Incorporación de Pensamiento Computacional en Ingenierías como soporte a la competencia de Desarrollo de Problemas: jugando con Lightbot

Abstract

To validate our proposal, quantitative analysis with a quasi-experimental design was carried out with a convenience sample of 80 students. The result obtained shows a significant difference in the three p-value results of the experimental group. Having made use of Lightbot has allowed us to observe that it can be incorporated in short sessions and courses aimed at solving problems and that they are not necessarily linked to programming, which would allow its incorporation in different subjects of the various Engineering programs. Keywords: Engineering Education; Lighbot; Computational Thinking, Problem Solving. 1.Introducción El desafío en la enseñanza de ingeniería está en equipar a nuestros estudiantes con habilidades de resolución de problemas, comunicación, trabajo en equipo, autoevaluación, gestión de cambios y aprendizaje permanente (Woods,2000).

Headnote

Resumen: Uno de los desafíos en la enseñanza de ingeniería está en equipar a nuestros estudiantes con habilidades de identificar, formular y resolver problemas mediante un proceso buscando la mejor la mejor respuesta. El pensamiento computacional que está siendo incorporada en las currículas a nivel mundial, ayuda a mejorar la capacidad analítica, implica resolver problemas, diseñar sistemas y comprender el comportamiento humano, basándose en los fundamentos de la computación. Muchas de las formas que se han utilizado para incorporar pensamiento computacional están ligadas a cursos de programación en los primeros semestres, lo cual puede ser desafiante para los estudiantes. Nuestro trabajo presenta la experiencia del uso del juego Lightbot como herramienta para incorporar el desarrollo de pensamiento computacional como soporte a la competencia de resolución de problemas en ingeniería. Para validar nuestra propuesta se realizó un análisis cuantitativo con diseño cuasi experimental con una muestra por conveniencia de 80 estudiantes. Se han evaluado tres dimensiones relacionadas a la resolución de problemas: pensamiento algoritmo, descomposición, y generalización). El resultado obtenido muestra una diferencia significativa en los tres resultados p-valor del grupo experimental. El haber hecho uso de Lightbot nos ha permitido observar que puede ser incorporado en sesiones cortas y en cursos orientados a resolución de problemas y que no necesariamente estén ligados a programación lo que permitiría su incorporación en diferentes cursos de los diversos programas de Ingenería.

Palabras-clave: Educación Ingeniería; Generalización, Lighbot; Pensamiento Computacional, Resolución de Problemas

Abstract: One of the challenges in engineering education is equipping our students with the skills to identify, formulate, and solve problems through a process of seeking the best answer. Computational thinking that is being incorporated into curricula worldwide, helps to improve analytical skills, involves solving problems, designing systems, and understanding human behavior, based on the fundamentals of computing. Many of the ways that have been used to incorporate computational thinking are tied to programming courses in the first semesters, which can be challenging for students. Our work presents the experience of using the Lightbot game as a tool to incorporate the development of computational thinking as a support to the problem-solving competence in engineering. To validate our proposal, quantitative analysis with a quasi-experimental design was carried out with a convenience sample of 80 students. Three dimensions related to problem-solving have been evaluated: algorithmic thinking, decomposition, and generalization). The result obtained shows a significant difference in the three p-value results of the experimental group. Having made use of Lightbot has allowed us to observe that it can be incorporated in short sessions and courses aimed at solving problems and that they are not necessarily linked to programming, which would allow its incorporation in different subjects of the various Engineering programs.

Keywords: Engineering Education; Lighbot; Computational Thinking, Problem Solving.

1.Introducción

El desafío en la enseñanza de ingeniería está en equipar a nuestros estudiantes con habilidades de resolución de problemas, comunicación, trabajo en equipo, autoevaluación, gestión de cambios y aprendizaje permanente (Woods,2000). Estos objetivos son consistentes con Criterios de las acreditadoras de Ingeniería como es el caso de (ABET,2020) que considera como componente esencial en la educación en ingeniería el resultado 3e, que establece que los graduados en ingeniería deben "tener la capacidad de identificar, formular y resolver problemas de ingeniería". La resolución de problemas se define como un proceso que se utiliza para obtener la mejor respuesta a una incógnita o decisión sujeta a algunas limitaciones (Korkmaz, , Cakir & Özden, 2017), (Wing, 2008). (Wing, 2006) define Pensamiento Computacional (PC) como un enfoque para resolver problemas referido conceptualizar, desarrollar abstracciones y diseñar sistemas lo cual se sobrepone con el pensamiento lógico y requiere conceptos fundamentales de computación. Los tres componentes más aceptados del PC son la abstracción, pensamiento algorítmico y resolución de problemas (Kalelioglu & Gülbahar, 2014). En el trabajo de (Korkmaz, Cakir, & Özden, 2017) se afirma que las habilidades de PC incluyen los componentes de creatividad, pensamiento algorítmico, colaboración, pensamiento crítico, resolución de problemas y comunicación. Así mismo (Weintrop et al, 2015) afirma que el PC permite desarrollar competencias para lograr la resolución para trabajar con problemas difíciles, hacer frente a situaciones complejas, dividir piezas complejas en otras más pequeñas y hacer que el problema sea reconocible. Investigadores como (Barr, 2001) y (Wing, 2008) enfatizan que PC se basa en los procesos de resolución, identificación y formulación de problemas. Otros investigadores (Bilbao et al., 2017), (Dagiene & Stupuriene, 2016) enfatizan que que el pensamiento computacional puede ser particularmente útil en el aprendizaje de matemáticas, ciencias e ingeniería. Bajo este contexto nuestra pregunta de investigación es si ¿La incorporación de Pensamiento Computacional haciendo uso de Lightbot mejora las habilidades de resolución de problemas?

En ésta línea los investigadores han desarrollado una propuesta para la incorporación de la enseñanza de Pensamiento Computacional a través de un marco de trabajo hacienda uso Lightbot, juego validado para dichos fines (Gouws, Bradshaw, & Wentworth, 2013). Sus características acotadas y minimalistas lo hacen atractivo para ser incorporado sin conocimientos previos de programación. La experiencia ha sido diseñada en tres componentes cuya atención se centra en: pensamiento algorítmico, generalización y descomposición.

2.Background

2.1.Pensamiento Computacional.

La definición más importante de Pensamiento Computacional está dada por su creadora Jeannette Wing (Wing, 2006), la cual explica que es una metodología que usa diferentes niveles de abstracción, enfoques analíticos y algorítmicos, en la cual se platean, analizan y resuelven problemas. Se trata de descomponer el problema en pequeñas partes, para poder analizar las soluciones a cada uno de ellos. Para el presente trabajo se utilizó como punto de referencia las características dadas por (Bocconi et al, 2016) que recopila información de cinco estudios internacionales trascendentes sobre pensamiento computacional: abstracción, pensamiento algorítmico, automatización, descomposición, depuración, generalización.

a. Abstracción - La abstracción es el proceso de hacer un artefacto más comprensible a través de la reducción de los detalles innecesarios. La habilidad en la abstracción reside en la elección del detalle a ocultar de manera que el problema se vuelva más fácil, sin perder todo lo que es importante. Una parte fundamental de la misma es la elección de una buena representación de un sistema. Diferentes representaciones hacen diferentes cosas fáciles de hacer.

b. Pensamiento algorítmico - El pensamiento algorítmico es una forma de llegar a una solución a través de una definición clara de los pasos. Involucra la construcción paso a paso para resolver un problema particular. El construir algoritmos es crucial dado que a medida que se desarrolla se van creando abstracciones lo suficientemente robustas como para poder reutilizarlas para resolver problemas similares.

c. Automatización - Se refiere a la demostración del algoritmo. Los estudiantes diseñan o ejecutan modelos para probar sus propuestas y tomar decisiones acerca de que deben considerar para mejorar sus abstracciones.

d. Descomposición - Es una manera de pensar acerca de los artefactos en términos de sus partes y componentes. Cada pieza debe entenderse, solucionarse, desarrollarse y evaluarse por separado. Esto hace más fácil resolver problemas complejos, y grandes sistemas más fáciles de diseñar.

e. Depuración - Es analizar los problemas y errores en la lógica y actividades. es la aplicación sistemática de habilidades de análisis y evaluación utilizando como prueba la localización y el pensamiento lógico para predecir y verificar los resultados. En este estado el estudiante recibe retroalimentación sobre sus algoritmos y los evalúa para tomar acciones aplicando nuevas estrategias.

f. Generalización - La generalización se asocia con la identificación de patrones, similitudes y conexiones, y la explotación de las características. Es una forma de resolver rápidamente los nuevos problemas sobre la base de las soluciones en los problemas anteriores, y la construcción en la experiencia previa. Haciendo preguntas tales como "¿Esto es similar a un problema que ya he solucionado?" y "¿Cómo es diferente?" Son importantes aquí el proceso de reconocimiento de patrones. Algoritmos que resuelven algunos problemas específicos se pueden adaptar para resolver toda una clase de problemas similares.

2.2.Lightbot

Lightbot (Vidal Duarte, 2017) es un juego educativo de doce niveles cuyo objetivo es programar un pequeño robot para iluminar todos los bloques azules en un tablero. Este objetivo se logra dando al robot una serie de instrucciones de un conjunto limitado: Avanzar, Girar Derecha, Girar Izquierda, Saltar, Iluminar, F1 y F2 (Fig. 1a) en un espacio para doce instrucciones llamado MAIN MEHTOD (Fig. 1b).

Para los primeros cinco niveles sólo se se necesita el MAIN MEHTOD, a partir del nivel 6 en adelante, los retos son mayores y es necesario usar las funciones FUNCT.1 y FUNCT. 2 las cuales permiten agrupar patrones de instrucciones que pueden ser reutilizadas en el MAIN METHOD (Fig 1c). Durante el juego, los jugadores necesitan diseñar un algoritmo de solución mediante el uso de las instrucciones para encontrar caminos para ayudar al robot a prender el cuadrado. Hay tres tipos de acciones que los jugadores pueden realizar cuando terminan de diseñar sus algoritmos. El primero es GO que permite ejecutar las instrucciones (Fig. 1d) visualizando el movimiento del robot de acuerdo al algoritmo. La segunda acción es RESET (Fig. 1e) que permite rediseñar la propuesta de solución. El último tipo de acción es depurar una solución. Siempre que los jugadores Dentro de estas etapas de diseño de algoritmos, depuración y ejecución son tres: los aspectos claves que hemos abordado como soporte a la solución de problemas : pensamiento algorítmico, descomposición, el análisis, la abstracción y la automatización computacionales entran en el juego.

3.Metodologia

3.1. Descripción

Dado que nuestro objetivo es desarrollar pensamiento computacional a nivel de educación de Ingeniería se han implementado las actividades buscando potenciar las habilidades relacionados a ella: pensamiento algorítmico, descomposición, generalización (abstracción) y automatización. Se propone implementar la propuesta en tres componentes.

Componente 1 - Pensamiento Algorítmico: Los estudiantes deberán jugar los niveles del 1 al 5 de Lightbot, en dichos niveles los estudiantes programan al robot con una secuencia de instrucciones. La sesión se dará en dos horas. A este nivel solo se necesita hacer uso del MAIN METHOD (Fig. 2).

Componente 2 - Generalización: Los estudiantes deberán jugar nuevamente los niveles 1 al 5 de Lightbot, donde en esta oportunidad los estudiantes deberán identificar patrones repetitivos los cuales serán plasmados en FUNCT 1 y FUNCT 2 y utilizados en el MAIN METHOD (Fig. 3)

Componente 3 - Descomposición: Los estudiantes deberán jugar los niveles del 6 al 12 descomponiendo el algoritmo propuesto en dos parte manejables y con posibilidades de reutilización. A modo de ejemplo en la figura 4-izquierda se observa un diseño de algoritmo que cuatro veces el uso de la FUNCT. 1 dentro del MAIN MEHTOD. En la figura 4-derecha se observa como FUNCT. 1 hace uso de FUNCT. 2 como parte de propuesta de solución.

La Automatización y la Depuración están presentes durante todo el proceso en cada uno de los niveles permitiendo a los estudiantes ejecutar los algoritmos propuestos y tomar decisiones acerca de que deben considerar para mejorar sus abstracciones analizando los problemas y errores en la lógica y actividades para proponer nuevas estrategias de solución.

3.2.Materiales y Métodos

Para comprobar la efectividad de nuestra propuesta se ha utilizado el enfoque cuantitativo. El universo corresponde a 120 estudiantes del primer semestre de la Escuela Profesional de Ingeniería de Sistemas de la Universidad Nacional de San Agustín en el año 2019. Se utilizó una muestra por conveniencia de 80 estudiantes del primer semestre quienes no contaban con experiencia previa en programación. El diseño de la investigación es cuasi experimental: se tiene un grupo de control y uno experimental. A ambos grupos se les aplicó pre test y post test. Se hizo una adaptación a la propuesta de evaluación de pensamiento computacional propuesto por (Roman-Gonzales, 2015). Cabe mencionar que las notas son evaluadas de cero a veinte.

En esta investigación se han evaluada las tres dimensiones : algoritmos, descomposición y generalización. Con el fin de probar la validez de nuestra propuesta se utilizó una estadística inductiva T de Student para dos muestras relacionadas. Sin embargo, antes de proceder a la ejecución de la prueba T de Student, fue necesario comprobar si se cumplía el requisito para el uso de pruebas paramétricas: verificar el criterio de la distribución normal de los datos (a través de las pruebas Kolmogorov-Smirnov y Shapiro-Wilk).

La aplicación de la prueba T de Student fue dividida en tres pruebas a)Pensamiento Algorítmico, b) Descomposición y c) Generalización. El objetivo fue verificar si había diferencias en los resultados en cuanto a notas entre ambos grupos y si estas eras significativas. Para ello se planteó como hipótesis: "La incorporación de Pensamiento Computacional haciendo uso de Lightbot mejoraría las habilidades de resolución de problemas". El criterio para decidir fue: "Si la probabilidad obtenida P-valor <= alfa (5%), se acepta la hipótesis".

4.Resultados y Discusión

En la Tabla 1 se resume los promedios de pre test y post test para cada una de las dimensiones tanto para el grupo de control como para el grupo experimental. Se observa que el p-valor obtenido en las tres dimensiones para el grupo de control no muestra una diferencia significativa entre las notas obtenidas. Por el contrario el grupo experimental si presenta un p-valor en las tres dimensiones menor al 5% que muestra una diferencia significativa en las notas obtenidas luego de haber realizado las actividades propuestas con Lightbot. En el grupo experimental el mayor valor promedio está dado en la dimensión de Pensamiento Algorítmico con un resultado de 16.88, creemos que la razón principal está dada en que el diseño de algoritmos está presente en los 12 niveles del juego, en cambio los ejercicios de descomposición y generalización están presentes a partir del nivel 6. En tal sentido la hipótesis: "La incorporación de Pensamiento Computacional haciendo uso de Lightbot mejoraría las habilidades de resolución de problemas" es aceptada.

Existe en la literatura experiencias de uso de Lightbot pero mas orientadas a enseñar conceptos fundamentales de computación en un primer curso de programación. En el trabajo de Aedo (Aedo et al., 2016) se muestra su uso para enseñar abstracción, funciones y reuso. Vidal (Vidal Duarte, 2017) presenta también el uso de Lightbot pero orientado a la enseñanza de algoritmos y funciones. Ninguno de estos trabajos realiza un análisis orientado a la resolución de características de resolución de problemas

5.Conclusiones

En este trabajo se ha presentado una propuesta de actividades que incorporan el pensamiento computacional como soporte al desarrollo de la competencia de resolución de problemas en estudiantes de Ingeniería. El resolver problemas implica identificar, formular a través de un proceso que se utiliza para obtener la mejor respuesta sujeta a algunas limitaciones. De acuerdo a los diferentes referentes expuestos en la sección 2 se reconoce una serie de características del pensamiento computacional que contribuyen a la resolución de problemas: abstracción, pen-samiento algorítmico, descomponer el problema en pequeñas partes, analizar los problemas y errores en la lógica, identificación de patrones entre otras. Se ha presentado las principales características del Lightbot en cuanto al entorno de juego y como potenciar su uso a través de 3 componentes que pueden ser organizados en una o varias sesiones de trabajo para lograr no sólo desarrollar pensamiento computacional sino reflexionar sobre características ligadas a la resolución de problemas. Dichas sesiones podrían ser combina-das o expandidas de acuerdo a las necesidades de cada especialidad, al tiempo disponible u objetivos que se busquen potenciar. Creemos que la experiencia presentada podría ser incorpo-rada como herramienta de soporte para que los estudiantes reflexiones sobre los aspectos implicados en la resolución de problemas de una manera lúdica. La cantidad de sesiones y ejercicios son lo suficientemente cortos que podrían ser incorporados en cualquier curso. La fortaleza de Lightbot radica en que no es necesaria la experiencia previa en programación y las actividades son generales lo que lo hace ideal para utilizarlo en cualquier programa que forma ingenieros.

Como trabajo futuro se pretende explorar la característica de contador de comandos, cuyo potencial es trabajar la característica de eficiencia de la solución. Esta característica permitiría que el estudiante proponga algoritmos cada vez mas eficientes , es decir con un numero menor de instrucciones.

References

Referencias

ABET (2020). Criteria for Accrediting Engineering Programs, 2020 - 2021. https://www.abet.org/accreditation/accreditation-criteria/criteria-foraccrediting-engineering-programs-2020-2021/

Aedo Lopez, M., Vidal Duarte, E., Castro Gutierrez, E., & Paz Valderrama, A. (2016, July). Teaching Abstraction, Function and Reuse in the first class of CSi: A Lightbot Experience. In Proceedings of the 2016 ACM Conference on Innovation and Technology in Computer Science Education, (pp. 256-257).

Barr, D., Harrison, J., & Conery, L. (2011). Computational thinking: a digital age skill for everyone. Learning & Leading with Technology, 38(6), 20-23.

Bilbao, J., Bravo, E., Garcia, O., Varela, C., & Rebollar, C. (2017). Assessment of computational thinking notions in secondary school. Baltic Journal of Modern Computing, 5(4), 391-397.

Bocconi, S., Chioccariello, A., Dettori, G., Ferrari, A., & Engelhardt, K. (2016). Developing computational thinking in compulsory education-Implications for policy and practice (No. JRC104188). Joint Research Centre.

Dagiene, V., & Stupuriene, G. (2016). Bebras-a sustainable community building model for the concept based learning of Informatics and computational thinking. Informatics in Education, 15(1), 25-44.

Gouws, L. A., Bradshaw, K., & Wentworth, P. (2013, July). Computational thinking in educational activities: an evaluation of the educational game light-bot. In Proceedings of the 18th ACM conference on Innovation and technology in computer science education, (pp 10-15).

Iturbe, C. B., Ochoa, L. L., Castello, M. J., & Pelayo, J. C. (2009). Educating the engineer of 2020: Adapting engineering education to the new century pp. 1110-1121. IATED.

Kalelioglu, F., & Gülbahar, Y. (2014). The Effects of Teaching Programming via Scratch on Problem Solving Skills: A Discussion from Learners' Perspective. Informatics in Education, 13(1), 33-50.

Kazimoglu, C., Kiernan, M., Bacon, L., & MacKinnon, L. (2012). Learning programming at the computational thinking level via digital game-play. Procedia Computer Science, 9, 522-531.

Korkmaz, Ö., Cakir, R., & Özden, M. Y. (2017). A validity and reliability study of the computational thinking scales (CTS). Computers in Human Behavior, 72, 558-569.

Mourtos, N. J., Okamoto, N. D., & Rhee, J. (2004, February). Defining, teaching, and assessing problem solving skills. In 7th UICEE Annual Conference on Engineering Education , 1-5.

Román-Gonzalez, M., Pérez-González, J. C., & Jiménez-Fernández, C. (2015, October). Test de Pensamiento Computacional: diseño y psicometría general. In III Congreso Internacional sobre Aprendizaje, Innovación y Competitividad (CINAIC 2015), (pp 1-6).

Shute, V. J., Sun, C., & Asbell-Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142-158.

Vidal Duarte, E., Castro Gutierrez, E., & Aedo, M. (2017, June). When the Robot Meets the Turtle: A Gentle Introduction to Algorithms and Functions. In Proceedings of the 2017 ACM Conference on Innovation and Technology in Computer Science Education , (pp. 78-79).

Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L., & Wilensky, U. (2015). Defining Computational Thinking for Mathematics and Science Classrooms. Journal of Science Education and Technology, 1-21.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.

Wing, J. M. (2008). Computational thinking and thinking about computing. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 366(1881), 3717-3725.

Woods, D. R., Felder, R. M., Rugarcia, A., & Stice, J. E. (2000). The future of engineering education III. Developing critical skills. change, 4, 48-52.