💻 computer science

Prediction Model of Motivators and Demotivators of Integrating Large Language Models in Software Engineering Education: An Empirical Study

Este estudio desarrolla y valida un modelo predictivo consciente de los costos que integra las percepciones de los interesados sobre los motivadores y desmotivadores de los modelos de lenguaje grandes con análisis probabilístico y optimización mediante algoritmos genéticos para orientar la integración estratégica, centrada en la gobernanza, de los modelos de lenguaje grandes en la educación en ingeniería de software.

Autores originales: Maryam Khan, Muhammad Azeem Akbar, Jussi Kasurinen, Estefanía Martín-Barroso

Publicado 2026-05-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Maryam Khan, Muhammad Azeem Akbar, Jussi Kasurinen, Estefanía Martín-Barroso

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 que eres el director de una escuela y acaba de llegar una nueva herramienta increíblemente poderosa: un "Super-Cerebro" (Modelo de Lenguaje Grande, o LLM) capaz de escribir código, resolver problemas matemáticos y explicar ideas complejas al instante. Quieres permitir que tus estudiantes la utilicen, pero estás preocupado. Si les permites usarla con demasiada libertad, podrían hacer trampa o dejar de pensar por sí mismos. Si la prohíbes, estás perdiendo una enorme oportunidad de aprendizaje.

Este artículo es como un plan estratégico para los líderes escolares que intentan encontrar el equilibrio perfecto. En lugar de simplemente adivinar, los autores construyeron un "GPS" matemático para ayudarles a decidir dónde invertir su presupuesto y energía limitados.

Así es como lo hicieron, explicado de forma sencilla:

1. El Mapa: ¿Qué piensa realmente la gente?

Primero, los investigadores no solo adivinaron lo que querían los profesores y los estudiantes. Pidieron a 126 expertos de universidades de todo el mundo (como Finlandia, Arabia Saudita y China) que completaran una encuesta.

Piensa en esto como preguntar a un grupo de excursionistas experimentados: "¿Cuáles son los mejores senderos (Motivadores) y cuáles son los acantilados peligrosos (Desmotivadores) en esta montaña?"

Los buenos senderos (Motivadores): Los excursionistas dijeron que el Super-Cerebro es increíble para ayudar con la depuración de código (arreglar errores), ofrecer ayuda personalizada (como un tutor privado) y actuar como un compañero de aprendizaje.
Los acantilados peligrosos (Desmotivadores): Los mayores temores fueron el fraude/plagio, que los estudiantes confíen demasiado en la herramienta hasta dejar de pensar, y que la herramienta mienta (proporcione respuestas incorrectas o información sesgada).

2. La Brújula: El Modelo de Predicción

Los investigadores tomaron estas opiniones y las introdujeron en un programa informático. No solo querían saber qué pensaba la gente; querían saber: "Si nos enfocamos en solucionar estos problemas específicos, ¿cuál es la probabilidad de que la escuela adopte con éxito esta tecnología?"

Utilizaron dos tipos de "motores de adivinación" (Naïve Bayes y Regresión Logística) para crear un mapa de probabilidades. Imagina este mapa como un pronóstico del tiempo. No te dice exactamente cómo será el clima, pero te indica la probabilidad de lluvia basándose en las condiciones actuales. Aquí, calcula la probabilidad de una adopción exitosa basándose en cuánto esfuerzo inviertes en diferentes áreas.

3. El Presupuesto: El Algoritmo Genético (El "Comprador Inteligente")

Aquí está la parte ingeniosa. Las escuelas tienen dinero y tiempo limitados. No puedes solucionar todos los problemas a la vez. Tienes que elegir.

Los investigadores utilizaron una técnica informática llamada Algoritmo Genético. Piensa en esto como un comprador superinteligente que intenta comprar los mejores comestibles para una cena con un presupuesto estricto.

Los "comestibles" son los diferentes factores (como "arreglar las políticas contra el fraude" o "enseñar a los estudiantes a programar").
El "presupuesto" es el esfuerzo y el costo de la escuela.
El "éxito de la cena" es la probabilidad de que los estudiantes realmente aprendan bien con la nueva herramienta.

La computadora probó miles de combinaciones diferentes de "comestibles" para encontrar la que ofrecía la mejor "cena" (alto éxito) al menor "costo" (esfuerzo).

4. Los Resultados: ¿Qué deberían hacer las escuelas primero?

El "Comprador Inteligente" dio una lista de compras muy específica. No les dijo a las escuelas que compraran todo. Les dijo que priorizaran en un orden específico:

Paso 1: Construir la valla (Gobernanza primero)
Antes de dejar que los estudiantes corran libremente con el Super-Cerebro, debes construir una valla sólida. El modelo indicó que el primer paso más rentable es arreglar las reglas sobre el fraude y la ética.

Analogía: No abrirías una piscina al público sin poner primero una valla y contratar a un socorrista. El estudio dice que las escuelas deben establecer políticas de integridad y directrices éticas antes de intentar enseñar con la herramienta.

Paso 2: Enfocarse en el pensamiento profundo, no solo en la velocidad
Una vez establecidas las reglas, el modelo sugirió enfocarse en el aprendizaje profundo (comprender conceptos y resolver problemas) en lugar de simplemente usar la herramienta para acelerar las tareas escolares.

Analogía: No uses el Super-Cerebro solo para escribir el ensayo por el estudiante. Úsalo para ayudar al estudiante a entender cómo escribir un mejor ensayo.

Paso 3: Ignorar los "deseables" por ahora
El modelo sugirió que cosas como "hacer el curso más divertido" o "cambiar toda la estructura del plan de estudios" son menos urgentes. Son buenas, pero no te dan tanto "retorno de inversión" como arreglar las reglas contra el fraude primero.

La Conclusión

Este artículo argumenta que integrar la IA en la educación no se trata de comprar el software más caro ni de cambiar todas las clases de inmediato. Se trata de estrategia.

El estudio concluye que si una escuela quiere usar la IA con éxito sin gastar una fortuna, debería:

Empezar con las reglas: Detener el fraude y establecer límites éticos primero.
Enfocarse en la mente: Usar la IA para ayudar a los estudiantes a pensar más profundamente, no solo para hacer el trabajo por ellos.
Saltarse lo superfluo: No desperdiciar dinero intentando reformar todo el sistema escolar de una vez; empezar con las soluciones de alto impacto y bajo costo.

Es una receta para un enfoque "por etapas": Construir los cimientos (reglas), luego añadir los muebles (métodos de enseñanza) y solo entonces preocuparse por la decoración (actividades divertidas).

Resumen Técnico: Modelo de Predicción de Motivadores y Desmotivadores de la Integración de Modelos de Lenguaje Grande en la Educación en Ingeniería de Software

Enunciado del Problema
Aunque los Modelos de Lenguaje Grande (LLM) están transformando rápidamente la práctica de la ingeniería de software, su integración sistemática en la educación en ingeniería de software sigue siendo poco explorada. La investigación existente se centra en gran medida en evaluaciones de rendimiento técnico, estudios de caso en el aula o discusiones descriptivas de beneficios y riesgos. Existe una brecha significativa en modelos empíricos y conscientes de los costos que guíen a las instituciones en la toma de decisiones estratégicas sobre la adopción de LLM. Específicamente, hay una falta de marcos que cuantifiquen las compensaciones entre la probabilidad percibida de una integración exitosa (familiaridad) y el esfuerzo o costo institucional requerido para implementar motivadores específicos y mitigar desmotivadores.

Metodología
El estudio emplea una metodología empírica y computacional de cuatro fases para abordar esta brecha:

Desarrollo de Taxonomía: Basándose en una revisión sistemática de la literatura previa, los autores operacionalizaron 19 factores validados (9 motivadores y 10 desmotivadores) derivados de una encuesta bibliográfica. Estos factores se categorizaron en cuatro temas principales para motivadores (por ejemplo, Mejora de las Experiencias de Aprendizaje, Desarrollo de Habilidades) y cuatro para desmotivadores (por ejemplo, Desafíos de Aprendizaje, Integridad Académica).
Recolección de Datos: Se administró una encuesta estructurada a 126 partes interesadas en la educación en ingeniería de software en múltiples países (principalmente Finlandia, Arabia Saudita, Pakistán y China). Los encuestados calificaron el impacto percibido y el costo/esfuerzo de implementación de cada factor utilizando una escala Likert de 9 puntos.
Modelado Probabilístico: Los datos de la encuesta se utilizaron para entrenar dos clasificadores probabilísticos: Naïve Bayes (NB) y Regresión Logística (LR). La variable objetivo fue un indicador binario de "alta familiaridad con LLM" (calificaciones 7–9) frente a familiaridad moderada/baja. Los modelos no se optimizaron para una alta precisión de clasificación, sino para generar estimaciones de probabilidad estables ( $\hat{P}(Y=1|s)$ ) para cualquier configuración dada de intensidades de factores. Se calculó una estimación de probabilidad agregada promediando las salidas de ambos modelos para reducir la dependencia de un solo supuesto de modelado.
Marco de Optimización: Se empleó un Algoritmo Genético (GA) para resolver un problema de optimización de un solo objetivo. La función objetivo maximizó la diferencia entre la probabilidad agregada de alta familiaridad y el costo de implementación normalizado:
$F(s) = \hat{P}_{agg}(s) - C_{norm}(s)$
donde $s$ representa una configuración de niveles de factores (1–9), y el costo es linealmente proporcional al nivel de intensidad seleccionado. El GA realizó la optimización en tres niveles: global (en todos los 19 factores), a nivel de categoría (en los 8 temas principales) y a nivel de factor (dentro de las categorías).

Resultados Clave

Hallazgos Descriptivos: Los encuestados identificaron "Asistencia en Programación y Soporte de Depuración" y "Aprendizaje Personalizado y Adaptativo" como los motivadores más fuertes. Por el contrario, "Plagio y Preocupaciones sobre la Propiedad Intelectual", "Sobredependencia de la IA" y "Reducción del Pensamiento Crítico" fueron los desmotivadores más significativos.
Modelado Predictivo: Los modelos probabilísticos alcanzaron una precisión de clasificación de 0.461, que está por debajo de la línea base de la clase mayoritaria. Los autores interpretan esto no como un fracaso, sino como evidencia de que los patrones de percepción sobre los beneficios y riesgos de los LLM son ampliamente similares entre los encuestados, independientemente de su nivel de familiaridad. En consecuencia, los modelos sirven como una superficie de probabilidad continua para la optimización en lugar de una herramienta predictiva para la clasificación individual.
Optimización Global (GC): El GA identificó que la estrategia "promedio" (basada en las calificaciones promedio de la encuesta) no es eficiente en costos. La configuración global óptima prioriza los mecanismos de gobernanza e integridad. Específicamente, "Plagio y Preocupaciones sobre la Propiedad Intelectual" (Nivel 8) y "Preocupaciones Éticas en el Aprendizaje Asistido por IA" (Nivel 6) recibieron las asignaciones de intensidad más altas. La mayoría de los factores pedagógicos (por ejemplo, Asistencia en Programación, Aprendizaje Personalizado) se minimizaron (Nivel 1) en el modelo global para controlar el costo total, lo que sugiere que las bases de gobernanza deben preceder a la expansión pedagógica general.
Optimización a Nivel de Categoría: Las categorías orientadas pedagógicamente, específicamente "Colaboración y Aprendizaje entre Pares" y "Mejora de las Experiencias de Aprendizaje", arrojaron las mayores ganancias de eficiencia marginal ( $\Delta$ Fitness) con un esfuerzo moderado. En contraste, dominios estructuralmente intensivos como "Evaluación e Integridad Académica" e "Integración e Implementación Práctica" requirieron mayor esfuerzo para ganancias relativas menores.
Optimización a Nivel de Factor: Dentro de las categorías, el modelo priorizó factores cognitivos profundos (por ejemplo, "Comprensión Conceptual", "Comprensión del Proceso de Ingeniería de Software") sobre el compromiso superficial. Para los desmotivadores, la fiabilidad técnica (por ejemplo, "Sesgo y Alucinación") y la seguridad se priorizaron sobre los mecanismos de regulación conductual.

Contribuciones Clave

Marco Unificado: El estudio introduce un marco de apoyo a la decisión jerárquico e informado por la optimización que vincula las percepciones de las partes interesadas con el modelado probabilístico y el análisis de costo-esfuerzo.
Integración Metodológica: Demuestra un pipeline novedoso que combina taxonomías basadas en literatura, validación empírica multi-partes interesadas y optimización evolutiva (GA) para guiar la integración de tecnología educativa.
Estrategia Consciente de Costos: La investigación proporciona un mecanismo basado en datos para identificar estrategias eficientes en costos, yendo más allá de listas descriptivas de pros y contras hacia planes de implementación accionables y priorizados.
Lógica de Implementación por Etapas: Los resultados apoyan un enfoque por etapas donde primero se establecen salvaguardas de gobernanza e integridad, seguidas de intervenciones pedagógicas cognitivamente significativas, en lugar de una adopción uniforme en todos los dominios.

Significado y Afirmaciones
Los autores afirman que este estudio avanza el campo desde el desarrollo de taxonomías conceptuales hacia la validación basada en datos y el apoyo a la decisión computacional. El significado radica en proporcionar a las instituciones un mecanismo estructurado para equilibrar los resultados predichos con el esfuerzo de implementación. El artículo afirma que la integración efectiva de LLM no se logra abordando uniformemente todos los factores, sino priorizando selectivamente factores de alto impacto, orientados a la confianza y sustantivos a nivel cognitivo.

El estudio reconoce modestamente que los modelos predictivos no están destinados a la clasificación individual de alta precisión, sino que sirven como base analítica para el marco de optimización. Los hallazgos sugieren que, bajo restricciones de recursos, las instituciones deben priorizar la estabilidad de la gobernanza (políticas de plagio, directrices éticas) y los procesos de aprendizaje profundo (comprensión conceptual, alfabetización de procesos) sobre reformas estructurales amplias e intensivas en recursos o herramientas de compromiso superficiales. El marco propuesto ofrece un enfoque replicable para futuras investigaciones sobre la adopción de IA y el modelado de gobernanza en la educación en computación.