………………………………………. 440
Figura 6.60. Modelo de validez factorial del TPC: una estructura factorial mixta……………... 454
Figura 7.1. Código QR de enlace al “Cuestionario para profesores sobre la implantación del
Curso K-8 de Code.org”………………………………………………………………………... 461
Figura 7.2. Código QR de enlace al “Cuestionario de Satisfacción para estudiantes sobre el
Curso K-8 de Code.org”………………………………………………………………………... 461
Figura 7.3. Diagrama del diseño cuasi-experimental seguido para la evaluación del curso K-8. 462
Figura 7.4. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud
‘razonamiento lógico’ (PMA-R)………………………………………………………………... 467
‘espacial’ (PMA-E)……………………………………………………………………………... 468
‘numérica’ (PMA-N)……………………………………………………………………………. 468
Figura 7.7. Resumen de los resultados del diseño cuasi-experimental sobre la aptitud ‘verbal’
(PMA-V)………………………………………………………………………………………... 468
‘resolución de problemas’ (RP30)………………………………………………………………. 470
‘perceptivo-atencional’ (A-E)…………………………………………………………………... 472
‘perceptivo-atencional’ (ICI)……………………………………………………………………. 472
‘pensamiento computacional’ (TPC)…………………………………………………………… 473
Figura 7.12. Resumen de los resultados del diseño cuasi-experimental sobre el rendimiento
académico en Informática………………………………………………………………………. 476
567
académico en Matemáticas……………………………………………………………………… 476
académico en Lengua…………………………………………………………………………… 477
Figura 7.15. Distribución de frecuencias del número de ‘niveles-pantallas’ completados por
los estudiantes del curso K-8…………………………………………………………………..... 483
Figura 7.16. Código QR de enlace a las respuestas abiertas del “Cuestionario de satisfacción
para estudiantes sobre el Curso K-8 de Code.org”…………………………………………….. 487
Figura 7.17. Diagrama radial de las razones esgrimidas por los estudiantes K-8 que defienden
la importancia del ‘coding’……………………………………………………………………... 488
Figura 7.18. Curva COR de potencia diagnóstica del TPC (postest) para discriminar entre
sujetos que hicieron el K-8 frente al TIC Tradicional…………………………………………... 491
Figura 7.19. Diagrama de dispersión ‘Niveles completados’ * ‘Líneas de código escritas’ en
Code.org………………………………………………………………………………………… 494
Figura 7.20. Diagrama del diseño pre-experimental seguido para la evaluación del K-5
(‘Course 2’)……………………………………………………………………………………... 499
Figura 7.21. Comparación de las medias TPC pretest-postest, en función del curso-programa
seguido………………………………………………………………………………………….. 502
Figura 7.22. Gráfica detallada del progreso del Caso 1 en el módulo ‘Intro to JS: Drawing &
Animation’ del curso ‘Computer Programming’……………………………………………….. 506
Figura 7.23. Gráfica detallada del progreso del Caso 2 en el módulo ‘Intro to JS: Drawing &
Animation’ del curso ‘Computer Programming’……………………………………………….. 507
Figura 7.24. Programa escrito por el Caso 1 en el módulo ‘Intro to JS: Drawing & Animation’
del curso ‘Computer Programming’……………………………………………………………. 507
Figura 7.25. Programa escrito por el Caso 2 en el módulo ‘Intro to JS: Drawing & Animation’
del curso ‘Computer Programming’……………………………………………………………. 508
Figura 8.1. Modelo integral de codigoalfabetización y desarrollo del pensamiento

computacional en Educación Primaria y Secundaria…………………………………………… 523
Figura A.1. Captura de pantalla del ‘CSEW: Cuestionario para profesores (previo)’………….. 591
Figura B.1. Captura de pantalla del ‘CSEW: Cuestionario para profesores (post)’…………….. 593
Figura C.1. Captura de pantalla del ‘CSEW: Cuestionario para estudiantes’…………………... 598
Figura D.1. Área geográfica de procedencia de los centros invitados a la investigación………. 599
Figura D.2. Comunidad Autónoma de procedencia de los centros invitados a la investigación.. 599
Figura D.3. Titularidad de los centros educativos invitados a la investigación………………… 601
568
Figura D.4. Tipología de los centros educativos invitados a la investigación………………….. 601

Figura D.5. Porcentajes de respuesta a la Pregunta 1 del cuestionario para estudiantes……….. 602
Figura D.6. Frecuencias de respuesta a la Pregunta 1 según sexo……………………………… 602
Figura D.7. Frecuencias de respuesta a la Pregunta 1 según etapa educativa…………………... 603
Figura D.8. Frecuencias de respuesta a la Pregunta 1 según la tipología de centro…………….. 603
Figura D.9. Porcentajes de respuesta a la Pregunta 2 del cuestionario para estudiantes……….. 604
Figura D.10. Frecuencias de respuesta a la Pregunta 2 por sexo……………………………….. 604
Figura D.11. Frecuencias de respuesta a la Pregunta 2 por etapa educativa……………………. 604
Figura D.12. Frecuencias en la Pregunta 2 según la tipología de centro……………………….. 605
Figura D.13. Índices de penetración según lenguajes sobre el total de la muestra, y
diferenciado por etapa educativa………………………………………………………………... 605
Figura D.14. Distribución de frecuencias para la Pregunta 4 (‘pensamiento lógico’)………….. 606
Figura D.15. Distribución de frecuencias para la Pregunta 4 (‘creatividad’)…………………... 607
Figura D.16. Distribución de frecuencias para la Pregunta 4 (‘resolución de problemas’)…….. 607
Figura D.17. Distribución de frecuencias para la Pregunta 4 (‘trabajo en equipo’)……………. 608
Figura D.18. Distribución de frecuencias para la Pregunta 4 (‘persistencia-perseverancia’)…... 609
Figura D.19. Distribución de frecuencias para la Pregunta 4 (‘capacidad de atención’)……….. 609
Figura D.20. Distribución de frecuencias en la Pregunta 5 del cuestionario para estudiantes….. 611
Figura D.21. Distribución de frecuencias en la Pregunta 6 del cuestionario para estudiantes….. 611
Figura D.22. Distribución de frecuencias en la Pregunta 5, según el sexo……………………... 612
Figura D.23. Distribución de frecuencias en la Pregunta 6, según el sexo……………………... 612
Figura D.24. Distribución de frecuencias en la Pregunta 6 en función de la respuesta a la
Pregunta 2……………………………………………………………………………………….. 613
Figura D.25. Medias relativas a la Pregunta 7 del cuestionario para estudiantes………………. 614
Figura D.26. Medias en la Pregunta 7, diferenciadas por sexo…………………………………. 615
Figura D.27. Medias en la Pregunta 7, en función de la experiencia previa en ‘coding’
(Pregunta 2)……………………………………………………………………………………... 615
Figura D.28. Medias en la Pregunta 7, en función de haber conseguido completar la actividad
HoC (Pregunta 6)……………………………………………………………………………….. 616
Figura D.29. Distribución de frecuencias de las respuestas a la Pregunta 9 del cuestionario
para estudiantes…………………………………………………………………………………. 617
Figura D.30. Diagrama de dispersión de las respuestas a las preguntas 8 y 9………………….. 617
Figura D.31. Histograma de residuos tipificados……………………………………………….. 621
Figura D.32. Gráfico P-P de los residuos tipificados…………………………………………… 621
Figura D.33. Gráfica de regresión parcial P5 sobre P8…………………………………………. 622
Figura D.34. Gráfica de regresión parcial P4.2 sobre P8……………………………………….. 622
569
Figura D.35. Gráfica de regresión parcial P4.3 sobre P8……………………………………….. 623

Figura D.36. Gráfica de regresión parcial ‘Etapa Educativa’ sobre P8………………………… 623
Figura D.37. Distribución de frecuencias de respuesta a la Pregunta 11……………………….. 627
Figura D.38. Distribución de frecuencias de respuesta a la Pregunta 12……………………….. 628
Figura L.1. Foto de la Etapa 1 (‘Intro a las Ciencias de la Computación’) del Curso K-8……... 719
Figura L.2. Foto de la Etapa 3 (‘Pensamiento Computacional’) del Curso K-8………………... 719
Figura L.3. Foto de la Etapa 4 (‘Programación sobre hoja cuadriculada’) del Curso K-8……... 720
Figura L.4. Foto de la Etapa 6 (‘Algoritmos’) del Curso K-8…………………………………... 720
Figura L.5. Foto de la Etapa 8 (‘Funciones’) del Curso K-8…………………………………… 720
Tablas ordenadas por capítulos y anexos Pág.
Tabla 1.1. Convergencia entre principios curriculares para alumnos de AACC y el aprendizaje
de programación de ‘apps’……………………………………………………………………… 23
Tabla 1.2. Convergencia entre estilo de aprendizaje de alumnos de alta capacidad y las
características de Khan Academy………………………………………………………………. 34
Tabla 1.3. Convergencia entre estilo de aprendizaje de alumnos de alta capacidad y el modelo
‘flipped classroom’……………………………………………………………………………... 47
Tabla 1.4. Convergencia entre los parámetros de valoración de los productos de aprendizaje
de alumnos de alta capacidad, y las características propias de las ‘apps’……………………… 54
Tabla 1.5. Comparativa de resultados de búsqueda por bases de datos………………………… 62
Tabla 1.6. Naturaleza u orientación de los artículos revisados…………………………………. 64
Tabla 1.7. Revistas de publicación de los artículos revisados………………………………….. 66
Tabla 1.8. Contingencia de aparición de los artículos en las distintas bases de datos………….. 67
Tabla 1.9. Nivel educativo sobre el que se centran los artículos……………………………….. 67
Tabla 1.10. Indicios de contraste, encontrados en los abstract de las 67 referencias revisadas... 69
Tabla 2.1. Listado de recursos de enseñanza-aprendizaje del ‘coding’ clasificados según

nuestra propuesta taxonómica…………………………………………………………………... 114
Tabla 2.2. Relación de países europeos (más Israel) que incluyen el ‘coding’ en su currículum
actual o inmediato………………………………………………………………………………. 117
Tabla 2.3. Razones por las cuales incorporar el ‘coding’ en el currículo, por países…………... 119
Tabla 2.4. Objetivos específicos de la asignatura “Computing” del Reino Unido en función
del ciclo educativo………………………………………………………………………………. 121
Tabla 2.5. Contenidos de la asignatura “Tecnología, Programación y Robótica” de la
Comunidad de Madrid…………………………………………………………………………... 123
570
Tabla 3.1 Modelo transversal de desarrollo del PC de Barr & Stephenson…………………….. 165
Tabla 3.2. Estándares curriculares propuestos por la CSTA para el ‘Pensamiento
Computacional’ y las ‘Prácticas de Computación y Programación’……………………………. 169
Tabla 3.3. ‘CAS Computing Progressión Pathways’…………………………………………… 174
Tabla 3.4. Relación de artículos que estudian explícitamente el desarrollo del pensamiento
computacional a través de la programación en contextos escolares K-12……………………… 184
Tabla 3.5. Comparación de artículos según diseño de investigación y dimensiones del
pensamiento computacional…………………………………………………………………….. 188
Tabla 3.6. Resumen de las 9 etapas de ‘coding on-line’ del curso ‘K-8 Intro to Computer
Science’…………………………………………………………………………………………. 198
Tabla 3.7. Resumen de las 11 etapas ‘unplugged’ del curso ‘K-8 Intro to Computer Science’… 201
Tabla 3.8. Conexión entre las 3 aproximaciones de evaluación del PC y el ‘Computational
Thinking Framework’…………………………………………………………………………… 208
Tabla 3.9. Comparativa de resultados de búsqueda entre el input “computational thinking
test” y otros afines………………………………………………………………………………. 210
Tabla 3.10. Criterios para diseñar una adecuada tarea Bebras………………………………….. 219
Tabla 3.11. Criterios que aplica Dr. Scratch para medir el nivel de competencia en las distintas
dimensiones del PC……………………………………………………………………………... 223
Tabla 5.1. Centros registrados, invitados y aceptantes por edición de ‘La Hora del Código’….. 235
Tabla 5.2. Muestra de centros invitados a la edición HoC-2013……………………………….. 236
Tabla 5.3. Muestra de centros invitados a la edición HoC-2014……………………………….. 237
Tabla 5.4. Muestra de centros educativos aceptantes en ambas ediciones HoC………………... 241
Tabla 5.5. Relación de sujetos que contestaron al cuestionario pre para profesores…………… 242
Tabla 5.6. Número de estudiantes registrados y finalmente productores de datos por edición… 243
Tabla 5.7. Distribución por sexo de la muestra de estudiantes…………………………………. 243
Tabla 5.8. Estadísticos descriptivos relativos a la edad de la muestra de estudiantes………….. 244
Tabla 5.9. Distribución por edad de la muestra de estudiantes…………………………………. 244
Tabla 5.10. Distribución de la muestra de estudiantes según etapa educativa………………….. 245
Tabla 5.11. Centros educativos de procedencia de la muestra de estudiantes………………….. 246
Tabla 5.12. Distribución de la muestra de estudiantes por área geográfica…………………….. 247
Tabla 5.13. Distribución de la muestra de estudiantes por Comunidad Autónoma…………….. 247
Tabla 5.14. Distribución de la muestra de estudiantes por titularidad de su centro…………….. 247
Tabla 5.15. Distribución de la muestra de estudiantes por tipología de su centro……………… 248
Tabla 5.16. Área geográfica de procedencia de los centros invitados a la investigación………. 251
Tabla 5.17. Comunidad Autónoma de procedencia de los centros invitados a la investigación.. 251
Tabla 5.18. Titularidad de los centros educativos invitados a la investigación………………… 253
571
Tabla 5.19. Tipología de los centros educativos invitados a la investigación………………….. 254

Tabla 5.20. Resumen de significatividad de las variaciones en la distribución de centros
invitados a la investigación, a lo largo de las ediciones HoC…………………………………... 255
Tabla 5.21. 426 Frecuencias y porcentajes de respuesta a la pregunta 1 del cuestionario para
estudiantes………………………………………………………………………………………. 272
Tabla 5.22. Tabla de contingencia Pregunta 1 * Sexo………………………………………….. 272
Tabla 5.23. Tabla de contingencia Pregunta 1 * Etapa educativa………………………………. 273
Tabla 5.24. Evolución en la Pregunta 1 por sexo a lo largo de las distintas etapas educativas… 273
Tabla 5.25. Resumen de significatividad de las diferencias por sexo en la Pregunta 1,
diferenciado por etapas educativas……………………………………………………………… 274
Tabla 5.26. Tabla de contingencia Pregunta 1 * Tipología de Centro………………………….. 274
Tabla 5.27. Frecuencias y porcentajes de respuesta a la pregunta 2 del cuestionario para
estudiantes………………………………………………………………………………………. 274
Tabla 5.28. Tabla de contingencia Pregunta 2 * Sexo………………………………………….. 275
Tabla 5.29. Tabla de contingencia Pregunta 2 * Etapa educativa………………………………. 275
Tabla 5.30. Evolución en la Pregunta 2 por sexo a lo largo de las distintas etapas educativas… 276
Tabla 5.31. Resumen de significatividad de las diferencias por sexo en la Pregunta 2,
diferenciado por etapas educativas……………………………………………………………… 276
Tabla 5.32. Tabla de contingencia Pregunta 2 * Tipología de centro…………………………... 277
Tabla 5.33. Penetración de los lenguajes de programación entre los estudiantes………………. 277
Tabla 5.34. Índices de penetración según lenguajes sobre el total de la muestra, y diferenciado
por sexos………………………………………………………………………………………… 279
Tabla 5.35. Índices de penetración según lenguajes sobre el total de la muestra, y diferenciado
por etapa educativa……………………………………………………………………………… 280
Tabla 5.36. Estadísticos descriptivos relativos a la Pregunta 4 del cuestionario para estudiantes 281
Tabla 5.37. Diferencias según experiencia previa en ‘coding’ para la Pregunta 4……………... 283
Tabla 5.38. Matriz de correlaciones entre las 6 aptitudes-habilidades interrogadas en la
Pregunta 4……………………………………………………………………………………….. 284
Tabla 5.39. Comunalidades de las variables en la solución de 3 factores………………………. 284
Tabla 5.40. Varianza total explicada por el modelo de 3 factores……………………………… 285
Tabla 5.41. Matriz factorial rotada para 3 factores……………………………………………... 285
Tabla 5.42. Solución de 3 factores para la Pregunta 4………………………………………….. 286
Tabla 5.43. Comunalidades de las variables en la solución de 4 factores………………………. 286
Tabla 5.44. Varianza total explicada por el modelo de 4 factores……………………………… 287
Tabla 5.45. Matriz factorial rotada para 4 factores……………………………………………... 287
426
Para orientar al lector, aquí comienzan las tablas relativas a los resultados del ‘CSEW: Cuestionario para estudiantes’
(Anexo C)
572
Tabla 5.46. Solución de 4 factores para la Pregunta 4………………………………………….. 287

Tabla 5.47. Estadísticos descriptivos relativos a la Pregunta 5 del cuestionario para estudiantes 288
Tabla 5.48. Distribución de frecuencias en la Pregunta 5 del cuestionario para estudiantes…… 289
Tabla 5.49. Distribución de frecuencias en la Pregunta 6 del cuestionario para estudiantes…… 289
Tabla 5.50. Prueba de diferencia de medias en la Pregunta 5, en función de la respuesta a la
Pregunta 6……………………………………………………………………………………….. 290
Tabla 5.51. Diferencias por sexo en las preguntas 5 y 6………………………………………... 290
Tabla 5.52. Correlaciones de la Pregunta 2 con las preguntas 5 y 6……………………………. 291
Tabla 5.53. Diferencias en las preguntas 5 y 6, en función de la experiencia previa en ‘coding’
(Pregunta 2)……………………………………………………………………………………... 291
Tabla 5.54. MANOVA sobre la Pregunta 6, en función del sexo y la experiencia previa en
‘coding’…………………………………………………………………………………………. 291
Tabla 5.55. Correlaciones de las preguntas 5 y 6, con la pregunta 4…………………………… 293
Tabla 5.56. Diferencias en la Pregunta 4, en función de la Pregunta 6…………………………. 294
Tabla 5.57. Estadísticos descriptivos de la Pregunta 7 del cuestionario para estudiantes……… 295
Tabla 5.58. Diferencias en la Pregunta 7, en función del sexo…………………………………. 295
Tabla 5.59. Diferencias en la Pregunta 7, en función de la etapa educativa……………………. 296
Tabla 5.60. Correlaciones entre los elementos de la Pregunta 7………………………………... 297
Tabla 5.61. Correlaciones entre los elementos de la Pregunta 7, con las preguntas 2, 5 y 6…… 297
Tabla 5.62. Diferencias en la Pregunta 7, en función de la experiencia previa en ‘coding’
(Pregunta 2)……………………………………………………………………………………... 297
Tabla 5.63. Correlaciones entre preguntas 2 y 7, diferenciado por sexos………………………. 298
Tabla 5.64. Correlación entre las preguntas 5 y 7, diferenciado por sexo……………………… 299
Tabla 5.65. Diferencias en la Pregunta 7, en función de haber completado la actividad HoC
(Pregunta 6)……………………………………………………………………………………... 300
Tabla 5.66. Correlación entre las preguntas 6 y 7, diferenciado por sexo……………………… 301
Tabla 5.67. Descriptivos relativos a la Pregunta 8 del cuestionario para estudiantes…………... 302
Tabla 5.68. Distribución de frecuencias de las respuestas a la Pregunta 8 del cuestionario para
estudiantes………………………………………………………………………………………. 302
Tabla 5.69. Distribución de frecuencias de las respuestas a la Pregunta 9 del cuestionario para
estudiantes………………………………………………………………………………………. 303
Tabla 5.70. Diferencias para las preguntas 8 y 9, según el sexo………………………………... 303
Tabla 5.71. Diferencias para las preguntas 8 y 9, según el sexo; diferenciado por etapas
educativas……………………………………………………………………………………….. 303
Tabla 5.72. Correlaciones de la Pregunta 5 con las preguntas 8 y 9……………………………. 305
Tabla 5.73. Diferencias en las preguntas 8 y 9, en función de la Pregunta 6…………………… 307
573
Tabla 5.74. Matriz de correlaciones de las preguntas 1, 2, 5, 6, 8 y 9 del cuestionario para

estudiantes………………………………………………………………………………………. 307
Tabla 5.75. Centros de clústeres finales (expresados como puntuaciones típicas o Zscore)…… 308
Tabla 5.76. Número de sujetos asignados a cada clúster……………………………………….. 309
Tabla 5.77. Tabla de contingencia sexo * clúster * etapa educativa……………………………. 310
Tabla 5.78. Variables introducidas y eliminadas en los sucesivos modelos de regresión según
el método ‘por pasos’…………………………………………………………………………… 312
Tabla 5.79. Resumen del modelo de regresión múltiple………………………………………... 313
Tabla 5.80. ANOVA del Modelo 4 de regresión múltiple……………………………………… 313
Tabla 5.81. Coeficientes para el Modelo 4 de regresión múltiple………………………………. 314
Tabla 5.82. Correlación entre las puntuaciones observadas y predichas por el modelo en la
variable dependiente…………………………………………………………………………….. 314
Tabla 5.83. Variables que entran en la función discriminante en cada escalón………………… 316
Tabla 5.84. Variables que componen la función discriminante en cada escalón……………….. 316
Tabla 5.85. Autovalores de la función discriminante…………………………………………… 317
Tabla 5.86. Discriminación residual……………………………………………………………. 317
Tabla 5.87. Coeficientes estandarizados de la función discriminante…………………………... 317
Tabla 5.88. Coeficientes no estandarizados de la función discriminante……………………….. 317
Tabla 5.89. Valores de la función discriminante en los centroides de grupo…………………… 317
Tabla 5.90. Estadísticas de clasificación de la función discriminante………………………….. 318
Tabla 5.91. Porcentajes de penetración de las distintas plataformas-tutoriales ‘on-line’ de
Tabla 5.92. Diferencias en la Pregunta 4, en función de ser ‘coder’ o ‘scratcher’…………….. 326
Tabla 5.93. Diferencias en las preguntas 5, 8 y 9; en función de ser ‘coder’ o ‘scratcher’……. 327
Tabla 5.94. Distribución de frecuencias para la Pregunta 11…………………………………… 329
Tabla 5.95. Distribución de frecuencias para la Pregunta 12…………………………………… 329
Tabla 5.96. Tabla de contingencia Pregunta 11 * Pregunta 12…………………………………. 330
Tabla 5.97. Evolución de la ‘cascada motivacional virtuosa’, en función del sexo…………….. 345
Tabla 6.1. Panel de expertos aceptantes para participar en el proceso de validación de

contenido………………………………………………………………………………………... 359
Tabla 6.2. Perfil profesional del panel de expertos……………………………………………... 359
Tabla 6.3. Resumen de la valoración de los expertos sobre el instrumento en su conjunto……. 362
Tabla 6.4. Resumen de la valoración de los expertos sobre los ejes de diseño del TPC……….. 363
Tabla 6.5. Resumen de resultados y decisiones para los ítems 1-5……………………………... 364
Tabla 6.6. Resumen de resultados y decisiones para los ítems 6-10……………………………. 365
574
Tabla 6.7. Resumen de resultados y decisiones para los ítems 11-15…………………………... 365
Tabla 6.10. Resumen de resultados y decisiones para los ítems 26-30…………………………. 367
Tabla 6.13. Distribución por sexo de la muestra total de aplicación del TPC………………….. 376
Tabla 6.14. Distribución por ciclo educativo de la muestra total de aplicación del TPC………. 376
Tabla 6.15. Distribución por curso académico de la muestra total de aplicación del TPC……... 376
Tabla 6.16. Distribución del total de la muestra según el dispositivo de aplicación…………… 377
Tabla 6.17. Centro Educativo de procedencia de los sujetos de la muestra…………………….. 377
Tabla 6.18. Centros Educativos participantes en la validación del TPC, agrupados según el
procedimiento de muestreo……………………………………………………………………... 379
Tabla 6.19. Especificaciones de las 9 Tareas Bebras seleccionadas para la validación
convergente del TPC……………………………………………………………………………. 385
Tabla 6.20. Descriptivos de la puntuación total en el TPC para toda la muestra……………….. 388
Tabla 6.21. Descriptivos de la puntuación total en el TPC por ciclo educativo………………... 389
Tabla 6.22. Descriptivos de la puntuación total en el TPC por curso académico………………. 392
Tabla 6.23. Significatividad de la prueba post-hoc de Tukey para cada diferencia de medias…. 393
Tabla 6.24. Diferencias de rendimiento en el TPC por sexo……………………………………. 394
Tabla 6.25. Diferencias de rendimiento en el TPC por sexo, a lo largo de los ciclos educativos. 394
Tabla 6.26. Descriptivos relativos a las preguntas de autoevaluación………………………….. 395
Tabla 6.27. Correlaciones entre autoeficacia específica, autoeficacia general y puntuación
total TPC………………………………………………………………………………………... 395
Tabla 6.28. Correlaciones entre autoeficacia específica, autoeficacia general y puntuación
total TPC, por ciclo educativo…………………………………………………………………... 397
Tabla 6.29. Diferencias en ‘autoeficacia específica’ y ‘autoeficacia general’ por sexo………... 397
Tabla 6.30. Índice de dificultad (sin corregir y corregido) para cada uno de los ítems del TPC.. 398
Tabla 6.31. Correlación ítem-total para cada uno de los ítems del TPC………………………... 399
Tabla 6.32. Índice de Discriminación (D) para cada uno de los ítems del TPC………………... 400
Tabla 6.33. Fiabilidad del TPC como consistencia interna……………………………………... 401
Tabla 6.34. Fiabilidad del TPC en caso de eliminar cada uno de los ítems…………………….. 402
Tabla 6.35. Fiabilidad del TPC como consistencia interna, en función de ciclo educativo y
curso académico………………………………………………………………………………… 402
Tabla 6.36. Fiabilidad del TPC como consistencia interna, en función del dispositivo de
aplicación……………………………………………………………………………………….. 403
Tabla 6.37. Fiabilidad del TPC como estabilidad temporal…………………………………….. 403
575
Tabla 6.38. Matriz de correlaciones del TPC con el PMA-R, PMA-E, PMA-N, y PMA-V…… 404
Tabla 6.39. Resumen del modelo de regresión sobre el TPC a partir de las puntuaciones en la
batería PMA…………………………………………………………………………………….. 407
Tabla 6.40. ANOVA del TPC según el modelo de regresión construido a partir de la batería
PMA…………………………………………………………………………………………….. 407
Tabla 6.41. Coeficientes del modelo de regresión sobre el TPC a partir de la batería PMA…… 407
Tabla 6.42. Correlación del TPC con el RP30………………………………………………….. 409
Tabla 6.43. Correlación del TPC con el FI-R (índices A-E e ICI)……………………………… 409
Tabla 6.44. Matriz de correlaciones entre el TPC y las dimensiones de personalidad del BFQ-
NA………………………………………………………………………………………………. 410
Tabla 6.45. Resumen del modelo de regresión sobre el TPC a partir de las puntuaciones en el
cuestionario BFQ-NA…………………………………………………………………………... 412
Tabla 6.46. ANOVA del TPC según el modelo de regresión construido a partir del
cuestionario BFQ-NA…………………………………………………………………………... 412
Tabla 6.47. Coeficientes del modelo de regresión sobre el TPC a partir del cuestionario BFQ-
NA………………………………………………………………………………………………. 412
Tabla 6.48. Matriz de correlaciones entre el TPC (al comienzo del trimestre) y las
calificaciones en Informática, Matemáticas y Lengua (al final del trimestre)………………….. 414
Tabla 6.49. Resumen del modelo de regresión sobre el TPC (al comienzo del trimestre) a
partir de las calificaciones en Informática, Matemáticas y Lengua (al final del trimestre)…….. 416
Tabla 6.50. ANOVA del TPC según el modelo de regresión construido a partir de las
calificaciones académicas………………………………………………………………………. 416
Tabla 6.51. Coeficientes del modelo de regresión sobre el TPC a partir de las calificaciones
académicas……………………………………………………………………………………… 416
Tabla 6.52. Correlación TPC*Nota en Informática, en función del currículum seguido………. 417
Tabla 6.53. Correlaciones entre las puntuaciones totales en el TPC y las estadísticas de
desempeño en Code.org………………………………………………………………………… 417
Tabla 6.54. Correlación TPC * Niveles completados en Code.org, en función de la
metodología de aula…………………………………………………………………………….. 419
Tabla 6.55. Prueba t de diferencia de medias en el TPC entre el grupo ‘normal’ y el de ‘alta
capacidad computacional’………………………………………………………………………. 420
Tabla 6.56. Área bajo la Curva COR de rendimiento diagnóstico del TPC sobre la ‘alta
capacidad computacional’………………………………………………………………………. 421
Tabla 6.57. Coordenadas de la curva COR y puntos de corte de mayor potencia discriminante. 422
Tabla 6.58. Correlaciones del TPC con las Tareas Bebras……………………………………... 423
Tabla 6.59. Estadísticas de muestras emparejadas TPC pre y post……………………………... 425
Tabla 6.60. Matriz de correlaciones TPCpre, TPCpost, y Dr. Scratch…………………………. 425
Tabla 6.61. Correlaciones TPC * Dr. Scratch, en función de la metodología de programación.. 427
576
Tabla 6.62. Correlaciones TPC * Dimensiones del Pensamiento Computacional medidas por
Dr. Scratch………………………………………………………………………………………. 427
Tabla 6.63. Varianza explicada por la solución inicial de 7 factores…………………………… 428
Tabla 6.64. Matriz de estructura resultante del análisis factorial exploratorio inicial………….. 429
Tabla 6.65. Especificaciones de los ítems que componen el Factor 1………………………….. 430
Tabla 6.66. Estadísticos y fiabilidad de la subescala ‘Secuencias y Bucles’…………………… 430
Tabla 6.68. Estadísticos y fiabilidad de la subescala ‘Funciones’……………………………… 431
Tabla 6.70. Estadísticos y fiabilidad de la subescala ‘Condicionales’………………………….. 431
Tabla 6.71. Matriz factorial resultante del análisis unifactorial………………………………… 431
Tabla 6.72. Estadísticos y fiabilidad de la subescala ‘Común-Principal’………………………. 432
Tabla 6.73. Estadísticas y fiabilidad de la versión reducida TPC-R……………………………. 432
Tabla 6.74. Resumen de escalas y subescalas definidas………………………………………... 433
Tabla 6.75. Matriz de correlaciones entre las escalas y subescalas definidas…………………... 433
Tabla 6.76. Matriz de correlaciones de las escalas y subescalas, con las medidas de validez
criterial concurrente……………………………………………………………………………... 434
Tabla 6.77. Correlaciones TPC*PMA y TPC*RP30, y contingencia con los factores Gf, Gv, y
Gsm del modelo CHC…………………………………………………………………………... 443
Tabla 6.78. Alineamiento de los conceptos computacionales medidos por el TPC, con las
dimensiones del pensamiento computacional medidas por Dr. Scratch………………………... 447
Tabla 7.1. Distribución de la muestra de estudiantes K-8 por centro educativo………………... 458
Tabla 7.2. Distribución de la muestra de estudiantes K-8 por sexo…………………………….. 459
Tabla 7.3. Distribución de la muestra de estudiantes K-8 por curso académico………………... 459
Tabla 7.4. Distribución de la muestra K-8 en función de la condición ‘experimental’ o
‘control’ de los sujetos………………………………………………………………………….. 459
Tabla 7.5. Profesores participantes en la evaluación K-8………………………………………. 459
Tabla 7.6. Composición y medidas de los grupos participantes en la investigación…………… 463
Tabla 7.7. Prueba t para muestras independientes en el PMA-R……………………………….. 464
Tabla 7.8. Prueba t para muestras relacionadas en el PMA-R………………………………….. 464
Tabla 7.9. ANCOVA sobre el PMA-R 464
Tabla 7.10. Prueba t para muestras independientes en el PMA-E……………………………… 465
Tabla 7.11. Prueba t para muestras relacionadas en el PMA-E………………………………… 465
Tabla 7.12. ANCOVA sobre el PMA-E………………………………………………………… 465
Tabla 7.13. Prueba t para muestras independientes en el PMA-N……………………………… 465
577
Tabla 7.14. Prueba t para muestras relacionadas en el PMA-N………………………………… 466

Tabla 7.15. ANCOVA sobre el PMA-N………………………………………………………... 466
Tabla 7.16. Prueba t para muestras independientes en el PMA-V……………………………… 466
Tabla 7.17. Prueba t para muestras relacionadas en el PMA-V………………………………… 466
Tabla 7.18. ANCOVA sobre el PMA-V………………………………………………………... 467
Tabla 7.19. Prueba t para muestras independientes en el RP30………………………………… 469
Tabla 7.20. Prueba t para muestras relacionadas en el RP30…………………………………… 469
Tabla 7.21. ANCOVA sobre el RP30…………………………………………………………... 470
Tabla 7.22. Prueba t para muestras independientes en el Índice A-E del FI-R…………………. 470
Tabla 7.23. Prueba t para muestras relacionadas en el Índice A-E del FI-R……………………. 470
Tabla 7.24. ANCOVA sobre el Índice A-E del FI-R…………………………………………… 471
Tabla 7.25. Prueba t para muestras independientes en el Índice ICI del FI-R………………….. 471
Tabla 7.26. Prueba t para muestras relacionadas en el Índice ICI del FI-R…………………….. 471
Tabla 7.27. ANCOVA sobre el Índice ICI del FI-R……………………………………………. 471
Tabla 7.28. Prueba t para muestras independientes en el TPC…………………………………. 472
Tabla 7.29. Prueba t para muestras relacionadas en el TPC……………………………………. 473
Tabla 7.30. ANCOVA sobre el TPC……………………………………………………………. 473
Tabla 7.31. Prueba t para muestras independientes en RA-Inf…………………………………. 474
Tabla 7.32. Prueba t para muestras relacionadas en RA-Inf……………………………………. 474
Tabla 7.33. ANCOVA sobre el RA-Inf…………………………………………………………. 474
Tabla 7.34. Prueba t para muestras independientes en RA-Mat………………………………... 474
Tabla 7.35. Prueba t para muestras relacionadas en RA-Mat…………………………………... 475
Tabla 7.36. ANCOVA sobre el RA-Mat………………………………………………………... 475
Tabla 7.37. Prueba t para muestras independientes en RA-Len………………………………… 475
Tabla 7.38. Prueba t para muestras relacionadas en RA-Len…………………………………… 475
Tabla 7.39. ANCOVA sobre el RA-Len………………………………………………………... 475
Tabla 7.40. Resumen de resultados del diseño cuasi-experimental sobre todas las variables
aptitudinales y de rendimiento………………………………………………………………….. 478
Tabla 7.41. Respuestas de los profesores sobre el número de semanas lectivas dedicadas al
curso K-8………………………………………………………………………………………... 479
Tabla 7.42. Respuestas de los profesores sobre el % de etapas del curso K-8 impartidas
realmente………………………………………………………………………………………... 479
Tabla 7.43. Respuestas de los profesores sobre qué partes del curso K-8 (‘on-line’,
‘unplugged’ o ambas) se han impartido realmente……………………………………………... 480
Tabla 7.44. Respuestas de los profesores sobre su percepción del grado de aprendizaje de sus
estudiantes con el K-8…………………………………………………………………………... 480
578
Tabla 7.45. Estadísticos relativos a la pregunta “Globalmente, ¿cuál crees que ha sido el
grado de aprendizaje de tus estudiantes con el Curso K-8?”…………………………………... 480
Tabla 7.46. Respuestas de los profesores sobre su nivel de satisfacción global con el K-8……. 480
Tabla 7.47. Estadísticos relativos a la pregunta “Como profesor/a responsable de la
implantación del Curso K-8, ¿cuál es tu nivel de satisfacción con el curso globalmente?”…… 481
Tabla 7.48. Respuestas de los profesores sobre su intención de volver a impartir el curso K-8.. 481
Tabla 7.49. Resumen de las respuestas de los profesores a las preguntas abiertas del
cuestionario sobre el curso K-8…………………………………………………………………. 481
Tabla 7.50. Estadísticos sobre los ‘niveles-pantallas’ completados por los estudiantes del
curso K-8………………………………………………………………………………………... 483
Tabla 7.51. Respuestas de los estudiantes sobre su percepción de autoeficacia en ‘coding’ tras
el curso K-8……………………………………………………………………………………... 484
Tabla 7.52. Estadísticos relativos a la pregunta sobre percepción de autoeficacia en ‘coding’
tras el curso K-8………………………………………………………………………………… 484
Tabla 7.53. Respuestas de los estudiantes sobre su motivación por continuar aprendiendo
‘coding’ tras el K-8……………………………………………………………………………... 485
Tabla 7.54. Estadísticos relativos a la pregunta sobre motivación por continuar aprendiendo
‘coding’ tras el K-8……………………………………………………………………………... 485
Tabla 7.55. Respuestas de los estudiantes sobre su intención de continuar aprendiendo ‘coding
online’ tras el K-8……………………………………………………………………………….. 485
Tabla 7.56. Respuestas de los estudiantes sobre su grado de aprendizaje con el curso K-8……. 485
Tabla 7.57. Estadísticos relativos a la pregunta sobre grado de aprendizaje percibido con el
curso K-8………………………………………………………………………………………... 486
Tabla 7.58. Respuestas de los estudiantes sobre su valoración global del curso K-8…………... 486
Tabla 7.59. Estadísticos relativos a la pregunta sobre la valoración global del curso K-8……... 486
Tabla 7.60. Pruebas t de diferencia de medias en las preguntas del cuestionario para
estudiantes del K-8, según sexo………………………………………………………………… 487
Tabla 7.61. Respuestas de los estudiantes acerca de la importancia del ‘coding’ para su
formación como ciudadanos…………………………………………………………………….. 487
Tabla 7.62. Área bajo la Curva COR de potencia diagnóstica del TPC (postest) para
discriminar sujetos K-8 vs. TIC…………………………………………………………………. 491
Tabla 7.63. Estructura y contenido del itinerario curricular del K-5 (‘Course 2’)……………... 495
Tabla 7.64. Prueba t para muestras relacionadas en el TPC……………………………………. 499
Tabla 7.65. Prueba t para muestras relacionadas en el TPC, segmentada por curso académico.. 499
Tabla 7.66. Estadísticas de ‘niveles-pantallas’ completados en Code.org por los sujetos K-5… 500
Tabla 7.67. Comparación de los tamaños del efecto pre-post del TPC, en función del curso-
programa seguido……………………………………………………………………………….. 501
Tabla 7.68. Puntuaciones directas y percentiles de los dos sujetos-casos de alta capacidad
computacional en TPC y RP30…………………………………………………………………. 505
579
Tabla 7.69. Estadísticas de seguimiento (‘tracking’) de los dos sujetos-casos en el módulo

‘Intro to JS: Drawing & Animation’ del curso ‘Computer Programming’…………………….. 505
Tabla D.1. Tabla de contingencia entre el área geográfica de procedencia de los centros
invitados y la edición HoC……………………………………………………………………… 600
Tabla D.2. Tabla de contingencia entre la CCAA de procedencia de los centros invitados y la
edición HoC……………………………………………………………………………………... 600
Tabla D.3. Tabla de contingencia entre la Titularidad de los centros invitados y la edición
HoC…………………………………………………………………………………………....... 601
Tabla D.4. Tabla de contingencia entre la Tipología de los centros invitados y la edición HoC. 602
Tabla D.5. Distribución de frecuencias para la Pregunta 4 (‘pensamiento lógico’)……………. 606
Tabla D.6. Distribución de frecuencias para la Pregunta 4 (‘creatividad’)……………………... 606
Tabla D.7. Distribución de frecuencias para la Pregunta 4 (‘resolución de problemas’)………. 607
Tabla D.8. Distribución de frecuencias para la Pregunta 4 (‘trabajo en equipo’)………………. 608
Tabla D.9. Distribución de frecuencias para la Pregunta 4 (‘persistencia-perseverancia’)…….. 608
Tabla D.10. Distribución de frecuencias para la Pregunta 4 (‘capacidad de atención’)………... 609
Tabla D.11. Diferencias por sexo para la Pregunta 4…………………………………………… 610
Tabla D.12. Diferencias por etapa educativa para la Pregunta 4……………………………….. 610
Tabla D.13. Pruebas KMO y Bartlett para la matriz de correlaciones relativa a la Pregunta 4… 611
Tabla D.14. ANOVAs en función de la etapa educativa para las preguntas 5 y 6……………… 613
Tabla D.15. Diferencias en la Pregunta 4 en función de la Pregunta 5…………………………. 613
Tabla D.16. Diferencias en la Pregunta 7, en función de la percepción de autoeficacia
(Pregunta 5)……………………………………………………………………………………... 616
Tabla D.17. Diferencias para las preguntas 8 y 9, en función de la etapa educativa…………… 618
Tabla D.18. Diferencias en las preguntas 8 y 9, en función de la percepción de autoeficacia
(Pregunta 5)……………………………………………………………………………………... 618
Tabla D.19. Estadísticos descriptivos de las variables incluidas en el análisis de clúster……… 618
Tabla D.20. Centros de clústeres iniciales (expresados como puntuaciones típicas o Zscore)…. 618
Tabla D.21. Historial de iteraciones (convergencia conseguida en 10 iteraciones)…………….. 619
Tabla D.22. ANOVA de diferencias entre los clústeres para todas las variables incluidas en el
análisis…………………………………………………………………………………………... 619
Tabla D.23. Tabla de contingencia sexo * clúster………………………………………………. 619
Tabla D.24. Tabla de contingencia titularidad * clúster………………………………………... 619
Tabla D.25. Estadísticos descriptivos de las variables inicialmente incluidas en la regresión
múltiple………………………………………………………………………………………….. 620
Tabla D.26. Estadísticas de residuos del modelo de regresión múltiple………………………... 620
580
Tabla D.27. Estadísticas descriptivas de las variables independientes inicialmente incluidas en

el análisis discriminante………………………………………………………………………… 624
Tabla D.28. Prueba de igualdad de medias entre los grupos de la variable dependiente……….. 625
Tabla D.29. Probabilidades previas para los grupos……………………………………………. 626
Tabla D.30. Coeficientes de función de clasificación para los grupos…………………………. 626
Tabla D.31. Tabla de contingencia ¿Caso anómalo? * Sexo…………………………………… 626
Tabla D.32. Tabla de contingencia ¿Caso anómalo? * Etapa Educativa……………………….. 626
Tabla D.33. Tabla de contingencia ¿Caso anómalo? * Clúster de pertenencia………………… 626
Tabla D.34. Tabla de contingencia ‘Coders vs. Scratchers’ * sexo…………………………….. 627
Tabla D.35. Tabla de contingencia ‘Coders vs. Scratchers’ * etapa educativa………………… 627
581
LISTA DE SÍMBOLOS, ABREVIATURAS Y SIGLAS
α Alfa de Cronbach
A-E Índice de Percepción y Atención, del Test Formas Idénticas-Revisadas (FI-R)
AACC Alumnos de Altas Capacidades
AB Abstract
ACOR Área bajo la Curva COR
AERA American Educational Research Association
Am Dimensión de personalidad ‘Amabilidad’, del Cuestionario BFQ-NA
ANCOVA Análisis de Covarianza
ANOVA Análisis de Varianza
Ap Dimensión de personalidad ‘Apertura’, del Cuestionario BFQ-NA
APA American Psychological Association
‘app’ Aplicación para dispositivo móvil
As Asimetría
β Coeficiente Beta del modelo de regresión múltiple
βt Coeficiente Beta tipificado del modelo de regresión múltiple
BFQ-NA Cuestionario “Big Five” de Personalidad para Niños y Adolescentes
C Coeficiente de Contingencia
CAS Computing at School
CCAA Comunidades Autónomas
CCE Computational Creativity Exercises
CEIP Colegio de Educación Infantil y Primaria
CHC Modelo de Inteligencia Cattell-Horn-Carroll
CI Coeficiente Intelectual
Co Dimensión de personalidad ‘Conciencia’, del Cuestionario BFQ-NA
COR Característica Operativa del Receptor
CPP Computing Practices and Programming
CS Computer Science
CS1 Computer Science-1: denominación anglosajona del 1º Curso del Grado de Informática
CSE Computer Science Education
CSEW Computer Science Education Week
CSTA Computer Science Teachers Association
CT Computational Thinking
Volver al índice
LISTA DE SÍMBOLOS, ABREVIATURAS Y SIGLAS / Román-González (2016)
CTD Center for Talent Development

CTP Computational Thinking Patterns
d d de Cohen
D Índice de Discriminación
DIY Do It Yourself
e.g. exempli gratia (por ejemplo)
EEES Espacio Europeo de Educación Superior
ESO Educación Secundaria Obligatoria
et al. et alii (y otros)
Ex Dimensión de personalidad ‘Extraversión’, del Cuestionario BFQ-NA
F F de Fisher-Snedecor
FC Flipped Classroom
FCS1 Foundational CS1 Assessment Instrument
FECYT Fundación Española para la Ciencia y la Tecnología
FI-R Test de Formas Idénticas-Revisadas
Gc Grupo de Control
Ge Grupo Experimental
Gf ‘Fluid reasoning’ en el Modelo de Inteligencia Cattell-Horn-Carroll
GPS Global Positioning System
Gsm ‘‘Short-term memory’ en el Modelo de Inteligencia Cattell-Horn-Carroll
Gv ‘Visual processing’ en el Modelo de Inteligencia Cattell-Horn-Carroll
HoC Hour of Code (Hora del Código)
I+D+i Investigación, Desarrollo e Innovación
ICI Índice de Control de la Impulsividad, del Test de Formas Idénticas-Revisadas (FI-R)
ICT Information and Communication Technology
Ie Dimensión de personalidad ‘Inestabilidad Emocional’, del Cuestionario BFQ-NA
IES Instituto de Educación Secundaria
IM Inteligencias Múltiples
INTEF Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado
IRT Item-Response Theory
ISTE International Society for Technology in Education
ITC Item-Total Correlation
JS JavaScript
KA Khan Academy
KMO Medida Kaiser-Meyer-Olkin
583
KS Key Stage
MABCM Multi-Agent-Based Computational Model
MANOVA Análisis Multivariante de la Varianza
MIDI Musical Instrument Digital Interface
MIT Massachusetts Institute of Technology
MOOC Massive Open Online Course
N Tamaño de la muestra
N/A Not Available (No disponible)
NCME National Council on Measurement in Education
NEE Necesidades Educativas Especiales
NFER National Foundation for Educational Research
NSF National Science Foundation
OCDE Organización para la Cooperación y el Desarrollo Económicos
p(x) Probabilidad asociada al estadístico x
p.e. Por ejemplo
P2P Aprendizaje entre pares o ‘peer to peer’
Pc Percentil
PC Pensamiento Computacional
PC’s Personal Computers
Pd Puntuación directa
pi Índice de Dificultad del Ítem i (sin corregir)
pi-corregido Índice de Dificultad del Ítem i (corregido)
PDF Portable Document Format
PISA Programme for International Student Assessment
PMA Batería de Aptitudes Mentales Primarias (Primary Mental Abilities)
PMA-E Test de Factor Espacial de la Batería PMA
PMA-N Test de Factor Numérico de la Batería PMA
PMA-R Test de Factor Razonamiento de la Batería PMA
PMA-V Test de Factor Verbal de la Batería PMA
Pt Puntuación típica
QR Quick Response
r Coeficiente de Correlación de Pearson
ρxx Fiabilidad como estabilidad temporal
rxx Fiabilidad como Consistencia Interna, por el procedimiento de las dos mitades
R2 Coeficiente de Determinación
584
R2ajustado Coeficiente de Determinación Ajustado

RA Rendimiento Académico
RA-Inf Rendimiento Académico en la asignatura de Informática
RA-Len Rendimiento Académico en la asignatura de Lengua
RA-Mat Rendimiento Académico en la asignatura de Matemáticas
ROC Receiver Operating Characteristic
RP30 Test de Resolución de Problemas RP30
rtf Rich Text Format
s Desviación típica
S4A Scracth for Arduino
sic sic erat scriptum (así escrito en el original)
STEM Science, Technology, Engineering and Mathematics
SU Sector of Use
t t de Student
TCT Teoría Clásica de los Test
TIC Tecnologías de la Información y la Comunicación
TIMMS Trends in International Mathematics and Science Study
TPC Test de Pensamiento Computacional
TPC-B1 Test de Pensamiento Computacional + 3 Tareas Bebras B1
TPC-R Test de Pensamiento Computacional – Reducido a 20 ítems
TRI Teoría de Respuesta al Ítem
TX All Text
UK United Kingdom
URL Uniform Resource Locator
Vs. Versus (contra)
‘web app’ Aplicación ejecutada a través de un navegador web
𝑋� Media aritmética
χ 2
Chi-Cuadrado
Zk-s Z de Kolgomorov-Smirnov
Zscore Puntuación típica o estandarizada
585
RESUMEN / ABSTRACT
Introducción: Vivimos inmersos en una sociedad digital repleta de objetos controlados por software.
En este contexto, la capacidad para leer y escribir en el lenguaje de las máquinas emerge como un
requisito esencial, un nuevo alfabetismo para la formación de ciudadanos y profesionales del siglo
veintiuno. Así, se ha definido a la codigoalfabetización como el conjunto de procesos de enseñanza-
aprendizaje de la lectoescritura con los lenguajes informáticos de programación (‘coding’); y al
pensamiento computacional como el proceso cognitivo de resolución de problemas subyacente. Nos
planteamos entonces si es posible (adecuado y viable) y deseable (relevante) introducir la
codigoalfabetización en el sistema educativo español, específicamente en las etapas de Educación
Primaria y Secundaria.
Método: Para abordar dicha pregunta de investigación se acometen tres estudios empíricos
concatenados. A) En primer lugar, se realiza un estudio descriptivo mediante encuestas acerca del
evento ‘La Hora del Código’ en España a lo largo de sus dos primeras ediciones, 2013 y 2014; sobre
una muestra total de 23 profesores y 1.662 estudiantes, procedentes de 29 centros educativos
ubicados por todo el territorio nacional. B) En segundo lugar, se lleva a cabo un estudio instrumental
de diseño, construcción y validación del ‘Test de Pensamiento Computacional’ (TPC), destinado
fundamentalmente a población escolar española de primer ciclo de la ESO. Para la validación de su
contenido, nos apoyamos en el juicio de 20 expertos; y para el estudio de su psicometría, el TPC es
aplicado sobre una muestra total de 1.251 estudiantes de 24 centros educativos distintos. Durante la
validación del TPC, se aplican otras medidas psicológicas estandarizadas como la batería PMA, los
tests RP30 y FI-R, y el cuestionario de personalidad BFQ-NA; así como emergentes medidas
alternativas del pensamiento computacional: Tareas Bebras y Dr. Scratch. C) En tercer lugar, se lleva
a cabo una evaluación de programas de codigoalfabetización y desarrollo del pensamiento
computacional: a) evaluación del curso ‘K-8 Intro to Computer Science’ de Code.org mediante un
diseño cuasi-experimental (N=526 sujetos de la ESO); b) evaluación del curso ‘K-5 Computer
Science Fundamentals (Course 2)’ de Code.org mediante un diseño pre-experimental (N=51 sujetos
de tercer ciclo de Primaria); y c) estudio de casos múltiples sobre dos sujetos de alta capacidad
computacional de 1º ESO en el contexto del curso ‘Computer Programming’ de Khan Academy.
Resultados: A) El evento ‘La Hora del Código’ consigue globalmente su objetivo de introducir el
‘coding’ en los centros educativos, desmitificando su dificultad y promoviendo que los estudiantes se
interesen por profundizar en el aprendizaje de la programación informática. B) Se consigue diseñar
un instrumento, el TPC, que presenta propiedades psicométricas adecuadas: fiabilidad (consistencia
interna y estabilidad) y validez (criterial, discriminante, convergente y factorial). C) El curso K-8, y
de manera plausible el curso K-5, mejora el pensamiento computacional de los estudiantes, no así las
otras variables psicológicas estudiadas; y ambos cursos gozan de excelente viabilidad para ser
implantados, respectivamente, en primer ciclo de la ESO y tercer ciclo de Primaria.
Discusión: Globalmente, se concluye la posibilidad (adecuación y viabilidad) y deseabilidad
(relevancia) de introducir la codigoalfabetización en nuestro sistema educativo. Si bien: se trata de
una adecuación restringida al emergente constructo del pensamiento computacional; existen riesgos
de que la viabilidad se vea descompensada en términos de género, a favor del colectivo masculino; y
asoma la amenaza de que la relevancia quede reducida a aspectos utilitarios y sociodeterministas.
Palabras clave: codigoalfabetización, pensamiento computacional, educación primaria, educación
secundaria, psicometría, evaluación de programas, alta capacidad computacional, inteligencia digital.
Volver al índice
RESUMEN / ABSTRACT
Introduction: We live immersed in a digital society full of objects driven by software. In this
context, the ability to read and write in the language of machines emerges as an essential
requirement, a new literacy for educating citizens and professionals from the twenty-first century.
Thus, code-literacy is defined as all teaching-learning processes in order to read-write with computer
programming languages (‘coding’); and computational thinking as the underlying problem-solving
cognitive skill. We consider then if it is possible (suitable and viable) and desirable (relevant) to
incorporate code-literacy in the Spanish educational system, specifically in Primary and Secondary
Education.
Method: To address such research question, three concatenated empirical studies are undertaken. A)
First, a descriptive study through surveys is carried out about the ‘Hour of Code’ event in Spain over
its first two editions, 2013 and 2014; on a total sample of 23 teachers and 1,662 students from 29
schools located all over the country. B) Secondly, an instrumental study is tackled to design,
construct, and validate the ‘Test de Pensamiento Computacional’ (TPC), mainly aimed at Spanish
school population from 7th and 8th Grade. To validate its content, we rely on the judgment of 20
experts; and, in order to study its psychometric properties, the TPC is applied on a total sample of
1,251 students from 24 different schools. During the TPC validation process, other standardized
psychological measures are applied, as PMA battery, RP30 and FI-R tests, and BFQ-NA personality
questionnaire; as well as emerging alternative measures of computational thinking: Bebras Tasks and
Dr. Scratch. C) Thirdly, evaluations of code-literacy and computational thinking development
programs are carried out: a) an evaluation of the ‘K-8 Intro to Computer Science’ course from
Code.org using a quasi-experimental design (N = 526 secondary students); b) an evaluation of the
‘K-5 Computer Science Fundamentals (Course 2)’ from Code.org through a pre-experimental design
(N = 51 primary students); and c) multiple case study on two secondary students with computational
high abilities in the context of the ‘Computer Programming’ course from Khan Academy.
Results: A) The ‘Hour of Code’ event globally achieves its goal of introducing the ‘coding’ in
schools, demystifying its difficulty and promoting students to deepen the learning of computer
programming. B) It is achieved to design an instrument, the TPC, with adequate psychometric
properties: reliability (internal consistency and stability) and validity (criterial, discriminant,
convergent and factorial). C) The K-8 course, and plausibly the K-5 course, improves students’
computational thinking, not the other psychological variables studied; and both courses have
excellent viability of implantation, respectively, in the 7th - 8th Grade and in the 5th - 6th Grade.
Discussion: Globally, the possibility (suitability and viability) and desirability (relevance) to
incorporate code-literacy in the Spanish educational system is concluded. Though: suitability is
restricted to the emerging construct of computational thinking; there are risks about an unbalanced
viability in terms of gender, in favor of the male group; and we overlook the threat that the relevance
is reduced to utilitarian and social-deterministic aspects.
Keywords: code-literacy, computational thinking, primary education, secondary education,
psychometrics, program evaluation, computational high abilities, digital intelligence.
587
ANEXO A
CSEW: Cuestionario para profesores/as (previo)
COMPUTER SCIENCE EDUCATION WEEK (CSEW)
Cuestionario para profesores/as (PREVIO)
OBJETIVO GENERAL: documentar e investigar cómo el aprendizaje de la programación con

lenguajes informáticos (‘Coding’) se está introduciendo en nuestros centros educativos, dada su
posible consideración como competencia digital clave para el futuro personal y profesional de los
estudiantes. En este marco general, la próxima celebración de la ‘Computer Science Education
Week’ (CSEW), del 8 al 14 de diciembre de 2014 (http://csedweek.org/), es una clara oportunidad
para tratar de hacer un retrato de la situación del ‘Coding’ en nuestro sistema educativo.
(EN) GENERAL AIM: To document and investigate how the learning of computer programming
languages (‘Coding’) is being introduced into our schools, since it may be considered as a key digital
competence for personal and professional future of students. Within this general framework, the next
celebration of the ‘Computer Science Education Week’ (CSEW) from 8 to 14 December 2014
(http://csedweek.org/) is a clear opportunity to try to do a portrait of the situation of the ‘Coding’ in
our educational system.
Instrucciones
Este cuestionario está dirigido a profesores/as que van a coordinar la realización de las actividades
relativas a la ‘Computer Science Education Week’ (CSEW) en su centro educativo. Por favor,
conteste a las siguientes preguntas basándose en su opinión y experiencia, tratando de ejemplificar
sus afirmaciones. (Para cualquier duda o sugerencia sobre este cuestionario, puede consultar con el
Prof. Marcos Román: [email protected])
(EN) This survey is aimed at teachers who will coordinate the implementation of activities related to
the ‘Computer Science Education Week’ (CSEW) in their school. Please answer the following
questions based on your opinion and experience, trying to illustrate your claims. (For any questions
or suggestions regarding this questionnaire, please consult with Prof. Marcos Román:
[email protected])
Nombre y apellidos:
(EN) Name:
Volver al índice
ANEXOS / Román-González (2016)
Centro Educativo:
(EN) Education Center:
Provincia:
(EN) Province:
Titularidad del Centro:
(EN) Ownership of the center:
• Público
• Concertado
• Privado
Etapas educativas impartidas en el Centro:
(EN) Educational Levels:
 Infantil (Kindergarden)
 Primaria (K1 - K6)
 Secundaria (K7 - K10)
 Bachillerato (K11 - K12)
 FP - Grado Medio (Job Training - Medium)
 FP - Grado Superior (Job Training - High)
Cargo/s que ocupa usted en el Centro. Indique, además de su docencia, si tiene alguna otra
responsabilidad en su centro (p.ej. Coordinador TIC, Coordinador de Etapa, Jefe de
Departamento, Dirección, etc...):
(EN) Your position at the Center. Please besides your teaching, state if you have any other
responsibility for your school (e.g. ICT Coordinator, Stage Coordinator, Head of Department,
Direction, etc ...):
Preguntas
(EN): Questions
1. ¿Qué aptitudes y habilidades considera usted que desarrolla el aprendizaje de la

programación informática (‘coding’)? *
(EN): What skills and abilities do you consider develops learning computer programming (‘coding’)?
2. ¿Considera usted el aprendizaje del ‘coding’ especialmente adecuado para algún tipo
específico de estudiante? (p.ej. para los chicos frente a las chicas, para los alumnos de alta
capacidad frente a los alumnos de capacidad media, para los estudiantes de ESO frente a los
estudiantes de Primaria, etc…) ¿Por qué? *
589
(EN): Do you consider learning the ‘coding’ particularly suitable for a specific type of student? (e.g.
for boys versus girls, for students of high ability versus average ability students, for secondary
students versus elementary students, etc ...) Why?
3. ¿Espera usted algún tipo de correlación entre el rendimiento habitual del estudiante en
algún/as área/s curricular/es y su nivel de motivación y ejecución en la actividad de la CSEW?
(p.ej. posible correlación entre el rendimiento en matemáticas y su futuro desempeño en la
CSEW)
(EN): Do you expect some correlation between the usual student performance on any curricular
area/s and their level of motivation and execution in the CSEW activity? (e.g. possible correlation
between mathematics performance and future performance in CSEW activity)
4. Existen distintas plataformas-tutoriales ‘on-line’ (p.e. ‘Scratch’) para el aprendizaje del

‘coding’ ¿Cuáles de ellas conoce? ¿Cuáles de ellas le parecen más apropiadas para cada
edad? *
(EN): There are different platforms-tutorials ‘on-line’ (e.g. ‘Scratch’) for learning the ‘coding’.
Which ones do you know? Which ones seem most appropriate for which age?
5. Para planificar las actividades de la CSEW, ¿ha comparado distintas plataformas-tutoriales

‘on-line’ tal y como se sugiere en http://csedweek.org/learn? ¿Por cuál/es se ha decidido? ¿Por
qué? *
(EN): To plan activities CSEW, have you compared different ‘on-line’ platforms-tutorials as
suggested in http://csedweek.org/learn? By what have you been decided? Why?
6. Entendemos que al incorporar a su centro a la CSEW (‘An Hour of Code’) considera viable
que con una actividad de una hora se pueda introducir a los estudiantes en el mundo del
‘coding’, ¿es así? ¿cómo es esto posible? *
(EN): We understand that by incorporating your center to the CSEW (‘An Hour of Code’), you
considered feasible for a one-hour activity can introduce students to the world of ‘coding’. Is that
right? How is this possible?
7. Durante la preparación de las actividades de la CSEW, ¿qué apoyos está encontrando entre
la comunidad educativa de su centro? ¿qué resistencias? *
(EN): During the preparation of CSEW activities are you finding support among the educational
community of your school? Are you finding resistance?
8. ¿Considera ‘aprender a programar’ una competencia relevante para el futuro personal

(como ciudadanos) de sus estudiantes? ¿Por qué? *
(EN): Do you think ‘learn to program’ is a relevant skill for the personal future (as citizens) of your
students? Why?
590
9. ¿Considera ‘aprender a programar’ una competencia relevante para el futuro profesional

(como trabajadores) de sus estudiantes? ¿Por qué? *
(EN): Do you think ‘learn to program’ is a relevant skill for the professional future (as workers) of
your students? Why?
10. Por favor, describa la/s actividad/es que tiene previsto realizar durante la CSEW: ¿cuántos
estudiantes? ¿De qué edades? ¿Con qué recursos? ¿Con qué metodología? ¿Habrá algún tipo
de evaluación? Puede incluir en su descripción igualmente cualquier otro comentario (o
enlaces) que desee hacer al respecto. *
(EN): Please describe the activity/s that you’re planning for the CSEW: how many students? What
ages? What resources? By what method? Will there be some kind of assessment? You can also
include in your description any other comments (or links) you want to do about it.
MUCHAS GRACIAS POR SU COLABORACIÓN
THANK YOU FOR YOUR COOPERATION
Figura A.1. Captura de pantalla del ‘CSEW: Cuestionario para profesores (previo)’ [Ubicado en https://goo.gl/xCRO26]
591
ANEXO B
CSEW: Cuestionario para profesores/as (post)
Cuestionario para profesores/as (POST)
Instrucciones
Este cuestionario está dirigido a profesores/as que hayan coordinado la realización de las actividades
relativas a la ‘Computer Science Education Week’ (CSEW) - LA HORA DEL CÓDIGO en su centro
educativo. Por favor, conteste a las siguientes preguntas basándose en su opinión y experiencia
durante la CSEW, tratando de ejemplificar sus afirmaciones. (Para cualquier duda o sugerencia sobre
este cuestionario, puede consultar con el Prof. Marcos Román: [email protected])
(EN) This survey is aimed at teachers who have coordinated the implementation of activities related
to the ‘Computer Science Education Week’ (CSEW) - THE HOUR OF CODE in their school. Please
answer the following questions based on your opinion and experience during the CSEW, trying to
illustrate your claims. (For any questions or suggestions regarding this questionnaire, please consult
with Prof. Marcos Román: [email protected])
Nombre y apellidos:
(EN) Name:
Centro Educativo:
(EN) Education Center:
Preguntas
(EN): Questions
1. ¿Ha podido desarrollar las actividades de la CSEW tal y como tenía planificado? ¿Sí, No?
¿Por qué? Describa las actividades CSEW que finalmente han podido realizar: nº de
estudiantes, niveles educativos, tutoriales utilizados, metodología seguida, sistema de
evaluación, etc...
592
(EN): Have you been able to develop CSEW activities as you had planned? Yes, No? Why? Describe
the CSEW activities you have been finally able to make: number of students, educational levels,
tutorials used, methodology used, the evaluation system, etc.
2. ¿Cuáles son los aspectos MÁS POSITIVOS que desea resaltar del desarrollo de la CSEW en
su centro?
(EN): What are the MOST POSITIVE aspects you want to highlight of the CSEW development in
your school?
3. ¿Cuáles son los aspectos MÁS NEGATIVOS que desea resaltar del desarrollo de la CSEW
en su centro? ¿Qué propuestas de mejora se plantea para los mismos?
(EN): What are the MOST NEGATIVE aspects you want to highlight of the CSEW development in
your school? What suggestions to improve them?
4. Relate alguna/s anécdota relevante o caso excepcional ocurrido a lo largo de la CSEW (p.e.
algún estudiante que haya demostrado especial talento, algún estudiante que haya mostrado
una conducta inusual, etc...)
(EN): Relate a relevant anecdote/s or exceptional case/s occurred along the CSEW (e.g. a student
who has demonstrated special talent, a student who has shown unusual behavior, etc ...)
5. Desde la fundación Code.org (promotora de la CSEW) se propone continuar y profundizar

con la introducción del ‘coding’ en las escuelas: http://code.org/learn/beyond ¿Tienen intención
de continuar en los próximos meses con nuevas actividades curriculares relacionadas con el
‘coding’? ¿Cuáles?
(EN): From the foundation Code.org (promoter of CSEW) intends to continue and deepen with the
introduction of ‘coding’ in schools: http://code.org/learn/beyond Do you intend to continue in the
coming months with new curricular activities related to the ‘coding’? Which?
MUCHAS GRACIAS POR SU COLABORACIÓN

Figura B.1. Captura de pantalla del ‘CSEW: Cuestionario para profesores (post)’ [Ubicado en https://goo.gl/RRV9E5]
593
ANEXO C
CSEW: Cuestionario para estudiantes
Cuestionario para Estudiantes

Instrucciones
Este cuestionario está dirigido a estudiantes que hayan participado en alguna de las actividades
relativas a la ‘Computer Science Education Week (CSEW): The Hour of Code’ organizadas en su
centro educativo. Por favor, contesta a las siguientes preguntas:
(EN): This survey is aimed at students who have participated in any activity relating to the
‘Computer Science Education Week (CSEW): The Hour of Code’ organized in their school. Please
answer the following questions:
Datos Genéricos
(EN): Generic Data
¿Chica o Chico?
(EN): ¿Girl or Boy?
• Chica (Girl)
• Chico (Boy)
Edad
(EN): Age
• 8 ó menos
• 9
• 10
• (…)
• 19
• 20 ó más
594
Nivel Educativo
(EN): Educational Level
• Primaria
• Secundaria
• Bachillerato
• Formación Profesional
Centro Educativo
(EN): School
¿Es bilingüe tu Centro Educativo?
(EN): Is your school bilingual?
• Sí (Yes)
• No (No)
Preguntas
(EN): Questions
1. ¿Habías oído hablar de la ‘programación informática’ (‘coding’) antes de esta actividad de

la ‘Computer Science Education Week (CSEW)’?
(EN): Have you ever heard of the ‘computer programming’ (‘coding’) before this activity of the
‘Computer Science Education Week (CSEW)’?
• Sí (Yes)
• No (No)
2. ¿Habías ‘programado’ alguna vez antes de esta actividad?
(EN): Had you ‘programmed’ (‘coded’) sometime before this activity?
• Sí (Yes)
• No (No)
3. En caso afirmativo a la pregunta anterior, ¿con qué lenguaje/s informático/s de

programación tienes experiencia?
(EN): If yes to the previous question, what computer language/s you have programming experience?
 HTML
 CSS
 JavaScript
 jQuery
 PHP
595
 Python
 Ruby
 Otro:
4. ¿En qué medida crees que la actividad te ha ayudado a desarrollar cada una de las
(EN): How far do you think the activity has helped you to develop each of the following skills and
abilities?
1 = Nada 2 = Poco 3 = Algo 4 = Bastante 5 = Mucho

(Nothing) (Few) (Something) (Quite) (A lot)
Pensamiento Lógico
(Logical Thinking)
Creatividad (Creativity)
(Problem Solving)
Trabajo en Equipo
(Teamwork)
Persistencia-Perseverancia
(Persistence-Perseverance)
Capacidad de Atención
(Attention Capacity)
5. Tras tu experiencia con la actividad de la CSEW, ¿cómo dirías que se te da la ‘programación

informática’ (‘coding’)?
(EN): After your experience with CSEW activity, how would you say you are gifted in ‘computer
programming’ (‘coding’)?
• Se me da muy mal
• Se me da mal
• Se me da regular
• Se me da bien
• Se me da muy bien
6. ¿Has conseguido completar el 100% de la actividad propuesta?
(EN): Did you get 100% completion of the proposed activity?
• Sí (Yes)
• No (No)
7. ¿Cuál es tu nota habitual en las siguientes asignaturas (o similares)?
(EN): What is your usual mark in the following subjects (or similars)?
596
Suspenso Aprobado Notable Notable Sobresaliente

(E) (D) Bajo (C) Alto (B) (A)
Matemáticas (Mathematics)
Lengua (Language)
Música (Music)
Tecnología / Informática
(Technology /Computing)
Plástica (Plastics)
8. Tras la actividad, ¿cómo de motivado te sientes para continuar aprendiendo ‘programación

informática’ (‘coding’)?
(EN): After the activity, how do you feel motivated to continue learning ‘computer programming’
(‘coding’)?
• Nada motivado
• Poco motivado
• Algo motivado
• Bastante motivado
• Muy motivado
9. ¿Te gustaría continuar aprendiendo ‘programación informática’ (‘coding’) a través de

plataformas-tutoriales en Internet (a tu propio ritmo, de forma interactiva...)?
(EN): Would you like to continue learning ‘computer programming’ (‘coding’) across platforms-
tutorials on the Internet (at your own pace, interactively...)?
• Sí (Yes)
• No (No)
10. En caso afirmativo a la respuesta anterior, existen en Internet diversas plataformas-

tutoriales para el aprendizaje de la ‘programación informática’ (‘coding’), ¿Cuál/es de ellas
conoces?
(EN): If yes to the previous question, there are various platforms online tutorials for learning the
‘computer programming’ (‘coding’), which do you know?
 Code.org (http://code.org/)
 Scratch (http://scratch.mit.edu/)
 Blockly (http://code.google.com/p/blockly/)
 Tynker (http://www.tynker.com/)
 Light-Bot (http://light-bot.com/)
 App Inventor (http://appinventor.mit.edu/explore/)
597
 Khan Academy (https://www.khanacademy.org/cs)

 Codeacademy (http://www.codecademy.com)
 CodeHS (http://codehs.com/)
 Otro:
11. ¿Consideras importante la ‘programación informática’ (‘coding’) para tu formación

personal, como ciudadano del siglo XXI? ¿Sí, No? ¿Por qué?
(EN): Is it important to ‘computer programming’ (‘coding’) for your personal training, as a citizen of
the XXI century? Yes, No? Why?
12. ¿Consideras importante la ‘programación informática’ (‘coding’) para tu formación

profesional, como trabajador del siglo XXI? ¿Sí, No? ¿Por qué?
(EN): Is it important to ‘computer programming’ (‘coding’) for your professional training, as a

worker of the XXI century? Yes, No? Why?
MUCHAS GRACIAS POR TU PARTICIPACIÓN
Figura C.1. Captura de pantalla del ‘CSEW: Cuestionario para estudiantes’ [Ubicado en https://goo.gl/c3j5xq]
598
ANEXO D
Figuras y Tablas complementarias al Capítulo 5
Figura D.1. Área geográfica de procedencia de los centros invitados a la investigación
Figura D.2. Comunidad Autónoma de procedencia de los centros educativos invitados a la investigación
599
Tabla D.1. Tabla de contingencia entre el área geográfica de procedencia de los centros invitados y la edición HoC
Edición
Total
HoC-2013 HoC-2014
Recuento 4 11 15
Centro
% dentro de Edición 17,4% 20,4% 19,5%
Recuento 3 17 20
Noroeste
Área Geográfica
Recuento 13 21 34
Este y Baleares
Recuento 3 5 8
Sur y Canarias
Recuento 23 54 77
Total
Tabla D.2. Tabla de contingencia entre la CCAA de procedencia de los centros invitados y la edición HoC
Edición
Total
HoC-2013 HoC-2014
Recuento 2 3 5
Andalucía
Recuento 0 2 2
Aragón
Recuento 1 3 4
Asturias
Recuento 1 1 2
Canarias
Recuento 0 1 1
Cantabria
Recuento 0 6 6
Castilla y León
Recuento 1 0 1
Castilla-La Mancha
Comunidad Autónoma
Recuento 7 12 19
Cataluña
Recuento 0 1 1
Ceuta
Recuento 3 11 14
Comunidad de Madrid
Recuento 6 6 12
Comunidad Valenciana
Recuento 0 7 7
Galicia
Recuento 2 0 2
País Vasco
Recuento 0 1 1
Región de Murcia
Recuento 23 54 77
Total
600
Figura D.3. Titularidad de los centros educativos invitados a la investigación
Tabla D.3. Tabla de contingencia entre la Titularidad de los centros invitados y la edición HoC
Edición
Total
HoC-2013 HoC-2014
Recuento 9 37 46
Público
Recuento 6 8 14
Titularidad Concertado
Recuento 8 9 17
Privado
Recuento 23 54 77
Total
Figura D.4. Tipología de los centros educativos invitados a la investigación
601
Tabla D.4. Tabla de contingencia entre la Tipología de los centros invitados y la edición HoC
Edición
Total
HoC-2013 HoC-2014
CEIP - Colegio Público Infantil Recuento 1 20 21
y/o Primaria % dentro de Edición 4,3% 37,0% 27,3%
Secundaria, Bachillerato y/o FP % dentro de Edición 34,8% 29,6% 31,2%
Tipología
Centro Privado o Concertado Recuento 14 17 31
Multietapa % dentro de Edición 60,9% 31,5% 40,3%
Centro Municipal de Educación Recuento 0 1 1
No Formal % dentro de Edición 0,0% 1,9% 1,3%
Recuento 23 54 77
Total
Figura D.5. Porcentajes de respuesta a la Pregunta 1 del cuestionario para estudiantes
Figura D.6. Frecuencias de respuesta a la Pregunta 1 según sexo
602
Figura D.7. Frecuencias de respuesta a la Pregunta 1 según etapa educativa
Figura D.8. Frecuencias de respuesta a la Pregunta 1 según la tipología de centro
603
Figura D.9. Porcentajes de respuesta a la Pregunta 2 del cuestionario para estudiantes
Figura D.10. Frecuencias de respuesta a la Pregunta 2 por sexo
Figura D.11. Frecuencias de respuesta a la Pregunta 2 por etapa educativa
604
Figura D.12. Frecuencias en la Pregunta 2 según la tipología de centro
40%
35%
30%
25%
20%
15%
10%
5%
0%
Python JavaScript CSS HTML Scratch Blockly LightBot
Por Bloques Por Flechas
Lenguajes Textuales Puros Lenguajes de Etiquetas, Lenguajes Visuales
Marcado y Estilo
(Pseudolenguajes)
Figura D.13. Índices de penetración según lenguajes sobre el total de la muestra, y diferenciado por etapa educativa
605
Tabla D.5. Distribución de frecuencias para la Pregunta 4 (‘pensamiento lógico’)
P4.1 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Pensamiento Lógico?
Nada 100 6,0 6,8 6,8
Poco 106 6,4 7,2 14,1
Algo 353 21,2 24,1 38,2
Válido
Bastante 532 32,0 36,3 74,5
Mucho 373 22,4 25,5 100,0
Total 1464 88,1 100,0
Total 1662 100,0
Figura D.14. Distribución de frecuencias para la Pregunta 4 (‘pensamiento lógico’)
Tabla D.6. Distribución de frecuencias para la Pregunta 4 (‘creatividad’)
P4.2 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Creatividad?
Nada 97 5,8 6,8 6,8
Poco 166 10,0 11,6 18,3
Algo 343 20,6 23,9 42,2
Válido
Bastante 426 25,6 29,7 71,9
Mucho 403 24,2 28,1 100,0
Total 1435 86,3 100,0
Total 1662 100,0
606
Figura D.15. Distribución de frecuencias para la Pregunta 4 (‘creatividad’)
Tabla D.7. Distribución de frecuencias para la Pregunta 4 (‘resolución de problemas’)
P4.3 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Resolución de Problemas?
Nada 117 7,0 8,2 8,2
Poco 187 11,3 13,1 21,3
Algo 371 22,3 26,0 47,2
Válido
Bastante 385 23,2 26,9 74,2
Mucho 369 22,2 25,8 100,0
Total 1429 86,0 100,0
Total 1662 100,0
Figura D.16. Distribución de frecuencias para la Pregunta 4 (‘resolución de problemas’)
607
Tabla D.8. Distribución de frecuencias para la Pregunta 4 (‘trabajo en equipo’)
P4.4 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Trabajo en Equipo?
Nada 354 21,3 24,6 24,6
Poco 222 13,4 15,4 40,0
Algo 249 15,0 17,3 57,3
Válido
Bastante 278 16,7 19,3 76,7
Mucho 336 20,2 23,3 100,0
Total 1439 86,6 100,0
Total 1662 100,0
Figura D.17. Distribución de frecuencias para la Pregunta 4 (‘trabajo en equipo’)
Tabla D.9. Distribución de frecuencias para la Pregunta 4 (‘persistencia-perseverancia’)
P4.5 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Persistencia-Perseverancia?
Nada 127 7,6 8,9 8,9
Poco 195 11,7 13,7 22,6
Algo 380 22,9 26,7 49,4
Válido
Bastante 365 22,0 25,7 75,0
Mucho 355 21,4 25,0 100,0
Total 1422 85,6 100,0
Total 1662 100,0
608
Figura D.18. Distribución de frecuencias para la Pregunta 4 (‘persistencia-perseverancia’)
Tabla D.10. Distribución de frecuencias para la Pregunta 4 (‘capacidad de atención’)
P4.6 ¿En qué medida crees que la actividad te ha ayudado a desarrollar… Capacidad de Atención?
Nada 101 6,1 7,0 7,0
Poco 132 7,9 9,2 16,2
Algo 266 16,0 18,5 34,6
Válido
Bastante 427 25,7 29,6 64,3
Mucho 515 31,0 35,7 100,0
Total 1441 86,7 100,0
Total 1662 100,0
Figura D.19. Distribución de frecuencias para la Pregunta 4 (‘capacidad de atención’)
609
Tabla D.11. Diferencias por sexo para la Pregunta 4

P4. ¿En qué medida crees que la
Significación de
actividad te ha ayudado a Desviación
N Media t de Student la diferencia
desarrollar cada una de las estándar
p(t)
Pensamiento Chicos 741 3,66 1,193
-0,335 ,738
Lógico Chicas 682 3,68 1,071
Chicos 723 3,64 1,245
Chicas 673 3,57 1,146
Resolución de Chicos 728 3,54 1,268
1,758 ,079
Problemas Chicas 663 3,43 1,184
Trabajo en Chicos 731 3,00 1,537
-0,422 ,673
Equipo Chicas 669 3,03 1,468
Persistencia- Chicos 718 3,49 1,293
1,604 ,109
Perseverancia Chicas 666 3,38 1,196
Capacidad de Chicos 733 3,74 1,266
-1,133 ,257
Atención Chicas 669 3,81 1,171
Tabla D.12. Diferencias por etapa educativa para la Pregunta 4

P4. ¿En qué medida crees que la
Significación de
actividad te ha ayudado a desarrollar Desviación
N Media F la diferencia
cada una de las siguientes aptitudes y estándar
p(F)
habilidades?
Primaria 404 4,00 1,063
Pensamiento Secundaria 889 3,55 1,104
18,431** ,000
Lógico Bachillerato 145 3,53 1,225
FP 14 2,86 1,406
Primaria 394 3,94 1,117
Creatividad 13,959** ,000
FP 15 3,40 1,502
Primaria 395 3,83 1,198
Resolución de Secundaria 864 3,36 1,207
14,446** ,000
Problemas Bachillerato 144 3,38 1,257
FP 15 3,07 1,438
Primaria 397 3,70 1,392
Trabajo en Secundaria 871 2,75 1,450
41,060** ,000
Equipo Bachillerato 145 2,74 1,540
FP 15 3,20 1,568
Primaria 395 3,69 1,254
Persistencia- Secundaria 856 3,32 1,216
8,313** ,000
Perseverancia Bachillerato 145 3,47 1,275
FP 15 3,20 1,373
Primaria 396 4,28 1,060
Capacidad de Secundaria 876 3,60 1,207
33,058** ,000
Atención Bachillerato 144 3,61 1,263
FP 15 3,07 1,438
610
Tabla D.13. Pruebas KMO y Bartlett para la matriz de correlaciones relativa a la Pregunta 4
Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,869
Aprox. Chi-cuadrado 2797,634**
Prueba de esfericidad de Bartlett gl 15
Sig. ,000
Figura D.20. Distribución de frecuencias en la Pregunta 5 del cuestionario para estudiantes
Figura D.21. Distribución de frecuencias en la Pregunta 6 del cuestionario para estudiantes
611
Figura D.22. Distribución de frecuencias en la Pregunta 5, según el sexo
Figura D.23. Distribución de frecuencias en la Pregunta 6, según el sexo
612
Figura D.24. Distribución de frecuencias en la Pregunta 6 en función de la respuesta a la Pregunta 2
Tabla D.14. ANOVAs en función de la etapa educativa para las preguntas 5 y 6
Etapa Educativa N Media Desviación estándar F p(F)

Primaria 396 4,07 ,883
Secundaria 877 3,71 ,941
P5. Autoeficacia ‘coding’ 14,838** ,000
Bachillerato 143 3,96 ,934
Primaria 388 ,66 ,474
Secundaria 876 ,61 ,489
P6. Completar actividad 12,656** ,000
Bachillerato 142 ,87 ,342
Formación Profesional 15 ,73 ,458
Tabla D.15. Diferencias en la Pregunta 4 en función de la Pregunta 5

P4. ¿En qué medida crees
Desviación
que la actividad te ha P5. Autoeficacia ‘coding’ N Media F p(F)
estándar
ayudado a desarrollar…?
Se me da muy mal 55 2,33 1,428
Se me da mal 42 3,19 1,018
Pensamiento Lógico Se me da regular 322 3,45 ,995 33,678** ,000
Se me da bien 673 3,78 1,017
Se me da muy bien 330 3,95 1,214
Se me da mal 41 3,20 1,145
Creatividad Se me da regular 315 3,49 1,104 22,591** ,000
Se me da bien 662 3,67 1,109
613
P4. ¿En qué medida crees

Desviación
que la actividad te ha P5. Autoeficacia ‘coding’ N Media F p(F)
estándar
ayudado a desarrollar…?
Se me da mal 40 2,85 1,189
Resolución de Problemas Se me da regular 314 3,30 1,122 22,375** ,000
Se me da bien 657 3,60 1,115
Se me da mal 41 2,49 1,502
Trabajo en Equipo Se me da regular 316 2,89 1,393 10,735** ,000
Se me da bien 663 2,95 1,470
Se me da mal 42 2,81 1,153
Persistencia-Perseverancia Se me da regular 312 3,21 1,145 21,775** ,000
Se me da bien 650 3,50 1,153
Se me da mal 42 3,29 1,293
Capacidad de Atención Se me da regular 319 3,59 1,100 25,040** ,000
Se me da bien 659 3,89 1,094
Figura D.25. Medias relativas a la Pregunta 7 del cuestionario para estudiantes
614
Figura D.26. Medias en la Pregunta 7, diferenciadas por sexo
Figura D.27. Medias en la Pregunta 7, en función de la experiencia previa en ‘coding’ (Pregunta 2)
615
Tabla D.16. Diferencias en la Pregunta 7, en función de la percepción de autoeficacia (Pregunta 5)
P7. ¿Cuál es tu nota habitual en las Desviación

P5. Autoeficacia ‘coding’ N Media F p(F)
siguientes asignaturas (o similares)? estándar
Se me da mal 43 3,09 1,411
Matemáticas Se me da regular 329 3,05 1,340 12,933** ,000
Se me da bien 669 3,38 1,341
Se me da mal 43 3,23 1,250
Lengua Se me da regular 324 3,06 1,275 5,778** ,000
Se me da bien 664 3,22 1,242
Se me da mal 41 3,68 1,350
Música Se me da regular 306 3,56 1,274 4,987** ,001
Se me da bien 618 3,73 1,215
Se me da mal 43 3,19 1,314
Tecnología / Informática Se me da regular 316 3,28 1,283 21,916** ,000
Se me da bien 617 3,70 1,237
Se me da mal 40 3,80 1,265
Plástica Se me da regular 303 3,68 1,252 4,986** ,001
Se me da bien 646 3,87 1,158
Figura D.28. Medias en la Pregunta 7, en función de haber conseguido completar la actividad HoC (Pregunta 6)
616
Figura D.29. Distribución de frecuencias de las respuestas a la Pregunta 9 del cuestionario para estudiantes
Figura D.30. Diagrama de dispersión de las respuestas a las preguntas 8 y 9
617
Tabla D.17. Diferencias para las preguntas 8 y 9, en función de la etapa educativa
Desviación
N Media F p(F)
estándar
Primaria 388 4,26 ,903
P8. Motivación proseguir Secundaria 873 3,48 1,071
51,096** ,000
aprendizaje ‘coding’ Bachillerato 144 3,54 1,121
Primaria 386 ,90 ,295
P9. Determinación aprender Secundaria 878 ,77 ,423
11,240** ,000
‘coding’ on-line Bachillerato 145 ,77 ,421
Formación Profesional 14 ,79 ,426
Tabla D.18. Diferencias en las preguntas 8 y 9, en función de la percepción de autoeficacia (Pregunta 5)
Desviación
P5. Autoeficacia ‘coding’ N Media F p(F)
estándar
Se me da mal 42 2,55 ,968
P8. Motivación proseguir
Se me da regular 316 3,26 1,003 115,223** ,000
aprendizaje ‘coding’
Se me da bien 662 3,79 ,912
Se me da muy bien 330 4,35 ,908
Se me da muy mal 55 ,27 ,449
Se me da mal 42 ,52 ,505
P9. Determinación
Se me da regular 320 ,73 ,446 47,681** ,000
aprender ‘coding’ on-line
Se me da bien 657 ,85 ,361
Se me da muy bien 325 ,92 ,267
Tabla D.19. Estadísticos descriptivos de las variables incluidas en el análisis de clúster
N Mínimo Máximo Media Desviación estándar

P1. Haber oído ‘coding’ 1495 0 1 ,53 ,499
P2. Experiencia previa ‘coding’ 1504 0 1 ,43 ,495
P5. Autoeficacia ‘coding’ 1440 1 5 3,83 ,951
P6. Completar actividad HoC 1432 0 1 ,65 ,478
P8. Motivación proseguir aprendizaje ‘coding’ 1430 1 5 3,70 1,097
P9. Determinación aprender ‘coding’ on-line 1436 0 1 ,80 ,397
N válido (por lista) 1352
Tabla D.20. Centros de clústeres iniciales (expresados como puntuaciones típicas o Zscore)
Clúster
1 2 3 4
Zscore: P1. Haber oído ‘coding’ -1,06248 ,94056 -1,06248 ,94056
Zscore: P2. Experiencia previa ‘coding’ -,86859 1,15052 1,15052 -,86859
Zscore: P5. Autoeficacia ‘coding’ -2,97512 1,23227 1,23227 -2,97512
Zscore: P6. Completar actividad HoC -1,35646 ,73670 -1,35646 ,73670
Zscore: P8. Motivación proseguir aprendizaje ‘coding’ -2,45855 -2,45855 1,18752 1,18752
Zscore: P9. Determinación aprender ‘coding’ on-line -2,02221 -2,02221 ,49416 ,49416
618
Tabla D.21. Historial de iteraciones (convergencia conseguida en 10 iteraciones)
Cambiar en centros de clústeres

Iteración
1 2 3 4
1 1,902 2,148 2,195 2,621
2 ,144 ,194 ,083 ,242
3 ,052 ,450 ,244 ,404
4 ,138 ,250 ,359 ,445
5 ,042 ,085 ,400 ,357
6 ,076 ,060 ,147 ,119
7 ,066 ,048 ,129 ,114
8 ,037 ,000 ,173 ,144
9 ,085 ,000 ,000 ,020
10 ,000 ,000 ,000 ,000
Convergencia conseguida en 10 iteraciones, debido a que no hay ningún cambio en los centros de clústeres.
Tabla D.22. ANOVA de diferencias entre los clústeres para todas las variables incluidas en el análisis
ANOVA
Clúster Error
Media Media F Sig.
gl gl
cuadrática cuadrática
Zscore: P1. Haber oído ‘coding’ 71,423 3 ,844 1348 84,670** ,000
Zscore: P2. Experiencia previa ‘coding’ 380,311 3 ,157 1348 2423,786** ,000
Zscore: P5. Autoeficacia ‘coding’ 137,602 3 ,688 1348 200,125** ,000
Zscore: P6. Completar actividad HoC 28,410 3 ,940 1348 30,219** ,000
Zscore: P8. Motivación proseguir aprendizaje ‘coding’ 145,411 3 ,669 1348 217,344** ,000
Zscore: P9. Determinación aprender ‘coding’ on-line 408,791 3 ,077 1348 5330,431** ,000
Tabla D.23. Tabla de contingencia sexo * clúster

Total
1 2 3 4
Recuento 55 64 295 272 686
Chico
% dentro de Sexo 8,0% 9,3% 43,0% 39,7% 100,0%
Sexo
Recuento 78 76 185 300 639
Chica
% dentro de Sexo 12,2% 11,9% 29,0% 46,9% 100,0%
Recuento 133 140 480 572 1325
Total
% dentro de Sexo 10,0% 10,6% 36,2% 43,2% 100,0%
Tabla D.24. Tabla de contingencia titularidad * clúster

Total
1 2 3 4
Recuento 77 93 288 409 867
Público
% dentro de Titularidad 8,9% 10,7% 33,2% 47,2% 100,0%
Recuento 3 2 4 11 20
Titularidad Concertado
Recuento 53 44 188 158 443
Privado
619
Tabla D.25. Estadísticos descriptivos de las variables inicialmente incluidas en la regresión múltiple
Media Desviación estándar N

Variable dependiente: P8. Motivación proseguir aprendizaje ‘coding’ 3,70 1,098 1062
Sexo Dummy ,47 ,499 1062
Etapa Educativa Dummy ,75 ,433 1062
Titularidad Dummy ,35 ,478 1062
P1. Haber oído ‘coding’ ,53 ,499 1062
P2. Experiencia previa ‘coding’ ,43 ,496 1062
P3. HTML ,17 ,378 1062
P3. CSS ,06 ,240 1062
P3. JavaScript ,10 ,306 1062
P3. jQuery ,01 ,101 1062
P3. PHP ,02 ,146 1062
P3. Python ,04 ,197 1062
P3. Ruby ,02 ,129 1062
P4.1 Desarrollar Pensamiento Lógico 3,68 1,127 1062
P4.2 Desarrollar Creatividad 3,61 1,194 1062
P4.3 Desarrollar Resolución de Problemas 3,49 1,249 1062
P4.4 Desarrollar Trabajo en Equipo 3,00 1,522 1062
P4.5 Desarrollar Persistencia-Perseverancia 3,46 1,260 1062
P4.6 Desarrollar Capacidad de Atención 3,79 1,219 1062
P5. Autoeficacia ‘coding’ 3,86 ,960 1062
P6. Completar actividad HoC ,67 ,469 1062
P7.1 Rendimiento Matemáticas 3,40 1,348 1062
P7.2 Rendimiento Lengua 3,27 1,274 1062
P7.3 Rendimiento Música 3,78 1,232 1062
P7.4 Rendimiento Tecnología / Informática 3,71 1,240 1062
P7.5 Rendimiento Plástica 3,87 1,180 1062
Tabla D.26. Estadísticas de residuos del modelo de regresión múltiple
Estadísticas de residuosa
Desviación
Mínimo Máximo Media N
estándar
Valor pronosticado 1,13 5,21 3,69 ,722 1221
Residuo -3,764 2,515 ,018 ,827 1221
Valor pronosticado estándar -3,497 2,046 -,019 ,982 1221
Residuo estándar -4,597 3,071 ,022 1,010 1221
620
Figura D.31. Histograma de residuos tipificados; se comprueba normalidad
Figura D.32. Gráfico P-P de los residuos tipificados; se comprueba normalidad
621
Figura D.33. Gráfica de regresión parcial P5 sobre P8
Figura D.34. Gráfica de regresión parcial P4.2 sobre P8
622
Figura D.35. Gráfica de regresión parcial P4.3 sobre P8
Figura D.36. Gráfica de regresión parcial ‘Etapa Educativa’ sobre P8
623
Tabla D.27. Estadísticas descriptivas de las variables independientes inicialmente incluidas en el análisis discriminante
N válido (por lista)

P9. Determinación aprender ‘coding’ on-line Media Desviación estándar
No ponderados Ponderados
Sexo 1,55 ,499 196 196,000
Etapa Educativa 2,02 ,559 196 196,000
Titularidad 1,73 ,957 196 196,000
Tipología 2,33 ,579 196 196,000
P1. Haber oído ‘coding’ ,43 ,497 196 196,000
P2. Experiencia previa ‘coding’ ,35 ,479 196 196,000
P4.1 Desarrollar Pensamiento Lógico 3,01 1,324 196 196,000
P4.2 Desarrollar Creatividad 2,94 1,329 196 196,000
P4.3 Desarrollar Resolución de Problemas 2,82 1,364 196 196,000
P4.4 Desarrollar Trabajo en Equipo 2,44 1,503 196 196,000
No
P4.5 Desarrollar Persistencia-Perseverancia 2,96 1,428 196 196,000
P4.6 Desarrollar Capacidad de Atención 3,23 1,405 196 196,000
P5. Autoeficacia ‘coding’ 3,18 1,170 196 196,000
P6. Completar actividad HoC ,55 ,499 196 196,000
P7.1 Rendimiento Matemáticas 2,91 1,417 196 196,000
P7.2 Rendimiento Lengua 3,05 1,401 196 196,000
P7.3 Rendimiento Música 3,64 1,287 196 196,000
P7.4 Rendimiento Tecnología / Informática 3,27 1,344 196 196,000
P7.5 Rendimiento Plástica 3,73 1,274 196 196,000
P8. Motivación proseguir aprendizaje ‘coding’ 2,52 1,139 196 196,000
Sexo 1,46 ,498 850 850,000
Etapa Educativa 1,84 ,630 850 850,000
Titularidad 1,67 ,937 850 850,000
Tipología 2,20 ,728 850 850,000
Sí
P5. Autoeficacia ‘coding’ 4,01 ,829 850 850,000
P8. Motivación proseguir aprendizaje ‘coding’ 3,98 ,881 850 850,000
Sexo 1,47 ,500 1046 1046,000
Etapa Educativa 1,87 ,621 1046 1046,000
Total
Titularidad 1,68 ,940 1046 1046,000
Tipología 2,23 ,704 1046 1046,000
624
N válido (por lista)

P9. Determinación aprender ‘coding’ on-line Media Desviación estándar
P5. Autoeficacia ‘coding’ 3,86 ,959 1046 1046,000
P8. Motivación proseguir aprendizaje ‘coding’ 3,70 1,095 1046 1046,000
Tabla D.28. Prueba de igualdad de medias entre los grupos de la variable dependiente
Lambda de Wilks F df1 df2 Sig.

Sexo ,995 5,731* 1 1044 ,017
Etapa Educativa ,988 12,503** 1 1044 ,000
Titularidad ,999 ,554 1 1044 ,457
Tipología ,995 5,193* 1 1044 ,023
P1. Haber oído ‘coding’ ,991 9,913** 1 1044 ,002
P2. Experiencia previa ‘coding’ ,993 7,413** 1 1044 ,007
P4.1 Desarrollar Pensamiento Lógico ,919 92,227** 1 1044 ,000
P4.2 Desarrollar Creatividad ,926 83,035** 1 1044 ,000
P4.3 Desarrollar Resolución de Problemas ,934 73,789** 1 1044 ,000
P4.4 Desarrollar Trabajo en Equipo ,969 33,362** 1 1044 ,000
P4.5 Desarrollar Persistencia-Perseverancia ,965 38,194** 1 1044 ,000
P4.6 Desarrollar Capacidad de Atención ,951 53,301** 1 1044 ,000
P5. Autoeficacia ‘coding’ ,885 136,252** 1 1044 ,000
P6. Completar actividad HoC ,982 19,220** 1 1044 ,000
P7.1 Rendimiento Matemáticas ,970 32,302** 1 1044 ,000
P7.2 Rendimiento Lengua ,993 7,129** 1 1044 ,008
P7.3 Rendimiento Música ,997 3,183 1 1044 ,075
P7.4 Rendimiento Tecnología / Informática ,970 32,767** 1 1044 ,000
P7.5 Rendimiento Plástica ,997 3,275 1 1044 ,071
P8. Motivación proseguir aprendizaje ‘coding’ ,728 390,095** 1 1044 ,000
* Significativo al nivel p(F) < 0,05
625
Tabla D.29. Probabilidades previas para los grupos
Casos utilizados en análisis

P9. Determinación aprender ‘coding’ on-line Previa
No ,187 196 196,000
Sí ,813 850 850,000
Total 1,000 1046 1046,000
Tabla D.30. Coeficientes de función de clasificación para los grupos
Coeficientes de función de clasificación

P9. Determinación aprender ‘coding’ on-line
No Sí
P2. Experiencia previa ‘coding’ 1,119 1,531
P4.1 Desarrollar Pensamiento Lógico 1,770 1,981
P5. Autoeficacia ‘coding’ 2,950 3,280
P8. Motivación proseguir aprendizaje ‘coding’ 1,006 2,465
(Constante) -10,487 -15,839
Funciones discriminantes lineales de Fisher
Tabla D.31. Tabla de contingencia ¿Caso anómalo? * Sexo
Sexo
Total
Chico Chica
Recuento 788 687 1475
No
¿Caso anómalo del % dentro de Caso anómalo del análisis discriminante 53,4% 46,6% 100,0%
análisis discriminante? Recuento 58 74 132
Sí
% dentro de Caso anómalo del análisis discriminante 43,9% 56,1% 100,0%
Recuento 846 761 1607
Total
% dentro de Caso anómalo del análisis discriminante 52,6% 47,4% 100,0%
Tabla D.32. Tabla de contingencia ¿Caso anómalo? * Etapa Educativa
Etapa Educativa
Total
Recuento 481 873 142 14 1510
No
¿Caso anómalo del % dentro de Caso anómalo 31,9% 57,8% 9,4% 0,9% 100,0%
análisis discriminante? Recuento 24 93 15 1 133
Sí
% dentro de Caso anómalo 18,0% 69,9% 11,3% 0,8% 100,0%
Recuento 505 966 157 15 1643
Total
Tabla D.33. Tabla de contingencia ¿Caso anómalo? * Clúster de pertenencia
Número de Clúster
Total
1 2 3 4
Recuento 93 53 485 588 1219
No
¿Caso anómalo del análisis % dentro de Caso anómalo 7,6% 4,3% 39,8% 48,2% 100,0%
discriminante? Recuento 42 91 0 0 133
Sí
Recuento 135 144 485 588 1352
Total
626
Tabla D.34. Tabla de contingencia ‘Coders vs. Scratchers’ * sexo
Sexo
Total
Chico Chica
Coders
% dentro de Coders vs. Scratchers 49,5% 50,5% 100,0%
Coders vs. Scratchers
Scratchers
Total
Tabla D.35. Tabla de contingencia ‘Coders vs. Scratchers’ * etapa educativa
Nivel Educativo
Total
Primaria Secundaria Bachillerat. FP
Recuento 144 209 43 4 400
Coders
Coders vs. % dentro de Coders vs. Scratch. 36,0% 52,3% 10,8% 1,0% 100,0%
Scratchers Recuento 34 164 29 2 229
Scratch.
% dentro de Coders vs. Scratch. 14,8% 71,6% 12,7% 0,9% 100,0%
Recuento 178 373 72 6 629
Total
% dentro de Coders vs. Scratch. 28,3% 59,3% 11,4% 1,0% 100,0%
Figura D.37. Distribución de frecuencias de respuesta a la Pregunta 11 (relevancia del ‘coding’ para la formación
personal)
627
Figura D.38. Distribución de frecuencias de respuesta a la Pregunta 12 (relevancia del ‘coding’ para la formación
profesional)
628
ANEXO E
Test de Pensamiento Computacional (versión 1.0)

Entorno - Estilo de las Bucles (loops) Condicionales (conditionals) Funciones (functions)

Existencia de
Interfaz del alternativas de Repetir Repetir Tarea requerida Opción correcta
Condicional Mientras Funciones anidamiento
reactivo respuesta Direcciones
veces hasta Condicional Funciones
compuesto que con
times) until)
Item 3 Laberinto Visual por bloques Sí No No No No No No No No Depuración A
Item 4 Laberinto Textual Sí No No No No No No No No Secuenciación A
Item 9 Lienzo Textual Sí Sí No No No No No No No Depuración A
Item 10 Lienzo Visual por bloques Sí Sí No No No No No No Sí Completamiento B
Item 13 Laberinto Textual Sí No Sí No No No No No No Secuenciación A
Item 14 Laberinto Visual por flechas Sí Sí Sí No No No No No Sí Depuración B
Item 15 Lienzo Visual por bloques Sí Sí Sí No No No No No Sí Secuenciación C
Item 16 Laberinto Visual por flechas Sí No Sí Sí No No No No Sí Secuenciación D
Item 18 Laberinto Textual Sí No Sí Sí No No No No Sí Completamiento C
Item 20 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Depuración C
Item 22 Laberinto Textual Sí No Sí No Sí No No No Sí Secuenciación B
Item 23 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Depuración A
Item 24 Laberinto Textual Sí No Sí No Sí No No No Sí Completamiento D
Item 27 Laberinto Textual Sí Sí No No No Sí No No Sí Secuenciación B
Item 28 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Depuración D
Item 29 Laberinto Textual Sí No No Sí No Sí No No Sí Completamiento A
Item 33 Lienzo Visual por bloques Sí Sí No No No No Sí No Sí Depuración D
Item 36 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Secuenciación D
Item 37 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Completamiento A
Item 38 Laberinto Visual por bloques Sí Sí No No Sí No No Sí Sí Depuración D
Item 39 Lienzo Visual por bloques No No No No No No No Sí Sí Secuenciación B
Item 40 Lienzo Visual por bloques Sí No No No No No No Sí Sí Completamiento C
629
TPC (Versión 1.0) - ÍTEM 1
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
ANEXO F
Test de Pensamiento Computacional (versión 2.0)

Entorno - Estilo de las
Bucles (loops) Condicionales (conditionals) Funciones (functions) Existencia de Opción
Interfaz del alternativas de Tarea requerida
anidamiento correcta
reactivo respuesta Direcciones Repetir veces
Repetir hasta Condicional Condicional Mientras Funciones Funciones con
(repeat
(repeat until) simple (if) compuesto (if/else) que (while) simples parámetros
times)
Item 3 Laberinto Visual por bloques Sí No No No No No No No No Depuración D
Item 7 Lienzo Visual por bloques Sí Sí No No No No No No No Depuración A
Item 11 Laberinto Visual por flechas Sí Sí Sí No No No No No Sí Depuración C
Item 12 Lienzo Visual por bloques Sí Sí Sí No No No No No Sí Secuenciación A
Item 13 Laberinto Visual por flechas Sí No Sí Sí No No No No Sí Secuenciación B
Item 16 Laberinto Visual por bloques Sí No Sí Sí No No No No Sí Depuración D
Item 18 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Secuenciación A
Item 19 Laberinto Visual por bloques Sí No Sí No Sí No No No Sí Depuración B
Item 22 Laberinto Visual por bloques Sí Sí No No No Sí No No Sí Secuenciación B
Item 23 Laberinto Visual por bloques Sí No No Sí No Sí No No Sí Completamiento A
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
ANEXO G
Instrucciones, ejemplos y autoevaluación añadidos al TPC durante su

virtualización
INSTRUCCIONES
El test está compuesto por 28 preguntas, distribuidas en 7 páginas con 4 preguntas en cada una de
ellas.
Todas las preguntas tienen 4 opciones de respuesta (A, B, C ó D) de las cuales sólo una es correcta.
A partir de que comience el test dispones de 45 minutos para hacerlo lo mejor que puedas. No es
imprescindible que contestes a todas las preguntas.
Para avanzar de una página a otra del test, en la parte inferior de la página debes pinchar sobre el
botón 'Continuar'. MUY IMPORTANTE: cuando acabes o finalice el tiempo debes avanzar hasta la
última página y pinchar sobre el botón 'Enviar' para que se guarden tus respuestas.
Si necesitas ampliar alguna pregunta para verla más grande, haz 'Ctrl+' con el teclado (o 'Ctrl-'
para verla más pequeña)
Antes de comenzar el test, vamos a ver 3 ejemplos para que te familiarices con el tipo de preguntas
que te irás encontrando, y en la que aparecerán los personajes que ya te presentamos.
¡ÁNIMO Y SUERTE!
EJEMPLO I
En este primer ejemplo se te pregunta cuáles son los órdenes que llevan a 'Pac-Man' hasta el
fantasma por el camino señalado.
La opción correcta en este ejemplo es la B. Márcala en el botón de respuesta correspondiente, que

está debajo de la pregunta.
699
EJEMPLO II
En este segundo ejemplo se te pregunta de nuevo cuáles son los órdenes que llevan a 'Pac-Man'
hasta el fantasma por el camino señalado. Pero en este caso las opciones de respuesta, en vez de ser
flechas, son bloques que encajan unos con otros.
La opción correcta en este ejemplo es la C. Márcala en el botón de respuesta correspondiente, que

EJEMPLO III
En este tercer ejemplo se te pregunta qué órdenes debe seguir el artista para dibujar la figura que
aparece en pantalla. Es decir, cómo debe MOVER el lápiz para que se dibuje la figura.
700
La opción correcta en este ejemplo es la A. Márcala en el botón de respuesta correspondiente, que

AUTOEVALUACIÓN
Por favor, contesta sinceramente a estas dos breves preguntas de autoevaluación. Luego pincha
sobre el botón 'ENVIAR' para finalizar el test y que tus respuestas queden guardadas.
De 0 a 10, ¿cómo consideras que te ha salido el Test?
De 0 a 10, ¿cómo consideras que se te dan los ordenadores y la informática?
701
ANEXO H
Tareas Bebras utilizadas para la validación convergente del TPC
702
703
704
705
706
707
708
709
710
711
ANEXO I
Correo para el profesor con las instrucciones de aplicación del TPC
Hola xxxxxxx,
Te escribo con las instrucciones de aplicación de nuestro TEST DE PENSAMIENTO

COMPUTACIONAL (TPC), que está alojado en la siguiente URL (puedes probarlo si lo deseas):
http://goo.gl/IYEKMB
Al respecto de este test:
- En la primera página cumplimentan sus datos; están unas breves instrucciones que podéis leer
en alto antes de comenzar; y 3 ejemplos de preguntas con la respuesta correcta para que se
familiaricen.
- A partir de la segunda página están las 28 preguntas del test (4 por página). Tienen un
máximo de 45 minutos para cumplimentarlo (hemos hecho algún piloto aquí en Madrid y es
tiempo suficiente)
- Es importante que cuando finalicen las preguntas o llegado el tiempo límite, avancen hasta la
última página y pulsen en ENVIAR para que se guarden las respuestas
En ambas sesiones es IMPORTANTE que, antes de que comiencen a realizar la prueba, les des estas
indicaciones generales para que se enfoquen adecuadamente en la tarea a realizar:
- Les tranquilices, pues no son exámenes de los que se deriva una calificación escolar.
- Les motives a concentrarse y hacerlo lo mejor posible.
- Les recuerdes que la prueba se realiza individualmente y en silencio.
¿OK?... Si tienes cualquier duda acerca del procedimiento, podemos hablar por teléfono cuando
desees.
Un abrazo y seguimos adelante,
712
ANEXO J
Cuestionario para profesores sobre la implantación del Curso K-8 de

Code.org
El objetivo de este cuestionario es controlar las distintas variables en la implantación del Curso K-8
de Code.org [http://studio.code.org/s/1] en los distintos centros de la investigación, para así poder
interpretar mejor los resultados de las distintos tests aplicados a los participantes.
Nombre del profesor/a:
Apellidos del profesor/a:
Centro Educativo:
¿Cuántas semanas lectivas has dedicado en tu/s grupo/s al Curso K-8 de Code.org?
Si tienes varios grupos que hayan realizado el K-8, y cada grupo ha dedicado un número distinto de
semanas, indica un valor promedio
• 5 semanas o menos
• 6 semanas
• 7 semanas
• 8 semanas
• 9 semanas
• 10 semanas o más
De las 20 etapas de las que se compone el Curso K-8 de Code.org [http://studio.code.org/s/1],

¿qué porcentaje aproximado has impartido en tu/s grupo/s?
Si tienes varios grupos que hayan realizado el K-8, y en cada grupo has impartido un porcentaje
distinto, indica un valor promedio
• 50% de las etapas o menos

• 60%
• 70%
• 80%
• 90%
• 100% de las etapas
De las 20 etapas de las que se compone el Curso K-8 de Code.org [http://studio.code.org/s/1],

¿cuál es la etapa más avanzada que has llegado a impartir a alguno/s de tu/s grupo/s?:
¿Qué parte del Curso K-8 de Code.org has impartido en tu/s grupo/s?
• Sólo etapas 'on-line'
713
• Sólo etapas 'unplugged' (sin necesidad de dispositivos electrónicos)

• Tanto etapas 'on-line' como 'unplugged'
• Otro:
¿Qué metodología de implantación del Curso K-8 de Code.org has utilizado en tu/s grupo/s?
• Todos los estudiantes han ido avanzando al mismo ritmo por las etapas del curso, según he
ido indicando en el aula
• Cada estudiante ha ido avanzando a su propio ritmo (sólo en el aula)
• Cada estudiante ha ido avanzando a su propio ritmo (tanto en el aula como en su casa)
• Otro:
¿Has tenido estudiantes muy avanzados que hayan finalizado el Curso K-8 significativamente
antes que el resto de sus compañer@s?
• Sí
• No
En caso afirmativo, ¿cómo has manejado esa situación?
• Los estudiantes avanzados, una vez finalizaron el Curso K-8, se dedicaron a ayudar a sus
compañer@s más lentos
• Los estudiantes avanzados, una vez finalizaron el Curso K-8, comenzaron aprendizajes de
nivel superior (p.e. curso de Khan Academy, etc...)
• Otro:
Como profesor/a responsable de la implantación del Curso K-8 de Code.org, ¿cuál es tu nivel
de satisfacción con el curso globalmente?
• 1 = Muy bajo
• 2
• 3
• 4
• 5 = Muy alto
Globalmente, ¿cuál crees que ha sido el grado de aprendizaje de tus estudiantes con el Curso
K-8?
• 1 = Poco aprendizaje
• 2
• 3
• 4
• 5 = Mucho aprendizaje
Después de la experiencia, ¿tienes intención de impartir el Curso K-8 nuevamente el próximo

año académico?
714
• Sí
• No
Brevemente, indica los aspectos más positivos y más negativos (puntos mejorables) del Curso
K-8:
Opcionalmente, relata alguna anécdota o incidente especialmente reseñable que ilustre vuestra
experiencia con el Curso K-8:
Finalmente, con los grupos que han realizado el Curso K-8 durante el 2º trimestre, ¿tienes
intención de trabajar con Scratch durante el 3º trimestre?
En colaboración con Jesús Moreno, del colectivo Programamos.es [http://programamos.es/], estamos

investigando las relaciones entre nuestro Test de Pensamiento Computacional y la calidad de los
proyectos hechos con Scratch medidos con su herramienta "Dr. Scratch"
[http://drscratch.programamos.es/]
• Sí
• No
En caso afirmativo, ¿deseas participar con tus grupos en esta extensión de nuestra
investigación?
Esta extensión no requerirá más tests. Sólo tendríamos que aplicar la herramienta "Dr.Scratch" como
medida de la calidad de los proyectos que hagan tus estudiantes durante el 3º trimestre ;-)
• Sí
• No
715
ANEXO K
Cuestionario de Satisfacción para estudiantes sobre el Curso K-8 de

Code.org
El objetivo de este cuestionario es conocer tu opinión sobre el Curso “K-8 Intro to Computer
Science” de Code.org [http://studio.code.org/s/1] que has estado realizando durante las últimas
semanas
Nombre:
Apellidos:
Sexo:
• Chico
• Chica
Centro Educativo:
Curso:
• 5º Primaria
• 6º Primaria
• 1º ESO
• 2º ESO
• 3º ESO
• 4º ESO
¿Cuál es tu nota habitual en las siguientes asignaturas (o similares)?:
Suspenso Aprobado Notable Bajo Notable Alto Sobresaliente

Matemáticas
Lengua
Música
Tecnología / Informática
Plástica
Ciencias
¿Habías oído hablar de la 'programación informática' ('coding') antes de este Curso "K-8 Intro
to Computer Science"?:
• Sí
• No
716
¿Habías 'programado' alguna vez antes de este Curso "K-8 Intro to Computer Science"?
• Sí
• No
¿En qué medida crees que el Curso "K-8 Intro to Computer Science" te ha ayudado a
desarrollar cada una de las siguientes aptitudes y habilidades?
1 = Nada 2 = Poco 3 = Algo 4 = Bastante 5 = Mucho

Pensamiento Lógico
Creatividad
Trabajo en Equipo
Persistencia-Perseverancia
Capacidad de Atención
Tras tu experiencia con el Curso "K-8 Intro to Computer Science", ¿cómo dirías que se te da la
'programación informática' ('coding')?
• 1= Se me da muy mal
• 2
• 3
• 4
• 5 = Se me da muy bien
¿Has conseguido completar el 100% de los niveles-pantallas propuestos en el Curso "K-8 Intro
to Computer Science"?
• Sí
• No
Tras el Curso "K-8 Intro to Computer Science", ¿cómo de motivado te sientes para continuar
aprendiendo 'programación informática' ('coding')?
• 1= Nada motivado
• 2
• 3
• 4
• 5 = Muy motivado
¿Te gustaría continuar aprendiendo 'programación informática' ('coding') a través de

plataformas-tutoriales en Internet (a tu propio ritmo, de forma interactiva...)?
• Sí
• No
717
Globalmente, ¿qué valoración haces del Curso "K-8 Intro to Computer Science"?
• 1= No me ha gustado nada
• 2
• 3
• 4
• 5 = Me ha gustado mucho
Globalmente, ¿cuánto crees que has aprendido con el Curso "K-8 Intro to Computer Science"?
• 1= No he aprendido nada
• 2
• 3
• 4
• 5 = He aprendido mucho
De todas las etapas que tiene el Curso "K-8 Intro to Computer Science"
[http://studio.code.org/s/1], ¿Cuál es la que más te ha gustado? ¿Cuál es la que menos te ha
gustado? Explica por favor tu respuesta:
Te puedes referir tanto a etapas "on-line" (hechas en pantalla) como a etapas "unplugged" (hechas
sin ordenador)
¿Consideras importante la 'programación informática' ('coding') para tu formación como

ciudadano del siglo XXI? ¿Sí, No? ¿Por qué? Razona por favor tu respuesta:
718
ANEXO L
Testimonios gráficos del Curso K-8 de Code.org
Figura L.1. Foto de la Etapa 1 (‘Introducción a las Ciencias de la Computación’) del Curso K-8
Figura L.2. Foto de la Etapa 3 (‘Pensamiento Computacional’) del Curso K-8
719
Figura L.3. Foto de la Etapa 4 (‘Programación sobre hoja cuadriculada’) del Curso K-8
Figura L.4. Foto de la Etapa 6 (‘Algoritmos’) del Curso K-8
Figura L.5. Foto de la Etapa 8 (‘Funciones’) del Curso K-8
720

Roman Gonzalez Marcos Tesis

Cargado por

Copyright:

Formatos disponibles

Roman Gonzalez Marcos Tesis

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Roman Gonzalez Marcos Tesis

Cargado por

Copyright:

Formatos disponibles

TESIS DOCTORAL

MARCOS ROMÁN GONZÁLEZ

MÁSTER UNIVERSITARIO EN INNOVACIÓN E

PROGRAMA DE DOCTORADO EN EDUCACIÓN

MARCOS ROMÁN GONZÁLEZ

MÁSTER UNIVERSITARIO EN INNOVACIÓN E

PROGRAMA DE DOCTORADO EN EDUCACIÓN

Gracias a mi departamento, MIDE I, por su apoyo incondicional durante el proceso de realización de

Gracias a mi universidad, la UNED, y a su Facultad de Educación, que ya es la mía, por haberme

Marcos Román González, 20 de febrero de 2016.

1.1. Criterio 1: Adecuación………………………………………………………………... 19

1.2. Criterio 2: Viabilidad…………………………………………………………………. 24

1.3. Criterio 3: Relevancia………………………………………………………………… 48

1.4. Enunciación inicial de hipótesis directivas…………………………………………… 56

1.5. Revisión sistemática…………………………………………………………………... 59

1.5.1. Proceso de fijación de los parámetros de búsqueda……………………………. 59

1.5.2. Criterios de inclusión y de exclusión…………………………………………... 62

1.5.3. Procedimiento de tabulación…………………………………………………… 63

1.5.5.1. ¿Altas capacidades digitales?................................................................... 72

1.6. Conclusiones parciales………………………………………………………………... 75

2.1. Algunas definiciones previas…………………………………………………………. 76

2.2. Ampliación del foco de investigación………………………………………………… 78

2.2.1. Hacia una inteligencia digital………………………………………………….. 78

2.2.1.1. Implicaciones para la generación ‘app’………………………………... 84

2.2.2. Código y nuevos alfabetismos en la era digital: hacia la sociedad 3.0………… 86

2.2.3. El movimiento ‘code literacy’…………………………………………………. 89

2.2.3.1. Un evento a escala mundial: ‘The Hour of Code’……………………... 93

2.2.4. Delimitación final del problema de investigación……………………………... 98

2.3. Adecuación: el porqué de la codigoalfabetización…………………………………… 99

2.3.1. Estudios clásicos sobre efectos del aprendizaje del ‘coding’………………….. 99

2.4. Viabilidad: el cómo de la codigoalfabetización………………………………………. 106

2.4.1. Taxonomía de recursos para la enseñanza-aprendizaje del ‘coding’…………... 107

2.4.2. Currículos educativos para la enseñanza-aprendizaje del ‘coding’……………. 116

2.4.2.1. Un ejemplo internacional: el currículo de Reino Unido……………….. 120

2.4.2.2. Un ejemplo nacional: el currículo de la Comunidad de Madrid……….. 122

2.5. Relevancia: el para qué de la codigoalfabetización…………………………………... 124

2.5.1. Productos digitales derivados del ‘coding’…………………………………….. 125

2.5.2. Análisis crítico del sujeto codigoalfabetizado: ‘hackers’ y ‘makers’………….. 129

2.5.2.1. Breve aproximación desde la perspectiva de género…………………... 136

2.6. Enunciación final de hipótesis directivas……………………………………………... 140

2.7. Síntesis: del ‘Learn to code’ al ‘Code to learn’………………………………………. 140

3.1. Concepto……………………………………………………………………………… 144

3.1.1. Definiciones genéricas…………………………………………………………. 144

3.1.2. Definiciones operativas………………………………………………………... 146

3.1.3. Definiciones psicológico-cognitivas…………………………………………… 147

3.1.4. Definiciones educativo-curriculares…………………………………………… 153

3.2. Desarrollo……………………………………………………………………………... 164

3.2.1. Modelos de desarrollo del pensamiento computacional……………………….. 164

3.2.2. Experiencias y recursos para el desarrollo del pensamiento computacional…... 182

3.2.2.1. Un ejemplo de integración ‘online-unplugged’: el curso ‘K-8 Intro to

3.3. Evaluación…………………………………………………………………………….. 205

3.3.1. Modelos de evaluación del pensamiento computacional………………………. 205

3.3.2. Instrumentos de medida del pensamiento computacional……………………... 209

3.3.2.1. El Concurso Internacional Bebras……………………………………... 218

3.3.2.2. Un caso particular: Dr. Scratch………………………………………… 222

II. PARTE EMPÍRICA 226

4.1. Objetivos……………………………………………………………………………… 227

4.1.2. Específicos……………………………………………………………………... 227

4.2. Metodología…………………………………………………………………………... 228

4.2.1. Plan de análisis de datos……………………………………………………….. 230