Análisis del nivel de pensamiento
computacional de los futuros maestros: una propuesta diagnóstica para el diseño
de acciones formativas
Analysis of the level of computational thinking of future
teachers: a diagnostic proposal for the design of training actions
Dra. Lourdes
Villalustre-Martínez. Profesora Titular de Universidad.
Universidad de Oviedo, España
Recibido:
2023/07/27 Revisado: 2023/09/05 Aceptado: 2023/11/23 Preprint: 2023/12/01 Publicado: 2024/01/07
Cómo citar este artículo:
Villalustre-Martínez, L. (2024). Análisis del nivel de
pensamiento computacional de los futuros maestros: una propuesta diagnóstica
para el diseño de acciones formativas [Analysis of the level
of computational thinking of future teachers: a diagnostic proposal for the
design of training actions]. Pixel-Bit. Revista de Medios y Educación,
69, 169-194. https://doi.org/10.12795/pixelbit.101205
RESUMEN
El pensamiento
computacional supone una forma de alfabetización emergente que busca fomentar
el aprendizaje de la programación de forma progresiva utilizando principios
básicos de codificación informática. En este estudio se evaluó el pensamiento
computacional de 164 estudiantes universitarios de los grados de maestro/a en
educación infantil y primaria. Se examinaron las diferencias según el género y
la experiencia previa en programación robótica. Para ello, se empleó el Test de Pensamiento Computacional (TPC). Los
resultados revelan que los hombres obtuvieron mejores resultados y que la
experiencia previa en programación influyó en el nivel de desarrollo del
pensamiento computacional. Además, se identificaron tres perfiles de
estudiantes mediante un análisis de clúster. Las mujeres con experiencia previa
en programación robótica y el uso de lenguajes de programación mostraron los
mejores resultados en el TPC. Estos hallazgos resaltan la importancia de
realizar evaluaciones diagnósticas para conocer el nivel de competencia de los
estudiantes en este ámbito, ya que puede ayudar a identificar áreas de mejora y
adaptar las acciones formativas de acuerdo a las
necesidades de cada grupo de estudiantes.
ABSTRACT
PALABRAS CLAVES· KEYWORDS
Pensamiento computacional,
lógica programación; educación superior; género; experiencia previa.
Computational thinking, programming logic; higher education;
gender; previous experience
1. Introducción
El pensamiento computacional implica un proceso de
resolución de problemas aplicando conocimientos básicos de ciencia, tecnología,
lógica y matemáticas (Tsarava et al., 2022; Wing, 2006). El término emergió del
trabajo de Papert (1980) sobre ambientes de programación construccionistas
basados en el diseño y la resolución de problemas según algoritmos. Se trata de
una forma de alfabetización emergente que busca fomentar el aprendizaje de la
programación de forma progresiva utilizando principios básicos de codificación
informática. En este enfoque, los estudiantes de diferentes niveles educativos
crean secuencias de instrucciones y algoritmos para controlar las acciones de
un objeto en un espacio virtual o físico. Para Wang et al. (2022) el desarrollo
del pensamiento computacional involucra diversas capacidades y habilidades,
como la organización y análisis lógico de la información, la identificación,
investigación e implementación de posibles soluciones, etc. al tiempo que se
fortalece el pensamiento algorítmico.
El pensamiento algorítmico es una habilidad
fundamental en la resolución de problemas, que implica concebir una solución
paso a paso para abordar un determinado problema. Bers et al. (2014) establecen
que, a diferencia de la codificación, que se refiere a las habilidades técnicas
necesarias para escribir código en un lenguaje de programación específico, el
pensamiento algorítmico se centra en el proceso conceptual de diseñar un
algoritmo. En esta línea, para Selby (2012), el pensamiento algorítmico se distingue
de la codificación y se considera una habilidad independiente y previa a ella.
Implica la capacidad de planificar y organizar las acciones necesarias para
resolver un problema de manera secuencial y efectiva. Estas habilidades son
consideradas elementos importantes del pensamiento computacional y son
fundamentales en el desarrollo de habilidades de programación y resolución de
problemas computacionales (Majeed et al., 2022).
Existe un amplio consenso acerca de la estrecha
relación entre las habilidades de pensamiento computacional y la programación.
Diferentes autores (Tikva y Tambouris, 2021) sostienen que el pensamiento
computacional ha brindado un nuevo marco lógico para la enseñanza de la
programación. El pensamiento computacional implica una serie de habilidades
cognitivas y de resolución de problemas que son fundamentales en el ámbito de
la programación robótica. Estas habilidades incluyen el desglose de problemas
complejos en pasos más simples, la identificación de patrones y regularidades,
el diseño de algoritmos para resolver problemas y la capacidad de pensar de
manera lógica y estructurada. La programación, por su parte, proporciona una
plataforma práctica para que los estudiantes ejerciten y apliquen estas
habilidades del pensamiento computacional en la resolución de problemas
concretos.
Los estudios existentes han evidenciado que el
aprendizaje y la práctica de la programación robótica contribuyen
significativamente al desarrollo del pensamiento computacional en los
estudiantes (Lu et.al, 2022). Al participar en actividades de programación, los
discentes son desafiados a analizar y comprender el funcionamiento de los
sistemas informáticos, a identificar y resolver errores, y a mejorar sus
soluciones. Estas experiencias fomentan habilidades como el razonamiento
lógico, la abstracción, la creatividad y la colaboración, que son fundamentales
tanto en el pensamiento computacional como en el ámbito de la programación
(Popat y Starkey, 2019).
El desarrollo y mejora del pensamiento computacional
asociado a la programación robótica ha experimento una evolución creciente en
los últimos años. Si bien, es cierto que este avance no ha tenido la misma
repercusión en hombres que en mujeres, y que existe una cierta disparidad en el
interés hacia la programación robótica entre ambos grupos (Chan, 2022). Es
importante reconocer que esta situación puede estar influenciada por factores
culturales y procesos de socialización que se experimentan desde la infancia y
que pueden motivar más a los hombres que a las mujeres a involucrarse en estos
campos (Angeli y Valanides, 2020). No obstante, Charlesworth y Banaji (2019)
abogan por fomentar una educación inclusiva y equitativa que amplíen los
intereses y habilidades en estos campos, independientemente del género.
Poseer habilidades sólidas de pensamiento
computacional puede ser un factor motivador para que los estudiantes se
interesen por carreras científicas. Sin embargo, la falta de un currículo
específico que siente las bases del pensamiento computacional desde edades
tempranas representa un desafío en la educación. Existen pocos modelos o
enfoques que destaquen el pensamiento computacional en las prácticas educativas
actuales (Repenning et al., 2010). A pesar de la importancia del pensamiento
computacional, se ha prestado poca atención a su desarrollo en la formación de
los futuros maestros y maestras. La mayoría de los trabajos de investigación
priorizan su enseñanza en la etapa de educación secundaria obligatoria (Maya et
al., 2015), dejando un vacío en la formación de los futuros docentes.
Para abordar esta situación, es necesario promover una
mayor integración del pensamiento computacional en la formación de los futuros
maestros y maestras. Esto implica la incorporación de contenidos y metodologías
relacionadas con el pensamiento computacional en los programas de formación
docente, así como el desarrollo de recursos y materiales adecuados para su
enseñanza (Ung et al., 2022). Asimismo, es relevante tener en cuenta el nivel
de pensamiento computacional que poseen los estudiantes. Realizar evaluaciones
diagnósticas para conocer su nivel de competencia en este ámbito puede ayudar a
identificar áreas de mejora y adaptar las acciones formativas de acuerdo a las
necesidades de cada grupo de estudiantes. Además, es importante considerar
variables como el género y la experiencia previa en programación robótica, ya
que pueden influir en el desarrollo del pensamiento computacional (Sun et al.,
2022). Esto permitirá ofrecer acciones formativas más adaptadas e inclusivas.
En esta línea, varios estudios han abordado la
relación entre las habilidades de pensamiento computacional de los estudiantes
y el género, así como con la experiencia previa en programación robótica. Así,
el trabajo realizado por Atmatzidou y Demetriadis (2016) demostró que no hay
diferencias significativas en función del género en el desarrollo de
habilidades de pensamiento computacional entre estudiantes de 15 a 18 años que
participaron en un programa de Robótica Educativa. Al igual que el estudio llevado
a cabo por Bati (2022) con estudiantes de educación infantil. Estos hallazgos
sugieren que el género no influye de manera significativa en el desarrollo de
estas habilidades en esos contextos. Por su parte, Master et al. (2017)
encontraron que aquellos estudiantes de educación primaria con experiencia en
programación reportaron un mayor interés técnico y una mayor autoeficacia en
comparación con aquellos que no tenían experiencia en programación robótica.
En definitiva, la mayoría de los estudios actuales que
se han centrado en el análisis del género y la experiencia en programación en
relación con el pensamiento computacional lo han realizado en estudiantes de
niveles no universitarios. Sin embargo, no se ha explorado a fondo cómo estos
factores pueden influir en los futuros docentes. Por lo tanto, se pone en
marcha el presente trabajo con el fin de caracterizar a los estudiantes de la
muestra en cuanto al nivel de pensamiento computacional. Así como, analizar si
existen diferencias estadísticamente significativas entre el nivel de
pensamiento computacional en función del género y la experiencia previa en
lenguajes de programación robótica. Y, por último, identificar la existencia de
perfiles que permitan analizar las diferencias entre ellos con las dimensiones
del pensamiento computacional, para obtener una comprensión más sólida de cómo
estos factores pueden influir en el pensamiento computacional de los
estudiantes, para generar acciones formativas.
2. Metodología
2.1. Participantes
En el estudio participaron un total de 164 estudiantes
universitarios de los Grados en Maestro/a en Educación Infantil y Primaria,
siendo 145 mujeres, lo que supone el 88,4% y 19 hombres. La edad de los
participantes se sitúa en su mayoría (72.3%) entre los 18 y 21 años, seguida
por aquellos con edades comprendidas entre los 22 y 25 años (23,1%), y entre 26
y 29 años con 4.6%. La elección de dicha muestra siguió un paradigma no
probabilístico, siguiendo criterios de conveniencia y accesibilidad (Etikan et
al., 2016).
2.2. Instumento
de análisis
Se emplea el Test de Pensamiento Computacional (TPC),
validado por Román-González (2015), en cuanto a su contenido, fiabilidad y
validez tanto criterial como concurrente. Dicho instrumento tiene como objetivo
medir el pensamiento computacional de los sujetos. Está constituido por 28
preguntas con cuatro opciones de respuestas, de las cuales sólo una de ellas es
correcta. En las preguntas se presentan diferentes supuestos en los que se
deben aplicar habilidades de pensamiento lógico-matemático para su correcta
resolución. El TPC ha sido traducido a varios idiomas y utilizado por la
comunidad científica internacional en múltiples investigaciones (Chan et al.,
2021; Guggemos et al., 2022).
Aunque el instrumento ha sido validado, se lleva a
cabo un análisis de sus propiedades psicométricas. Así, la correlación
ítem-total corregida (ri-t) fue positiva en todos los ítems, lo que indica que
todos contribuían a medir el constructo general que mide el instrumento y en la
misma dirección. El Alpha de Cronbach fue adecuado (.705) siendo la puntuación
media de los ítems de .76. La medida de Kaiser-Meyer-Olkin de adecuación de
muestreo se situó en .599 y la prueba de esfericidad de Barlett fue significativa
(p < .001) con un valor de chi-cuadrado de .599, con 231 grados de libertad.
Para lograr los objetivos planteados, se recopilaron
tres datos adicionales. En primer lugar, se determinó el nivel de conocimientos
previos en programación que los estudiantes consideran poseer, a través de una
escala tipo Likert de 1 a 5 (donde 1 equivale a Muy Bajo y 5 a Muy Alto). En segundo lugar, se indagó si los
estudiantes tenían experiencia previa en programación robótica a través de una
pregunta dicotómica (Si o No). Por último, se utilizó el nivel de desempeño de
los estudiantes universitarios como medida de referencia. Este nivel de
desempeño se basó en la calificación obtenida por los discentes en la
asignatura de Tecnologías de la Información y Comunicación (TIC) aplicadas a la
Educación de los Grados de Maestro/a en Educación Infantil y Primaria, ya que
diversos autores consideran las calificaciones obtenidas como un indicador
válido para medir el rendimiento académico (Álvaro Paje, 1990; Ben et al.,
2022), en este caso, en el ámbito de las tecnologías.
2.3. Procedimiento
El estudio se realizó de acuerdo con el Código de
Ética de la Asociación Médica Mundial (Declaración de Helsinki), que refleja
los principios éticos para la investigación con seres humanos (Morris, 2013).
Previamente a la realización del TPC, los estudiantes fueron informados de que
su participación era voluntaria. Los participantes debían otorgar su
consentimiento informado previamente a la realización del cuestionario.
Los estudiantes cumplimentaron el TPC de forma
digital, accediendo al mismo a través del enlace enviado a sus correos
corporativos de la Universidad antes de planificar y desarrollar las acciones
formativas sobre programación robótica en el marco de la citada asignatura. Por
tanto, se lleva a cabo un estudio exploratorio con el fin determinar el estado
inicial de los estudiantes de nuevo ingreso a los grados Maestro/a en Educación
Infantil y Primaria para generar acciones formativas que apoyen su desempeño académico.
Una vez recogidas las respuestas del TPC se ha
asignado con el valor 0 aquellas que han sido contestadas incorrectamente, y 1
para las correctas. Posteriormente, se han agrupado los ítems en función del
tipo de habilidades que se requiere poner en práctica para su correcta
resolución, dando lugar a cuatro dimensiones, a saber: 1) Algoritmos simples
(AS), constituidos por siete supuestos de programación lineal; 2) Algoritmos de
bucle (AB), formados por siete supuestos prácticos donde la secuencia de programación
se repite varias veces; 3) Algoritmos condicionales (AC), constituido por siete
supuestos basados en estipular determinadas condiciones básicas para que los
bloques de programación se ejecuten y 4) Algoritmos condicionales avanzados
(ACA), formado por siete supuestos y, al igual que la anterior, centrados en
establecer condiciones avanzadas para resolver los problemas planteados.
Finalmente, se ha ponderado las puntuaciones en cada una de las cuatro
dimensiones, obteniendo puntuaciones de 0 a 10 en cada una de ellas.
2.4. Análisis de datos
En primer lugar, para analizar la existencia de
diferencias en las cuatro dimensiones que componente el pensamiento
computacional en función del género y la experiencia previa de los estudiantes
en lenguajes de programación se realizaron pruebas t para muestras
independientes.
Para obtener los perfiles de los estudiantes se
utilizó un clúster bietápico. Este análisis proporciono un procedimiento
automático del número óptimo de conglomerados, permitiendo conglomerados con
variables categóricas y continuas (Rubio y Vilá, 2017). Las variables incluidas
en el clúster fueron “género”, “experiencia previa en lenguajes de programación
robótica”, “nivel de conocimientos que los estudiantes consideren poseer sobre
programación” y “nivel de desempeño” medido de 0 a 10, y calculado a partir de
la calificación final obtenida en la asignatura. El modelo cumple con los
supuestos de independencia entre sus variables, las variables continuas siguen
una distribución normal y las variables cualitativas categóricas siguen una
distribución multinomial. Incluso aunque no se cumplieran, Rubio y Vilá (2017)
indican que este procedimiento es lo bastante robusto para poder aplicarlo.
Para analizar la distancia entre los conglomerados se utilizó la medida de
probabilidad log-verosimilitud. Para determinar el número de conglomerados se
utilizó el Criterio Bayesiano de Schwartz (BIC). Para minimizar los efectos del
orden, se ordenaron los casos aleatoriamente. Los resultados aportaron un
modelo satisfactorio formado por tres conglomerados.
Por último, y una vez obtenidos los perfiles de los
estudiantes, se utiliza un ANOVA de un factor con pruebas post hoc para
analizar cada una de las cuatro dimensiones presentes en el pensamiento
computacional (algoritmos simples, algoritmos de bucle, algoritmos
condicionales y algoritmos condicionales avanzados) en función de dichos
perfiles.
Los datos obtenidos se analizaron con el programa SPSS
27, teniendo como referencia para la significatividad un valor p < .05. Los tamaños
del efecto se valoraron mediante la eta parcial al cuadrado teniendo en cuenta
que el tamaño del efecto es pequeño cuando ηp2 = 0.01; medio
cuando ηp2 = 0.059 y grande cuando ηp2 = 0.080
(Cohen, 1988).
3. Análisis y
resultados
En la tabla 1 se presentan los estadísticos
descriptivos de las variables, así como la matriz de correlaciones de Pearson.
Los valores de asimetría y curtosis se encuentran dentro de los límites que
indican una distribución normal (valores inferiores a 3 para la asimetría e
inferiores a 10 para la curtosis; Kline, 2011).
Tabla 1
Estadísticos descriptivos y correlación (r) entre
las variables que conforman en pensamiento computacional
|
|
AS |
AB |
AC |
ACA |
|
AS |
- |
- |
- |
- |
|
AB |
.333* |
- |
- |
- |
|
AC |
.329* |
.374* |
- |
- |
|
ACA |
.205* |
.461* |
.413* |
- |
|
Asimetría |
-1.618 |
-0.692 |
-0.188 |
-0.269 |
|
Curtosis |
2,242 |
0.163 |
-0.800 |
-0.698 |
|
Media |
9.268 |
8.049 |
6.171 |
5.988 |
|
Desviación Típica |
1.170 |
1.647 |
2.400 |
2.771 |
Nota: AS = Algoritmos
simples, AB = Algoritmos de bucle, AC = Algoritmos condicionales, ACA =
Algoritmos condicionales avanzados. *p < .001
Con relación a las puntuaciones, las medias más
elevadas se presentan en los algoritmos simples y de bucle, siendo las
preguntas relativas a aplicar conocimientos lógico-matemáticos sobre
condicionales y condicionales avanzadas las que obtienen puntuaciones más
bajas. En lo que respecta a las correlaciones, los resultados reflejaron
correlaciones estadísticamente significativas y positivas entre las variables
objeto de estudio en todos los casos.
Tabla 2
Estadísticos descriptivos con relación a EP, NP, ND y el resultado en el TPC
|
|
SI |
NO |
|
|
|
|
EP |
21.3% |
78.7% |
|
|
|
|
|
|
|
|
|
|
|
|
Muy Bajo |
Bajo |
Medio |
Alto |
Muy Alto |
|
NCP |
38.4% |
51.2% |
10.4% |
- |
- |
|
|
|
|
|
|
|
|
|
MI |
MA |
M |
DT |
|
|
ND |
2.8 |
9.3 |
7.05 |
1.332 |
|
|
TPC |
3.6 |
10 |
7.36 |
1.471 |
|
Nota: EP= Experiencia previa en lenguajes de
programación. NP= Nivel de conocimientos sobre programación que los estudiantes
consideran poseer. ND= Nivel de desempeño de los estudiantes en la asignatura.
TPC= resultado global obtenidos por los estudiantes en el
Test de Pensamiento Computacional. MI= Mínimo. MA= Máximo. M= Media. DT=
Desviación estándar.
Por otro lado, tal y como se recoge en la tabla 2,
únicamente el 21.3% de la muestra de estudio posee experiencia previa en
lenguajes de programación, considerando más de la mitad que poseen un nivel
bajo en este tipo de conocimientos. No obstante, la media tanto el nivel de
desempeño académico en la asignatura como el nivel de habilidades de
pensamiento computacional derivado del TPC se sitúan en torno al 7.
Con el fin de determinar las diferencias en las
dimensiones que componen el pensamiento computacional en base al género y a la
experiencia previa de los estudiantes en lenguajes de programación se
realizaron pruebas t para muestras
independientes. Los resultados reflejaron que las diferencias eran estadísticamente significativas entre las
puntuaciones obtenidas en la dimensión algoritmos simples y el género (t162=-1.87,
p < .001, np2 = 1.16) con un tamaño de efecto grande.
Los resultados indicaron que eran los hombres
(MD=9.73; DT=.624) quienes obtuvieron mejores puntuaciones que las mujeres
(MD=9.20; DT=1.21).
De igual modo, se obtienen resultados estadísticamente
significativos entre las puntuaciones obtenidas en la dimensión algoritmos
simples (t162=2.30, p <
.001, np2 = 1.15) en función de la experiencia
previa de los estudiantes en lenguajes de programación, con un tamaño de efecto
grande. Los resultados indicaron que
los estudiantes que poseían experiencia previa (MD=9.66; DT=.97)
obtuvieron mejores puntuaciones que aquellos que no la tenían (MD=9.16;
DT=1.19).
También se obtuvieron resultados significativos en la
dimensión algoritmos de bucle (t162=2.34,
p= .04, np2 = 1.62) en función de la experiencia
previa de los estudiantes en lenguajes de programación, con un tamaño de efecto
grande. Los resultados indicaron que
los estudiantes que poseían experiencia previa (MD=8.61; DT=1.24)
obtuvieron mejores puntuaciones que aquellos que no la tenían (MD=7.89;
DT=1.71).
En lo que respecta a la
obtención de los perfiles de los estudiantes a partir de un clúster, se han
obtenido tres agrupaciones con las cuatro variables con un resultado “bueno”,
lo que indica, de acuerdo con las aportaciones Kaufman y Rousseeuw
(2009), que los datos reflejan una evidencia razonable y sólida de que existe
una estructura de clúster. La variable que tiene más peso es el nivel que los
estudiantes consideran poseer en programación (con una importancia del
predictor de 1 sobre 1), seguida por la experiencia previa en lenguajes de
programación (con una importancia de .59 sobre 1), el género (con una
importancia de .29 sobre 1) y en último lugar el nivel de desempeño en la
asignatura (con una importancia de .01 sobre 1). Las características de los
estos tres grupos son:
Clúster
1: formado por el 31,7% de la muestra. El
48,1% declaran poseer un nivel bajo en conocimientos sobre lenguajes de programación,
el 67,3% declara poseer experiencia previa en lenguajes de programación, el
63,5% son mujeres y su nivel medio de desempeño en la asignatura es de 7,06. A
este clúster lo denominaremos “iniciados en programación robótica” (IPR),
formado por aquellos estudiantes que han tenido experiencias y han utilizado la
programación en algún momento.
Clúster
2: formado por el 32,3% de la muestra. Todos
ellos (100%) declaran poseer un nivel muy bajo en conocimientos sobre lenguajes
de programación, no tienen experiencia previa en lenguajes de programación,
todas son mujeres y su nivel medio de desempeño en la asignatura es de 7,13. A
este clúster lo denominaremos “noveles en programación robótica” (NPR),
constituido por aquellos estudiantes que han tenido muy poco contacto con la
programación.
Clúster
3: grupo formado por el 36% de la muestra
con las siguientes características: todos (100%) poseen un bajo nivel de
conocimientos sobre lenguajes de programación, no tienen experiencia previa en
lenguajes de programación, todas son mujeres y su nivel medio de desempeño en
la asignatura es de 6,98. A este clúster lo denominaremos “exploradores en
programación robótica” (EPR), formado por aquellos estudiantes que han empezado
a indagar sobre los lenguajes de programación.
Para analizar las
diferencias entre los perfiles obtenidos con los conocimientos de los
estudiantes en las dimensiones que componente el pensamiento computacional se
llevó a cabo un análisis ANOVA de un factor mediante el procedimiento de Welch.
En él, se encontraron diferencias estadísticamente significativas en
“Algoritmos simples” en función del tipo de clúster (F w 3, 726 =
3.92, p < .022) con un tamaño de efecto medio (np2 = 0.46).
También en “Algoritmos de bucle” (F w 3, 952 = 4.34, p < .015),
con un tamaño de efecto medio (np2 =
0.51).
De igual modo, se analiza el
nivel global de pensamiento computacional que poseen los estudiantes
universitarios. Obtenido diferencias significativas en función del tipo de
clúster (F w 3, 699 = 3.65, p < .028), con un tamaño de efecto
medio (np2 =
0.43).
Posteriormente, para
analizar las comparaciones múltiples post hoc se utiliza el procedimiento de
Bonferroni, cuyos resultados se muestran en la tabla 3:
Tabla 3
Comparaciones múltiples post hoc de “Algoritmos simples” en función del
tipo de perfil
|
|
M |
DT |
CM |
DM |
P |
IC 95% |
|
IPR |
9,55 |
.940 |
IPR-NPR |
.229 |
.88 |
[-.30, .75] |
|
NPR |
9,32 |
1.12 |
IPR-EPR |
.620 |
.01* |
[.07, 1.16] |
|
EPR |
8,93 |
1.35 |
NPR-EPR |
.391 |
.22 |
[-.13, .91] |
Nota: IPR = Iniciados en programación
robótica, NPR = Noveles en programación robótica, EPR = Exploradores en
programación robótica.
*p < .001
El análisis post hoc
en lo que respecta a los resultados obtenidos por los estudiantes
universitarios en aquellas preguntas que median conocimientos relacionados con
algoritmos de bucle se recogen en la tabla 4:
Tabla 4
Comparaciones múltiples post hoc de “Algoritmos de bucle” en función del
tipo de perfil
|
|
M |
DT |
CM |
DM |
P |
IC 95% |
|
IPR |
8.46 |
1.39 |
IPR-NPR |
.325 |
.87 |
[-.41, 1.06] |
|
NPR |
8.13 |
1.51 |
IPR-EPR |
.914 |
.01* |
[.15, 1.67] |
|
EPR |
7.54 |
1.89 |
NPR-EPR |
.588 |
.16 |
[-.15, 1.32] |
Nota: IPR = Iniciados en programación
robótica, NPR = Noveles en programación robótica, EPR = Exploradores en
programación robótica.
*p < .001
De igual manera, el análisis post hoc en lo que
respecta a los resultados obtenidos por los estudiantes universitarios en el
test de pensamiento computacional en función de los perfiles definidos en el
análisis clúster se recogen en la tabla 5:
Tabla 5
Comparaciones múltiples post hoc de “Nivel de pensamiento computacional” en
función del tipo de perfil
|
|
M |
DT |
CM |
DM |
P |
IC 95% |
|
IPR |
7.80 |
1.41 |
IPR-NPR |
.538 |
.15 |
[-.12, 1.20] |
|
NPR |
7.26 |
1.45 |
IPR-EPR |
.738 |
.03* |
[.05, 1.42] |
|
EPR |
7.06 |
1.47 |
NPR-EPR |
.199 |
1.0 |
[-.46, .86] |
Nota:
IPR = Iniciados en programación robótica, NPR = Noveles en programación robótica, EPR = Exploradores en programación robótica.
*p < .001
En todos los casos, el clúster “Iniciados en programación
robótica” (IPR), formado por aquellos estudiantes que han tenido experiencias y
han utilizado la programación en algún momento obtienen mejores puntuaciones
que el perfil de estudiantes denominado “exploradores en programación robótica”
(EPR), formado por aquellos discentes que han empezado a indagar sobre los
lenguajes de programación, y que declaran poseer cierto nivel de conocimientos
en lenguajes de programación. Es destacable señalar que aquellos que no poseen
experiencia previa en lenguajes de programación obtienen peores resultados en
el TPC. Este resultado viene a confirmar la necesidad de abordar este tipo de
conocimientos en la formación de los futuros maestros y maestras.
4. Discusión y
conclusiones
El pensamiento computacional se caracteriza por una
determina forma de pensar que propicia el análisis y la relación de ideas, para
la organización y representación lógica de la información. En los últimos años,
se ha detectado una necesidad creciente de desarrollarlo en el ámbito educativo
para dar respuesta a las necesidades de una sociedad cada vez más tecnológica.
Así, surge una nueva alfabetización que intentar favorecer el aprendizaje de la
programación de forma progresiva utilizando principios básicos de codificación
informática mediante la utilización de algoritmos. Por ello, el objetivo
general del presente estudio pretende analizar el nivel de pensamiento
computacional de los universitarios para determinar el estado inicial de los
estudiantes de nuevo ingreso a los grados Maestro/a en Educación Infantil y
Primaria. Concretamente se plantearon dos objetivos específicos: 1) estudiar la
existencia de diferencias en el nivel de pensamiento computacional en función
del género y la experiencia previa de los estudiantes universitarios con
diferentes lenguajes de programación robótica; 2) identificar la existencia de
perfiles que permitan analizar las diferencias entre dichos perfiles con las
dimensiones del pensamiento computacional.
En relación con el primer objetivo, se pudo constatar
la existencia de diferencias en función del género siendo los hombres quienes
obtuvieron mejores puntuaciones en la dimensión algoritmos simples. Estos
resultados están en la línea con los obtenidos por otros estudios (Fennema et
al., 2016; Angeli y Valanides, 2020; entre otros) quienes detectaron que los
hombres reflejaron mayor compresión conceptual, utilizando estrategias y
algoritmos más avanzados que las mujeres en los procesos de programación robótica.
E incluso algunos estudios han determinado que, aun teniendo un alto nivel de
pensamiento, las mujeres carecen de interés por la programación (Zhong et al.,
2016), señalando que quizás carezcan de la motivación necesaria. Es, por tanto,
imprescindible atender a estas diferencias a la hora de diseñar los procesos de
enseñanza-aprendizaje, ya que conociendo los intereses de los estudiantes
se pueden desarrollar actividades que aumenten su motivación y repercutan en la
mejora de los resultados académicos. En este sentido, tal y como apuntan Kanny
et al. (2014), al promover la igualdad de género, desafiar los estereotipos y
brindar oportunidades equitativas, podemos fomentar la participación de las
mujeres, aprovechar el talento y la creatividad, sin importar su género.
De igual modo, se hallaron diferencias en función de
la experiencia previa que poseían los estudiantes en lenguajes de programación
robótica, siendo aquellos que la tenían los que obtuvieron mejores resultados
en las dimensiones algoritmos simples y de bucle. Sun et al. (2022) determinaron que aquellos
alumnos que aprendieron a programar en edades tempranas poseían un nivel más
alto en pensamiento computacional. Por ello, es muy necesario adoptar
estrategias de enseñanza adecuadas en las diferentes etapas de aprendizaje.
Asimismo, el pensamiento computacional y la programación están estrechamente
vinculados, y su enseñanza conjunta puede proporcionar a los estudiantes
herramientas poderosas para comprender y abordar los desafíos de la era
digital.
En la misma línea, el segundo objetivo, trato de
identificar la existencia de perfiles y de analizar las diferencias entre ellos
en función de las dimensiones del pensamiento computacional. Los resultados del
estudio reflejan la existencia de tres perfiles de estudiantes. Un clúster
denominado IRR donde el 48,1% declaran poseer un nivel bajo en conocimientos
sobre lenguajes de programación, el 67,3% tenía experiencia previa en lenguajes
de programación, el 63,5% son mujeres y su nivel medio de desempeño en la
asignatura es de 7,06. Este clúster posee los niveles más altos de pensamiento
computacional. El segundo clúster denominado NPR se caracteriza porque todos
los estudiantes declaran poseer un nivel muy bajo en conocimientos sobre
lenguajes de programación, no tienen experiencia previa en lenguajes de
programación, son mujeres y su nivel medio de desempeño en la asignatura es de
7,13. Este clúster posee un nivel medio de pensamiento computacional. Y, por
último, el denominado EPR, caracterizado por aquellos estudiantes que poseen un
bajo nivel de conocimientos sobre lenguajes de programación, no tienen
experiencia previa en lenguajes de programación, son mujeres y su nivel medio
de desempeño en la asignatura es de 6,98. Este grupo presenta el nivel más bajo
de pensamiento computacional.
Estos resultados ponen de relieve la complejidad de la
interacción entre las variables analizadas. Sin embargo, encontramos un grupo
de estudiantes, formado en su mayor parte por mujeres con experiencia previa en
lenguajes de programación que obtienen niveles altos en pensamiento
computacional, sobre todo, en las dimensiones algoritmos simples y de bucle.
Este resultado respalda la idea propuesta por Kelleher y Pausch (2005) de que,
en la planificación de las acciones formativas, el diseño instruccional basado
en el andamiaje es el centro de la enseñanza de la programación. En esta línea,
el diseño de acciones formativas que tengan en cuenta los perfiles de partida
de los estudiantes, puede ser la clave para desarrollar el pensamiento
computacional, cultivar el talento entre el profesorado en formación y
potenciar las competencias en este ámbito. De este modo, se propone adaptar el
programa TangibleK (Bers, 2010) que utiliza como instrumento la programación
robótica a través de algoritmos, para estimular el pensamiento computacional
entre los estudiantes universitarios.
Así, el programa se basa en cuatros principios básicos
(Bers, 2010): 1) hacer patente el proceso de diseño y el pensamiento
computacional necesario para programar el robot, es decir: plantear un
problema, investigar, planificar, desarrollar un prototipo, ponerlo a prueba,
rediseñarlo y analizar las soluciones; 2) potenciar la colaboración mediante la
creación de equipos que compartan recursos y materiales; 3) generar grupos de
conversación tecnológica, para poner en común los proyectos de programación robótica
desarrollados por los diferentes grupos de estudiantes, lo que brinda la
oportunidad de corregir errores como comunidad;
4) transferir los proyectos más allá del aula para hacer visible el
aprendizaje, poniéndolo a prueba a través de demostraciones, exposiciones, etc.
o aplicándolo en las aulas de educación infantil y/o primaria como futuros
maestros y maestras. De este modo, a través de una secuenciación sencilla,
centrada en identificar los conocimientos de partida, introducir el proyecto a
través del juego, proponer una tarea de programación, poner en común mediante
los grupos de conversación tecnológica y evaluar la tarea, se proporciona a los
futuros docentes las herramientas y habilidades necesarias para fomentar el
pensamiento computacional en el aula.
Sin duda, los estudios sobre pensamiento computacional
se están desarrollando y merecen más investigación, sobre todo, entre el
profesorado en formación pues son la base para potenciar el pensamiento
computacional en las aulas de educación infantil y primaria. Aunque esta
investigación ha proporcionado algunos resultados importantes sobre los niveles
que poseen los estudiantes universitarios en relación con el pensamiento
computacional y las variables que pueden condicionar dichos niveles, hay que
tener en cuenta algunas limitaciones. El primer lugar, el tamaño de la muestra
y haber optado por un diseño transversal. En futuras investigaciones se puede
realizar un seguimiento dinámico de la evolución del pensamiento computacional
de los estudiantes utilizando datos longitudinales y ampliando la muestra de
estudio para hacer inferencias causales más sólidas. En segundo lugar, la
naturaleza de la muestra, perteneciendo ésta a dos contextos muy específicos.
Para verificar mejores resultados se pretende dirigir el estudio hacia
estudiantes de otras titulaciones afines a la educación. Por último, este
estudio ha utilizado principalmente datos cuantitativos para el análisis, y la
investigación futura puede añadir datos cualitativos como entrevistas para
complementar los resultados de la investigación.
Analysis of the level of computational thinking of future teachers: a
diagnostic proposal for the design of training actions
1. Introduction
Computational thinking
involves a process of problem solving by applying basic knowledge of science,
technology, logic and mathematics (Wing, 2006). The term emerged from Papert’s
(1980) work on constructionist programming environments based on design and
algorithm-based problem solving. It is a form of emergent literacy that seeks
to foster the learning of programming progressively using basic computer coding
principles. In this approach, students at different educational levels create
sequences of instructions and algorithms to control the actions of an object in
a virtual or physical space. For Want et al. (2022) the development of
computational thinking involves various skills and abilities, such as
organising and logically analysing information, identifying, investigating and
implementing possible solutions, etc. while strengthening algorithmic thinking.
Algorithmic thinking is a
fundamental problem-solving skill, which involves devising a step-by-step
solution to address a given problem. Bers et al. (2014) state that, unlike
coding, which refers to the technical skills needed to write code in a specific
programming language, algorithmic thinking focuses on the conceptual process of
designing an algorithm. Along these lines, for Selby (2012), algorithmic
thinking is distinguished from coding and is considered an independent skill
prior to coding. It involves the ability to plan and organise the actions
needed to solve a problem sequentially and effectively. These skills are
considered important elements of computational thinking and are fundamental in
the development of programming and computational problem-solving skills (Lu and
Fletcher, 2009).
There is a broad consensus
about the close relationship between computational thinking skills and
programming. Different authors (Tikva & Tambouris, 2021; Berland &
Wilensky, 2015) argue that computational thinking has provided a new logical
framework for teaching programming. Computational thinking involves a set of
cognitive and problem-solving skills that are fundamental to the field of
robotic programming. These skills include breaking down complex problems into
simpler steps, identifying patterns and regularities, designing algorithms to
solve problems, and the ability to think in a logical and structured way.
Programming, in turn, provides a practical platform for students to exercise
and apply these computational thinking skills in solving specific problems.
Existing studies have shown
that learning and practising robotic programming contributes significantly to
the development of computational thinking in students (Angeli & Valanides,
2020; Israel et al., 2015). By participating in programming activities,
learners are challenged to analyse and understand how computer systems work, to
identify and resolve bugs, and to improve their solutions. These experiences
foster skills such as logical reasoning, abstraction, creativity and
collaboration, which are fundamental to both computational thinking and
programming (Popat & Starkey, 2019).
The development and
improvement of computational thinking associated with robotic programming has
undergone a growing evolution in recent years. However, it is true that this
progress has not had the same impact on women as on men, and that there is a certain
disparity in interest in robotic programming between the two groups. It is
important to recognise that this situation may be influenced by cultural
factors and socialisation processes experienced from childhood that may
motivate men more than women to get involved in these fields (Angeli &
Valanides, 2020).
Along these lines, gender
stereotypes may have been constructed by associating science, technology,
engineering and mathematics (STEM) with masculine characteristics. For Chan
(2022) these stereotypes may create barriers and disincentives for women to explore
and actively participate in these sectors. Furthermore, as Charlesworth (2019)
points out, the gender roles and expectations that are transmitted in society
can also influence people’s choices and preferences from an early age. It is
therefore essential to promote gender equality in science and technology
fields, as well as in the development of robotics programming. This implies
fostering inclusive and equitable education that provides opportunities and
resources for all people to expand their interests and skills in these fields,
regardless of their gender (Krommer, 2006).
Strong computational thinking
skills can be a motivating factor for students to be interested in STEM-related
careers. However, it is not currently integrated into curricula in a broad and
systematic way like other subjects such as mathematics or science (Sneider et
al., 2014). The lack of a specific curriculum that lays the foundations for
computational thinking from an early age represents a challenge in education.
There are few models or approaches that highlight computational thinking in
current educational practices (Repenning et al., 2015). Despite the importance
of computational thinking, little attention has been paid to its development in
the training of future teachers. Most research and experiences prioritise its
teaching at the compulsory secondary education stage (Maya et al., 2015),
leaving a gap in the training of future teachers.
To address this situation, it
is necessary to promote greater integration of computational thinking in the
training of future teachers. This implies the incorporation of content and
methodologies related to computational thinking in teacher training programmes,
as well as the development of appropriate resources and materials for its
teaching. It is also important to take into account the level of computational
thinking that students possess. Carrying out diagnostic assessments to find out
their level of competence in this area can help to identify areas for
improvement and adapt training actions according to the needs of each group of
students. In addition, it is important to consider variables such as gender and
previous experience in robotics programming, as they can influence the
development of computational thinking (Sun, et al. 2022). This will allow for
more tailored and inclusive training actions.
Along these lines, several
studies have addressed the relationship between students’ computational
thinking skills and gender, as well as with previous experience in robotics
programming. Thus, the work carried out by Atmatzidou et al. (2016) showed that
there are no significant gender differences in the development of computational
thinking skills among students aged 15-18 years who participated in an
Educational Robotics programme. The same holds for the study conducted by Bati
(2022) with early childhood education students. These findings suggest that
gender does not significantly influence the development of these skills in
these contexts. Master et al. (2017) found that elementary school students with
programming experience reported higher technical interest and self-efficacy
compared to those without robotic programming experience.
In short, most of the current
studies that have focused on analysing gender and programming experience in
relation to computational thinking have been conducted on students at
non-university levels. However, the way in which these factors may influence future
teachers has not been explored in depth. Therefore, the present work was
undertaken in order to characterise the students in the sample in terms of the
level of computational thinking based on four dimensions of study (simple,
looping, conditional and advanced conditional algorithms). The second purpose
was to analyse whether there are statistically significant differences between
the level of computational thinking according to gender and the previous
experience in robotic programming languages that university students have. And
the third purpose was to identify the existence of profiles that allow us to
analyse the differences between them with the dimensions of computational
thinking in order to obtain a more solid understanding of how these factors may
influence students’ computational thinking.
2. Method
2.1. Participants
A total of 164 university
students from the Master’s Degrees in Early Childhood and Primary Education
participated in the study, 145 of them female (88.4%) and 19 male. The age of
the participants was mostly (72.3%) between 18 and 21, followed by those aged
between 22 and 25 (23.1%), and those between 26 and 29 years, with 4.6%. The
choice of the sample followed a non-probabilistic paradigm, following criteria
of convenience and accessibility (Etikan et al., 2016).
2.2. Analysis instrument
The Computational Thinking
Test (CTT), validated by Román-González (2015), was used in terms of its
content, reliability and criterion and concurrent validity. The purpose of this
instrument is to measure the computational thinking of the subjects. It consists
of 28 questions with four answer options, only one of which is correct. The
questions present different scenarios in which logical-mathematical thinking
skills must be applied in order to solve them correctly. The CTT has been
translated into several languages and used by the international scientific
community in multiple investigations (Chan et al., 2021; Guggemos et al.,
2022).
Although the instrument had
been validated, an analysis of its psychometric properties was carried out.
Thus, the corrected item-total correlation (ri-t) was positive for all items,
indicating that they all contributed to measuring the general construct measured
by the instrument and in the same direction. Cronbach’s Alpha was adequate
(.705) with a mean item score of .76. The Kaiser-Meyer-Olkin measure of
sampling adequacy was .599 and Barlett’s test of sphericity was significant (p
< .001), with a chi-square value of .599, with 231 degrees of freedom.
To achieve the stated
objectives, three additional data were collected. Firstly, we determined the
level of prior programming knowledge that students considered they had, using a
Likert-type scale from 1 to 5 (where 1 equals Very Low and 5 equals Very High). Secondly, students were asked whether they
had previous experience in robotics programming through a dichotomous question
(Yes or No). Finally, the performance level of the university students was used
as a reference measure. This level of performance was based on the grade
obtained by the students in the subject of Information and Communication
Technologies (ICT) applied to Education of the Master’s Degrees in Early
Childhood and Primary Education, since several authors consider the grades
obtained as a valid indicator to measure academic performance (Álvaro Paje,
1990; Ben et al., 2022), in this case, in the field of technologies.
2.3. Procedure
The study was conducted in
accordance with the World Medical Association Code of Ethics (Declaration of
Helsinki), which reflects the ethical principles for research involving human
subjects (Morris, 2013). Prior to conducting the CTT, students were informed
that their participation was voluntary. Participants were required to give
informed consent prior to completing the questionnaire.
The students completed the CTT
digitally, accessing it through the link sent to their corporate emails at the
University before carrying out the training actions on robotics programming
within the framework of the aforementioned subject. Therefore, an exploratory
study was carried out in order to determine the initial state of the incoming
students to the Master’s Degrees in Early Childhood and Primary Education in
order to generate training actions that support their academic performance in
the field of STEM competences.
Once the answers had been
collected, those that were answered incorrectly were assigned a value of 0, and
those that were correct were assigned a value of 1. Subsequently, the items
were grouped according to the type of skills required for their correct resolution,
giving rise to four dimensions, as follows: 1) Simple algorithms (SA), made up
of seven linear programming scenarios; 2) Loop algorithms (LA), made up of
seven practical scenarios where the programming sequence is repeated several
times; 3) Conditional algorithms (CA), made up of seven scenarios based on
stipulating certain basic conditions for the programming blocks to be executed;
and 4) Advanced conditional algorithms (ACA), made up of seven scenarios and,
like the previous one, focused on establishing advanced conditions for solving
the problems posed. Finally, the scores in each of the four dimensions were
weighted, obtaining scores from 0 to 10 in each of them.
2.4. Data analysis
Firstly, to analyse the
existence of differences in the four dimensions that make up computational
thinking according to gender and students’ previous experience in programming
languages, t-tests for independent samples were carried out.
A two-stage cluster analysis
was used to obtain the student profiles. This analysis provided an automatic
procedure of the optimal number of clusters, allowing clusters with categorical
and continuous variables (Rubio & Vilá, 2017). The variables included in
the cluster were “gender", “previous experience in robotic programming
languages”, “level of knowledge that students consider possessing about
programming” and “level of performance”, measured from 0 to 10, and calculated
from the final grade obtained in the subject. The model complies with the
assumptions of independence between its variables, the continuous variables
follow a normal distribution, and the categorical qualitative variables follow
a multinomial distribution. Even if these assumptions were not met, Rubio and
Vilá (2017) indicate that this procedure is robust enough to be applied. To
analyse the distance between clusters, the log-likelihood measure was used. The
Bayesian Schwartz criterion (BIC) was used to determine the number of clusters.
To minimise order effects, the cases were randomly ordered. The results yielded
a satisfactory model consisting of three clusters.
Finally, once the students’
profiles were obtained, a one-factor ANOVA with post hoc tests was used to
analyse each of the four dimensions of computational thinking (simple
algorithms, loop algorithms, conditional algorithms and advanced conditional
algorithms) in terms of these profiles.
The data obtained were
analysed using SPSS 27, with a p-value < .05 as a reference for
significance. Effect sizes were assessed using partial eta squared, considering
that the effect size is small when ηp2 = 0.01,
medium when ηp2 = 0.059 and large when ηp2
= 0.080 (Cohen, 1988).
3. Analysis and results
Table 1 presents the
descriptive statistics of the variables, as well as the Pearson correlation
matrix. The values of skewness and kurtosis lie within the limits indicating a
normal distribution (values of less than 3 for skewness and less than 10 for
kurtosis; Kline, 2011).
Table 1
Descriptive
statistics and correlation (r) between the variables that make up computational
thinking
|
|
SA |
LA |
CA |
ACA |
|
SA |
- |
- |
- |
- |
|
BA |
.333* |
- |
- |
- |
|
CA |
.329* |
.374* |
- |
- |
|
ACA |
.205* |
.461* |
.413* |
- |
|
Skewness |
-1.618 |
-0.692 |
-0.188 |
-0.269 |
|
Kurtosis |
2,242 |
0.163 |
-0.800 |
-0.698 |
|
Mean |
9.268 |
8.049 |
6.171 |
5.988 |
|
Standard Deviation |
1.170 |
1.647 |
2.400 |
2.771 |
Note: SA = Simple Algorithms,
LA = Loop Algorithms, CA = Conditional Algorithms, ACA = Advanced Conditional Algorithms.
*p < .001
çRegarding the scores, the
highest means are found for simple and loop algorithms, the questions on
applying mathematical-logical knowledge of conditionals and advanced
conditionals obtaining the lowest scores. Regarding correlations, the results
showed statistically significant and positive correlations between the
variables under study in all cases.
Table 2
Descriptive
statistics in relation to previous experience in programming languages, the
level of programming that the students believe they possess, the students’
level of performance in the subject, and the result in the CTT
|
|
YES |
NO |
|
|
|
|
PE |
21.3% |
78.7% |
|
|
|
|
|
|
|
|
|
|
|
|
Very Low |
Low |
Medium |
High |
Very High |
|
PKL |
38.4% |
51.2% |
10.4% |
- |
- |
|
|
|
|
|
|
|
|
|
MI |
MA |
M |
SD |
|
|
PL |
2.8 |
9.3 |
7.05 |
1.332 |
|
|
CTT |
3.6 |
10 |
7.36 |
1.471 |
|
Note: PE= Previous experience in programming languages. PKL = Level of
programming knowledge that students believe they possess. PL= Students' level
of performance in the subject. CTT= Overall score obtained by the students in
the Computational Thinking Test. MI= Minimum. MA= Maximum. M= Mean. SD=
Standard deviation
On the other hand, as shown in
table 2, only 21.3% of the study sample has previous experience in programming
languages, considering that more than half of them have a low level in this
type of knowledge. However, the average level of academic performance in the
subject and the level of computational thinking skills derived from the CTT are
of around 7.
To determine the differences
in the dimensions that make up computational thinking based on gender and
students’ previous experience in programming languages, t-tests were performed
for independent samples. The results showed that the differences were
statistically significant between the scores obtained in the simple algorithms
dimension and that of gender (t162=-1.87, p < .001, np2
= 1.16), with a large effect size. The results indicated that males (MD=9.73;
SD=.624) scored higher than females (MD=9.20; SD=1.21).
Similarly, statistically
significant results are obtained between the scores obtained in the simple
algorithms dimension (t162=2.30, p < .001, np2
= 1.15) according to the students’ previous experience in programming
languages, with a large effect size. The results indicated that students with
prior experience (MD=9.66; SD=.97) scored higher than those without (MD=9.16;
SD=1.19).
Significant results were also
obtained in the loop algorithms dimension (t162=2.34, p= .04, np2
= 1.62) according to students’ prior experience in programming languages, with
a large effect size. The results indicated that students with prior experience
(MD=8.61; SD=1.24) scored higher than those without (MD=7.89; SD=1.71).
In terms of obtaining student
profiles from a cluster, three groupings were obtained with the four variables
with a “good” result, indicating, in line with Kaufman and Rousseeuw (2009),
that the data reflect reasonable and strong evidence of a cluster structure.
The variable that carries the most weight is the level that students believe to
possess in programming (with a predictor significance of 1 out of 1), followed
by previous experience in programming languages (with a significance of .59 out
of 1), gender (with a significance of .29 out of 1) and lastly, level of
performance in the subject (with a significance of .01 out of 1). The
characteristics of the three clusters are as follows:
Cluster 1: made up of 31.7% of the sample. 48.1% declare that they have a low
level of knowledge of programming languages, 67.3% declare that they have
previous experience in programming languages, 63.5% are women and their average
level of performance in the subject is 7.06. We will call this cluster
“initiates in robotics programming” (IRP), and it is made up of those students
who have had experience and have used programming at some point.
Cluster 2: made up of 32.3% of the sample. All of them (100%) declare that they
have a very low level of knowledge of programming languages, they have no
previous experience in programming languages, they are all women and their
average level of performance in the subject is 7.13. We will call this cluster
“novices in robotics programming” (NRP), made up of those students who have had
very little contact with programming.
Cluster 3: a group formed by 36% of the sample with the following characteristics:
all (100%) have a low level of knowledge about programming languages, have no
previous experience in programming languages, all are female and their average
level of performance in the subject is 6.98. We will call this cluster
“explorers in robotic programming” (ERP), and it is composed of those students
who have started to investigate programming languages.
To analyse the differences
between the profiles obtained with the students’ knowledge in the dimensions
that make up computational thinking, a one-factor ANOVA analysis was carried
out using Welch's procedure. There, statistically significant differences were
found in “Simple algorithms” according to the cluster type (F w 3, 726
= 3.92, p < .022), with a mean effect size (np2 =
0.46). This was also the case in “Loop algorithms” (F w 3, 952 =
4.34, p < .015), with a medium effect size (np2 =
0.51).
Similarly, the overall level
of computational thinking possessed by university students was analysed.
Significant differences were obtained according to the type of cluster (F w
3, 699 = 3.65, p < .028), with a medium effect size (np2
= 0.43).
Subsequently, the Bonferroni
procedure was used to analyse the post hoc multiple comparisons, the results of
which are shown in table 3:
Table 3
Post hoc multiple comparisons of “Simple Algorithms” according to the
profile type
|
|
M |
SD |
CM |
DM |
P |
IC 95% |
|
IRP |
9,55 |
.940 |
IPR-NPR |
.229 |
.88 |
[-.30, .75] |
|
NRP |
9,32 |
1.12 |
IPR-EPR |
.620 |
.01* |
[.07, 1.16] |
|
ERP |
8,93 |
1.35 |
NPR-EPR |
.391 |
.22 |
[-.13, .91] |
Note: IRP = Initiates in
robotic programming, NRP = Novices in robotic programming, ERP = Explorers in
robotic programming. *p < .001
The post hoc analysis
regarding the results obtained by the university students in those questions
that measure knowledge related to loop algorithms are shown in table 4:
Table 4
Post hoc multiple comparisons of “Loop Algorithms” according to the
profile type
|
|
M |
SD |
CM |
DM |
P |
IC 95% |
|
IRP |
8.46 |
1.39 |
IPR-NPR |
.325 |
.87 |
[-.41, 1.06] |
|
NRP |
8.13 |
1.51 |
IPR-EPR |
.914 |
.01* |
[.15, 1.67] |
|
ERP |
7.54 |
1.89 |
NPR-EPR |
.588 |
.16 |
[-.15, 1.32] |
Note: IRP = Initiates in
robotic programming, NRP = Novices in robotic programming, ERP = Explorers in
robotic programming. *p < .001
Similarly, the post hoc
analysis regarding the results obtained by the university students in the
computational thinking test according to the profiles defined in the cluster
analysis are shown in table 5:
Table 5
Post hoc multiple comparisons of “Level of computational thinking”
according to the profile type
|
|
M |
SD |
CM |
DM |
P |
IC 95% |
|
IRP |
7.80 |
1.41 |
IPR-NPR |
.538 |
.15 |
[-.12, 1.20] |
|
NRP |
7.26 |
1.45 |
IPR-EPR |
.738 |
.03* |
[.05, 1.42] |
|
ERP |
7.06 |
1.47 |
NPR-EPR |
.199 |
1.0 |
[-.46, .86] |
Note: IRP = Initiates in
robotic programming, NRP = Novices in robotic programming, ERP = Explorers in
robotic programming. *p < .001
In all cases, the cluster
“Initiates in robotic programming” (IRP), formed by those students who have had
experience and have used programming at some point, obtain better scores than
the profile of students called “Explorers in robotic programming” (ERP), formed
by those students who have started to investigate programming languages, and
who state that they have some level of knowledge in programming languages. It
is noteworthy that those who have no previous experience in programming
languages perform less well in the CTT. This result confirms the need to
address this type of knowledge in the training of future teachers to strengthen
STEM competences.
4. Discussion and conclusions
Computational thinking is characterised
by a specific way of thinking that favours the analysis and relation of ideas,
for the organisation and logical representation of information. In recent
years, there has been a growing need to develop it in education in order to
respond to the needs of an increasingly technological society. We are thus
dealing with the emergence of a new literacy that seeks to encourage the
learning of programming in a progressive way by using basic principles of
computer coding through the use of algorithms. Therefore, the general objective
of this study is to analyse the level of computational thinking of university
students in order to determine the initial state of incoming students to the
master’s degrees of Teacher of Early Childhood and Primary Education.
Specifically, two specific objectives were set out: 1) to study the existence
of differences in the level of computational thinking according to gender and
previous experience of university students with different robotic programming
languages; 2) to identify the existence of profiles that allow us to analyse
the differences between these profiles with the dimensions of computational
thinking.
In relation to the first
objective, it was possible to confirm the existence of differences according to
gender, with men obtaining better scores in the simple algorithms dimension.
These results are in line with those obtained by other studies (Fennema et al.,
2016; Angeli & Valanides, 2020; among others) that found that men showed
greater conceptual understanding, using more advanced strategies and algorithms
than women in robotic programming processes. And some studies have even found
that, despite having a high level of thinking, women lack interest in
programming (Zhong et al., 2016), indicating that they may lack the necessary
motivation. It is therefore essential to pay attention to these differences
when carrying out teaching-learning processes, since knowing the interests of
students can develop activities that increase their motivation and have an
impact on improving academic results. In this sense, as Kanny et al. (2014)
point out, by promoting gender equality, challenging stereotypes and providing
equal opportunities, we can encourage the participation of women, harnessing
the talent and creativity of all individuals, regardless of their gender.
Similarly, differences were
found according to students’ prior experience with robotic programming
languages, with those who had prior experience performing better on the simple
and loop algorithms dimensions. Sun et al. (2022) found that those students who
had learned to program at an early age had a higher level of computational
thinking. Therefore, there is a strong need for appropriate teaching strategies
at different stages of learning. Moreover, computational thinking and
programming are closely linked, and teaching them together can provide students
with powerful tools to understand and address the challenges of the digital
age.
Along the same lines, the
second objective sought to identify the existence of profiles and to analyse
the differences between them in terms of the dimensions of computational
thinking. The results of the study reflect the existence of three student profiles.
In a cluster called IRP, where 48.1% of the students declared to have a low
level of knowledge of programming languages, 67.3% had previous experience in
programming languages, 63.5% were women and their average level of performance
in the subject was 7.06. This cluster has the highest levels of computational
thinking. The second cluster called NRP is characterised by the fact that all
students report a very low level of knowledge of programming languages and have
no previous experience in programming languages; they are female and their
average level of performance in the subject is 7.13. This cluster has an
average level of computational thinking. And, finally, the so-called ERP,
characterised by those students who have a low level of knowledge of programming
languages, have no previous experience in programming languages, are female and
their average level of performance in the subject is 6.98. This group has the
lowest level of computational thinking.
These results highlight the
complexity of the interaction between the variables analysed. However, we found
a group of students, mostly women with previous experience in programming
languages, who obtained high levels of computational thinking, especially in
the dimensions of simple algorithms and loops. This result supports the idea
proposed by Kelleher & Pausch (2005) that scaffolding-based instructional
design is at the heart of programming instruction in training planning. In this
line, the design of training actions that take into account students’ starting
profiles may be the key to developing computational thinking, cultivating
talent among trainee teachers and enhancing STEM skills. Thus, it is proposed
to adapt the TangibleK programme (Bers, 2010), which uses robotic programming
through algorithms as a tool to stimulate computational thinking among
university students.
Thus, the programme is based
on four basic principles (Bers, 2010): 1) making visible the design process and
the computational thinking required to program the robot – in other words,
posing a problem, researching, planning, developing a prototype, testing,
redesigning and analysing the solutions; 2) enhancing collaboration by creating
teams that share resources and materials; 3) generating technology conversation
groups, to share the robotic programming projects developed by the different
groups of students, which provides the opportunity to correct mistakes as a
community; 4) transferring the projects beyond the classroom to make the
learning visible, testing it through demonstrations, exhibitions, etc., or
applying it in classrooms, by making it visible in the classroom. or by
applying it in infant and/or primary classrooms as future teachers. In this
way, through a simple sequencing, focusing on identifying the starting
knowledge, introducing the project through games, proposing a programming task,
sharing it through the technology conversation groups and evaluating the task,
future teachers are provided with the tools and skills necessary to foster
computational thinking in the classroom.
Undoubtedly, studies on
computational thinking are developing and deserve more research, especially
among trainee teachers, as they are the basis for enhancing computational
thinking in early childhood and primary school classrooms. Although this
research has provided some important results on the levels of computational
thinking among university students and the variables that may condition these
levels, some limitations must be taken into account. Firstly, the size of the
sample and having opted for a cross-sectional design. Future research can
dynamically track the evolution of students’ computational thinking by using
longitudinal data and expanding the study sample to make more robust causal
inferences. Secondly, the nature of the sample, belonging to two very specific
contexts. In order to verify better results, the study is to be directed
towards students from other education-related degrees. Finally, this study has
mainly used quantitative data for analysis, and future research may add
qualitative data such as interviews to complement the research results.
References
Angeli, C. & Valanides, N.
(2020). Developing young children's
computational thinking with educational robotics: An interaction effect between
gender and scaffolding strategy. Computers in human behavior, 105,
105954. https://doi.org/10.1016/j.chb.2019.03.018
Atmatzidou, S. & Demetriadis,
S. (2016). Advancing students' computational thinking skills through
educational robotics: A study on age and gender relevant differences. Robotics
and Autonomous Systems, 75, 661-670. https://doi.org/10.1016/j.robot.2015.10.008
Álvaro Paje, M. (1990). Hacia un modelo
causal del rendimiento académico. CIDE.
Bati, K. (2022). A systematic
literature review regarding computational thinking and programming in early
childhood education. Educ Inf Technol, 27, 2059–2082. https://doi.org/10.1007/s10639-021-10700-2
Ben,
A., Dahmani, M., & Ragni,
L. (2022). ICT use, digital skills and students’ academic performance: Exploring the
digital divide. Information, 13(3). https://doi.org/10.3390/info13030129
Bers, M. (2010). The TangibleK robotics program: Applied computational thinking
for young children. Early Childhood Research & Practice, 12(2),
1-20. http://ecrp.uiuc.edu/v12n2/bers.html
Bers, M.U.,
Flannery, L., Kazakoff, E.R., & Sullivan, A. (2014).
Computational thinking and tinkering: Exploration of an early childhood
robotics curriculum. Computers & Education, 72, 145-157. https://doi.org/10.1016/j.compedu.2013.10.020
Cohen, J. (1988). Statistical
power analysis for the behavioral sciences (2nd
ed.). Erlbaum.
Chan, R. (2022). A social cognitive
perspective on gender disparities in self-efficacy, interest, and aspirations
in science, technology, engineering, and mathematics (STEM): the influence of
cultural and gender norms. International Journal of STEM Education,
9(1), 1-13. https://doi.org/10.1186/s40594-022-00352-0
Charlesworth, T. & Banaji,
M. (2019). Gender in science, technology, engineering, and mathematics: issues,
causes, solutions. Journal of Neuroscience, 39(37),
7228-7243. https://doi.org/10.1523/JNEUROSCI.0475-18.2019
Chan, S., Looi, C., & Sumintono, B. (2021). Assessing computational thinking abilities among
Singapore secondary students: A rasch model
measurement analysis. Journal of
Computers in Education, 8(2), 213-236. https://doi.org/10.1007/s40692-020-00177-2
Etikan, I., Musa, S. A., & Alkassim, R. S. (2016).
Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics,
5(1), 1–4. https://doi.org/10.11648/j.ajtas.20160501.11
Fennema, E., Carpenter, T.,
& Jacobs, V. (2016). A longitudinal study of gender differences in young
children’s mathematical thinking. Educational Researcher, 27 (5),
6-11. https://doi.org/10.3102/0013189X027005006
Guggemos, J., Seufert, S., &
Román-González, M. (2022). Computational Thinking
Assessment–Towards More Vivid Interpretations. Technology, Knowledge and Learning, 1-30. https://doi.org/10.1007/s10758-021-09587-2
Kline, R. B. (2011).
Principles and practice of structural equation modeling. New York:
Guilford Press.
Kaufman, L. & Rousseeuw, P. J. (2009). Finding groups in data: an
introduction to cluster analysis. John Wiley & Sons.
Kanny, M., Sax, L., & Riggers-Piehl, T. (2014).
Investigating forty years of STEM research: how explanations for the gender gap
have evolved over time. Journal of Women and Minorities in Science and
Engineering, 20(2), 127–148. https://doi.org/10.1615/JWomenMinorScienEng.2014007246
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. https://doi.org/10.1145/1089733.1089734
Lu, C., Macdonald, R., Odell,
B., Kokhan, V., Demmans, C., & Cutumisu, M. (2022). A scoping review of
computational thinking assessments in higher education. Journal
Computer High Education, 34, 416–461. https://doi.org/10.1007/s12528-021-09305-y
Majeed, B., Jawad, L., & ALRikabi, H. (2002). Computational Thinking (CT) Among
University Students. International Journal of Interactive Mobile
Technologies, 16(10), 244-252
Maya, I., Pearson, J., Tapia,
T., Wherfel, Q., & Reese, G. (2015). Supporting
all learners in school-wide computational thinking: a cross-case qualitative
analysis. Computers & Education, 82, 263-279. https://doi.org/10.1016/j.compedu.2014.11.022
Master, A., Cheryan, S., Moscatelli, A., & Meltzoff, A.
(2017). Programming experience promotes higher STEM motivation among
first-grade girls. Journal of Experimental Child Psychology, 160 (1),
92-106. https://doi.org/10.1016/j.jecp.2017.03.013
Morris, K. (2013). Revising
the Declaration of Helsinki. World Report, 381, 1889–1890. https://doi.org/10.1016/S0140-6736(13)60951-4
Papert, S. (1980). Mindstorms: Children, computers, and
powerful ideas. New York: Basic Books.
Popat, S. & Starkey, L.
(2019). Learning to code or coding to learn? A systematic review. Computers
& Education, 128, 365-376. https://doi.org/10.1016/j.compedu.2018.10.005
Repenning, A., Webb, D., &
Ioannidou, A. (2010). Scalable game design and the development of a checklist
for getting computational thinking into public schools. Proceedings of the 41st
ACM Technical Symposium on Computer Science Education, Milwaukee, Wisconsin,
USA.
Román-González, M. (2015).
Computational Thinking Test: Design Guidelines and Content Validation. International Conference on Education and
New Learning Technologies EDULEARN. Barcelona. https://bit.ly/3yZBd7t
Rubio,
M.J. & Vilà, R. (2017). El análisis de
conglomerados bietápico o en dos fases con SPSS.
REIRE. Revista d’Innovació i Recerca en Educació, 10(1), 118–126. https://doi.org/10.1344/reire2017.10.11017
Selby, C. (2012). Promoting computational
thinking with programming. Proceedings of the 7th workshop in primary and
secondary computing education, ACM. New York. 74-77. https://doi.org/10.1145/2481449.2481466
Sun, L., Hu, L. & Zhou, D.
(2022). Programming attitudes predict computational thinking: Analysis of
differences in gender and programming experience. Computers &
Education, 181, 104457. https://doi.org/10.1016/j.compedu.2022.104457
Tsarava, K., Moeller, K., Román-González, M., Golle, J.,
Leifheit, L., Butz, M. V., & Ninaus, M. (2022). A
cognitive definition of computational thinking in primary education. Computers
& Education, 179, 104425. https://doi.org/10.1016/j.compedu.2021.104425
Tikva, C. & Tambouris, E. (2021). Mapping computational thinking
through programming in K-12 education: A conceptual model based on a systematic
literature Review. Computers & Education, 162, 104083. https://doi.org/10.1016/j.compedu.2020.104083
Ung, L., Labadin,
J., & Mohamad, F. (2022). Computational thinking for teachers: Development
of a localised E-learning system. Computers
& Education, 177, 104379. https://doi.org/10.1016/j.compedu.2021.104379
Wang, C., Shen, J., &
Chao, J. (2022). Integrating computational thinking in STEM education: A
literature review. International Journal of Science and Mathematics
Education, 20(8), 1949-1972. https://doi.org/10.1007/s10763-021-10227-5
Wing, J. M. (2006).
Computational thinking. Communications of
the ACM, 49(3), 33-35. https://doi.org/10.1145/1118178.1118215
Zhong, B., Wang, Q.,
Chen, J., & Li, Y. (2016). An exploration of three-dimensional
integrated assessment for computational thinking. Journal of Educational
Computing Research, 53 (4), 562-590. https://doi.org/10.1177/0735633115608444