Aplicación de modelos predictivos en la enseñanza de la programación: un enfoque basado en inteligencia artificial
DOI:
https://doi.org/10.23857/dc.v12i1.4761Palabras clave:
Inteligencia Artificial, programación, aprendizaje personalizado, estudio cuasi experimental, modelos predictivosResumen
El objetivo de este estudio fue evaluar la efectividad de los modelos predictivos basados en inteligencia artificial (IA) en la enseñanza de la programación, personalizando las lecciones según las dificultades individuales de los estudiantes. La metodología seguida fue un estudio cuasi experimental con un enfoque correlacional descriptivo, en el que participaron 80 estudiantes divididos en dos grupos: experimental y de control. El grupo experimental utilizó un sistema de aprendizaje basado en IA, mientras que el grupo de control recibió enseñanza tradicional. Se diseñó un test validado por expertos para medir las destrezas en programación, que fue evaluado con el coeficiente alfa de Cronbach (0.89), indicando alta confiabilidad. Se realizaron análisis de correlación de Pearson y t-student para muestras independientes, lo que permitió comparar el rendimiento de ambos grupos. Los resultados mostraron que el grupo experimental presentó una mejora significativa en todas las áreas evaluadas, como la comprensión de algoritmos, resolución de problemas y aplicación de estructuras de datos. En conclusión, la implementación de modelos predictivos basados en IA demostró ser altamente efectiva en la mejora de las destrezas de programación, proporcionando una enseñanza más personalizada y eficiente. Esta investigación contribuye a la integración de la tecnología en el ámbito educativo, especialmente en disciplinas técnicas como la programación.
Citas
Baker, R. S., & Wilson, M. (2018). The role of AI in education. Educational Technology, 18(3), 45-50.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Academic Press.
Dufresne, R. J., Mestre, J. P., Hart, D. M., & Rath, K. A. (2017). Modeling in the education of science: The role of artificial intelligence. International Journal of Artificial Intelligence in Education, 27(4), 390-403.
Field, A. (2013). Discovering statistics using IBM SPSS statistics (4th ed.). Sage.
Lakens, D. (2013). Calculating and reporting effect sizes. The International Journal of Social Research Methodology, 16(2), 61-68.
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal of Medical Education, 2, 53-55.
Woolf, B. P. (2020). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.
Zhang, L., Xie, H., & Zhang, J. (2020). A survey of machine learning in education: From learning behavior analysis to intelligent tutoring systems. Journal of Educational Technology & Society, 23(4), 14-25.
UNESCO. (2020). Artificial Intelligence in education: Challenges and opportunities. UNESCO Report.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Darwin Fernando Núñez Collantes , Mario Danilo Herrera Ramírez , María Del Carmen Paredes Acosta , María Liliana Oña Viera

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.




