🤖 AI

AI-Assisted Help-Seeking Trajectories in Programming Education from an SRL-Informed Perspective

Este estudio analiza las trayectorias de búsqueda de ayuda asistida por IA en cursos de programación introductoria utilizando un marco basado en el SRL, revelando que, si bien los estudiantes utilizan predominantemente la IA para la resolución reactiva de problemas en lugar de para la resolución de problemas autorregulada, estos patrones de interacción influyen significativamente en el número de envíos de código requeridos a pesar de no afectar directamente las puntuaciones de las tareas.

Autores originales: Boxuan Ma, Huiyong Li, Gen Li, Li Chen, Atsushi Shimada, Shin'ichi Konomi

Publicado 2026-06-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Boxuan Ma, Huiyong Li, Gen Li, Li Chen, Atsushi Shimada, Shin'ichi Konomi

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 estás aprendiendo a cocinar un plato nuevo y complejo. Tienes una receta, pero sigues quemando el ajo, añadiendo demasiada sal o olvidando un paso. En el pasado, podrías haber tenido que esperar a que un chef pasara por tu lado para ayudarte, o podrías haberte sentido demasiado avergonzado para preguntar.

Ahora, imagina que tienes a un subchef superrápido y superconocedor (IA Generativa) sentado justo a tu lado. Puedes susurrarle una pregunta y él te dirá instantáneamente cómo arreglar el ajo quemado o cómo picar las cebollas.

Este documento es un estudio de cómo 71 estudiantes universitarios usaron este "subchef de IA" mientras aprendían a cocinar (programar) en Python. Los investigadores no solo contaron cuántas veces los estudiantes pidieron ayuda; querían ver la historia de cómo se produjo la búsqueda de ayuda. ¿Planificaron los estudiantes con antelación? ¿Se quedaron atrapados en un bucle intentando arreglar errores pequeños? ¿O simplemente pidieron toda la receta y la copiaron?

Aquí está el desglose de sus hallazgos utilizando analogías sencillas:

1. El descubrimiento principal: El "Bombero" frente al "Arquitecto"

Los investigadores descubrieron que la mayoría de los estudiantes trataron a la IA como a un bombero en lugar de a un arquitecto.

El Bombero (Reactivo): Los estudiantes usaron la IA principalmente después de que algo saliera mal. Escribían código, este fallaba, y preguntaban: "¿Por qué aparece este mensaje de error en rojo?" o "Arregla esta línea".
El Arquitecto (Proactivo): Muy pocos estudiantes usaron la IA para planificar antes de empezar. Rara vez preguntaron: "¿Cuál es la mejor manera de estructurar esto?" o "¿Puedes explicarme este concepto para que lo entienda mejor?".
La Metáfora: Es como si la mayoría de los estudiantes esperaran hasta que la casa estuviera en llamas para llamar a la IA, en lugar de llamar a la IA para que les ayudara a diseñar una casa resistente al fuego en primer lugar.

2. Los cinco "hábitos de búsqueda de ayuda" (Trayectorias)

Los investigadores agruparon las interacciones de los estudiantes en cinco patrones distintos, como diferentes formas en que las personas navegan por un laberinto:

El "Un solo golpe" (La solución rápida): El estudiante hace una pregunta, obtiene una respuesta y sigue adelante.
- Analogía: Preguntas: "¿Cómo me ato los cordones?" La IA te lo muestra, y te los atas. Hecho.
- Hallazgo: Este fue el hábito más común (más de la mitad de las veces). Curiosamente, a veces era solo una solución rápida, pero otras veces era un estudiante inteligente preguntando: "¿Hay una mejor manera de atarse estos cordones?" (¡lo cual es algo bueno!).
La "Persistencia en la depuración" (El bucle de estancamiento): El estudiante se queda atascado en un error pequeño y sigue pidiendo a la IA que lo arregle una y otra vez sin cambiar su enfoque.
- Analogía: Estás intentando abrir un frasco. Le preguntas a la IA: "¿Cómo abro esto?". La IA dice: "Gira la tapa". Lo intentas, falla. Preguntas de nuevo: "¡Sigue sin abrirse!". La IA dice: "Gíralo con más fuerza". Lo intentas de nuevo. Haces esto 10 veces.
- Hallazgo: Estos estudiantes fueron los más "costosos" en términos de esfuerzo. Entregaron su código más del doble de veces que los estudiantes de "Un solo golpe" para obtener el mismo resultado. Estaban atrapados en un ciclo de prueba y error, confiando en que la IA hiciera el pensamiento por ellos.
El "Encuadre conceptual" (El planificador): El estudiante pregunta sobre las reglas o conceptos antes de escribir cualquier código.
- Analogía: Antes de cocinar, preguntas: "¿Qué significa 'cocinar a fuego lento'?" o "¿Cómo corto una cebolla de forma segura?". Luego cocinas.
- Hallazgo: Estos estudiantes fueron eficientes. Entendieron los conceptos básicos primero, por lo que cometieron menos errores después.
El "Orientado al rendimiento" (El maestro de tareas): El estudiante salta directamente a construir la solución, pidiendo a la IA que escriba código o arregle partes específicas para terminar rápido.
- Analogía: Dices: "Hazme un sándwich", y la IA construye el sándwich. Tú solo compruebas si sabe bien.
- Hallazgo: Esto fue eficiente para obtener la nota, pero a los investigadores les preocupaba que el estudiante no hubiera aprendido realmente cómo hacer el sándwich por sí mismo.
El "Cambio de modo" (El aprendiz flexible): El estudiante comienza con un tipo de ayuda (como arreglar un error), pero luego se da cuenta de que no entiende el concepto, así que cambia a pedir una explicación, y luego vuelve a arreglar.
- Analogía: Intentas arreglar el frasco, te quedas atascado, preguntas "¿Por qué este frasco es tan difícil de abrir?" (concepto), obtienes una respuesta, y luego lo intentas de nuevo.
- Hallazgo: Esto fue poco común, pero mostró el aprendizaje más "autorregulado": adaptarse a la estrategia cuando las cosas no funcionaban.

3. La gran sorpresa: Calificaciones vs. Esfuerzo

Uno podría pensar que los estudiantes que usaron la IA de la manera más "inteligente" (los Planificadores o los Aprendices Flexibles) obtuvieron las mejores notas.

La Realidad: Todos obtuvieron aproximadamente la misma nota. Debido a que el sistema de calificación por computadora permitía a los estudiantes entregar su código una y otra vez hasta que funcionara, casi todos consiguieron finalmente los puntos.
La verdadera diferencia: La diferencia estuvo en cuánto trabajo hicieron para llegar allí.
- Los estudiantes de "Persistencia en la depuración" tuvieron que entregar su código 12 veces en promedio.
- Los estudiantes de "Un solo golpe" solo tuvieron que entregar 5 veces en promedio.
- La Lección: La IA ayudó a todos a aprobar, pero para algunos estudiantes, se convirtió en una muleta que hizo que el proceso fuera mucho más largo y frustrante.

4. ¿Qué significa esto?

El documento concluye que no se trata de si los estudiantes usan la IA, sino de cómo la usan.

Si un estudiante usa la IA solo para parchar errores repetidamente (como un mecánico que solo aprieta un tornillo suelto una y otra vez sin arreglar el motor), puede que apruebe la clase, pero no está aprendiendo a conducir el coche.
Si un estudiante usa la IA para entender las reglas, planificar sus pasos y revisar su trabajo, la está usando como un verdadero compañero de aprendizaje.

La Conclusión: El "valor educativo" de la IA no está en la nota final (que fue la misma para todos); está en el viaje. El estudio sugiere que no solo debemos enseñar a los estudiantes cómo pedir respuestas a la IA, sino cómo usarla para planificar, comprender y reflexionar, en lugar de usarla solo para arreglar código roto en un momento de pánico.

Resumen Técnico: Trayectorias de Búsqueda de Ayuda Asistidas por IA en la Educación de Programación desde una Perspectiva Informada por el SRL

1. Planteamiento del Problema

En la educación de programación introductoria, los estudiantes novatos encuentran frecuentemente una incertidumbre profunda respecto a la sintaxis, el flujo de control y el diagnóstico de errores. Los mecanismos de apoyo tradicionales (p. ej., horas de tutoría, foros) a menudo no logran proporcionar asistencia oportuna e individualizada, lo que conduce a una comprensión superficial y a un desarrollo deficiente de las habilidades de resolución de problemas. Si bien la IA Generativa (específicamente los Modelos de Lenguaje Extensos) ofrece una solución escalable al proporcionar soporte instantáneo y personalizado, introduce riesgos pedagógicos. Existe la preocupación de que los estudiantes puedan "descargar" los pasos de resolución de problemas a la IA, incurriendo en una "pereza metacognitiva" donde dependen de la herramienta para razonar en lugar de desarrollar sus propias habilidades reguladoras.

La investigación existente se ha centrado principalmente en la frecuencia del uso de la IA, la corrección del código generado o la usabilidad general. Sin embargo, existe una brecha significativa en la comprensión de cómo la búsqueda de ayuda entre estudiante e IA se desarrolla a lo largo del tiempo. Específicamente, se sabe poco sobre la estructura secuencial de estas interacciones (trayectorias) y si estas reflejan procesos de aprendizaje autorregulado (SRL, por sus siglas en inglés: planificación, monitoreo, reflexión) o una resolución de problemas reactiva. Este estudio aborda la necesidad de ir más allá de las métricas de uso estáticas para analizar la evolución dinámica, turno a turno, del comportamiento de búsqueda de ayuda en tareas de programación apoyadas por IA.

2. Metodología

2.1 Contexto y Participantes

El estudio se llevó a cabo en un curso de programación en Python de nivel de pregrado introductorio en una universidad nacional de Japón, abarcando dos periodos (Verano 2024 y Verano 2025).

Participantes: Se inscribieron 166 estudiantes de primer año. La muestra analítica final consistió en 71 estudiantes que generaron al menos cinco prompts durante el curso.
Estructura del curso: El curso incluyó 14 lecciones con 57 tareas de programación que cubrían variables, cadenas, funciones, condicionales y bucles.
Herramienta de IA: Los estudiantes tuvieron acceso a una interfaz personalizada basada en la web conectada a GPT-4o para la interacción en tiempo real. Todas las conversaciones fueron registradas.

2.2 Fuentes de Datos

El análisis integró dos fuentes complementarias de datos de traza:

Entregas de Evaluación Automatizada: 17,190 entregas de código de 71 estudiantes (vinculadas a 5 de 57 tareas) a través del plugin CodeRunner. Estos registros proporcionaron puntuaciones de tareas (0–5 según los casos de prueba superados) y el número de intentos de entrega.
Registros de Diálogo Estudiante–IA: 1,290 prompts específicos de tareas extraídos de 635 sesiones de diálogo. Se excluyeron los prompts no relacionados con las tareas del curso o enviados fuera de los periodos de ejercicios.

2.3 Marco Analítico y Codificación

El estudio empleó un marco analítico informado por el SRL (Figura 1) para interpretar los comportamientos de búsqueda de ayuda.

Esquema de Codificación: Los prompts se codificaron en 10 categorías detalladas agrupadas en cuatro roles funcionales principales:
- Conceptual: Clarificación de conceptos, sintaxis o requisitos (p. ej., Pregunta Conceptual, Comprensión del Problema).
- Implementación: Construcción de soluciones o generación de código (p. ej., Generación de Código, Pregunta de Implementación).
- Depuración (Debugging): Interpretación de errores, corrección de código o verificación de salida (p. ej., Interpretación de Errores, Corrección de Código).
- Reflexiva: Explicación de código funcional o búsqueda de optimización (p. ej., Explicación de Código, Optimización de Código).
Fiabilidad: Dos investigadores lograron un acuerdo inter-evaluador del 92.7% ( $\kappa = .88$ ) mediante codificación por consenso.
Análisis de Trayectorias:
- Análisis Secuencial: Se utilizaron análisis de secuencia de retardo (lag sequential analysis) y diagramas de Sankey para examinar las transiciones entre categorías de prompts a través de los turnos.
- Taxonomía a Nivel de Intento: Se desarrolló una taxonomía basada en reglas para clasificar sesiones completas de tareas en cinco patrones de trayectoria:
  1. Un solo paso (One-shot): Un único prompt.
  2. Persistencia en Depuración (Debugging-Persistence): Tres o más prompts de depuración consecutivos.
  3. Encuadre Conceptual (Conceptual-Framing): Sesiones que comienzan con ayuda conceptual.
  4. Orientada al Desempeño (Performance-Oriented): Sesiones que consisten únicamente en ayuda de implementación y depuración.
  5. Cambio de Modo (Mode-Shifting): Sesiones que involucran cambios entre diferentes modos de búsqueda de ayuda (p. ej., de depuración a conceptual).

2.4 Métricas de Desempeño

El desempeño en programación se evaluó mediante dos métricas:

Puntuación de la Tarea: La puntuación final alcanzada (0–5).
Costo del Proceso: El número de entregas de código requeridas para alcanzar una solución.

3. Resultados Clave

3.1 Distribución de Prompts de Búsqueda de Ayuda

Dominio de la Depuración: La depuración fue la categoría más frecuente, representando el 67.0% de todos los prompts. La Interpretación de Errores (EI) y la Corrección de Código (CC) fueron los códigos específicos más comunes.
Escasez de Reflexión: La ayuda reflexiva representó solo el 1.6% de los prompts. La ayuda conceptual y de implementación comprendieron el 14.6% y el 16.8%, respectivamente.
Naturaleza Reactiva: Los datos sugieren que los estudiantes utilizaron la IA principalmente como una ayuda reactiva para la resolución de problemas inmediata en lugar de para una resolución de problemas planificada y autorregulada.

3.2 Patrones Secuenciales y Trayectorias

Estancamiento en la Depuración: El análisis secuencial reveló que los estudiantes a menudo permanecían dentro de la categoría de Depuración. Las autotransiciones en Depuración fueron significativamente elevadas ( $z = 6.1$ ), mientras que las transiciones entre categorías (p. ej., Conceptual $\to$ Depuración) fueron frecuentemente suprimidas.
Patrones de Trayectoria:
- Un solo paso (One-shot) (53.1%): El patrón más común, dominado por solicitudes únicas de depuración.
- Orientada al Desempeño (Performance-Oriented) (19.2%): Interacciones de múltiples turnos centradas únicamente en implementación y depuración.
- Persistencia en Depuración (Debugging-Persistence) (12.6%): Sesiones con intentos de depuración sostenidos y repetidos.
- Encuadre Conceptual (Conceptual-Framing) (9.0%) y Cambio de Modo (Mode-Shifting) (6.1%) fueron menos comunes.

3.3 Asociación con el Desempeño

Puntuaciones de Tarea: No hubo una diferencia significativa en las puntuaciones de las tareas entre los cinco patrones de trayectoria ( $p = .950$ ). La mayoría de los estudiantes alcanzaron puntuaciones altas independientemente de su patrón de interacción, debido probablemente a la capacidad de realizar múltiples entregas.
Entregas de Código (Costo del Proceso): Se encontraron diferencias significativas en el número de entregas de código ( $p < .001$ $p < .001$ ).
- Persistencia en Depuración requirió el mayor número de entregas (Media = 11.90), significativamente más que el patrón de Un solo paso (Media = 4.82) o Encuadre Conceptual (Media = 5.91).
- Los patrones de Un solo paso y Encuadre Conceptual se asociaron con costos de proceso más bajos.
Robustez: El mayor conteo de entregas para la Persistencia en Depuración se mantuvo constante tanto para tareas fáciles como difíciles, lo que indica que el patrón en sí, y no la dificultad de la tarea, impulsó el aumento del costo del proceso.

3.4 Ilustraciones de Casos

Los casos cualitativos ilustraron las implicaciones de SRL de estos patrones:

Persistencia en Depuración: Los estudiantes a menudo participaban en un bucle de "prueba y reparación" sobre problemas menores de formato sin diagnosticar la regla subyacente.
Encuadre Conceptual: Los estudiantes aclaraban conceptos antes de programar, lo que llevaba a una verificación eficiente.
Cambio de Modo: Los estudiantes cambiaron con éxito de la depuración a preguntas conceptuales, demostando una regulación flexible.
Un solo paso: Aunque a menudo eran reactivos, algunos prompts únicos se utilizaron para la optimización reflexiva (p. ej., preguntar por implementaciones alternativas).

4. Contribuciones Clave

Marco Analítico Informado por el SRL: El estudio introduce un marco que vincula los códigos de nivel de prompt con el apoyo conceptual, de implementación, de depuración y reflexivo, interpretándolos a través de la lente del Aprendizaje Autorregulado (SRL).
Identificación de Patrones de Trayectoria: Va más allá de las estadísticas de uso agregadas para identificar cinco trayectorias de búsqueda de ayuda distintas y recurrentes (Un solo paso, Persistencia en Depuración, Encuadre Conceptual, Orientada al Desempeño, Cambio de Modo).
Distinción entre Proceso y Resultado: La investigación demuestra que, si bien las trayectorias apoyadas por IA no impactan significativamente en las puntuaciones de las tareas (debido a las múltiples oportunidades de entrega), varían sustancialmente en el costo del proceso (número de entregas).
Evidencia de Uso Reactivo vs. Regulado: Los hallazgos proporcionan evidencia empírica de que muchos estudiantes utilizan la IA para la resolución de problemas reactiva (atrapados en bucles de depuración) en lugar de para la resolución de problemas planificada y autorregulada, resaltando un riesgo específico de "pereza metacognitiva".

5. Significado y Reivindicaciones

El artículo sostiene que la importancia pedagógica del apoyo de la IA en la programación no reside simplemente en si los estudiantes usan la IA o con qué frecuencia, sino en cómo se desarrollan sus trayectorias de búsqueda de ayuda durante la resolución de problemas.

Reencuadre del Uso de la IA: El estudio argumenta que las puntuaciones altas en las tareas no indican necesariamente un aprendizaje efectivo o una resolución de problemas eficiente. Un estudiante que completa una tarea mediante una trayectoria de "Persistencia en Depuración" (alto costo de proceso, reactivo) puede tener una experiencia de aprendizaje diferente que uno que utiliza el "Encuadre Conceptual" (menor costo de proceso, orientado a la planificación).
Implicaciones Pedagógicas: Los autores sugieren que las intervenciones educativas deben centrarse en la estructura de las interacciones. Los sistemas de IA y los instructores deberían intentar detectar e interrumpir los "bucles orientados a la reparación" (Persistencia en Depuración) mediante la promoción de la reflexión conceptual o la autoexplicación, en lugar de simplemente proporcionar la siguiente corrección.
Alcance Modesto: Los autores reconocen las limitaciones, señalando que el estudio se realizó en un único curso introductorio y que el análisis depende de datos de traza (prompts y entregas) en lugar de medidas directas de estados cognitivos internos. No pretenden que patrones de trayectoria específicos causen mejores resultados de aprendizaje, sino que representan estructuras regulatorias distintas con diferentes costos de proceso asociados.

En conclusión, el artículo postula que apoyar a los estudiantes para que vayan más allá de las repetidas solicitudes de depuración hacia la clarificación conceptual y la autoexplicación es crucial para alinear el apoyo a la programación asistido por IA con los objetivos del aprendizaje autorregulado.