💻 computer science

Game-Based and Gamified Robotics Education: A Comparative Systematic Review and Design Guidelines

Este artículo presenta la primera revisión sistemática alineada con PRISMA que compara el aprendizaje basado en juegos y la gamificación en la educación robótica, analizando 95 estudios para revelar patrones contextuales distintos, identificar limitaciones tecnológicas actuales y proponer ocho direcciones de investigación junto con directrices de diseño aplicables.

Autores originales: Syed T. Mubarrat, Byung-Cheol Min, Tianyu Shao, E. Cho Smith, Bedrich Benes, Alejandra J. Magana, Christos Mousas, Dominic Kao

Publicado 2026-05-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Syed T. Mubarrat, Byung-Cheol Min, Tianyu Shao, E. Cho Smith, Bedrich Benes, Alejandra J. Magana, Christos Mousas, Dominic Kao

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 la educación en robótica como un rompecabezas gigante y complejo. Para muchas personas, especialmente los principiantes, las piezas parecen demasiado afiladas, las instrucciones demasiado confusas y la imagen de la caja demasiado borrosa. Este artículo es como un equipo de detectives que pasó años reuniendo cada pista individual (95 estudios diferentes) sobre cómo hacer que resolver este rompecabezas sea divertido y fácil. Examinaron dos estrategias principales: Aprendizaje Basado en Juegos (GBL) y Gamificación.

Aquí tienes el desglose de sus hallazgos, explicado de forma sencilla:

Las Dos Estrategias Principales: El "Parque Temático" vs. La "Tarjeta de Fidelidad"

Los investigadores descubrieron que las personas utilizan dos formas muy diferentes de hacer que la robótica sea divertida, y tienden a usarlas en lugares distintos.

El Aprendizaje Basado en Juegos (GBL) es el "Parque Temático".
- Qué es: Estás jugando un juego completamente construido cuyo objetivo es aprender. Piensa en ello como un videojuego diseñado específicamente para enseñarte a construir un robot.
- Dónde ocurre: Se encuentra principalmente en entornos informales como clubes después del colegio, campamentos o museos. Es flexible, como una aventura de fin de semana.
- El ambiente: Se siente como jugar. Estás explorando, cometiendo errores y construyendo cosas en una caja de arena.
La Gamificación es la "Tarjeta de Fidelidad".
- Qué es: Se trata de tomar una clase normal y añadirle elementos de juego. Obtienes puntos por terminar la tarea, insignias por buenas calificaciones o compites en una tabla de clasificación. La clase sigue siendo una clase, pero tiene una "capa de juego" encima.
- Dónde ocurre: Domina en aulas formales (escuelas y universidades). Encaja perfectamente en un horario estricto y un sistema de calificaciones.
- El ambiente: Se siente como un desafío estructurado. Estás ganando recompensas por hacer tu trabajo.

El Gran Descubrimiento: Los investigadores descubrieron que estas dos estrategias son como herramientas diferentes para trabajos diferentes. No usarías un sistema de tarjeta de fidelidad en un campamento de arte libre, ni construirías un parque temático completo dentro de un examen de matemáticas estricto. Funcionan mejor cuando se adaptan al entorno adecuado.

¿Qué están enseñando realmente? (El problema de las "Ruedas de Entrenamiento")

El artículo señala una brecha importante en lo que se enseña. Imagina que solo aprendiste a montar en bicicleta con ruedas de entrenamiento, pero nunca aprendiste a arreglar la cadena ni a montar en la montaña.

El enfoque: Casi todos los estudios se centraron en habilidades para principiantes. Utilizaban kits de robots simples y preelaborados (como LEGO) y programación básica (arrastrar y soltar bloques).
La pieza faltante: Muy pocos estudios enseñaron habilidades avanzadas. Casi no hubo investigación sobre la enseñanza de software complejo, ingeniería de hardware avanzada o cómo integrar todas las partes de un robot en un sistema sofisticado.
El resultado: Somos excelentes para hacer que los niños empiecen a jugar con robots, pero no somos muy buenos para mostrarles cómo convertirse en ingenieros expertos capaces de construir sistemas complejos desde cero.

Las "Gafas Mágicas" (Tecnología Inmersiva)

Los investigadores analizaron si el uso de Realidad Virtual (VR) o guantes hápticos (guantes que te permiten "sentir" el robot) ayuda.

La realidad: Sorprendentemente, muy pocos estudios utilizaron estas "gafas mágicas". La mayoría de la gente sigue utilizando pantallas de ordenador normales o robots físicos.
El potencial: Cuando sí utilizaron VR o háptica, ayudó a los estudiantes a sentirse más seguros y a comprender mejor los conceptos espaciales (como cómo se mueve un robot en el espacio 3D). Sin embargo, como tan pocos estudios los utilizaron, aún no tenemos pruebas suficientes para decir que son un "imprescindible" para todos.

La Trampa del "Autoreporte"

Un problema importante que destaca el artículo es cómo se mide el éxito.

El problema: La mayoría de los estudios preguntan a los estudiantes: "¿Te divertiste?" o "¿Te sientes más inteligente?" y se toman su palabra por buena.
La brecha: Muy pocos estudios realmente probaron si los estudiantes realmente aprendieron el material o si podían recordarlo un mes después. Es como si un restaurante le preguntara a los clientes: "¿Estaba buena la comida?" en lugar de comprobar realmente si la comida estaba cocinada correctamente.

El "Mapa de Diseño" (¿Qué debemos hacer a continuación?)

Basándose en su trabajo de detectives, los autores trazaron un mapa para el futuro. Sugieren:

Adapta la herramienta al lugar: No fuerces un juego de "Parque Temático" en un aula estricta, ni fuerces un sistema de "Tarjeta de Fidelidad" en un club de juego libre.
Sube el nivel de dificultad: Deja de enseñar solo lo básico. Crea juegos que ayuden a los estudiantes a crecer de "Novato" (ruedas de entrenamiento) a "Experto" (arreglar el motor).
Combina los modos: Une robots físicos, simulaciones por ordenador y juegos. Empieza con un juego para generar interés, pasa a un simulador para practicar con seguridad y luego construye la cosa real.
Sé inclusivo: Asegúrate de que estos juegos funcionen para todos, incluidas las personas con discapacidades (como usar vibración para ayudar a los estudiantes ciegos a "sentir" el robot).
Prueba el aprendizaje real: Deja de preguntar solo "¿Te gustó?" y empieza a probar "¿Puedes realmente construirlo?".

La Conclusión

Este artículo nos dice que hacer que la educación en robótica sea divertida está funcionando para hacer que la gente se interese, pero necesitamos mejorar en la enseñanza de las cosas difíciles y en medir si las personas están realmente aprendiendo. Ya dominamos las "ruedas de entrenamiento"; ahora necesitamos averiguar cómo enseñar a la gente a montar en bicicleta por su cuenta.

A continuación se presenta un resumen técnico detallado del artículo "Educación en Robótica Basada en Juegos y Gamificada: Una Revisión Sistemática Comparativa y Directrices de Diseño" de Mubarrat et al.

1. Planteamiento del Problema

La educación en robótica es un vehículo crítico para fomentar habilidades del siglo XXI (pensamiento computacional, resolución de problemas, creatividad), pero enfrenta barreras significativas debido a la complejidad técnica, las curvas de aprendizaje pronunciadas y los altos requisitos de recursos. Si bien el Aprendizaje Basado en Juegos (ABJ) (uso de juegos completos para el aprendizaje) y la Gamificación (integración de elementos de juego como puntos o insignias en contextos no lúdicos) son ampliamente reconocidos por mejorar la participación en STEM, su eficacia comparativa específica en robótica sigue sin estar clara.

La literatura existente adolece de cuatro brechas persistentes:

Evidencia Fragmentada: Falta de comparación sistemática entre ABJ y gamificación específicamente para la robótica.
Desequilibrio de Habilidades: Sobredependencia de la programación introductoria y kits modulares, con integración limitada de software avanzado, hardware y pensamiento sistémico.
Retraso Tecnológico: Subutilización de tecnologías inmersivas (RV, háptica) y contextos de aprendizaje informal.
Debilidad Metodológica: Prevalencia de estudios a corto plazo que dependen de datos autoinformados en lugar de evaluaciones rigurosas y longitudinales de resultados de aprendizaje.

2. Metodología

Los autores realizaron una revisión sistemática de la literatura alineada con PRISMA que abarca el período de 2014 a 2025.

Recopilación de Datos:
- Bases de datos: Scopus, ProQuest, IEEE Xplore y ACM Digital Library.
- Volumen de búsqueda: Se recuperaron 12,485 registros; se incluyeron 95 estudios en la síntesis final tras un cribado riguroso.
- Criterios de inclusión: Estudios centrados en ABJ o gamificación en educación en robótica, enseñanza de programación, desarrollo de software o comprensión de sistemas robóticos.
Codificación y Análisis:
- Variables codificadas: Tipo de enfoque (ABJ vs. Gamificada), contexto de aprendizaje (Formal vs. Informal), modelos pedagógicos, niveles de habilidad (Básico/Intermedio/Avanzado), modalidad de intervención, uso de tecnología inmersiva y resultados.
- Fiabilidad: Dos evaluadores con más de 10 años de experiencia lograron una fiabilidad interevaluador muy alta ( $\kappa$ de Cohen = .918).
- Análisis estadístico: Síntesis de métodos mixtos que incluye estadística descriptiva, tablas de contingencia, pruebas de $\chi^2$ de Pearson, pruebas exactas de Fisher y regresión logística exploratoria para identificar patrones y predictores de ganancias de aprendizaje.
- Evaluación de la calidad: Se utilizó la Herramienta de Evaluación de Métodos Mixtos (MMAT) y ROBINS-I para evaluar el riesgo de sesgo, revelando una dominancia de diseños descriptivos y un riesgo "Grave" de sesgo en muchos estudios no aleatorizados.

3. Contribuciones Clave

Primera Síntesis Comparativa: El estudio proporciona la primera comparación rigurosa, lado a lado, de ABJ y gamificación específicamente dentro de la educación en robótica.
Marco del Espacio de Diseño: Propone un espacio de diseño estructurado (visualizado en la Figura 14) que describe las mejores prácticas, errores y resultados basados en la intersección de enfoque, contexto y pedagogía.
Modelo de Progresión Escalonada: Introduce un modelo de progresión del aprendiz en tres etapas (Novato $\to$ Intermedio $\to$ Avanzado) para guiar la alineación de tareas, andamiajes y evaluaciones con la preparación del aprendiz.
Ocho Direcciones de Investigación: Identifica vías concretas de investigación futura, incluidos sistemas adaptativos, diseño inclusivo, integración multimodal inmersiva y coaching impulsado por IA.

4. Resultados y Hallazgos Clave

A. Acoplamiento Enfoque-Contexto-Pedagogía

División Contextual: La Gamificación es abrumadoramente dominante en entornos educativos formales (85.3%), probablemente debido a su facilidad de integración en los currículos existentes (por ejemplo, puntos, insignias). El ABJ está más distribuido, pero es significativamente más prevalente en entornos informales (54.1%), donde es posible una exploración flexible y abierta.
Alineación Pedagógica:
- Los estudios Gamificados favorecen el Aprendizaje Basado en Proyectos (ABP) (71.4%) y estrategias experienciales.
- Los estudios de ABJ muestran una preferencia más fuerte por la pedagogía Constructivista (49.2%) en comparación con los estudios gamificados (25.7%).
Significancia Estadística: El acoplamiento entre enfoque y contexto es estadísticamente significativo ( $p < .001$ ).

B. Niveles de Habilidad y Tecnología

Enfoque en Habilidades: El campo está fuertemente sesgado hacia la programación introductoria (Básico/Intermedio) y kits modulares (por ejemplo, LEGO Mindstorms, micro:bit).
- Software Avanzado: Solo ~17% de los estudios abordaron el desarrollo de software avanzado.
- Hardware Avanzado: Solo ~5% abordó la integración de hardware avanzado.
- Desconexión: La programación avanzada a menudo se enseña de forma aislada de la comprensión de sistemas robóticos, creando una brecha en la competencia holística.
Tecnología Inmersiva: El uso es bajo. Solo ~22% de los estudios utilizaron tecnología inmersiva. La RV es la más común, mientras que la Háptica se utiliza raramente (<5%), a pesar de su potencial para el aprendizaje encarnado.

C. Resultados de Aprendizaje y Motivación

Eficacia Comparativa: No hubo diferencia estadísticamente significativa entre ABJ y gamificación en cuanto a ganancias de aprendizaje cuantificables o resultados afectivos (motivación, participación). Ambos son efectivos, pero su éxito depende en gran medida del contexto de aprendizaje y la pedagogía.
Impacto Contextual: Los contextos formales fueron más propensos a reportar ganancias de aprendizaje cuantificables ( $p = .049$ ), mientras que los contextos informales destacaron en accesibilidad y motivación intrínseca.
Impacto de la Tecnología Inmersiva: Los estudios que utilizaron RV/háptica mostraron tendencias positivas en el razonamiento espacial y la participación, aunque los tamaños de muestra a menudo fueron pequeños.

D. Limitaciones Identificadas

Defectos Metodológicos: Alta dependencia de datos autoinformados, tamaños de muestra pequeños, falta de grupos de control y horizontes de estudio cortos (a menudo sesiones únicas o cursos breves).
Desafíos: Intensidad de recursos, fallos técnicos (software/hardware), sobrecarga cognitiva en entornos competitivos gamificados y "efectos de novedad" que se desvanecen con el tiempo.

5. Significado e Implicaciones

Este artículo cambia fundamentalmente el discurso de ver ABJ y gamificación como opciones competitivas a entenderlas como herramientas complementarias cuya eficacia está mediada por la pedagogía y el contexto.

Para Diseñadores: El espacio de diseño propuesto ofrece directrices accionables. Por ejemplo, las aulas formales deberían aprovechar la gamificación para andamiar microcomportamientos dentro del ABP, mientras que los entornos informales deberían utilizar ABJ completo para una exploración constructivista y abierta.
Para Educadores: Los hallazgos sugieren la necesidad de ir más allá de la robótica de "juguete". Los educadores deben diseñar currículos conscientes de la progresión que cierren la brecha entre la codificación basada en bloques y la integración avanzada de sistemas (por ejemplo, ROS, hardware personalizado).
Para Investigadores: El llamado a estudios rigurosos y longitudinales que utilicen métodos mixtos, análisis de rendimiento y poblaciones diversas e inclusivas es crítico. El trabajo futuro debe abordar la "caja negra" de cómo mecanismos de juego específicos se traducen en pensamiento sistémico profundo en robótica.

En conclusión, el artículo proporciona una hoja de ruta fundamental para evolucionar la educación en robótica desde intervenciones fragmentadas y basadas en la novedad hacia ecosistemas de aprendizaje sostenibles, escalables y pedagógicamente integrados.