Introducción

Son numerosos los estudios realizados alrededor del mundo que dan cuenta de lo difícil que resulta a los estudiantes un primer curso introductorio a la lógica de programación estructurada, y esto ocurre prácticamente en la mayoría de las instituciones de educación superior, ocasionando altos índices de reprobación y bajo rendimiento académico de los estudiantes (Çakiroglu et al., 2018; Juárez-Ramírez et al., 2018; Hartati, 2018; Pérez y Pedroza, 2018; Viola y Gómez, 2019; Jiménez et al., 2019; Molina et al., 2019; Solarte y Machuca, 2019). Para afrontar este desafiante reto de enseñar la lógica de programación estructurada a nivel superior se han planteado diversas estrategias y utilizado recursos didácticos, pero, ¿cuáles son concretamente estas estrategias y recursos didácticos empleados y reportados en la literatura durante los últimos cinco años? Esta es de forma general la interrogante por responder en el presente trabajo.

Un primer curso de programación estructurada está orientado a gestar las bases de la lógica de programación considerando esencialmente el uso de tres tipos de sentencias de control: secuenciales, condicionales e iterativas. No obstante, estas estructuras de control no son exclusivas del paradigma de programación estructurada, pues también están presentes prácticamente en cualquier paradigma de programación moderno. Lo anterior es una de las razones por las cuales se considera que el paradigma de programación estructurada debe ser el primero en enseñarse a nivel universitario (Vasilopoulos y van Schaik, 2018), más aún si la prioridad es el desarrollo de software industrial (Kandemir et al., 2020). Por lo tanto, determinar cuáles son las estrategias y recursos didácticos más empleados en un primer curso de programación estructurada resulta útil al enseñar otros paradigmas de programación.

Desde la perspectiva de Mansilla y Beltrán (2013), una estrategia didáctica implica la planificación de actividades de aprendizaje orientadas a facilitar el logro de determinados objetivos educativos a través de la interacción de los estudiantes con los contenidos. En la selección de una estrategia didáctica Tobón (2013) establece siete principios de los cuales es posible extraer las características que debe cumplir una estrategia didáctica: 1) permitir al estudiante tomar un papel activo, 2) permitir la reflexión del que aprende y el que enseña, 3) ser inclusiva con los diversos grados de competencia de los estudiantes, 4) adecuarse a los aspectos culturales de los estudiantes, 5) pertinente para abordar procesos del mundo real, 6) congruente en los pasos, técnicas y actividades, y 7) contar con aspectos motivacionales. Así, las unidades de análisis por abordar en esta investigación son estrategia didáctica y recurso didáctico.

El término recurso didáctico –también suele denominarse material didáctico o material instruccional– hace referencia a aquello que facilita las condiciones necesarias para lograr cierto aprendizaje durante la práctica educativa ya sea dentro o fuera del aula (Pastrán et al., 2017). Se podría pensar que cualquier objeto físico o virtual (digital) puede constituirse como un medio facilitador de aprendizajes, y aunque esto es cierto, resulta más apropiado que dichos medios, es decir, recursos didácticos, sean acordes al área disciplinar en la cual se pretende proporcionar apoyos para el aprendizaje y además contribuyan a motivar al estudiante a aprender.

Uno de los recursos didácticos que adquirió mayor auge a partir del confinamiento derivado de la COVID-19 es el denominado recurso didáctico digital, utilizado con el propósito de fortalecer los aprendizajes previos, contribuyendo en la integración y asimilación de nuevos conocimientos, pero mediante el uso de plataformas digitales. Entre los recursos didácticos digitales es posible encontrar una gran variedad, por ejemplo: videos, videos interactivos, blogs, chats, foros, software, simuladores, infografías, archivos digitales, etc. El uso de uno o diversos recursos didácticos digitales tiene la capacidad de potencializar los aprendizajes cuando se articulan con estrategias didácticas activas centradas en el estudiante (Morales, 2021).

Cabe mencionar que la presente investigación forma parte de un proyecto más amplio que busca desarrollar e integrar recursos didácticos digitales con estrategias didácticas activas centradas en el estudiante, con la finalidad de valorar y contrastar la percepción de los estudiantes de cursos introductorios a la lógica de programación en la modalidad 100% a distancia versus modalidad 100% presencial para determinar si existen diferencias significativas entre la motivación que produce el uso de los recursos y estrategias didácticas. Pero para lograr dicho fin es necesario indagar en la literatura científica cuáles son los recursos y estrategias didácticas más utilizadas en los cursos introductorios a la lógica de programación. Conocer esto también es importante para investigaciones cuyo propósito incluya crear, mejorar o simplemente aplicar estrategias y recursos didácticos en asignaturas relacionadas con la programación estructurada.

Metodología

En este trabajo de investigación documental se aplicó el proceso de revisión sistemática de la literatura (SLR, del inglés systematic literature review), propuesto en Brereton et al. (2007) y ampliado en Kitchenham et. al. (2010), pero aplicado a la búsqueda de información respecto a la temática de estrategias y recursos didácticos empleados en el aprendizaje de la lógica de programación estructurada en educación superior. El proceso de SLR consta de tres fases: 1) planeación de la revisión, 2) ejecución de la revisión y 3) reporte de resultados de la revisión. Cada una de estas tres fases tiene a su vez determinadas etapas.

Durante la fase de planeación ocurren las etapas de: a) establecer la pregunta o preguntas de investigación, b) crear el protocolo de revisión especificando la o las bases de datos y los términos de búsqueda, así como los criterios de inclusión y exclusión, y c) evaluar el protocolo de revisión. En la fase de ejecución de la revisión se dan las etapas de: a) identificar y seleccionar estudios primarios eliminando falsos positivos partiendo del título e información dada por la base de datos, b) aplicar criterios de inclusión y exclusión considerando la lectura del resumen y conclusiones, c) identificar y eliminar fuentes duplicadas, d) asegurar la calidad de las fuentes respecto a la afinidad con la investigación, e) extracción de datos de las fuentes primarias y f) Análisis y síntesis de los resultados. En la última fase de reporte se abordan las etapas de: a) especificación de la estrategia de publicación y b) formato del documento de resultados acorde al foro de publicación.

Fase de planeación

Pregunta de investigación

La pregunta de investigación que surgió como punto de partida para realizar la SLR es: ¿Qué recursos y estrategias didácticas se han empleado en los cursos introductorios a la lógica de programación estructurada a nivel superior para motivar a los estudiantes a mejorar su rendimiento académico? La intención es identificar además qué tan relevante puede ser el perfil de los estudiantes a la hora de seleccionar una estrategia o recurso didáctico en particular.

Protocolo de revisión

Para la búsqueda de fuentes primarias se optó por utilizar la base de datos de Google Académico, ya que, de acuerdo con Martín-Martín et al. (2018b), el enfoque inclusivo de indexación de Google Académico proporciona una cobertura de documentos científicos y académicos, en diversas disciplinas e idiomas, potencialmente más completa en comparación con bases de datos más selectivas como WoS (Web of Science) y Scopus. Dada la pregunta de investigación y con el fin de abarcar un conjunto significativo de potenciales fuentes primarias se articularon cadenas de búsqueda tanto en el idioma español como en el idioma inglés.

En español las cadenas de búsqueda fueron: a) “curso introductorio” + “lógica de programación”, b) “lógica de programación” + “motivación” + “recursos didácticos”, c) “lógica de programación” + “rendimiento académico” y d) “lógica de programación” + “reprobación”. En inglés las cadenas fueron: a) “introductory course” + “programming logic”, b) “programming logic” + “motivation” + “educational resources”, c) “programming logic” + “academic performance” y d) “programming logic” + “failed students”.

La búsqueda de las cadenas en español se configuró en Google Académico para filtrar automáticamente de acuerdo con los siguientes criterios: desde el año 2018 hasta el 2022, ordenados por relevancia, buscar solo páginas en español, sin incluir patentes o citas; en tanto que para las cadenas en inglés se aplicaron los dos primeros filtros y el último, correspondientes a la fecha, relevancia y exclusión de patentes o citas, respectivamente, pero aceptando publicaciones en cualquier idioma. De los resultados obtenidos se excluyeron aquellas fuentes que en el título o en la breve información proporcionada por el buscador reflejen alguna de estas características:

1. • Uso del paradigma orientado a objetos u otro paradigma de programación distinto al paradigma estructurado.

   • Documentos que no son productos de investigación, como libros de programación, apuntes de asignaturas o programas de estudio.

   • Abordaje de asignaturas o tópicos de estudio más avanzados a la lógica de programación, por ejemplo: estructuras de datos, programación paralela, árboles, etc.

   • Ni el título de la fuente ni la breve descripción guardan relación alguna con la pregunta de investigación.

   • Mismo documento repetido en diferente repositorio o base de datos, ambas indexadas en Google Académico.

   • No se aborda esencialmente la temática de estudio, es decir, la lógica de programación estructurada, aun cuando en la breve descripción del buscador sí aparecen las cadenas de búsqueda.

   • Las fuentes cuyos documentos no estén en los idiomas español o inglés.

   • Aquellas fuentes que al momento de su búsqueda no pudieron ser localizados de forma completa, ya sea por un enlace roto o fuera de línea o incluso porque el antivirus los señale como sitios peligrosos.

Por el contrario, sí se contemplaron aquellas fuentes que en el título y la descripción incluían las cadenas de búsqueda, y que además reflejaran cierta relación fuerte o débil con el tema de estudio y la pregunta de investigación. Posterior a su descarga se analizaron con más detenimiento sus correspondientes resúmenes, metodología y conclusiones para filtrar únicamente aquellos documentos con la mayor afinidad al tema y pregunta de investigación que da origen a la SLR. Cabe mencionar que en el caso de trabajos de tesis solo se incluyeron las de nivel de doctorado. Las búsquedas se realizaron en el transcurso del mes de diciembre del 2022.

Evaluación del protocolo de revisión

Comúnmente las SLR toman más de un motor de bases de datos para realizar la búsqueda de fuentes primarias, no obstante, de acuerdo con Martín-Martín et al. (2018), Google Académico funciona como un superconjunto de lo que otras bases de datos indexan, en particular de aquellos artículos y revisiones científicas, en diversas áreas del conocimiento, catalogadas como de acceso abierto (OA, del inglés open access), así pues, en su estudio demuestran que poco más de la mitad de estos documentos científicos estarán indexados en Google Académico. Por lo tanto, el plan para la SLR se considera válido pues de manera indirecta se recuperarán fuentes primarias de bases de datos especializadas a través de Google Académico. Además existe evidencia de SLR publicadas en revistas indexadas que utilizando un solo motor de búsqueda han recuperado información relevante de su campo de estudio, por ejemplo Montiel y Gomez-Zermeño (2021).

Fase de ejecución

Se procedió de acuerdo con la planificación para la identificación y selección de fuentes primarias considerando los filtros de búsqueda así como los criterios de exclusión e inclusión, obteniéndose los resultados mostrados en la Figura 1. Posteriormente en la fase de aseguramiento de la calidad se descartaron aquellas fuentes que no tienen una estrecha relación con el tema y la pregunta de investigación, es decir, solo se consideraron estudios cuya muestra estuviera compuesta de estudiantes universitarios de nuevo ingreso, inscritos en cursos de lógica de programación estructurada, o estudios de revisiones de la literatura abocadas a cursos introductorios de lógica de programación. Al final, solo 43 fuentes primarias fueron seleccionadas para la extracción de datos.

Figura 1
Resultados de la fase de ejecución de la SLR
Fuente: Construcción personal.

Fase de reporte de resultados de la revisión

Como parte de la estrategia de publicación se tomó la decisión de elegir una revista indexada en el área educativa que aceptara contribuciones de tipo revisiones sistemáticas de la literatura o estudios del estado del arte. La revista IE Revista de Investigación Educativa de la REDIECH fue seleccionada por su calidad, además de cumplir con lo establecido en la estrategia de publicación, por lo tanto, los resultados y el texto del artículo en general se apegaron a las guías de autor de esta revista. De acuerdo con la metodología, en el siguiente apartado se presentan los resultados más relevantes de la SLR.

Resultados

Fuentes primarias seleccionadas

En la Tabla 1 se muestran las fuentes primarias seleccionadas en orden cronológico desde el 2018 hasta el 2022; también se indica el tipo de fuente, así como la indexación, congreso o institución en el caso de las revistas, memorias o tesis, respectivamente. De la información vertida en dicha tabla se obtiene que el 42% (18/43) de las fuentes se publicaron en el año 2020. En cuanto a la indexación de las revistas, el 32% (10/31) se indexan en Scopus, 26% (8/31) se indexan en JCR, 6% (2/31) están indexadas en WoS y el restante 36% (11/31) corresponde a otras indexaciones como Dialnet, Redalyc, Latindex, EBSCO, ERIC, Microsoft Academic y Google Académico (ver Figura 2). Además, la editorial que más sobresale en los congresos es la IEEE, con 57% (4/7).

Figura 2
Resultados de la SRL por año e indexación de las revistas
Fuente: Construcción personal.

Para contextualizar un poco más la relación entre las estrategias y recursos didácticos para el estudio de la programación estructurada, identificados a partir de la SRL de las diversas fuentes de información, también se presentan gráficamente los resultados de la fase de ejecución. En la construcción de este mapeo se utilizó el software NodeXL, el cual se diseñó como una herramienta de visualización y análisis de redes sociales, mediante una plantilla de Microsoft Excel, versión 2017 y posteriores (Ahmed y Lugovic, 2019; Miltchev et al., 2014). La revisión de la literatura permite identificar que, por sus características, NodeXL se utiliza también en minería de datos para procesar la visualización de redes (Zhao et al., 2015), y en el cálculo de métricas simples (Probst y Peng, 2019; Tripathi et al., 2019). Así, mediante dicha herramienta fue factible identificar agrupaciones de datos, o clusters, como se muestra en la Figura 3, que sirven de base para establecer categorías de estudio de las fuentes de información. Para facilitar la legibilidad de la figura se ha considerado el apellido del primer autor y el año de publicación de la obra.

Figura 3
Representación gráfica de los clusters por tipo de fuente identificada en la SLR
Fuente: Construcción personal.

Estrategias didácticas identificadas

Las estrategias didácticas identificadas en la SLR se muestran en la Figura 4, cabe mencionar que algunas publicaciones emplean más de una estrategia, pero las cinco que más sobresalen por su frecuencia de uso son: 1) el empleo de estrategias enfocadas en desarrollar habilidades para la resolución de problemas, 2) el uso de algún tipo de diseño instruccional o secuencias didácticas, 3) el empleo de herramientas tecnológicas (software) para ayudar al estudiante a comprender y asimilar la lógica de programación estructurada, 4) el uso de estrategias de aprendizaje activo como el aula invertida o el aprendizaje basado en problemas, entre otros, y 5) el aprendizaje cooperativo o trabajo en equipo. En la Tabla 2 se muestran las fuentes que abordan cada una de las cinco estrategias didácticas más utilizadas aquí listadas.

Figura 4
Estrategias didácticas identificadas en la SLR
Fuente: Construcción personal.

Recursos didácticos identificados

Los recursos didácticos identificados son muy diversos y variados, llegándose a utilizar uno o más de uno en cada fuente, aunque también existen otras fuentes que solo enfatizan en la estrategia y no señalan específicamente algún tipo de recurso didáctico. Considerando las fuentes que sí enfatizan específicamente en uno o más recursos, los que se identificaron se presentan en la Figura 5. Los cinco recursos que más destacan son: 1) uso de algún LMS para suministrar contenidos, actividades y evaluaciones; 2) empleo de diagramas de flujo, ya sea como herramientas especializadas o como parte de la explicación de la lógica de programación; 3) el uso directo de algún lenguaje de programación; 4) el empleo del teléfono inteligente para ejecutar aplicaciones o accederlas en línea, y 5) empleo de software construido ad hoc para la comprensión y asimilación de la lógica de programación. En la Tabla 3 se presentan las fuentes que abordan cada uno de los cinco recursos más utilizados de acuerdo con la SLR aquí desarrollada.

Figura 5
Tipo de recursos didácticos identificados en la SLR
Fuente: Construcción propia.

Los resultados, además de responder la pregunta de investigación al identificar las estrategias y recursos didácticos más utilizados en el aprendizaje de la programación estructurada en educación superior, identifican una práctica docente mediada por tecnología. A partir de la SLR, se observa el uso instrumental de diversos recursos digitales y su apoyo en el ejercicio de las habilidades de pensamiento necesarias para desarrollar la lógica de programación.

Discusión y conclusiones

A pesar de solo emplear Google Académico como motor de búsqueda para realizar esta SLR, es de notar que la mayoría de las publicaciones de revistas están indexadas en Scopus, seguido de las indexadas en JCR y un pequeño porcentaje en WoS, la suma en total de estas indexaciones es del 64% (20/31), esto de alguna forma confirma lo argumentado por Martín-Martín et al. (2018b) respecto a que Google Académico funciona como un superconjunto de lo que otras bases de datos especializadas indexan; además se incluyen artículos publicados en revistas arbitradas e indexadas que por lo común suelen quedar fuera de las SLR, pero que también pueden aportar datos interesantes, en particular para esta SLR se consideraron 11 artículos más, que representan el 36% del total de artículos de revista. Gracias al motor de búsqueda de Google Académico también fue posible incluir otros clusters constituidos por memorias de congresos, capítulos de libros y tesis de doctorado, de tal forma que se contó con una cobertura de fuentes primarias más amplia que cuando solo se utilizan bases de datos especializadas.

Dados los resultados del análisis, es importante mencionar que tanto las estrategias como los recursos didácticos deberían adaptarse al perfil de los estudiantes, los cuales ahora más que nunca están habituados a interactuar de forma natural con la tecnología a su alrededor. A nivel universitario se habla de un nuevo perfil de estudiantes catalogado como generación Centennial, I-Gen, D-Gen o Generación Z (Bertuzzi, 2021). En este sentido, no son pocos los autores que señalan la importancia de considerar este nuevo perfil, por ejemplo, Dhakshina y Dhakshina (2020) reconocen la valía de las herramientas didácticas basadas en la tecnología enfocadas a las nuevas generaciones de aprendices. Hernández et al. (2020) proponen el desarrollo de software ad hoc para adecuarse a la forma de aprender de los nativos digitales. Kazimoglu (2020) sugiere el uso de nuevos métodos motivacionales, como la gamificación, para adaptarse a los nuevos perfiles. En cuanto a Kayaalp y Dinc (2021), enfatizan el hecho de que el perfil de los nuevos usuarios debe abordarse desde el tipo de tecnología que están habituados a utilizar.

De los cinco recursos didácticos identificados de mayor uso en la SLR, solo uno de ellos pudiera estar o no relacionado con el uso directo de tecnología, se trata de los diagramas de flujo, cuyo uso puede generar errores en su diseño, frecuentemente esto ocurre a la hora de finalizarlos (Narváez y López, 2022). Aunque también es cierto que herramientas de software ad hoc ayudan precisamente a evitar este tipo de errores frecuentes en la construcción de los diagramas de flujo (Arellano et al., 2022). Tres de los cuatro recursos didácticos restantes están vinculados intrínsecamente al uso de tecnología y uno más es precisamente el uso del teléfono móvil.

Sin embargo, también debe considerarse que recurrir solo a la tecnología que emplean habitualmente los estudiantes, incorporándola como recurso didáctico durante el proceso de enseñanza-aprendizaje, no es algo que por sí solo tenga la capacidad de mejorar los aprendizajes. De acuerdo con Sánchez et al. (2018), tiene mayor preponderancia el uso de estrategias educativas centradas en el estudiante que un uso excesivo de la tecnología sin fundamento pedagógico. Por lo tanto, no solo es cuestión de recursos didácticos ad hoc al perfil del estudiante, también es de suma importancia el fundamento pedagógico que los sustenta (Arellano y Canedo, 2022), es decir, la estrategia didáctica debe ser también acorde al perfil y contexto del estudiante para favorecer su motivación por aprender.

Particularmente, por el lado de las estrategias didácticas, con frecuencia se enfocan en desarrollar habilidades para la resolución de problemas, lo cual es algo inherente a la asignatura ya que el profesor plantea un problema de forma textual o verbal y el estudiante debe poner en marcha sus habilidades del pensamiento de orden superior para diseñar, implementar y probar su estrategia de solución. Otra estrategia estriba en emplear un diseño instruccional o secuencia didáctica, donde primero se abordan conceptos más sencillos y sobre ellos se construyen conceptos más complejos. También se suele recurrir a herramientas tecnológicas de software como apoyo al proceso de enseñanza-aprendizaje, y toda la estrategia didáctica gira en torno a dichas herramientas. Algo que empieza a tener mayor fuerza es aprovechar estrategias de aprendizaje activo, como el aula invertida, tomando ventaja de recursos como los LMS y otras plataformas de uso masivo en línea, por ejemplo YouTube. Una estrategia más que suele usarse con frecuencia es el aprendizaje cooperativo, por ejemplo, en su modalidad de aprendizaje por pares.

Un hallazgo interesante en esta SLR fue que las publicaciones entre los años 2018 y 2019 no realizaron sus estudios en un contexto de confinamiento por la pandemia derivada de la COVID-19, mientras que en el resto de los años sí existe esa posibilidad. De hecho, para el año 2022 deberían existir publicaciones donde ya se ha considerado el retorno a las aulas universitarias, sin embargo, esto no es así. Al momento de realizar la SLR ninguno de los trabajos identificados aborda el retorno a las aulas, esto en sí configura un área de oportunidad para investigar si las estrategias implementadas durante la pandemia se heredaron a la presencialidad y determinar cuál puede ser su eficacia.

Por otro lado, al ser el uso de las herramientas de software una de las estrategias didácticas más utilizadas, así como los diagramas de flujo uno de los recursos didácticos a los que más se recurre cuando se trata de enseñar la lógica de programación estructurada a nivel superior, resulta de interés como trabajo a futuro indagar con mayor profundidad este binomio de estrategias y recursos didácticos.

Referencias

Ahmed, W., y Lugovic, S. (2019). Social media analytics: analysis and visualization of news diffusion using NodeXL. Online Information Review, 43(1), 149-160. https://doi.org/10.1108/OIR-03-2018-0093

Anderson, J. A., y González, D. L. (2020). PSeInt como herramienta para mejorar el proceso de enseñanza aprendizaje de algoritmos, pseudocódigo y diagramas de flujo. En D. L. González, M. I. Domínguez, y E. A. Flores, Tecnologías de la información en educación. Sistematización de experiencias docentes (pp. 91-102). Redie. http://dx.doi.org/10.6084/m9.figshare.12498095.v1

Arellano, J. J., y Canedo, S. P. (2022). EpAA: entorno para el aprendizaje de algoritmos. Una experiencia educativa desde la perspectiva del aprendizaje flexible. Edutec, (79), 63-79. https://doi.org/10.21556/edutec.2022.79.2451

Arellano, J. J., Solar, R., Nieva, O., y Canedo, S. (2022). Compilador e intérprete en línea de diagramas de flujo con fines didácticos. Revista de Investigación en Tecnologías de la Información, 10(20), 63-79. https://doi.org/10.36825/RITI.10.20.007

Begosso, L. C., Begosso, L. R., y Aragao, N. (2020). An analysis of block-based programming environments for CS1. IEEE Frontiers in Education Conference (FIE). IEEE. https://ieeexplore.ieee.org/document/9273982

Bertuzzi, M. F. (2021). Centennials en la universidad: prosumidores de contenido en el aula. En M. Veneziani y P. de la Sota, Cuadernos del Centro de Estudios en Diseño y Comunicación No. 134 (pp. 161-173). Universidad de Palermo. https://fido.palermo.edu/servicios_dyc/publicacionesdc/cuadernos/detalle_articulo.php?id_libro=903&id_articulo=18131

Brereton, P., Kitchenham, B. A., Budgen, D., Turner, M., y Khalil, M. (2007). Lessons from applying the systematic literature review process within the software engineering domain. Journal of Systems and Software, 80(4), 571-583. https://doi.org/10.1016/j.jss.2006.07.009

Caceffo, R., Gama, G., y Azevedo, R. (2018). Exploring active learning approaches to computer science classes. Proceedings of the 49th ACM Technical Symposium on Computer Science Education (pp. 922-927). ACM. https://doi.org/10.1145/3159450.3159585

Çakiroglu, Ü., Er, B., Ugur, N., y Aydogdu, E. (2018). Exploring the use of self-regulation strategies in programming with regard to learning styles. International Journal of Computer Science Education in Schools, 2(2), 14-28. https://doi.org/10.21585/ijcses.v2i2.29

Cárdenas, J., Puris, A., Novoa, P., Parra, Á., Moreno, J., y Benavides, D. (2021). Using scratch to improve learning programming in college students: A positive experience from a non-WEIRD country. Electronics, 10(10), 1180. https://doi.org/10.3390/electronics10101180

Castro, A., y González, J. S. (2021). Experiencias universitarias de aula en la introducción a la programación. Cuaderno de Pedagogía Universitaria, 18(35), 85-94. https://doi.org/10.29197/cpu.v18i35.415

Cheng, Y. P., Shen, P. D., Hung, M. L., Tsai, C. W., Lin, C. H., y Hsu, L. C. (2021). Applying online content based knowledge awareness and team learning to develop students’ programming skills, reduce their anxiety, and regulate cognitive load in a cloud classroom. Universal Access in the Information Society, 21, 557-572. https://doi.org/10.1007/s10209-020-00789-6

Coban, E., Kolburan, A., y Deveci, A. (2021). The effect of programming with scratch course on reflective thinking skills of students towards problem solving. Journal of Learning and Teaching in Digital Age, 6(1), 72-80. https://dergipark.org.tr/en/pub/joltida/issue/59433/854205

Correa, A. J., Amórtegui, M. P., y Jiménez, J. H. (2021). Clase espejo como estrategia pedagógica complementaria para el aprendizaje de algoritmos y el fomento de habilidades interculturales en el escenario de redes académicas internacionales. En M. Barrientos, y H. E. (eds.), II Encuentro Regional de AIESAD 2021 (pp. 45-54). UNED. https://hemeroteca.unad.edu.co/index.php/memorias/article/view/5733

Da Costa, R. C., Vargas, A., Billa, C., Santos, R., Barwaldt, R., y Bothelho, S. (2020). Methodological changes in teaching algorithms in the early years of the Computer Engineering course. IEEE Frontiers in Education Conference (FIE) (pp. 1-6). IEEE. https://ieeexplore.ieee.org/document/9274109

Dhakshina, A., y Dhakshina, M. (2020). Online coding event as a formative assessment tool in introductory programming and algorithmic courses–An exploration study. Computer Applications in Engineering Education, 28(6), 1-11. https://doi.org/10.1002/cae.22330

Dhayanithi, J., Balamurugan, D., Marimuthu, M., Vidyabharathi, D., Basker, N., Vidhya, G., Theetchenya, S., y Mohanraj, G. (2021). An evaluation framework and analysis of auto assessing the programming courses during the COVID-19 pandemic. Turkish Journal of Computer and Mathematics Education, 12(10), 4918-4923. https://turcomat.org/index.php/turkbilmat/article/view/5254

Gajewski, R. R. (2018). Algorithms, programming, flowcharts and flowgorithm. En E. Smyrnova-Trybulska (ed.), E-learning and smart learning environment for the preparation of new generation specialist (pp. 393-408). University of Silesia. http://druk.studio-noa.pl/ig/pub/us/E-l-10/10-393.pdf

González, E. I., Trujillo, V., y Bautista, J. (2020). Procesos metacognitivos en el aprendizaje de programación, base del futuro. European Journal of Education Studies, 7(9), 174-193. https://oapub.org/edu/index.php/ejes/article/view/3243

Hartati, S. J. (2018). Framework design learning of introduction to computational algorithms by using the theory learning by doing. Journal of Physics: Conference Series, 1028(1), 1-5. https://dx.doi.org/10.1088/1742-6596/1028/1/012133

Hernández, I. Y., González, R., y Nieto, A. D. (2020). Percepción de estudiantes universitarios sobre el uso de software educativo en la enseñanza de la programación. Revista Electrónica ANFEI Digital, 7(12), 1-9. https://anfei.mx/revista/index.php/revista/article/view/695/1336

Jiménez, J. A., Collazos, C., y Revelo, O. (2019). Consideraciones en los procesos de enseñanza-aprendizaje para un primer curso de programación de computadores: una revisión sistemática de la literatura. TecnoLógicas, 22, 84-118. https://doi.org/10.22430/22565337.1520

Juárez-Ramírez, R., Navarro, C. X., Tapia-Ibarra, V., Macías-Olvera, R., y Guerra-García, C. (2018). What is programming? Putting all together - A set of skills required. 2018 6th International Conference in Software Engineering Research and Innovation (Conisoft) (pp. 11-20). IEEE. https://doi.org/10.1109/CONISOFT.2018.8645956

Kandemir, C. M., Kalelioglu, F., y Gülbahar, Y. (2020). Pedagogy of teaching introductory text-based programmingin terms of computational thinking concepts and practices. Computer Applications in Engineering Education, 29(1), 29-45. https://doi.org/10.1002/cae.22374

Kayaalp, F., y Dinc, F. (2021). A mobile app for algorithms learning in engineering education: Drag and drop approach. Computer Applications in Engineering Education, 30(1), 235-250. https://onlinelibrary.wiley.com/doi/epdf/10.1002/cae.22453

Kazimoglu, C. (2020). Enhancing confidence in using computational thinking skills via playing a serious game: A case study to increase motivation in learning computer programming. IEEE Access, 8, 221831-221851. https://doi.org/10.1109/ACCESS.2020.3043278

Khomokhoana, P. J. (2020). Source code comprehension: Decoding the cognitive challenges of novice programmers [Tesis de doctorado]. University of the Free State, Bloemfontein, Sudáfrica. https://scholar.ufs.ac.za/handle/11660/10946

Kitchenham, B., Pretorius, R., Budgen, D., Brereton, O. P., Turner, M., Niazi, M., y Linkmana, L. (2010). Systematic literature reviews in software engineering – A tertiary study. Information and Software Technology, 52(8), 792-805. https://doi.org/10.1016/j.infsof.2010.03.006

Mansilla, J., y Beltrán, J. (2013). Coherencia entre las estrategias didácticas y las creencias curriculares de los docentes de segundo ciclo, a partir de las actividades didácticas. Perfiles Educativos, 35(139), 25-39. https://doi.org/10.22201/iisue.24486167e.2013.139.35709

Martín-Martín, A., Costas, R., van Leeuwen, T., y López-Cózar, E. D. (2018a). Evidence of open access of scientific publications in Google Scholar: A large-scale analysis. Journal of Informetrics, 12(3), 819-841. https://doi.org/10.1016/j.joi.2018.06.012

Martín-Martín, A., Orduna-Malea, E., Thelwall, M., y López-Cózar, E. D. (2018b). Google Scholar, Web of Science, and Scopus: A systematic comparison of citations in 252 subject categories. Journal of Informetrics, 12(4), 1160-1177. https://doi.org/10.1016/j.joi.2018.09.002

Mehmood, E., Abid, A., Farooq, M. S., y Nawaz, N. A. (2020). Curriculum, teaching and learning, and assessments for introductory programming course. IEEE Access, 8, 125961-125981. https://ieeexplore.ieee.org/document/9137246

Méndez, J. A. (2019). Aprendizaje colaborativo de programación asistido por computador. En J. E. Márquez, Educación, ciencia y tecnologías emergentes para la generación del siglo 21 (pp. 43-63). Universidad de Cundinamarca. https://doi.org/10.36436/9789585203242

Miltchev, R., Milchev, G., y Manchev, I. (2014). Approach for integration of the methods of the network analysis in the field of distance and electronic education. Proceedings of the 15th International Conference on Computer Systems and Technologies (pp. 460-467). ACM. https://doi.org/10.1145/2659532.2659604

Molina, R. E., Padilla, R. R., y Leyva, M. Y. (2019). Estudio y propuesta metodológica, para la enseñanza-aprendizaje de la programación informática en la educación superior. Revista Dilemas Contemporáneos. Educación, Política y Valores, 7, 1-23. https://doi.org/10.46377/dilemas.v30i1.1294

Montiel, H., y Gomez-Zermeño, M. G. (2021). Educational challenges for computational thinking in K–12 education: A systematic literature review of “Scratch” as an innovative programming tool. Computers, 10(6), 69. https://doi.org/10.3390/computers10060069

Morales, R. E. (2021). El video como recurso didáctico digital que fortalece el aprendizaje virtual. Edutec. Revista Electrónica de Tecnología Educativa, (77), 186-202. https://doi.org/10.21556/edutec.2021.77.1939

Mutanu, L., y Machoka, P. (2019). Enhancing computer students’ academic performance through explanatory modeling. En B. Tait, J. Kroeze y S. Gruner (eds.), ICT Education. SACLA 2019. Communications in Computer and Information Science, vol. 1136 (pp. 227-243). Springer. https://doi.org/10.1007/978-3-030-35629-3_15

Narváez, L. E., y López, R. E. (2022). Identificación de errores en conceptos básicos de principios de programación. IE Revista de Investigación Educativa de la REDIECH, 13. https://doi.org/10.33010/ie_rie_rediech.v13i0.1222

Ochoa, L. L., y Bedregal, N. (2022). Incorporation of computational thinking practices to enhance learning in a programming course. International Journal of Advanced Computer Science and Applications, 13(2), 194-200. https://dx.doi.org/10.14569/IJACSA.2022.0130224

Pastrán, F. R., Montilla, A., y Castillo, A. (2017). Los recursos didácticos desde el constructivismo para la enseñanza de geografía general. Redine. Red de Investigación Educativa, 9(1), 28-36. https://revistas.uclave.org/index.php/redine/article/view/834

Pérez, J. A., y Pedroza, O. V. (2018). LM1: una metodología de estudio para la asignatura “Programación 1”. Educere, 22(73), 635-648. https://www.redalyc.org/journal/356/35656676013/html/

Pérez-Suasnavas, A.-L., y Cela, K. (2022). Incidencia de la metodología JiTTwT en el rendimiento académico de estudiantes universitarios. Espiral. Cuadernos del Profesorado, 15(30). https://doi.org/10.25115/ecp.v15i30.6500

Probst, Y. C., y Peng, Q. (2019). Social media in dietetics: Insights into use and user networks. Nutrition & Dietetics, 76(4), 414-420. https://doi.org/10.1111/1747-0080.12488

Ramírez, J. J., Restrepo, F., y González, F. A. (2022). A case study in technology-enhanced learning in an introductory computer programming course. Global Journal of Engineering Education, 24(1), 65-71. http://www.wiete.com.au/journals/GJEE/Publish/vol24no1/10-Restrepo-Calle-F.pdf

Roa, K., y Martínez, C. (2020). Diseño de un ambiente virtual de aprendizaje soportado en los estilos de aprendizaje. Revista Virtu@lmente, 8(2), 67-86. https://doi.org/10.21158/2357514x.v8.n2.2020.2761

Sánchez, M., Escamilla, J., y Sánchez, M. (2018). ¿Qué es la innovación en educación superior? Reflexiones académicas sobre la innovación educativa. En M. Sánchez, y J. Escamilla, Perspectivas de la innovación educativa en las universidades de México: experiencias y reflexiones de la RIE 360 (pp. 19-41). Imagia Comunicación. https://www.dee.cuaieed.unam.mx/?sdm_process_download=1&download_id=3883

Servita, H., y Sánchez, H. (2020). Unidad curricular Introducción a la Programación situada en el enfoque por competencias con apoyo de las TIC. Revista Conocimiento Libre y Licenciamiento (Clic), 22(11), 158-173. https://convite.cenditel.gob.ve/revistaclic/index.php/revistaclic/article/view/1018

Sharma, M., Biros, D., Ayyalasomayajula, S., y Dalal, N. (2020). Teaching programming to the post-millennial generation: Pedagogic considerations for an IS course. Journal of Information Systems Education, 31(2), 96-105. https://aisel.aisnet.org/jise/vol31/iss2/2/

Silva, J. P., y Silveira, I. F. (2020). A systematic review on open educational games for programming learning and teaching. International Journal of Emerging Technologies in Learning (iJET), 15(09), 156-172. https://doi.org/10.3991/ijet.v15i09.12437

Silva, J. P., Silveira, I. F., Kamimura, L., y Barboza, A. T. (2020). Turing Project: An open educational game to teach and learn programming logic. 15th Iberian Conference on Information Systems and Technologies (CISTI). IEEE; Sevilla, España. https://ieeexplore.ieee.org/document/9141122

Solarte, O., y Machuca, L. E. (2019). Fostering motivation and improving student performance in an introductory programming course: An integrated teaching approach. Revista EIA, 16(31), 65-76. https://doi.org/10.24050/reia.v16i31.1230

Susanti, W., Jama, J., Dochi, K., y Nasution, T. (2021). An overview of the teaching and learning process basic programming in algorithm and programming courses. Turkish Journal of Computer and Mathematics Education, 12(2), 2934-2944. https://doi.org/10.17762/turcomat.v12i2.2332

Tobón, S. (2013). Formación integral y competencias. Pensamiento complejo, currículo, didáctica y evaluación (4a. ed.). ECOE. https://cife.edu.mx/recursos/2019/12/04/formacion-integral-y-competencias-pensamiento-complejo-curriculo-didactica-y-evaluacion/

Tripathi, A., Bharti, K. K., y Ghosh, M. (2019). A study on characterizing the ecosystem of monetizing video spams on YouTube platform. En Proceedings of the 21st International Conference on Information Integration and Web-based Applications & Services (pp. 222-231). ACM. https://doi.org/10.1145/3366030.3366078

Vasilopoulos, I. V., y van Schaik, P. (2018). Koios: design, development, and evaluation of an educational visual tool for Greek novice programmers. Journal of Educational Computing Research, 57(5), 1-33. https://doi.org/10.1177/0735633118781776

Viola, J. B., y Gómez, D. T. (2019). Reestructuración pedagógica de la asignatura lógica y algoritmia para el mejoramiento de la enseñanza en los programas de ingeniería de la Universidad Pontificia Bolivariana - Seccional Bucaramanga. Revista Educación en Ingeniería, 14(27), 41-47. https://educacioneningenieria.org/index.php/edi/article/view/940

Yi, S., y Lee, Y. (2018). An educational system design to support learning transfer from block-based programming language to text-based programming language. International Journal on Advanced Science, Engineering and Information Technology, 8(4-2), 1571-1576. http://ijaseit.insightsociety.org/index.php?option=com_content&view=article&id=9&Itemid=1&article_id=5735

Yücel, K. (2018). Developing instructional strategies and recommendations from an introductory programming course in higher education [Tesis de doctorado]. Middle East Technical University. https://open.metu.edu.tr/handle/11511/27789

Zang, L., Li, B., Zhang, Q., y Hsiao, I. H. (2020). Does a distributed practice strategy for multiple choice questions help novices learn programming? International Journal of Emerging Technologies in Learning, 15(18), 234-250. https://doi.org/10.3991/ijet.v15i18.10567

Zhao, Z., Yoo, H., Jo, J., Hong, S., Ryu, S., y Choi, S. (2015). The research trends and comparing about the Big Data between Korea and China using text mining. En Proceedings of the 2015 International Conference on Big Data Applications and Services (pp. 121-127). ACM. https://doi.org/10.1145/2837060.2837078

Notas de autor