Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Citado por Google 
Similares en
SciELO 
Similares en Google 
Permalink
INTRODUCCIÓN
En los cursos de introducción a la programación (CS1) se observa que los estudiantes presentan un bajo desempeño académico [1], [2]; este problema es muy común en las instituciones de educación superior de todo el mundo y suele atribuirse a varios factores, como la complejidad de los conceptos y la falta de experiencia en programación [3], [4]. Para abordar este desafío es esencial implementar herramientas de intervención temprana, las cuales permiten IDEntificar las dificultades específicas que enfrentan los estudiantes y ofrecer apoyo personalizado durante el proceso formativo [5], [6]. Sin embargo, el problema continúa y se ha convertido en un desafío importante para directivos y docentes, quienes investigan estrategias y herramientas con el fin de mejorar el desempeño académico de los estudiantes [7], [8], [9], [10].
Según [7], [8], [9], las herramientas de intervención temprana son importantes, porque permiten evaluar en qué medida los estudiantes y profesores alcanzan los objetivos educativos y la eficacia en la enseñanza. Asimismo, en [5] se menciona que las intervenciones tempranas son necesarias en los procesos formativos, porque orientan al profesor en el apoyo personalizado del estudiante, y en [6] se recomienda implementar medidas correctivas para garantizar que los estudiantes en riesgo alcancen los resultados deseados en términos de aprendizaje y calificación.
Algunas universidades cuentan con herramientas que permiten IDEntificar los estudiantes con bajo desempeño académico, brindan intervención oportuna durante el proceso formativo y generan estrategias correctivas que permiten mejorar los métodos pedagógicos [7], [9]. Sin embargo, es necesario desarrollar otras herramientas que permitan intervenir a los estudiantes durante las primeras semanas del curso, de esta manera se pueden generar aportes importantes para el desempeño académico en los cursos de programación CS1 [11], [12].
Por este motivo, basado en los aportes de [3], [13], [14], [15], este trabajo presenta SPEI, herramienta web que integra un modelo de predicción y dos tipos de intervención temprana para el desempeño académico de los estudiantes de cursos de programación CS1.
El modelo predice el desempeño académico en las semanas 3, 5 y 7 de un curso de programación de 16 semanas, e identifica a los estudiantes con bajo, medio y alto desempeño. La primera intervención se denomina preventiva, permite generar tutorías grupales, envío de sugerencias y código fuente de referencia al correo electrónico del estudiante intervenido desde la tercera semana del curso. El segundo tipo de intervención se denomina proactivo, permite el envío y seguimiento de talleres de refuerzo de programación para los estudiantes con bajo y medio desempeño académico desde la séptima semana del curso. Todo esto con el fin de responder a la pregunta de investigación: ¿Cómo contribuye una herramienta de intervención temprana a mejorar el desempeño académico de los estudiantes en un curso de programación CS1?
Este documento se ha organizado de la siguiente manera: en la siguiente sección están los trabajos relacionados; luego se presenta la metodología, en la que se describe la herramienta web SPEI, el procedimiento utilizado, la evaluación de SPEI y las herramientas de apoyo; luego se presentan los resultados obtenidos y las discusiones; y finalmente, las conclusiones.
TRABAJOS RELACIONADOS
En la revisión de la literatura se identificaron varias herramientas de intervención temprana que se han utilizado en cursos de programación; por ejemplo, en [11] se describe PreSS#, herramienta web que incluye intervenciones para reducir las tasas de deserción y mejorar el rendimiento académico. En el documento se destaca la eficacia de las intervenciones y la importancia de adaptar el modelo de predicción a diferentes contextos educativos para mejorar los resultados de los estudiantes.
Asimismo, en [16] se menciona VEAP, herramienta que permite a los profesores visualizar los datos de los estudiantes y generar análisis personalizados para evaluar cómo las intervenciones pueden influir en el rendimiento de los estudiantes.
En [17] se describe Caring IDE, herramienta diseñada para ofrecer una experiencia de aprendizaje de programación más fluida en los estudiantes y mejorar la capacidad del profesor para realizar intervenciones informativas de manera rápida y temprana. Los resultados indican que el uso de análisis basados en este IDE puede ser valioso para mejorar el desempeño de los estudiantes en cursos de programación.
De manera similar, en [12] describen el desarrollo e implementación del Módulo ASES, herramienta que utiliza un sistema de información basado en la metodología de semáforos, monitoreando el riesgo de abandono universitario en tiempo real. Esta herramienta emite alertas tempranas del riesgo estudiantil, permitiendo intervenciones preventivas durante los primeros cuatro semestres. Las conclusiones destacan la efectividad de ASES en mejorar la permanencia y graduación de los estudiantes mediante un seguimiento integral, el cual incluye monitores académicos y profesionales de diversas áreas.
En [3] se presenta una herramienta que utiliza analítica de aprendizaje en cursos de programación ofrecidos a través de MOOCs. Esta herramienta proporciona informes mensuales a los profesores, IDEntificando a los estudiantes en riesgo y permitiendo intervenciones tempranas y personalizadas.
Finalmente, en [18] presentan PETIS, herramienta diseñada para cursos de programación en estudiantes de K-12. Esta herramienta permite a los profesores IDEntificar rápidamente las dificultades de los estudiantes y proporcionar retroalimentación inmediata. Las intervenciones están orientadas a mejorar las habilidades de programación y los objetivos de aprendizaje. La tabla 1 presenta las herramientas descritas anteriormente.
TABLA 1 HERRAMIENTAS DE INTERVENCIÓN TEMPRANA IDENTIFICADAS EN LA REVISIÓN DE LA LITERATURA
| Herramienta | Tipo de herramienta | Modelo de predicción | Tipos de intervención | Referencia |
|---|---|---|---|---|
| PreSS# | Herramienta web | Predice el desempeño del estudiante en las primeras semanas de un curso CS1 con una precisión del 71%. | Intervenciones para mejorar el rendimiento académico a partir de tutorías. | [11] |
| VEAP | Motor de visualización y analizador estadístico de datos | Predice si el estudiante es un programador "débil" o "fuerte". | Proporciona visualización de datos y análisis para que los profesores intervengan y mejoren el rendimiento de los estudiantes. | [16] |
| Caring IDE | Entorno de desarrollo integrado (IDE) en la nube | N/A | Proporciona análisis y visualización de datos; permite al profesor realizar intervenciones rápidas y tempranas para mejorar el éxito de los estudiantes. | [17] |
| Módulo ASES | Sistema de información | Monitorea el riesgo de abandono universitario en tiempo real. | Emite alertas tempranas e intervenciones preventivas durante los primeros cuatro semestres. | [12] |
| N/A | Plataforma de cursos en línea (MOOCs) | Se basa en la analítica de aprendizaje para identificar estudiantes en riesgo de abandono. | Proporciona informes mensuales a los profesores para intervenir a tiempo los estudiantes en riesgo. | [3] |
| PETIS | Herramienta de educación | Identificación temprana de dificultades en programación | Proporciona retroalimentación inmediata para mejorar las habilidades de programación. | [18] |
Fuente: elaboración propia.
METODOLOGÍA
Herramienta web SPEI
SPEI es una herramienta web de intervención temprana para estudiantes de cursos de programación CS1, incluye un modelo que predice el desempeño académico en las semanas 3, 5 y 7 de un curso de 16 semanas. Asimismo, permite generar intervenciones preventivas como tutorías grupales, envío de sugerencias y código fuente de referencia e intervenciones proactivas con el envío y seguimiento de ejercicios de refuerzo de programación.
Esta herramienta está diseñada para profesores y estudiantes. Los profesores pueden generar las intervenciones y realizar seguimiento a través de reportes que les permiten tomar decisiones sobre el desempeño académico del curso o un estudiante en particular. Por otro lado, los estudiantes pueden generar reportes de sus actividades para comparar su rendimiento académico con el promedio del curso.
Las entradas de SPEI incluyen las calificaciones de los laboratorios, el tiempo utilizado por el estudiante en sus actividades de programación y la cantidad de intentos de envío. Las calificaciones son cargadas por el profesor mediante un archivo plano con extensión .csv, mientras que el tiempo y la cantidad de intentos se extraen de una herramienta de evaluación automática de código fuente denominada INGInious M-IDEA [19], que utiliza casos de pruebas definidos por el profesor para evaluar las entregas de programación del estudiante. Todos estos registros se almacenan en la base de datos de la herramienta web SPEI.
SPEI ofrece varias salidas: en el módulo de intervención preventiva se encuentra clasificación del desempeño, la intervención con sugerencias, la intervención con código fuente y el reporte se asistencia de las intervenciones. En el módulo de intervención proactiva se puede enviar ejercicios de refuerzo de programación y generar un reporte de seguimiento del estudiante intervenido.
Metodología de desarrollo
El desarrollo de SPEI se ha gestionado bajo la metodología ágil Scrum; esto ha permitido un enfoque iterativo e incremental para la herramienta. El equipo de trabajo está conformado por desarrolladores de software y docentes, quienes trabajan en sprints de dos semanas. En cada sprint se definen las tareas claves para mejorar las funcionalidades y se garantiza una retroalimentación continua de los usuarios (profesores y estudiantes). Esta metodología ha facilitado la rápida adaptación a los cambios y las mejoras basadas en las necesidades de los usuarios.
Proceso de pruebas y retroalimentación
SPEI ha sido sometido a un riguroso proceso de pruebas continuas, empleando pruebas unitarias y de integración para garantizar el correcto funcionamiento del modelo predictivo y los módulos de intervención temprana. Además, se han realizado pruebas de usabilidad con un grupo selecto de profesores y estudiantes con el fin de optimizar la experiencia de usuario (UX). Las recomendaciones derivadas de estas pruebas se han incorporado en los sprints de desarrollo, siguiendo la metodología Scrum.
Arquitectura de SPEI
La herramienta web SPEI sigue el patrón Model-Template-View (MTV) bajo el framework Django, lo que facilita la separación de la lógica de negocio, la interfaz de usuario y el acceso a los datos. Esta estructura no solo mejora la mantenibilidad del sistema, sino que también permite su rápida escalabilidad. El uso de PostgreSQL como base de datos relacional, junto con la librería psycopg2, garantiza la fiabilidad de las transacciones y el manejo eficiente de grandes volúmenes de datos. Además, Django proporciona herramientas que agilizan el desarrollo seguro y eficiente de las funcionalidades relacionadas con la predicción y las intervenciones (ver figura 1). El código fuente de SPEI está disponible en el siguiente enlace: https://github.com/jose-llanos/SPEI-production.git
Planes de mejora y expansión
El equipo de desarrollo tiene como objetivo ampliar las funcionalidades de la herramienta SPEI, incorporando nuevos módulos que permiten a los profesores personalizar las intervenciones preventivas y proactivas. Asimismo, se están considerando mejoras en el modelo predictivo para integrar nuevas métricas y análisis basados en técnicas de aprendizaje automático. Esto proporcionará a los docentes una visión más precisa y detallada del desempeño académico de los estudiantes.
Modelo de predicción
El modelo implementado en la herramienta SPEI es el propuesto por [20]. Este modelo predice el desempeño académico de los estudiantes durante las primeras semanas de un curso de programación CS1 de 16 semanas. Para su construcción se siguió la metodología CRISP-DM [21], que incluye las fases de comprensión, preparación de datos, modelado y evaluación. En la fase de comprensión, se recolectaron los datos, se realizó una exploración inicial y se observaron las relaciones entre las variables. En la fase de preparación, se aplicó la técnica de extracción, transformación y carga (ETL, por sus siglas en inglés) con el objetivo de limpiar, formatear e integrar los registros en el conjunto de datos que se utilizará en el modelo de predicción. Las principales tareas realizadas en esta fase fueron: identificar y eliminar los registros NaN, transformar la calificación del estudiante en la salida multiclase del modelo (0 - bajo desempeño, 1 - medio desempeño, 2 - alto desempeño), aplicar la técnica de sobremuestreo para equilibrar los datos y evitar problemas de overfitting o underfitting en los resultados del modelo. El conjunto de datos final incluyó 3744 registros de 486 estudiantes de los cursos de Programación CS1, impartidos durante los semestres 2021-1, 2021-2 y 2022-1 en la Universidad del Valle (Colombia).
En la fase de modelado, se utilizaron siete algoritmos de clasificación: Naive Bayes (NB), Support Vector Classification (SVC), Decision Tree Classifier (DTC), Random Forest Classifier (RFC), K-Neighbors Classifier (KNC), Multi-layer Perceptron Classifier (MLP) y Gradient Boosting Classifier (GBC), los cuales se entrenaron con el 80 % de los registros del conjunto de datos final y se evaluaron con el 20 % restante. Para predecir el desempeño de los estudiantes, se utilizaron características relacionadas con la calificación, el tiempo empleado por los estudiantes en las entregas de programación y el número de envíos. En todos los algoritmos se aplicaron las técnicas de selección de mejores características (Best Features), búsqueda en cuadrícula (Grid Search) y validación cruzada de 10 pliegues. Cada algoritmo fue entrenado con los mejores hiper-parámetros, generando nuevas predicciones.
Finalmente, en la fase de evaluación del modelo, se emplearon las métricas de precision, recall y Fl score. Las pruebas realizadas arrojaron los valores correspondientes para estas métricas en las semanas 3, 5 y 7. En la semana 3, GBC obtuvo los resultados más altos para la métrica F1 score, con un valor de 0.86. En la semana 5, RFC y GBC alcanzaron un valor de 0.94 para F1 score, mientras que en la semana 7, GBC logró un valor de 0.96 en la misma métrica (ver tabla 2).
TABLA 2 RESULTADO DE LOS ALGORITMOS DE PREDICCIÓN EN LAS SEMANAS 3, 5 Y 7
| Semana | Métrica | NB | SVC | DTC | KNC | MLP | RFC | GBC |
|---|---|---|---|---|---|---|---|---|
| 3 | Precision | 0.60 | 0.75 | 0.78 | 0.80 | 0.77 | 0.84 | 0.86 |
| Recall | 0.63 | 0.75 | 0.78 | 0.8i | 0.78 | 0.84 | 0.87 | |
| Fi score | 0.6i | 0.75 | 0.77 | 0.79 | 0.77 | 0.83 | 0.86 | |
| 5 | Precision | 0.67 | 0.90 | 0.88 | 0.9i | 0.86 | 0.94 | 0.94 |
| Recall | 0.68 | 0.88 | 0.86 | 0.9i | 0.84 | 0.94 | 0.94 | |
| Fi score | 0.67 | 0.88 | 0.86 | 0.9i | 0.84 | 0.94 | 0.94 | |
| 7 | Precision | 0.76 | 0.95 | 0.9i | 0.93 | 0.90 | 0.95 | 0.96 |
| Recall | 0.76 | 0.94 | 0.9i | 0.93 | 0.89 | 0.95 | 0.96 | |
| Fi score | 0.76 | 0.94 | 0.9i | 0.93 | 0.89 | 0.95 | 0.96 |
Fuente: basada en [20].
Intervención preventiva
En esta intervención, el profesor ingresa a la opción Subir Registros Intervención Preventiva de SPEI y carga un archivo .CSV con las calificaciones de los estudiantes (laboratorio 1 y laboratorio 2). Luego selecciona el curso, el semestre y genera la predicción en la opción Clasificación Desempeño. Automáticamente, SPEI genera un reporte de los estudiantes con bajo o medio desempeño académico que deben ser intervenidos.
Posteriormente, el profesor realiza la tutoría grupal, seleccionando el curso, el semestre, el tema, la fecha, la hora y el lugar de la tutoría. Con esta información SPEI genera una invitación que se envía automáticamente al correo electrónico de todos los estudiantes del curso.
La intervención con sugerencia consiste en enviar una sugerencia o recomendación al estudiante con bajo o medio desempeño académico. En este formulario, el profesor ingresa el curso, el semestre, el indicador de logro y la sugerencia. Luego hace clic en el botón «guardar» y SPEI envía automáticamente un correo electrónico a todos los estudiantes intervenidos.
Finalmente, en la intervención con código fuente, el profesor ingresa el curso, el semestre, el mensaje, la actividad y el código fuente de referencia a partir de una plantilla. Esta plantilla incluye el análisis del problema con sus respectivas entradas y salidas, el pseudocódigo, dos o tres pruebas de escritorio y la solución del problema en C++. Después, el profesor hace clic en «guardar» y SPEI envía automáticamente un correo electrónico a los estudiantes intervenidos con la información descrita. Todo el proceso descrito se encuentra en la figura 2.
Intervención proactiva
En este tipo de intervención, el profesor ingresa a la opción Predicción del Desempeño y hace clic en el botón «predecir». Luego SPEI genera un reporte con el nombre del estudiante, la calificación promedio y la nota final de la predicción, ordenados según el desempeño: rojo para los estudiantes con bajo desempeño, naranja para los estudiantes con desempeño medio y verde para los estudiantes con alto desempeño.
Posteriormente, el profesor envía un taller de refuerzo de programación a los estudiantes con bajo y medio desempeño. El taller incluye los objetivos del refuerzo, la metodología para resolver problemas, ejercicios resueltos paso a paso sobre el tema por reforzar y dos problemas de programación que deben entregarse en la herramienta INGInious M-IDEA.
Finalmente, el profesor realiza el seguimiento, que consiste en generar un informe desde SPEI. Este informe muestra el nombre del estudiante, el taller de refuerzo enviado, la calificación promedio, los ejercicios de refuerzo desarrollados y entregados, la calificación obtenida en la predicción y el desempeño alcanzado tras la intervención. El proceso descrito se encuentra en la figura 3.
Participantes
En este trabajo se seleccionó un curso de programación CS1 de la Escuela de Ingeniería de Sistemas y Computación de la Universidad del Valle del semestre 2022-2. El curso se denomina «Fundamentos de Programación» (FDP), se dicta en el primer semestre y está conformado por 38 estudiantes del programa de Ingeniería Electrónica, de los cuales 8 son mujeres y 30 hombres. En el curso se adquieren competencias de programación relacionadas con estructuras de decisión, estructuras iterativas, funciones, arreglos y una metodología para resolver problemas en el lenguaje de programación C++.
Conjunto de datos
El conjunto de datos está compuesto por 646 registros correspondientes a tres laboratorios desarrollados por los estudiantes durante el curso de FDP. El laboratorio i, que se lleva a cabo en la semana 3, incluye cuatro preguntas teóricas y dos ejercicios de programación, tiene un valor del 7.68 % de la nota final y evalúa la implementación de un algoritmo para resolver un problema a partir de entradas y salidas. El laboratorio 2, realizado en la semana 5, incluye tres preguntas teóricas y dos ejercicios de programación, representa el 6 % de la calificación final del curso y evalúa el uso de algoritmos con estructuras de decisión para resolver un problema determinado. Finalmente, el laboratorio 3, que se realiza en la semana 7, incluye cuatro preguntas teóricas y dos ejercicios de programación, tiene un peso del 12 % en la calificación final y evalúa el uso de algoritmos con estructuras de repetición para resolver un problema determinado (ver tabla 3).
Proceso de intervención implementado
El proceso de intervención temprana implementado se basó en la propuesta de [22], que define un tratamiento con tutorías grupales y la predicción del desempeño académico para realizar el seguimiento del estudiante durante el curso. Asimismo, se incorporó la propuesta de [23], que contempla el envío de notificaciones personalizadas al estudiante, incluyendo recomendaciones de código fuente.
La estrategia de intervención temprana implementada consta de varios pasos. En primer lugar, se utilizó la herramienta SPEI para predecir el desempeño académico de los estudiantes en las semanas 3 y 5 del curso. Con esta información, el profesor organizó tutorías grupales presenciales y envió a los correos electrónicos de los estudiantes intervenidos sugerencias y código fuente de referencia, basados en las entregas de programación. Todas estas actividades se llevaron a cabo entre las semanas 5 y 7.
En la semana 7 se realizó nuevamente la predicción del desempeño académico; el profesor gestionó desde SPEI el envío de ejercicios de refuerzo de programación para los estudiantes con bajo y medio desempeño académico. Entre las semanas 10 y 12 se realizó el seguimiento de los ejercicios de refuerzo, y en la semana 13 se generó un reporte de seguimiento sobre los ejercicios desarrollados por los estudiantes intervenidos.
La figura 4 ilustra el procedimiento implementado en el curso junto con la intervención temprana. En ella se menciona el nombre de la actividad, la intervención preventiva o proactiva implementada y las herramientas utilizadas. Las actividades en color verde corresponden al pretest y postest del cuestionario MSLQ-Colombia, que consta de 19 preguntas sobre estrategias de aprendizaje y 17 preguntas sobre motivación. Cada ítem se califica en una escala Likert de 1 a 7, donde 1 indica que la afirmación no lo describe en absoluto y 7 que la afirmación lo describe completamente.
Las actividades en color gris corresponden a los laboratorios y predicciones generadas a lo largo del curso. Los laboratorios se realizaron en parejas en las semanas 3, 5, 7 y 11. Las actividades resaltadas en color naranja claro representan los exámenes y opcionales realizados en el curso. Las actividades en amarillo hacen referencia al desarrollo de los ejercicios de refuerzo, y la actividad en color azul corresponde a la presentación del proyecto final.
Fuente: elaboración propia basada en [22].
FIGURA 4 PROCEDIMIENTO IMPLEMENTADO EN EL CURSO JUNTO CON LA INTERVENCIÓN TEMPRANA
Evaluación de la herramienta SPEI
Para evaluar la herramienta SPEI se diseñó un cuestionario en Google Forms de seis preguntas con escala likert de 1 a 5, donde 1 indica que está totalmente en desacuerdo y 5 totalmente de acuerdo. El instrumento evalúa las tutorías grupales desarrolladas durante la intervención, las sugerencias y código fuente enviado al correo electrónico del estudiante, los ejercicios de refuerzo desarrollados y la estrategia de intervención como apoyo al proceso de aprendizaje. Los resultados de la evaluación se presentan en la sección de resultados y discusión.
RESULTADOS Y DISCUSIÓN
Para dar respuesta a la pregunta de investigación planteada: ¿Cómo contribuye una herramienta de intervención temprana a mejorar el desempeño académico de los estudiantes en un curso de programación CS1?, se presentan los resultados obtenidos en el curso de FDP seleccionado.
Módulo de predicción
Después de cargar los registros se procedió a generar la predicción para el curso de FDP. La primera predicción se realizó en la semana 3 y en los resultados se observa que el modelo identificó 9 estudiantes por intervenir, de los cuales 7 presentaron bajo desempeño académico y 2 desempeño medio (ver figura 5). Teniendo en cuenta que el grupo es de 38 estudiantes, la herramienta SPEI sugiere intervenir al 23.6 % de los estudiantes, de los cuales el 18.4 % corresponde a desempeño bajo y el 5.2 % a desempeño medio.
Luego se realizó la predicción para la semana 5; en esta, herramienta SPEI identificó 13 estudiantes por intervenir, de los cuales 5 (el 13 %) corresponden a desempeño bajo y 8 (el 21 %) a desempeño medio.
Módulo de intervención preventiva
La primera intervención preventiva que se realizó fue la tutoría grupal. En la figura 6 se observa un reporte que incluye el nombre del estudiante, la calificación de los laboratorios 1 y 2, el promedio de la calificación, la predicción del modelo, la cantidad de intervenciones programadas y las asistencias de los estudiantes. El promedio de asistencia fue de 3.8, lo que indica que los estudiantes asistieron al 34.59 % de las tutorías programadas.
Asimismo, durante el semestre académico se enviaron tres sugerencias al correo electrónico de los estudiantes. Estas sugerencias mencionan el indicador de logro evaluado, las falencias IDEntificadas en los ejercicios de programación enviados y recomendaciones sobre buenas prácticas de programación para la definición de variables, estructuras de decisión y estructuras de repetición.
También se realizaron tres intervenciones con código fuente, una después de cada uno de laboratorios 1, 2 y 3. Este tipo de intervención incluye la solución del laboratorio propuesto, con buenas prácticas de programación y código fuente en C++.
Módulo de intervención proactiva
En la intervención proactiva se envió un taller de refuerzo de programación que incluye cinco ejercicios para los estudiantes con desempeño académico bajo y medio, y se realizó el respectivo seguimiento. Los ejercicios están diseñados para reforzar los temas de entradas y salidas, estructuras de decisión y estructuras de repetición.
Luego SPEI identifica el desempeño del estudiante y envía el taller de refuerzo al correo electrónico. Asimismo, genera un informe que incluye el nombre del estudiante, las calificaciones obtenidas en los laboratorios, la predicción de la nota final, el desempeño académico del estudiante y el taller de refuerzo enviado (ver figura 7).
Finalmente, la herramienta genera un reporte de seguimiento que muestra el nombre del estudiante, el taller de refuerzo enviado, la calificación promedio, la predicción de la nota final, el promedio de la intervención y el desempeño alcanzado. Además, detalla el estado de cada ejercicio enviado, incluyendo el número de intentos, la fecha de creación y la fecha de entrega (ver figura 8).
Aplicación del instrumento de evaluación a la herramienta SPEI
La figura 9 presenta de forma agrupada los resultados del cuestionario de evaluación de la herramienta SPEI, respondido por 27 estudiantes del curso FDP. Se observa que en la mayoría de las preguntas los estudiantes evaluaron estar totalmente de acuerdo con los ítems evaluados. En los ítems 12, 13 e 14 varios estudiantes seleccionaron la opción ni de acuerdo ni en desacuerdo; esto ocurrió porque la intervención con sugerencias, código fuente de referencia y envío del taller de refuerzo solo se realizó a los estudiantes intervenidos. Finalmente, un estudiante del grupo evaluó todos los ítems con la opción totalmente en desacuerdo.
Fuente: elaboración propia.
FIGURA 9 RESULTADOS DEL CUESTIONARIO DE EVALUACIÓN DE LA HERRAMIENTA SPEI
A diferencia de [15], que utiliza una instrucción general y evaluación temprana en la intervención preventiva para identificar dificultades en el aprendizaje, nosotros proponemos tres tipos de intervención preventiva para el profesor, basados en [3], [13]. La primera es la tutoría grupal, la segunda consiste en el envío de sugerencias automáticas al correo electrónico del estudiante y la tercera es la intervención con código fuente de referencia.
En [15], los autores proponen programas de prevención para los estudiantes que no presentan mejoría. En este trabajo proponemos el envío de un taller de refuerzo de programación para los estudiantes con desempeño académico bajo o medio y el seguimiento de sus entregas. Esto permite observar los intentos generados y motivar al estudiante en el desarrollo de los ejercicios propuestos, que están diseñados para fortalecer los indicadores de logro evaluados.
CONCLUSIONES
SPEI demostró que las intervenciones generadas, como las tutorías grupales, el envío de sugerencias y la intervención con código fuente de referencia, pueden adaptarse a las necesidades individuales de los estudiantes, mejorando significativamente su rendimiento en temas relacionados con definición de variables, estructuras de decisión y estructuras de repetición.
El seguimiento detallado que ofrece SPEI incluye el análisis de los intentos, fechas de entrega y desempeño en ejercicios específicos. Esto permite a los profesores tomar decisiones informadas sobre las necesidades de sus estudiantes y generar intervenciones más efectivas.
Como trabajo futuro se pretende evaluar la herramienta en otros cursos de programación CS1 con el fin de comparar los resultados obtenidos en este trabajo con los de otros cursos. De esta forma se puede apoyar el proceso formativo y mejorar el desempeño académico de los estudiantes en cursos de programación CS1.
