El documento discute cómo la tecnología ha transformado radicalmente nuestras vidas y relaciones, y plantea preguntas sobre cómo enseñar robótica educativa, pensamiento computacional y otras habilidades digitales en la educación. Aborda temas como la atención en la era de las pantallas, los sesgos de los algoritmos, y cómo desarrollar el pensamiento computacional mediante enfoques como el aprendizaje basado en problemas, proyectos y juegos. Finalmente, plantea preguntas abiertas sobre cuándo y cómo empezar a en
13. Sesgos algorítmicos
Cathy O'Neil (2018). Armas de destrucción matemática:
Cómo el Big Data aumenta la desigualdad y amenaza la democracia. Capitán Swing.
25. «Los niños han dejado de ser “versiones en miniatura de nosotros mismos”,
como pudieron serlo en el pasado. Son hablantes nativos de la tecnología,
dominan el lenguaje de los ordenadores, de los videojuegos y de Internet»
«Son rápidos, multitarea y pasan con agilidad de una cosa a otra»
«De hecho, son tan diferentes de nosotros que ya no podemos utilizar nuestros
conocimientos propios del siglo XX ni nuestra experiencia académica como punto
de referencia para saber qué es lo mejor para ellos en materia educativa»
«Los alumnos de hoy han aprendido a dominar una extensa variedad de
herramientas digitales que jamás dominaremos con su mismo nivel de competencia.
Estas herramientas son como prolongaciones de sus cerebros.»
Nativos digitales. Prensky, M. (2005).
26. Los supuestos nativos digitales muestran un nivel de dominio de las
herramientas digitales realmente pobre fuera de los usos lúdicos básicos.
El principal obstáculo para la digitalización del sistema
educativo es «la escasa competencia digital de los estudiantes»
«Cuando se trata de evaluar la información que circula por las redes sociales,
resulta que son fáciles de engañar. En todos los casos, a todos los niveles,
la falta de preparación de los estudiantes nos ha desconcertado»
Calvani, A., Fini, A., Ranieri, M., & Picci, P. (2012).
Demirbilek, M. (2014).
Johnson, L., et al. (2014).
27. Las pantallas no mejoran la educación
(de hecho, la empeoran)
https://diariodeuninterino.wordpress.com/2021/10/18/lista-de-evidencias-que-sugieren-que-las-pantallas-no-mejoran-la-educacion-la-empeoran/
Las pantallas interfieren en la secreción natural de melatonina:
https://www.bbc.com/mundo/noticias/2012/09/120831_tecnologia_electronicos_insomnio_aa
Móviles, tablets, y TV reducen la corteza prefrontal y los niveles de mielina
https://www.seattlechildrens.org/directory/dimitri-a-christakis/
Apps móviles están hechas para crear adicción potenciando el sistema dopaminérgico,
como hacen las drogas: http://www.neuroregulation.org/article/view/18189/11842
28. La interacción humana es un lujo en la era de las pantallas
https://www.nytimes.com/es/2019/03/26/espanol/opinion/tecnologia-pantallas-contacto.html
30. ¿Es tan importante?
Hoy en día casi todo está mediado por el software,
entenderlo es importante para entender el mundo
31. Program or be programmed: Ten commands for a digital age
(Rushkoff, 2010)
32. Una buena alfabetización digital no puede quedarse en lo
más básico de la taxonomía de Bloom
(Bloom, Krathwohl y Masia, 1984; Anderson & Krathwohl, 2001)
34. Wing, J. M. (2006). Computational thinking.
Communications of the ACM, 49(3), 33-35.
Resolver problemas proporcionando soluciones
que puedan llevarse a cabo por un ordenador
35. Mindstorms: Children, computers, and powerful ideas.
(Papert, 1980)
La computadora es una potente herramienta para
transformar lo abstracto en concreto
36. Denning, P. J. (2017). Remaining trouble spots with
computational thinking. Communications of the ACM, 60(6), 33-39.
El proceso de pensamiento en el que se plantean soluciones a
problemas de tal forma que puedan llevarse a cabo por una computadora
37. Esta computadora no tiene que ser necesariamente
electrónica o mecánica, incluso podría ser humana
(Turing, 1950).
43. Principios del Pensamiento Computacional (NSF)
1. La computación es una actividad creativa humana.
2. La abstracción reduce la información y detalle y se enfoca en
los conceptos relevantes para entender y resolver problemas.
4. Los algoritmos son herramientas para desarrollar y
expresar soluciones a problemas computacionales.
6. Los dispositivos digitales, sistemas y redes que los
interconectan facilitan soluciones computacionales a problemas.
7. La computación permite la innovación en otros campos tales como la
ciencia, las humanidades, el arte, la medicina, la ingeniería o los negocios.
3. La información permite la creación de conocimiento.
5. Programar es un proceso creativo que produce artefactos computacionales.
49. Metodologías para el desarrollo del Pensamiento Computacional (Hsu et al, 2018)
1. Aprendizaje basado en problemas: los estudiantes exploran las soluciones por su
cuenta fijando sus propias metas de aprendizaje y planteando las cuestiones apropiadas.
3. Aprendizaje basado en proyectos: los proyectos son tareas complejas que requieren
investigación, diseño, resolución de problemas, toma de decisiones, etc. durante
largos periodos de tiempo y culminan en productos o servicios reales.
4. Aprendizaje basado en juegos: el uso de juegos con un propósito educativo.
5. Andamiaje: proporcionar el marco de aprendizaje para ayudar a
aprender a resolver los problemas desde el principio y de forma autónoma.
2. Aprendizaje en grupo: cooperativo (el trabajo se divide) o
colaborativo (el trabajo se comparte).
52. Code.org
Los lenguajes de programación visuales pueden reducir la carga cognitiva
asociada a la lectura y ser más accesibles (Sengupta et al., 2015).
53. Scratch / ScratchJr (https://scratch.mit.edu/)
Algunos elementos gráficos pueden percibirse como una distracción y
requerir la capacidad de inhibición de los estudiantes (Çakiroglu y Suiçmez, 2018)
54. Scratch / ScratchJr (https://scratch.mit.edu/)
El uso de representaciones visuales del código también puede ayudar a crear un modelo mental sobre la
secuenciación de la codificación y el funcionamiento del código (Di Lieto e Inguaggiato, 2017; Tsai, 2019)
60. Muchísimas más opciones
Eguíluz, A., Garaizar, P., & Guenaga, M. (2018). An evaluation of open digital gaming
platforms for developing computational thinking skills. Simulation and gaming, 143-168.
79. Assessing computational thinking:
A systematic review of empirical studies (Tang et al., 2020)
Hacen falta más herramientas para evaluar el PC y que no solo se
centren en la evaluación de las habilidades programando
80. A meta-analysis of teaching and learning computer programming: Effective
instructional approaches and conditions (Scherer, Siddiq & Viveros, 2020)
81. A meta-analysis of teaching and learning computer programming: Effective
instructional approaches and conditions (Scherer, Siddiq & Viveros, 2020)
Los estudios basados en elementos físicos fueron especialmente efectivos
La programación visual (Scratch) es muy efectiva
Los enfoques instruccionales de programación en ordenadores muestran
efectos entre moderados y grandes
Las peculiaridades del diseño de cada estudio solo explican variaciones
marginales en los efectos
82. Román-González, M., Pérez-González, J. C., Moreno-León, J., & Robles, G. (2018).
Can computational talent be detected? Predictive validity of the Computational Thinking Test.
International Journal of Child-Computer Interaction, 18, 47-58.
83. Román-González, M., Pérez-González, J. C., Moreno-León, J., & Robles, G. (2018).
Can computational talent be detected? Predictive validity of the Computational Thinking Test.
International Journal of Child-Computer Interaction, 18, 47-58.
84. Román-González, M., Pérez-González, J. C., Moreno-León, J., & Robles, G. (2018).
Can computational talent be detected? Predictive validity of the Computational Thinking Test.
International Journal of Child-Computer Interaction, 18, 47-58.
85. Román-González, M., Pérez-González, J. C., Moreno-León, J., & Robles, G. (2018).
Can computational talent be detected? Predictive validity of the Computational Thinking Test.
International Journal of Child-Computer Interaction, 18, 47-58.
86. Zapata-Cáceres, M., Martín-Barroso, E., & Román-González, M. (2020, April).
Computational thinking test for beginners: Design and content validation.
In 2020 IEEE EDUCON (pp. 1905-1914). IEEE.
87. Zapata-Cáceres, M., Martín-Barroso, E., & Román-González, M. (2020, April).
Computational thinking test for beginners: Design and content validation.
In 2020 IEEE EDUCON (pp. 1905-1914). IEEE.
88. Guenaga, M., Eguíluz, A., Garaizar, P., & Gibaja, J. (2021). How do students develop
computational thinking? Assessing early programmers in a maze-based online game.
Computer Science Education, 31(2), 259-289
89. Sun, L., Hu, L., & Zhou, D. (2022). Programming attitudes predict
computational thinking: Analysis of differences in gender and
programming experience. Computers & Education, 181, 104457.
90. Sun, L., Hu, L., & Zhou, D. (2022). Programming attitudes predict
computational thinking: Analysis of differences in gender and
programming experience. Computers & Education, 181, 104457.
91. Sun, L., Hu, L., & Zhou, D. (2022). Programming attitudes predict
computational thinking: Analysis of differences in gender and
programming experience. Computers & Education, 181, 104457.
93. ¿CUÁNDO ES MEJOR EMPEZAR A
DESARROLLAR EL PENSAMIENTO
COMPUTACIONAL?
94. PC en la LOMLOE
Educación Infantil: Desarrollar, de manera progresiva, los procedimientos del método científico y
las destrezas del pensamiento computacional, a través de procesos de observación y
manipulación de objetos, para iniciarse en la interpretación del entorno y responder
de forma creativa a las situaciones y retos que se plantean.
Educación Primaria: Utilizar el pensamiento computacional, organizando datos,
descomponiendo en partes, reconociendo patrones, generalizando e interpretando,
modificando y creando algoritmos de forma guiada,
para modelizar y automatizar situaciones de la vida cotidiana.
Educación Secundaria: Utilizar los principios del pensamiento computacional
organizando datos, descomponiendo en partes, reconociendo patrones,
interpretando, modificando y creando algoritmos, para modelizar situaciones
y resolver problemas de forma eficaz.
109. Referencias
Prensky, M. (2005). Digital natives, digital immigrants. Gifted, (135), 29-31.
Calvani, A., Fini, A., Ranieri, M., & Picci, P. (2012). Are young generations in secondary school digitally
competent? A study on Italian teenagers. Computers & Education, 58(2), 797-807.
Demirbilek, M. (2014). The ‘digital natives’ debate: An investigation of the digital propensities of
university students. Eurasia Journal of Mathematics, Science and Technology Education, 10(2), 115-123.
Rushkoff, D. (2010). Program or be programmed: Ten commands for a digital age. Or Books.
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, New Series, Vol. 59, No. 236 (Oct.,
1950), pp. 433-460
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35. doi:
https://doi.org/10.1145/1118178.1118215
Papert, S. A. (1980). Mindstorms: Children, computers, and powerful ideas. Basic books.
110. Referencias
Denning, P. J. (2017). Remaining trouble spots with computational thinking. Communications of the
ACM, 60(6), 33-39
Morozov, E. (2013). To save everything, click here: The folly of technological solutionism. Public Affairs.
Selby, C. & Woollard, J. 2013. Computational Thinking: The Developing Definition Available:
http://eprints.soton.ac.uk/356481/
Bloom, B. S., Krathwohl, D. R., & Masia, B. B. (1984). Bloom taxonomy of educational objectives. In
Allyn and Bacon. London: Pearson Education.
Anderson, Lorin W., and David R. Krathwohl, eds. 2001. A Taxonomy for Learning, Teaching, and
Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. New York: Addison Wesley
Longman, Inc.
Hsu, T. C., Chang, S. C., & Hung, Y. T. (2018). How to learn and how to teach computational thinking:
Suggestions based on a review of the literature. Computers & Education, 126, 296-310.
111. Referencias
Tang, X., Yin, Y., Lin, Q., Hadad, R., & Zhai, X. (2020). Assessing computational thinking: A systematic review of
empirical studies. Computers & Education, 148, 103798.
Scherer, R., Siddiq, F., & Viveros, B. S. (2020). A meta-analysis of teaching and learning computer
programming: Effective instructional approaches and conditions. Computers in Human Behavior, 109, 106349.
Zhao, L., Liu, X., Wang, C., & Su, Y. S. (2022). Effect of different mind mapping approaches on primary school
students’ computational thinking skills during visual programming learning. Computers & Education, 181,
104445.
Garaizar, P. (2016). !0 experimentos con cartas: informática desenchufada, A fortiori editorial. Online:
https://afortiori-editorial.com/2020/05/10-experimentos-con-cartas/
Sun, L., Hu, L., & Zhou, D. (2022). Programming attitudes predict computational thinking: Analysis of
differences in gender and programming experience. Computers & Education, 181, 104457.
Guggemos, J. (2021). On the predictors of computational thinking and its growth at the high-school level.
Computers & Education, 161, 104060.
112. Referencias
Román-González, M., Pérez-González, J. C., Moreno-León, J., & Robles, G. (2018). Can
computational talent be detected? Predictive validity of the Computational Thinking Test.
International Journal of Child-Computer Interaction, 18, 47-58.
Zapata-Cáceres, M., Martín-Barroso, E., & Román-González, M. (2020, April). Computational
thinking test for beginners: Design and content validation. In 2020 IEEE global engineering
education conference (EDUCON) (pp. 1905-1914). IEEE.
Guenaga, M., Eguíluz, A., Garaizar, P., & Gibaja, J. (2021). How do students develop
computational thinking? Assessing early programmers in a maze-based online game.
Computer Science Education, 31(2), 259-289
Eguíluz, A., Garaizar, P., & Guenaga, M. (2018). An evaluation of open digital gaming
platforms for developing computational thinking skills. Simulation and gaming, 143-168.