El efecto de la autoeficacia y el trabajo colaborativo en estudiantes novatos de programación

The effect of self-efficacy and peer collaboration in novice programming students

El aprendizaje de la programación es una habilidad básica que los estudiantes universitarios deben adquirir durante los primeros semestres de carreras relacionadas con las ciencias computacionales. La programación se relaciona directamente con la capacidad pensar de manera abstracta y de resolver problemas creando algoritmos que se convertirán posteriormente en aplicaciones de software. Sin embargo, evidencia tanto empírica (Blackwell, 2002; Jenkins, 2002; Mow, 2008) como anecdótica (Dehnadi & Bornat, 2006; Milne & Rowe, 2002) indica que los estudiantes que inician enfrentan serias dificultades para adquirir tales habilidades.

El problema del aprendizaje de la programación ha sido extensamente estudiado desde diversas perspectivas en los últimos 20 años, tanto para entender la propia naturaleza del problema (Baldwin & Macredie, 1999; Bornat, Dehnadi, & Simon, 2008), como para proponer alternativas tecnológicas (Arévalo Mercado, Muñoz Andrade, & Gómez Reynoso, 2011; Cooper, Dann, & Pausch, 2000; Maries & Kumar, 2007) e instruccionales (Skubch & Thielscher, 2005) que busquen mejorar el proceso de enseñanza-aprendizaje de la programación.

En el ámbito de la psicología cognitiva se han estudiado variables relacionadas con los atributos de los estudiantes de programación, tales como la autoeficacia, la habilidad para las matemáticas y los modelos mentales, entre otras (Byrne & Lyons, 2001). El objetivo de estas investigaciones ha sido tratar de identificar predictores de desempeño, que a su vez permitan un diseño instruccional enfocado a las características individuales de los estudiantes. También existe una corriente importante de investigaciones asociadas al concepto de la metacognición, que se entiende como la conciencia de los propiosprocesos cognitivos (Alexander, 2008; Flavell, 1979). La metacognición se relaciona directamente con la capacidad de solución de problemas en tanto ésta permite identificar objetivos, seleccionar o corregir estrategias de solución y monitorear el avance hacia la solución.

Por otro lado, se ha encontrado que los procesos cognitivos y metacognitivos están a su vez vinculados a la variable conductual de la motivación (Mayer, 1988, 1998, 2010) . La motivación como concepto ha sido estudiada con detalle en las ciencias de la conducta y en la educación. Al nivel más básico, se habla de una dicotomía en donde la motivación puede ser intrínseca (basada en realizar algo que al sujeto le es inherentemente interesante y disfrutable) o extrínseca (basada en estímulos y situaciones externas). Autores clásicos (Dewey, 1913, 1933) y modernos (Ryan & Deci, 2000; Schiefele, 1991) resaltan la diferencia cualitativa que se da en el aprendizaje cuando éste se basa en el interés personal o en la coerción externa.

En el contexto cotidiano de las aulas los profesores de programación se enfocan a enseñar a los estudiantes modelos mentales y estrategias de solución de problemas (es decir, procesos cognitivos) mediante el modelo clásico teoría-ejemplo-ejercicio y se asume que al utilizar este modelo se obtendrán como subproducto las habilidades metacognitivas. Sin embargo, se ha encontrado que tales habilidades deben enseñarse explícitamente (Volet & Lund, 1994).

En este estudio se midió el grado de motivación de los estudiantes que inician cursos de programación en la Universidad Autónoma de Aguascalientes (UAA) y se buscaron correlaciones entre la motivación, las habilidades metacognitivas y el desempeño académico.

El objetivo general del estudio consistió en Identificar si existe una correlación entre la motivación intrínseca, la habilidad metacognitiva y el desempeño académico de los estudiantes novatos de programación de la UAA; es decir, identificar si los alumnos intrínsecamente motivados para llevar a cabo una tarea exhiben a su vez habilidades metacognitivas o si estos factores son independientes entre sí como predictores del desempeño académico en programación o, más aun, si otros son los factores que predicen mejor este desempeño.

Se utilizaron 15 variables, obtenidas de 81 preguntas del instrumento MSLQ (Motivated Strategies for Learning Questionnaire) (Pintrich, Smith, Garcia, & McKeachie, 1991) seleccionado por su consistencia interna (Barak, Kastelan, & Azia, 2016; Dent & Koenka, 2016; Wong, Chai, Chen, & Chin, 2013) y aplicabilidad al tema de la motivación y la metacognición en el aprendizaje. La descripción operativa de estas variables (tabla 1 y tabla 2) puede encontrarse en Kuhl (2000), así como en Pintrich et al. (1991). En las conclusiones de este reporte se describen las variables que tuvieron efecto significativo en el rendimiento académico. La escala de calificación fue de tipo Likert, de un rango de 1 a 7, en donde el valor 1 se define como “No tiene en absoluto nada que ver conmigo”, el valor 2 es “Me describe muy poco”, el 3 corresponde a “Me describe moderadamente”, el valor 4 es “No estoy seguro

Tabla 1
Constructos relacionados con la motivación del aprendizaje

Nota: Con datos de Pintrich et al. (1991).

Tabla 2
Constructos relacionados con estrategias de aprendizaje

Nota: Con datos de Pintrich et al. (1991).

(a)”, el 5 es “Me describe suficientemente”, el 6 “Me describe mucho” y el 7 “Me describe totalmente”.

También se incluyó la variable calificación (CAL) como variable dependiente, cuya definición operacional es el rendimiento académico de los alumnos participantes durante la materia de Algoritmos y Programación. La medición de ésta fue mediante exámenes estandarizados por la academia de programación del Departamento de Sistemas Electrónicos. En la sección de resultados puede observarse que el comportamiento de esta variable fue normal (figura 1). El estilo de enseñanza fue controlado mediante la impartición de la materia por un mismo instructor en los grupos participantes.

En los datos obtenidos en la prueba piloto (aplicada en noviembre 2015 y en mayo 2016) se detectó la necesidad de realizar ajustes al instrumento MSLQ en las subescalas de Regulación del esfuerzo (α= 0.58, estudio noviembre 2015, α= 0.21, estudio mayo 2016) y la de Búsqueda de ayuda (α= 0.15, estudio noviembre 2015, α= 0.42, estudio mayo 2016), ambas con valores inferiores a la confiabilidad indicada por la literatura (superior a 0.6). De las 15 subescalas que conforman el instrumento, las dos antes mencionadas se revisaron y su redacción fue ajustada buscando mejorar su claridad y consistencia.

Durante noviembre de 2016 se seleccionaron 140 alumnos de manera aleatoria de las carreras de Ingeniero en Sistemas Computacionales (ISC) e Ingeniero en Electrónica (IE) que cursaban la materia de Algoritmos y Programación. De los 140 alumnos seleccionados, 110 completaron la encuesta. La misma se aplicó después de su segundo examen parcial y antes del examen final, con el objetivo de que ellos fuesen capaces de identificar sus estrategias de aprendizaje durante los primeros meses del curso y el nivel de motivación hacia el final del mismo. Los valores Alfa de Cronbach resultantes de la aplicación de la encuesta se muestran en la tabla 3 y en la tabla 4. En todos los casos, los valores se consideran en el rango de confiabilidad de aceptables.

Tabla 3
Valores Alfa de Cronbach de escala de motivación

Nota: Elaboración propia.

Tabla 4
Valores Alfa de Cronbach de escala de aprendizaje

Nota: Elaboración propia.

La estadística descriptiva resultante de la aplicación de la encuesta (n= 110) se muestra en la tabla 5. La media de la variable calificación fue de 6.28, la cual de acuerdo a la escala de la UAA no es aprobatoria. Las subescalas con mayor valor obtenido fueron Tskv (5.89, valor percibido de la tarea), seguida de Cont (5,42, Creencia de control) e Intr (5.33, Orientación intrínseca al objetivo). Las subescalas del grupo de estrategias de aprendizaje (tabla 2) recibieron un valor menor en su conjunto, comparadas con las de la escala de motivación (tabla 1). De éstas últimas, la variable Eff (regulación del esfuerzo) fue en promedio la de mayor calificación (4.99). Puede verse que las respuestas caen en el rango de 4 y 5; es decir, las categorías de “No estoy seguro” y “Me describe suficientemente”.

Los contenidos académicos del instrumento de medición aplicado (segundo examen parcial) fueron diseñados y estandarizados por la Academia de programación del Departamento de Sistemas Electrónicos. Los temas incluyeron: estructuras de control, manejo de arreglos y construcción de funciones, de los cuales se solicitó a los alumnos la elaboración de programas sencillos. De la muestra recolectada, 44% de los participantes obtuvieron una calificación reprobatoria (48/110), lo cual es consistente con el histórico de porcentajes de reprobación de la UAA y con la literatura (Mahmoud, Dobosiewicz, & Swayne, 2004) . Resulta llamativo el alto porcentaje de alumnos que obtuvieron una calificación igual o mayor a 9 (34%, 37/110).

Tabla 5
Estadística descriptiva. Subescalas de motivación y de aprendizaje

Nota: Elaboración propia.

En lo que respecta a las subescalas de estrategias de aprendizaje (tabla 5), los alumnos otorgaron también en ambas categorías una mayor valoración en promedio a la variable Eff (regulación del esfuerzo), la cual tiene que ver con la autorregulación del esfuerzo del alumno con respecto a distractores externos y el enfoque que se da a tareas poco interesantes o laboriosas. Ésta refleja el compromiso hacia los objetivos, a pesar de la dificultad de la tarea.

Figura 1.
Comportamiento de la variable Calificación (CAL).
Elaboración propia.

En la escala de aprendizaje del MSLQ, los alumnos consideraron como una de las menos importantes a la variable Peer (aprendizaje por pares). Esto es llamativo, ya que en el modelo de regresión obtenido (tabla 6) para el conjunto de casos analizados, la variable Peer forma parte de las variables predictoras y su valor Beta (β= 0.283) es la que se interpreta como mejor predictor (aunque por un pequeño margen) del desempeño académico (variable CAL).

El modelo obtenido mediante análisis de regresión lineal (tabla 6) dio como resultado cinco

Tabla 6
Modelo de variables predictoras de variable dependiente CAL

Nota: Elaboración propia.

Tabla 7
Detalle de coeficientes del modelo de regresión lineal

Nota: Elaboración propia.

variables que predicen el comportamiento de la variable dependiente CAL: Tanx, Peer, Extr, Self y Eff. Las 10 variables restantes no contribuyen al comportamiento de la variable dependiente.

En la tabla 7 se muestran los coeficientes del modelo de regresión lineal, en donde se observa que de los valores Beta de las variables predictoras (renglón 5), la variable predictora con mayor aportación al modelo es Peer (β= 0.283), seguida de Self (β= 0.267). Las variables Tanx y Extr tienen una correlación negativa (-0.308 y -0.278, respectivamente).

Dados los resultados obtenidos, se interpretan diferencias derivadas del análisis de la estadística descriptiva de las respuestas otorgadas por los participantes contra el modelo de regresión lineal. Es decir, lo que los alumnos perciben como importante para el rendimiento académico (el valor percibido de la tarea, la creencia de control y la motivación intrínseca) es diferente con respecto a las variables predictivas identificadas por el modelo (ansiedad al examen, aprendizaje por pares, motivación extrínseca, autoeficacia y regulación del esfuerzo). En otras palabras, lo que los alumnos creen no influye realmente en lo que obtendrán como calificación.

Es pertinente mencionar que el supuesto inicial de este estudio -esto es, que los alumnos con mayor motivación intrínseca y mejores habilidades metacognitivas serían quienes obtendrían un mejor rendimiento- no fue corroborado con los resultados obtenidos, ya que fueron las variables de aprendizaje por pares y la autoeficacia las que predicen en mayor medida el rendimiento académico (además de la ansiedad al examen y la motivación extrínseca, pero con una correlación negativa, y en menor medida la regulación del esfuerzo). Dicho de otra forma, en estudiantes novatos de programación influye en mayor grado la confianza en el propio éxito y el aprendizaje colaborativo que las habilidades metacognitivas.

Estos resultados son consistentes con estudios previos (Ramalingam, LaBelle, & Wiedenbeck, 2004; Wiedenbeck, LaBelle, & Kain, 2004) que señalan a la autoeficacia como un factor que afecta el rendimiento académico de programadores novatos, pero cabe mencionar que otros autores (Heggestad & Kanfer, 2005) proponen que la autoeficacia es solo un efecto estadístico residual de la experiencia previa de la programación (figura 2).

Finalmente, la variable metacognitiva (Meta, autorregulación metacognitiva, tabla 2) no fue significativa ni en la percepción de utilidad de los participantes, ni en las correlaciones, ni en el modelo de regresión generado. Esto puede interpretarse dada la evidencia empírica de otros estudios relacionados con el tema (Azevedo & Aleven, 2013; Forbes-Riley & Litman, 2010) como una falta de desarrollo de las habilidades metacognitivas en los estudiantes de este nivel inicial de estudios.

Figura 2.
Aprendizaje de la programación.
Imagen tomada del portal de Facebook del Departamento de Sistemas de Información de la UAA (2014).

Trabajos futuros pueden ir orientados a identificar la relevancia del componente metacognitivo en estudiantes de ciencias computacionales después del primer año de estudios para observar si dichas habilidades metacognitivas están más desarrolladas, ya que el componente motivacional (en la forma de autoeficacia, ansiedad al examen y motivación extrínseca) si está presente como predictor desde el inicio de sus estudios universitarios.

Intervenciones didácticas para promover la autoeficacia se pueden extraer de la propia teoría (Bandura, 1982). Un catálogo de estrategias específicas asociadas con ella puede ser material de subsecuentes artículos, pero en general se recomienda incrementar la autoeficacia buscando que la teoría y la práctica en el salón de clases no sean demasiado avanzadas para la percepción de capacidad del estudiante, el cual debe ser retado, quien es probable que se rinda si se siente abrumado. La autoeficacia del estudiante se puede aumentar promoviendo éxitos en el rendimiento al solucionar tareas frecuentes con dificultad progresiva y marginalmente mayor, hasta que éste tenga una percepción sólida de logros.