En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Pensamiento computacional — un enfoque de resolución de problemas que implica descomposición, reconocimiento de patrones, abstracción y diseño algorítmico. En la educación con IA, el pensamiento computacional es a la vez un requisito previo para comprender los sistemas de IA y una habilidad que las herramientas de IA pueden ayudar a desarrollar.

Preguntas para reflexionar

  • Cuando resuelve un problema dividiéndolo en partes, detectando patrones, abstrayendo lo esencial y diseñando pasos, ya está haciendo pensamiento computacional, incluso sin ordenador. ¿Dónde lo ha hecho recientemente?
  • Un supuesto habitual es que el pensamiento computacional es lo mismo que programar o que la «alfabetización informática». ¿En qué podrían diferir y por qué podría importar esa diferencia para cómo se enseña?
  • La investigación sugiere que lo que limita la capacidad del estudiantado para juzgar las sugerencias de la IA son sus carencias en conceptos fundamentales, y no la herramienta de IA en sí. ¿Qué debe entender ya quien aprende antes de poder evaluar críticamente la salida de una IA?
  • Algunos sostienen que el pensamiento computacional debería llevar a quien aprende del consumo pasivo de salidas de IA hacia la construcción, la crítica y el diseño con IA. ¿Cómo sería de verdad un aula que tratara al estudiantado como productor y no como consumidor?
  • La IA generativa ya puede puntuar el desarrollo del pensamiento computacional del estudiantado; sin embargo, tanto las personas como la IA tienen dificultades con el constructo más complejo, el pensamiento sistémico. ¿Dónde cree que debería detenerse la automatización de la evaluación, y por qué?
  • La investigación en robótica encuentra que el pensamiento computacional solo se desarrolla cuando los conceptos se hacen explícitos y se vinculan al currículo, y no cuando se tratan como ejercicios tecnológicos aislados. ¿Qué riesgo tiene enseñar «habilidades tecnológicas» sin nombrar el pensamiento que hay debajo?

Introducción

El pensamiento computacional en un aula de la era de la IA

La investigación converge en una afirmación central: el pensamiento computacional (PC) es la base conceptual que el estudiantado necesita para implicarse críticamente con la IA, y es también la habilidad que más directamente profundiza un aprendizaje bien diseñado y apoyado por IA. A continuación, la evidencia se agrupa en cuatro temas basados en los artículos vinculados.

  • El PC como fundamento de la alfabetización en IA y de la implicación crítica. Varios estudios muestran que el PC es lo que permite a quienes aprenden evaluar las salidas de la IA en lugar de limitarse a consumirlas. La investigación sobre depuración de chat encontró que cuando el estudiantado de grado depuraba circuitos analógicos con ayuda de LLM, sus carencias en conceptos fundamentales y pensamiento crítico —y no la herramienta— eran el factor limitante, ya que al estudiantado le faltaban las ideas centrales necesarias para juzgar las sugerencias de la IA. Una revisión de diseños de intervención con LLM concluye igualmente que lo que separa las intervenciones eficaces de la «frustración con la herramienta» es el giro de la enseñanza de la informática hacia el pensamiento computacional en lugar del dominio de la sintaxis. En la primera infancia, el marco AI-Play construye una alfabetización en IA desconectada y basada en el juego enseñando a la infancia que «la IA es un sistema construido con partes» y que «la IA aprende de ejemplos», una primera capa de PC fundamentada en el desarrollo. Y una liga académica de IA conecta el PC con proyectos cívicos reales de IA mediante el aprendizaje basado en proyectos, incorporando la alfabetización en IA a la práctica. En conjunto, esto sugiere que el PC es el núcleo cognitivo transferible de la alfabetización en IA.

  • La robótica educativa como vehículo del PC. La robótica es el contexto más estudiado para desarrollar el PC en K-12 y en la educación STEM. La investigación en secundaria sostiene que la robótica educativa mejora la resolución de problemas y el pensamiento crítico solo cuando los conceptos de PC se hacen explícitos y se vinculan al currículo STEAM en lugar de tratarse como ejercicios técnicos aislados. Una revisión de la robótica educativa confirma que la robótica fomenta el PC, la creatividad y la resolución de problemas, y que el aprendizaje basado en juegos encaja en entornos informales mientras que la gamificación domina las aulas formales y apoya el aprendizaje basado en proyectos. La evidencia sobre formación docente muestra que una intervención integrada de Micro:bit + robot + aprendizaje automático produjo mejoras significativas en el conocimiento de PC (d = 0,638) en la formación inicial del profesorado, y sostiene que la robótica debería integrarse para que el futuro profesorado pueda enseñar PC. Los LLM pueden rebajar aún más la barrera: EduSim-LLM combina un LLM con simulación robótica para que las personas principiantes controlen robots mediante lenguaje natural, lo que hace accesible la robótica con PC integrado sin programación de bajo nivel.

  • La IA como «par más capaz» puede sostener el PC en cursos de robótica con pocos recursos. Un cuasiexperimento de 14 semanas con 103 estudiantes de grado de primer año en Nigeria encontró que el aprendizaje basado en problemas apoyado por IA (ChatGPT y Teachable Machine dentro de la zona de desarrollo próximo) superó a la instrucción convencional en el postest de pensamiento computacional y de rendimiento en programación de robótica, sin moderación de género (estudio de robótica AI-PBL (2026)).

  • Los LLM como herramientas para evaluar y desarrollar el PC. La IA generativa ofrece vías escalables para medir y andamiar el PC. La investigación sobre evaluación del PC en física mostró que los LLM pueden replicar a quienes puntúan de forma humana al calificar el crecimiento en las prácticas de datos y en las prácticas de resolución computacional de problemas en cursos de educación en física con matrículas grandes, mientras que tanto las personas como el LLM tuvieron dificultades con el constructo más complejo del pensamiento sistémico, lo que marca un límite claro para la automatización. El trazado visual de consultas muestra cómo la visualización puede andamiar la computación abstracta, construyendo una intuición que apoya el desarrollo del PC. Una taxonomía de las ideas erróneas sobre condicionales y bucles proporciona objetivos de grano fino para el andamiaje y para la detección automatizada de ideas erróneas, lo que conecta con las ideas erróneas. Estas herramientas funcionan mejor, sin embargo, cuando el diseño pedagógico lidera: la revisión sobre enseñanza de la informática encontró que los diseños de «tutor virtual» de un semestre con retroalimentación andamiada mejoraban de forma consistente el PC, mientras que el acceso no estructurado a la herramienta aumentaba la frustración.

Al automatizarse la implementación, las competencias duraderas cambian: un informe de taller nombra la abstracción, el pensamiento computacional y un «espectro de verificación» como las habilidades que hay que enseñar, citando un ensayo con casi 1.000 estudiantes en el que el acceso sin restricciones a GPT-4 elevó el rendimiento en la práctica un 48% pero recortó las puntuaciones de examen un 17% una vez retirada la IA (Lee et al. (2026)).

  • El PC en K-12, la formación docente y el rediseño de la evaluación. El PC abarca todo el espectro desde K-12 hasta la educación superior y está reformulando la evaluación. En el extremo de la primera infancia, AI-Play extiende el PC y la alfabetización en IA al estudiantado de Pre-K–K2 y a las familias no técnicas; en el extremo universitario, el estudio sobre evaluación de programación orientada a objetos encontró que los sistemas de IA generativa de 2026 superan al estudiante medio en exámenes auténticos de programación, pero siguen fallando en interfaces, clases abstractas y herencia, lagunas conceptuales recurrentes que marcan exactamente dónde el PC sigue siendo difícil de automatizar. Un estudio aleatorizado cruzado A/B mostró que las tareas de evaluación y crítica producen resultados comparables a los de la generación, lo que sugiere que el PC puede ejercitarse juzgando soluciones de IA defectuosas, aunque las ganancias requieren un andamiaje deliberado. Por debajo de todo esto está el profesorado: el estudio sobre Micro:bit vincula la enseñanza del PC directamente con la formación docente, y la investigación sobre chatbots socráticos vincula la formulación precisa de problemas que exige el PC con un rendimiento medible en el curso.

  • Un instrumento validado localiza dónde el PC es más difícil. Una prueba de pensamiento computacional de 34 ítems construida con Diseño Centrado en la Evidencia y validada mediante teoría de respuesta al ítem en 461 estudiantes de programación con IA concentró la dificultad en la representación de datos, la secuenciación de operadores lógicos y las estructuras de bucle en lugar de repartirla uniformemente por el temario (Zhang y Zhang (2026)).

  • La elección de la medida cambia el veredicto: las entradas de pensamiento computacional y crítico alcanzaron conclusiones discordantes o mixtas en 13 de 23 pares del mismo constructo, de modo que una encuesta de PC autoinformada y una medida basada en tareas a menudo discrepan (Fan et al. (2026)).

  • El pensamiento computacional también se mide como disposición: en un estudio de juegos de tres semanas con estudiantado de quinto grado, las tendencias autodeclaradas de PC ajustadas favorecieron a la clase con IA generativa, 4,325 frente a 4,037 (p = 0,046, eta cuadrado parcial = 0,052, n = 78). Una prueba de conocimiento algorítmico no separó a los grupos (80,7 frente a 74,9), de modo que las medidas de tendencia y de conocimiento rastreaban constructos distintos (Zhou et al., 2026).

El PC y el giro de consumidores de IA a productores, creadores y diseñadores

Un objetivo central del PC en la era de la IA es llevar al estudiantado y al profesorado más allá del consumo pasivo de las salidas de IA hacia crear, construir y diseñar con la IA y para la IA, una agenda que alinea el PC con el aprendizaje construccionista (aprender haciendo). La investigación hace cada vez más explícito este giro hacia el productor, el creador y el diseñador. La investigación sobre autoría de modelos reformula el aprendizaje por construcción con IA generativa como un proceso medible de «autoría de modelos»: el estudiantado crea, depura e itera modelos de IA en lugar de limitarse a consumir código o respuestas generados por IA. El marco CtL-GenAI lo operacionaliza como construccionismo para la era de la IA generativa, tratando los artefactos que el estudiantado construye con IA como el motor del desarrollo del PC. El PC a través de la creación de agentes de IA muestra que diseñar agentes de IA, y no solo usarlos, ejercita directamente la descomposición, la abstracción y el razonamiento algorítmico.

La nueva evidencia metaanalítica afina este panorama. Una metarrevisión de 128 revisiones sistemáticas sobre PC encuentra que el campo converge hacia una definición unificada del PC como el razonamiento con modelos abstractos que utilizan pasos computacionales y algoritmos para resolver problemas, precisamente el tipo de pensamiento de construcción de modelos (y no de consumo de respuestas) que exige el aprendizaje orientado a la producción. La investigación sobre PC y robótica en educación infantil muestra que incluso quienes aprenden en la primera infancia se convierten en productores mediante la construcción basada en el juego con robots, usando aprendizaje basado en problemas, narración y andamiaje, un primer paso evolutivo hacia ver la tecnología como algo que se construye y no solo se maneja. Y la investigación sobre evaluación y crítica demuestra que el PC puede ejercitarse juzgando y depurando soluciones de IA defectuosas, una postura de productor ante la salida de la IA que resiste la trampa del consumo pasivo.

La consecuencia práctica es que la enseñanza del PC debería diseñarse para que quienes aprenden hagan cosas con IA —crear modelos, construir agentes, construir artefactos y criticar la salida de la IA— en lugar de recibir soluciones acabadas. Esto profundiza a la vez el PC y construye una alfabetización en IA participativa y creativa y no meramente conceptual. El profesorado, por su parte, necesita apoyo para pasar de usar herramientas de IA a diseñar actividades de aprendizaje enriquecidas con IA (véase el rol docente y la formación profesional).

Reutilizar modelos ajenos forma parte de la postura del productor: implementar un modelo de IA ya publicado —seleccionarlo, instalarlo, ejecutarlo y validarlo— puede enseñarse como una habilidad estructurada y aprendible, con una ruta alternativa para cada fallo previsto, y tres estudiantes de grado de química sin formación en programación reprodujeron y ampliaron un modelo de predicción de interacciones enzima-sustrato en cuatro meses (Achterweust et al. (2026)).

Orientaciones prácticas

Para el profesorado, el mensaje constante es que el PC se desarrolla mediante una implicación explícita, andamiada y observable y no mediante un uso pasivo de la IA. Combine la robótica con un mapeo explícito de los conceptos de PC al currículo; use los LLM para la simulación, el control en lenguaje natural y la evaluación escalable del desarrollo del PC, reservando el juicio humano para constructos como el pensamiento sistémico; y rediseñe las evaluaciones para dar más peso a la evaluación y el diagnóstico de la salida de la IA que a la generación bruta. Sea cual sea el contexto —el juego desconectado en la primera infancia, los robots en la educación STEM secundaria o los tutores virtuales en la educación superior—, estructure la actividad para que el estudiantado tenga que razonar sobre descomposición, patrones, abstracción y algoritmos en lugar de recibir soluciones acabadas.

Conexiones con conceptos relacionados

El pensamiento computacional es el fundamento cognitivo compartido que subyace a la alfabetización en IA y al pensamiento crítico, el núcleo curricular de la enseñanza de la informática y de la informática en K-12, y el objetivo conceptual al que mejor sirven la robótica educativa, el aprendizaje basado en juegos y el aprendizaje basado en proyectos. Lo profundizan los grandes modelos de lenguaje y la IA generativa cuando se usan como herramientas de andamiaje, y es la habilidad que las taxonomías de ideas erróneas del estudiantado y las evaluaciones conscientes del PC pretenden medir. El profesorado lo desarrolla mediante la formación docente y la formación profesional, y se transfiere entre dominios, incluida la educación en física y la educación STEM en general.

  • El pensamiento computacional predice el aprendizaje con asistentes de IA. El estudiantado de octavo curso con un pensamiento computacional alto superó significativamente a sus pares con PC bajo en un curso de asistentes de IA para programar, usando el asistente para comprender en lugar de para recuperar respuestas.

Concepciones erróneas

  • «La IA elimina la necesidad del pensamiento computacional.» El estudio sobre depuración con chat encontró que, cuando estudiantes de grado depuraban circuitos con ayuda de LLM, sus carencias en conceptos fundamentales y en pensamiento crítico —y no la herramienta— eran el factor limitante. El PC es lo que permite a quien aprende evaluar una salida en lugar de aceptarla, que es precisamente la capacidad que hace utilizable la asistencia de IA.
  • «La asistencia de IA iguala las condiciones en entornos con pocos recursos.» Puede hacerlo, bajo ciertas condiciones. Un cuasiexperimento de 14 semanas con 103 estudiantes de primer año en Nigeria encontró que el aprendizaje basado en problemas apoyado por IA (ChatGPT y Teachable Machine) produjo ganancias, y la IA como «par más capaz» sostiene el PC donde falta otra provisión. Pero eso es un hallazgo sobre una intervención estructurada, no una propiedad de dar un chatbot al estudiantado.
  • «Los LLM no pueden evaluar el PC de forma fiable.» La investigación sobre evaluación del PC en física encontró que los LLM pueden replicar a los evaluadores humanos al puntuar el crecimiento en Prácticas de Datos y Prácticas de Resolución Computacional de Problemas en cursos de matrícula numerosa. El obstáculo para escalar la evaluación del PC ha sido la capacidad de evaluación, y esa restricción se está suavizando, lo que desplaza el problema de diseño a si el instrumento mide el PC o el cumplimiento.
  • «El PC es una habilidad de programación que la robótica resulta que enseña.» Una revisión sistemática de 95 estudios confirma que la robótica fomenta el PC, la creatividad y la resolución de problemas, pero también que el entorno modera el resultado: la entrega basada en juegos conviene a entornos informales, mientras que la gamificación difiere en los formales. El PC es un conjunto de prácticas que se transfieren de forma desigual, así que la afirmación de transferencia necesita el diseño de tarea que realmente se usó.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.