🤖 AI

A Scaffolded GenAI Lab in Early Undergraduate CS: A Mixed-Methods, Multi-Course Evaluation

Este estudio de métodos mixtos demuestra que una intervención breve y estructurada denominada "AI-Lab" a través de múltiples cursos de pregrado aumentó con éxito la comodidad y la apertura de los estudiantes hacia el uso de la IA generativa para tareas conceptuales y de depuración, fomentando al mismo tiempo estrategias de compromiso más críticas e iterativas sin incrementar el uso general reportado por los propios estudiantes en las tareas calificadas.

Autores originales: Ethan Dickey, Andres Bejarano, Rhianna Kuperus, Bárbara Fagundes

Publicado 2026-07-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ethan Dickey, Andres Bejarano, Rhianna Kuperus, Bárbara Fagundes

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mundo de la informática como una biblioteca enorme y bulliciosa donde los estudiantes van a aprender cómo construir cosas con código. Durante años, las únicas herramientas en los estantes fueron libros de texto, notas de clase y un poco de ayuda de un profesor o un amigo. Pero recientemente, ha llegado un nuevo bibliotecario súper rápido: la IA Generativa (GenAI). Este bibliotecario puede escribir código, explicar conceptos complicados y resolver problemas en un abrir y cerrar de ojos. Aunque esto suena como un sueño, también es un poco de una pesadilla para los profesores. Les preocupa que, si los estudiantes simplemente le piden las respuestas al bibliotecario, realmente no aprendan a construir nada por sí mismos. También les preocupa el fraude. Así que la gran pregunta para los educadores es: ¿Cómo enseñamos a los estudiantes a usar a este poderoso nuevo bibliotecario con sabiduría, sin que simplemente dejen que él haga todo el trabajo? Este es el rompecabezas que los investigadores están tratando de resolver en el campo de la educación informática.

Entra un equipo de investigadores de la Universidad de Purdue que decidió probar un "campamento de entrenamiento" para estudiantes llamado el AI-Lab. No intentaron prohibir al bibliotecario, ni dejaron que los estudiantes hicieran lo que quisieran. En su lugar, organizaron un taller corto y estructurado para enseñar a los estudiantes cómo ser socios inteligentes con la IA. Querían ver si esta rápida lección cambiaría cómo se sentían los estudiantes respecto al uso de la IA y cómo la usaban realmente. ¿Se volvieron más seguros de sí mismos? ¿Empezaron a usar más la IA para sus tareas? ¿O aprendieron a usarla como una herramienta en lugar de una muleta?

Los investigadores realizaron este experimento en tres clases de ciencias de la computación y una clase de ingeniería durante dos semestres, involucrando a cientos de estudiantes. Entregaron encuestas a los estudiantes antes y después del AI-Lab para medir sus sentimientos y hábitos, y también realizaron discusiones grupales para escuchar las historias de los estudiantes en sus propias palabras.

Esto es lo que encontraron. Después del taller, los estudiantes se sintieron mucho más cómodos y abiertos a usar la IA para preguntas conceptuales difíciles y para obtener ayuda con sus tareas. Se sintieron menos asustados de pedir ayuda a la IA. Sin embargo, y este es un gran "sin embargo", la cantidad de veces que los estudiantes dijeron que usaron la IA para sus tareas calificadas y grandes proyectos no aumentó. Se mantuvo exactamente igual. El único lugar donde usaron la IA más fue para la depuración (debugging): arreglar código roto.

Las historias de los estudiantes en los grupos de enfoque explicaron por qué. Antes del laboratorio, muchos estudiantes trataban a la IA como un botón mágico: escribían una pregunta vaga y esperaban lo mejor. Si la respuesta era incorrecta, se rendían. Después del laboratorio, se convirtieron en detectives expertos. Aprendieron a darle a la IA más contexto, a hacer mejores preguntas y a revisar cuidadosamente el trabajo de la IA. Se dieron cuenta de que la IA no es perfecta; puede cometer errores, especialmente en matemáticas o lógica compleja. Empezaron a tratarla como un compañero de estudio que es muy rápido pero que a veces se equivoca, en lugar de un generador de soluciones que hace el trabajo por ellos. Establecieron límites claros, decidiendo que, si bien la IA es genial para entender un concepto o arreglar un error, ellos todavía necesitaban hacer el trabajo pesado por su cuenta para sus calificaciones finales.

Los investigadores son cuidadosos al decir que no probaron que los estudiantes realmente hicieran menos trampas o aprendieran más, porque solo preguntaron a los estudiantes lo que dijeron que hicieron. Pero los resultados sugieren que una lección corta e inteligente puede cambiar la forma en que los estudiantes piensan sobre la IA. Parece hacerlos más seguros y estratégicos sin convertirlos en personas que simplemente dejan que la IA haga su tarea. Es como enseñarle a un conductor cómo usar un GPS: pueden sentirse más seguros conduciendo en una ciudad nueva, pero todavía tienen que conducir el coche ellos mismos.

Resumen Técnico: Un Laboratorio de GenAI Escalonado en la Etapa Inicial de la Licenciatura en Ciencias de la Computación

Planteamiento del Problema
La disponibilidad generalizada de herramientas de Inteligencia Artificial Generativa (GenAI) ha trastornado la enseñanza de la computación, permitiendo la generación y explicación de código bajo demanda. Aunque los educadores reconocen la necesidad de clarificar los objetivos de aprendizaje y establecer límites de integridad, muchos carecen del ancho de banda para rediseñar cursos enteros en torno a la GenAI o para construir infraestructuras de evaluación extensas y nuevas. La literatura existente destaca la necesidad de educar a los estudiantes sobre las implicaciones éticas y las limitaciones, sin embargo, existe evidencia limitada sobre cómo las intervenciones instruccionales breves e integradas en el curso pueden fomentar un uso responsable y orientado al aprendizaje sin requerir reformas curriculares completas. Específicamente, no está claro si los andamiajes ligeros pueden cambiar los patrones de uso, la apertura y los niveles de comodidad autoinformados de los estudiantes ante escenarios académicos comunes (preguntas conceptuales, depuración, tareas) sin aumentar inadvertidamente la dependencia de la GenAI para el trabajo calificado.

Metodología
El estudio empleó una evaluación de métodos mixtos y de múltiples cursos de "AI-Lab", una intervención de alfabetización en GenAI escalonada. El estudio se llevó a cabo durante dos semestres (Primavera y Otoño de 2024) en una gran universidad de investigación de EE. UU. a través de tres cursos de Ciencias de la Computación de primer año (DSA-CS, DSA-DSAI, CP) y un curso de Ingeniería de primer año (ENGR).

Estructura de la Intervención: El AI-Lab consta de tres componentes: (1) una orientación previa al laboratorio que cubre expectativas, límites de integridad y conceptos básicos de prompting; (2) una actividad en clase donde los estudiantes critican salidas de GenAI plausibles pero incompletas o incorrectas sobre temas alineados con el curso; y (3) una tarea post-laboratorio que requiere que los estudiantes documenten y reflexionen sobre su interacción con la GenAI para una tarea específica (por ejemplo, refinamiento de prompts, pasos de verificación, fallos del modelo).
Datos Cuantitativos: Se administraron encuestas pareadas pre y post-intervención inmediatamente alrededor del laboratorio. La batería de la encuesta incluyó un instrumento de "Uso" (frecuencia de uso) y un instrumento de "Percepción" (apertura y comodidad). El análisis principal se centró en 778 respuestas pareadas para percepción y 773 para uso en los cursos de CS. El análisis estadístico utilizó pruebas de rango con signo de Wilcoxon no paramétricas pareadas para evaluar los cambios en las respuestas de escala Likert ordinal, complementadas con la correlación de rango-biserial ( $r_{rb}$ ) para la estimación del tamaño del efecto.
Datos Cualitativos: Se realizaron seis grupos focales semiestructurados 5–7 semanas después de la intervención con participantes voluntarios. Las transcripciones se analizaron mediante análisis temático para contextualizar los cambios en las encuestas, enfocándose en las estrategias de prompting, comportamientos de verificación y establecimiento de límites.

Contribuciones Clave

Marco de Evaluación: Una evaluación de métodos mixtos y de múltiples cursos de una breve intervención de laboratorio de alfabetización en GenAI utilizando encuestas pareadas pre/post y grupos focales.
Evidencia Empírica de Cambios y Estabilidad: Documentación de dónde cambiaron las percepciones y prácticas de los estudiantes (aumento de la comodidad y la apertura en escenarios específicos) frente a dónde permanecieron estables (frecuencia de uso en trabajos calificados), incluyendo hallazgos nulos pedagógicamente significativos.
Estructura de Intervención Implementable: Un marco de laboratorio transferible que detalla la temporalidad, los componentes y las actividades, señalando explícitamente las condiciones de contorno y las amenazas a la validez (por ejemplo, la dependencia de la autoinformación).

Result Resultados

Hallazgos Cuantitativos:
- Comodidad y Apertura: Los estudiantes reportaron aumentos estadísticamente significativos en la comodidad al usar GenAI para preguntas conceptuales, depuración y tareas. La apertura aumentó significativamente para preguntas conceptuales y ayuda con las tareas.
- Frecuencia de Uso: La frecuencia autoinformada de uso de GenAI para tareas y proyectos de programación se mantuvo estable (sin cambios estadísticamente significativos). Sin embargo, la frecuencia de uso autoinformada para la depuración aumentó significativamente.
- Tamaños del Efecto: Para los ítems que mostraron cambios significativos, los tamaños del efecto fueron generalmente grandes ( $|r_{rb}| > 0.50$ ), lo que indica un cambio direccional consistente entre los encuestados que cambiaron sus calificaciones.
- Subgrupos: No se detectaron diferencias estadísticamente significativas en la dirección o magnitud del cambio según la demografía (género, raza/etnia, residencia, nivel de clase), aunque estos se trataron como exploratorios.
Hallazgos Cualitativos:
- Del Uso Casual al Uso Estratégico: Los participantes pasaron de un prompting de prueba y error a estrategias más iterativas y ricas en contexto (por ejemplo, proporcionar restricciones, refinar prompts).
- Mejor Conciencia de las Limitaciones: Los estudiantes se volvieron más escépticos ante la corrección de la GenAI, particularmente en matemáticas y lógica compleja, y más propensos a verificar las salidas contra los materiales del curso.
- Límites e Integridad: Los estudiantes articularon límites más claros, enmarcando a menudo a la GenAI como un apoyo "tipo TA" para comprender conceptos o depurar, en lugar de un generador de soluciones para el trabajo calificado.
- Tensión Interna: Los participantes expresaron tensión entre la eficiencia de la GenAI y el deseo de mantener la propiedad de su propio aprendizaje y evitar convertirse en "marionetas" de la herramienta.

Significancia y Reivindicaciones
El artículo sostiene que una intervención breve y estructurada (AI-Lab) puede cambiar efectivamente la comodidad reportada y la disposición de los estudiantes para usar GenAI, así como influir en las estrategias que describen para interactuar con ella. Crucialmente, el estudio encontró que estos cambios ocurrieron sin aumentar la frecuencia autoinformada de uso de GenAI en trabajos calificados (tareas y proyectos).

Los autores posicionan estos resultados como evidencia de que los andamiajes ligeros pueden moldear la preparación y la toma de decisiones de los estudiantes con respecto a la GenAI. Establecen explícitamente que el estudio no pretende medir trazas de comportamiento reales o resultados de aprendizaje, ni demuestra que la intervención prevenga la falta de integridad académica. En cambio, los hallazgos sirven como una señal informativa para los instructores, sugiriendo que la instrucción explícita sobre las limitaciones y los límites no conduce necesariamente a un aumento de la dependencia inapropiada de la GenAI para las tareas calificadas. El artículo concluye motivando trabajos futuros para triangular las autoinformaciones con trazas de comportamiento y medidas de aprendizaje para validar estos patrones.

Más como este