Incidencia de la Creación de Chatbots en el Desarrollo de Competencias Tecnológicas en estudiantes del Club de Inteligencia Artificial en la institución educativa La Julita de Pereira

Yeni Gabriela Correa Bolaños Juan José Pardo Burbano

Asesor: David Steven Gomez

Universidad Tecnológica de Pereira Facultad de Ciencias de la Educación Licenciatura en Tecnología con énfasis en comunicación e informática educativa

Pereira, Colombia

Tabla de Contenido Resumen​

4

Abstract​

5

Introducción​

7

Planteamiento del Problema​

10

Descripción de la Realidad Problemática​

10

Análisis de las Causas y Consecuencias del Fenómeno​

12

Formulación del Problema​

13

Objetivos​

14

Objetivo General​

14

Objetivos Específicos​

14

Justificación​

15

Hipótesis​

18

Hipótesis General:​

18

Hipótesis Nula:​

18

Capítulo 1: Marco Referencial​

19

1.1 Marco Conceptual​

19

1.1.1 Tecnología​

20

1.1.2. Competencias en el Área de Educación​

20

1.1.3. Ser Competente en Tecnología​

21

1.2. Pensamiento Computacional (PC)​

22

1.2.1. Programación por Bloques y Programación Creativa en la Educación​

22

1.2.2. Scratch​

23

1.3. Inteligencia Artificial​

23

1.3.1. IA Estrecha​

24

1.3.2. Algoritmos​

25

1.3.3. La IA en la Educación.​

25

1.4. ChatBots​

26

1.4.1. Asistentes Virtuales​

26

Capítulo 2: Metodología​

28

2.1. Diseño de la Investigación​

30

2.2. Población y Muestra​

31

2.2.1. Población​

31

2.2.2. Muestra​

32

2.3. Procedimiento y Fases de la Investigación​

34

2.3.1. Fase I: Diagnóstico​

2.3.2. Fase II: Diseño e Implementación de la Intervención​

44

2.3.3. Fase III: Evaluación y Análisis Cualitativo​

50

7.5. Técnicas e Instrumentos de Recolección de Datos​

56

7.6. Estrategias de Análisis de Datos​

57

Capítulo 3​

59

3.1. Preparación y Caracterización Inicial de la Muestra​

59

3.2. Fase I: Ejecución del Diagnóstico (PRE1)​

60

3.3. Fase II: Desarrollo de la Intervención Didáctica (DU2)​

61

3.4. Fase III: Ejecución de la Evaluación Final (POS3)​

64

Capítulo 4: Resultados​

66

4.1.1. El Usuario Pasivo frente a la Caja Negra​

66

4.2. Análisis del Proceso: Obstáculos Epistemológicos y Desarrollo Cognitivo​

68

4.2.1. La Crisis de la Abstracción y el Control de Flujo​

68

● 4.2.2. Evolución de la Autonomía: Del Andamiaje a la Depuración​

69

4.3. Evaluación de Resultados: Análisis de los Artefactos​

69

● 4.3.1. La Consolidación de la Competencia Socio-Ética (Nivel Superior)​

71

● 4.3.3. Originalidad y la Zona de Desarrollo Próximo​

72

4.4. Síntesis de la Incidencia​

73

Capítulo 5: Conclusiones​

74

5.1. Incidencia Diferenciada en las Competencias Tecnológicas​

74

5.2. La Imitación como Andamiaje y Validación del Enfoque Sociocultural​

75

5.3. Tecnología y Sociedad: Alineación con los Estándares Nacionales​

75

5.4. Fortalecimiento de la Autoeficacia Tecnológica​

76

5.5. Recomendaciones​

Considerando los hallazgos, se sugiere profundizar y ampliar el alcance metodológico de la intervención:​

76

Bibliografía​

Resumen Esta investigación tiene como propósito determinar el grado de incidencia y evaluar la relación causal de la creación de ChatBots a través de Scratch en el desarrollo y fortalecimiento de las Competencias Tecnológicas en estudiantes del Club de Inteligencia Artificial del Complejo Educativo La Julita, Pereira.El estudio se fundamenta en la relevancia de las habilidades para la Cuarta Revolución Industrial (4RI), y teóricamente se ancla en el Construccionismo de Papert y la teoría del Pensamiento Computacional (PC) de Wing. Este enfoque busca demostrar que la programación creativa (Resnick) es superior a la mera instrucción técnica, al promover habilidades cognitivas superiores como la abstracción, la algoritmia y la lógica.El diseño metodológico empleado es de corte pre-experimental con una estructura pre-prueba, intervención, post-prueba, utilizando un enfoque mixto con triangulación de datos.

Se utiliza un diagnóstico inicial para establecer la línea base (principalmente conocimiento general) y una Rúbrica de Evaluación Final rigurosamente diseñada para medir el dominio de las habilidades de PC y el Componente Ético y Social.

La estrategia se centra en la creación activa de un ChatBot funcional utilizando el entorno de programación visual Scratch. Esta intervención busca fortalecer específicamente el manejo de condicionales lógicas, la descomposición de problemas y la abstracción del lenguaje. Para el análisis de la incidencia significativa, se ha definido la aplicación de la Prueba de Wilcoxon para Muestras Emparejadas [Recomendación para el rigor]. Se anticipa que los resultados mostrarán un dominio superior en los pilares del Pensamiento Computacional, validando la hipótesis de que la creación de sistemas de IA sencillos es una estrategia eficaz para el desarrollo de

competencias tecnológicas de alta complejidad, superando la visión limitada de la tecnología como simple artefacto.

Palabras Clave: Competencias Tecnológicas, Pensamiento Computacional, Inteligencia Artificial, ChatBots.

Abstract This research aims to determine the degree of impact and evaluate the causal relationship of creating chatbots using Scratch on the development and strengthening of technological skills in students of the Artificial Intelligence Club at the La Julita Educational Complex in Pereira, Colombia. The study is based on the relevance of these skills to the Fourth Industrial Revolution (4IR) and is theoretically grounded in Papert's Constructionism and Wing's theory of Computational Thinking (CT).

This approach seeks to demonstrate that creative programming (Resnick) is superior to mere technical instruction, as it promotes higher-order cognitive skills such as abstraction, algorithms, and logic. The methodological design employed is pre-experimental, with a pre-test, intervention, and post-test structure, using a mixed-methods approach with data triangulation. An initial diagnostic assessment is used to establish a baseline (primarily general knowledge), and a rigorously designed Final Evaluation Rubric is used to measure mastery of CT skills and the Ethical and Social Component.

The strategy focuses on the active creation of a functional chatbot using the Scratch visual programming environment. This intervention specifically aims to strengthen the handling

of logical conditionals, problem decomposition, and language abstraction. For the analysis of significant impact, the Wilcoxon signed-rank test for paired samples has been defined [Recommendation for rigor]. It is anticipated that the results will demonstrate superior mastery in the pillars of computational thinking, validating the hypothesis that the creation of simple AI systems is an effective strategy for developing highly complex technological skills, overcoming the limited view of technology as a mere artifact.

Keywords: Technological Skills, Computational Thinking, Artificial Intelligence, Chatbots.

Introducción El avance exponencial de la inteligencia artificial (IA) ha generado transformaciones profundas en la educación, la comunicación, el flujo de información y la vida cotidiana. En este contexto, la formación de competencias tecnológicas en los estudiantes adquiere una relevancia esencial pasando de ser una ventaja educativa a una necesidad crítica para la formación de ciudadanos competentes y adaptables a un entorno profesional y personal en constante y acelerada transformación, Según Coll y Monereo (2008). Las competencias tecnológicas se entienden como un conjunto de conocimientos y destrezas que permiten a las personas interactuar de manera efectiva y reflexiva con la tecnología en diversos contextos. Estas habilidades abarcan no solo la capacidad técnica para manejar herramientas digitales, sino que también fomenta el pensamiento crítico acerca de la tecnología y su influencia en la sociedad. En un sistema educativo enfocado en el desarrollo integral de los estudiantes, las habilidades tecnológicas adquieren una importancia particular al favorecer su preparación para un entorno laboral globalizado y altamente digital.

Este contexto se enmarca directamente en la Cuarta Revolución Industrial (4RI), caracterizada por la fusión de las esferas física, digital y biológica, donde la Inteligencia Artificial (IA) no es solo una herramienta, sino un factor de infraestructura social y económica (Schwab, 2016). Esta realidad demanda un cambio de paradigma en la educación, priorizando habilidades que no pueden ser automatizadas, tal como lo conceptualizan Brynjolfsson y McAfee (2014) en su obra sobre la "Segunda Era de las Máquinas".

La presente investigación se enfoca en determinar la incidencia de Competencias Tecnológicas, entendidas bajo la definición holística del Ministerio de Educación Nacional

(MEN, 2008), que incluyen no sólo artefactos, sino también procesos y sistemas. Específicamente, se centra en el fortalecimiento del Pensamiento Computacional (PC), pilar definido por Wing (2006) como la base para la resolución de problemas mediante la abstracción, la descomposición y el diseño algorítmico. Esto por medio de la creación de ChatBots a través de Scratch.

Sin embargo, a pesar de la relevancia teórica y la alta demanda social de estas habilidades, aún persisten brechas en la implementación curricular. La enseñanza de la tecnología suele limitarse al uso instrumental y técnico, centrándose en el saber operar el software en lugar de en el saber conceptualizar la solución. Esta visión instrumental ha sido criticada por Jonassen (1999), quien sostiene que la tecnología debe utilizarse como herramienta para la construcción de conocimiento (y no como un simple objeto de estudio). Esta limitación impide que la educación tecnológica trascienda la mera técnica para alcanzar el nivel de tecnología que exige el MEN (2008), el cual demanda la comprensión de procesos y sistemas. En respuesta a esta necesidad de ir más allá de la técnica, se plantea la implementación de una estrategia didáctica innovadora basada en la creación activa de ChatBots utilizando el entorno de programación Scratch. Esta metodología se fundamenta en el Construccionismo de Papert (1980), quien sostiene que el aprendizaje más significativo ocurre cuando el estudiante construye un artefacto significativo. Al diseñar y programar un ChatBot, el estudiante se ve obligado a operacionalizar el PC, transformando ideas abstractas en código funcional. Esta aproximación de Programación Creativa (Resnick, 2017) es fundamental en el contexto educativo actual, ya que permite a los estudiantes desarrollar una comprensión más profunda de

los problemas tecnológicos, viéndolos como desafíos que requieren soluciones innovadoras y colaborativas.

El presente estudio emplea una metodología de corte Pre-experimental con diseño de preprueba-postprueba con un solo grupo, la cual, si bien plantea limitaciones en la validez interna (Campbell & Stanley, 1966), se complementa con un enfoque mixto de triangulación para fortalecer la evidencia de campo. Este diseño permite implementar la acción planificada (la creación del ChatBot) y evaluar su impacto utilizando una rúbrica rigurosa (O2) que mide directamente los pilares del Pensamiento Computacional, además de un componente de reflexión ética y social.

A través de estas fases, la investigación busca identificar el nivel de desarrollo de PC inicial, implementar la intervención en los talleres del Club de Inteligencia Artificial del Complejo Educativo La Julita, y por último, evaluar si el desarrollo del ChatBot generó una incidencia significativa en las competencias tecnológicas.Así, el objetivo principal de la investigación es determinar la incidencia de la creación de ChatBots en el desarrollo de las Competencias Tecnológicas de los estudiantes del Club de Inteligencia Artificial del Complejo Educativo La Julita, Pereira.

Al ofrecer una metodología educativa centrada en la creación de tecnología, se espera que los estudiantes no solo adquieran conocimientos técnicos, sino que desarrollen una comprensión crítica y creativa de la tecnología en relación con su vida y su entorno.

Planteamiento del Problema Descripción de la Realidad Problemática El siglo XXI se caracteriza por la inmersión en la Cuarta Revolución Industrial, una era definida por la convergencia de lo físico, lo digital y lo biológico, siendo la Inteligencia Artificial (IA) su principal motor (Schwab, 2016). Esta transformación exige una reestructuración radical en los sistemas educativos para que los estudiantes adquieran competencias tecnológicas que trasciendan la mera alfabetización digital y se centren en el pensamiento computacional y la creación activa.

La UNESCO (2019) ha declarado que la IA requiere un nuevo conjunto de habilidades, incluyendo la resolución de problemas complejos, el pensamiento crítico-ético y una profunda comprensión de las implicaciones sociales de la tecnología, alertando sobre la urgencia de incorporar estas destrezas en los currículos globales. Diversos estudios internacionales, como los propuestos por la OECD (2020), señalan que los países con mejores resultados en innovación educativa han adoptado el aprendizaje basado en proyectos (ABP) para enseñar programación, debido a su capacidad para desarrollar la autonomía y la creatividad, habilidades que son intrínsecas a la ingeniería de software y, por extensión, a la creación de soluciones de IA. En el contexto colombiano, el Ministerio de Educación Nacional (MEN) y el Ministerio de Tecnologías de la Información y las Comunicaciones (MinTIC) han impulsado políticas orientadas a la formación en programación como pilar para el desarrollo económico y social. A pesar de estos esfuerzos normativos, se evidencia una brecha significativa entre la exigencia de las políticas y su implementación efectiva en las aulas, especialmente en la educación básica y media.

El sistema educativo aún se enfrenta a metodologías tradicionales que privilegian el contenido teórico sobre la práctica constructivista, lo cual limita el desarrollo de la autoeficacia y la capacidad de los estudiantes para innovar (Bandura, 1986). La necesidad de superar este enfoque pasivo ha llevado a académicos como García-Peñalvo (2019) a urgir la integración de herramientas disruptivas, como los ChatBots educativos, que permitan a los estudiantes interactuar directamente con la lógica de la IA, promoviendo un aprendizaje experiencial donde el error sea visto como una oportunidad de debugging (revisar el código, analizar su comportamiento y aislar los problemas para garantizar que el sistema funcione correctamente y de manera eficiente) y crecimiento.

En respuesta a este panorama, la Institución Educativa La Julita de Pereira ha implementado el Club de Inteligencia Artificial, un espacio extracurricular diseñado para sensibilizar y formar a estudiantes de grados sexto a noveno. Sin embargo, en esta población específica, se manifiestan los desafíos sistémicos descritos anteriormente. Un diagnóstico inicial aplicado a los siete integrantes del club reveló que, aunque existe una familiaridad superficial con términos como 'IA' y con asistentes virtuales (Siri o Alexa), hay vacíos conceptuales profundos en la comprensión de cómo funcionan estas herramientas. El principal problema reside en la heterogeneidad de los conocimientos base del grupo, que va desde estudiantes con nula experiencia en programación hasta aquellos con nociones básicas. La metodología actual del Club, enfocada en la exploración general, ha resultado insuficiente para consolidar las competencias tecnológicas más avanzadas, como el pensamiento algorítmico y el diseño lógico (Wing, 2006). Esta situación demanda la implementación de una

estrategia didáctica que sea visualmente accesible, motivadora y que permita a los jóvenes pasar del consumo a la creación.

Análisis de las Causas y Consecuencias del Fenómeno La limitación en el desarrollo pleno de las competencias tecnológicas en el Club de IA de La Julita se origina en la falta de metodologías de aprendizaje activo y constructivista. Como causa central, se tiene que la instrucción existente no está alineada con el modelo construccionista de Papert (1980), el cual postula que "el aprendizaje es más efectivo cuando el estudiante está involucrado en la construcción de un producto significativo". Al no ofrecer a los estudiantes la oportunidad de crear un artefacto de IA (como un ChatBot), se restringe la internalización del conocimiento lógico y procedimental. Además, la complejidad de los lenguajes de programación tradicionales actúa como una barrera de entrada que desmotiva a la población más joven, dificultando la consolidación de la autoeficacia necesaria para abordar desafíos tecnológicos.

Las consecuencias de la inacción o la continuidad de estrategias insuficientes son severas y afectan directamente la proyección de los estudiantes:

●​ Deterioro del Pensamiento Computacional: La carencia de proyectos de creación, como los ChatBots en un entorno amigable como Scratch (Resnick et al., 2009), impide que los estudiantes desarrollen la habilidad de descomponer problemas complejos, un componente esencial del pensamiento computacional (Guzdial & Soloway, 2002). ●​ Formación de Consumidores Pasivos sin Criterio Ético: Al limitarse al uso superficial de la IA, los estudiantes pierden la oportunidad de reflexionar críticamente sobre los sesgos algorítmicos y las implicaciones éticas y sociales de la tecnología que están consumiendo

(Vélaz de Medrano et al., 2021). Esto genera una generación de usuarios tecnológicamente hábiles, pero acríticos (carecer de la capacidad o la tendencia a analizar, cuestionar y enjuiciar información) en su relación con la tecnología. ●​ Desconexión con las Exigencias Laborales Futuras: La falta de experiencia práctica en la creación de soluciones de IA condena a los estudiantes a una posición de desventaja en el futuro laboral, donde la capacidad de adaptar y diseñar sistemas basados en IA será un requisito fundamental para la innovación.

Por consiguiente, la creación de ChatBots educativos en Scratch se erige como una alternativa didáctica viable y lúdica. Esta propuesta busca superar las barreras de la heterogeneidad del grupo y la complejidad de la sintaxis, permitiendo a los estudiantes diseñar, programar y evaluar un producto funcional.

Formulación del Problema Tras describir y analizar la necesidad de superar las limitaciones en el desarrollo de competencias tecnológicas por medio de estrategias prácticas y motivadoras, se deriva la pregunta central que guiará esta investigación:

¿De qué manera incide la creación de ChatBots en el desarrollo de competencias tecnológicas de los estudiantes del Club de Inteligencia Artificial de la Institución Educativa La Julita, Pereira.

Objetivos Objetivo General Determinar la incidencia de la creación de ChatBots en el desarrollo de las Competencias Tecnológicas de los estudiantes del Club de Inteligencia Artificial del Complejo Educativo La Julita, Pereira.

Objetivos Específicos A.​ Identificar el nivel inicial de conocimiento y las principales barreras de aprendizaje en competencias tecnológicas (pensamiento computacional y lógica de programación) de los estudiantes del Club de Inteligencia Artificial. B.​ Diseñar e Implementar una secuencia didáctica basada en la creación de ChatBots en Scratch que fomente el trabajo colaborativo, la lógica de programación y la aplicación creativa de la IA.

C.​ Evaluar el desarrollo real de las competencias tecnológicas mediante el análisis de la funcionalidad del producto final

Justificación La presente tesis, enfocada en la creación de ChatBots para el desarrollo de competencias tecnológicas, posee una relevancia indiscutible que se sustenta en sus aportes a nivel teórico, práctico, metodológico y social/educativo. Su desarrollo no solo responde a una necesidad identificada en la Institución Educativa La Julita, sino que también se alinea con las directrices de formación digital exigidas por el contexto global.

La investigación contribuye significativamente a la teoría educativa al validar el modelo Construccionista en el contexto de la Inteligencia Artificial (IA) y la programación. Este enfoque, promovido originalmente por Seymour Papert (1980), postula que el aprendizaje ocurre de manera más efectiva cuando los estudiantes participan en la construcción activa de artefactos significativos, un principio que se busca demostrar al hacer que los estudiantes desarrollen un ChatBot desde cero.

Este estudio, al proponer la creación de ChatBots en Scratch, busca demostrar empíricamente cómo esta metodología de diseño y programación supera las limitaciones del aprendizaje pasivo, enriqueciendo el debate sobre la didáctica de la IA al utilizar un entorno de programación visual como Scratch (Resnick et al., 2009). Dicho entorno simplifica la complejidad sintáctica y facilita la comprensión de la lógica de los sistemas conversacionales, aportando nuevo conocimiento sobre la operacionalización de las competencias tecnológicas en la educación básica.

Específicamente, se busca definir y medir el desarrollo del pensamiento computacional (Wing, 2006) a través de la observación de un producto tangible y funcional (el ChatBot). Finalmente, la investigación genera un marco referencial que puede ser utilizado por futuros

investigadores interesados en aplicar la Teoría del Aprendizaje Social de Bandura (1986) para analizar cómo la autoeficacia del estudiante en programación se incrementa al lograr finalizar un proyecto tecnológico propio con éxito.

La relevancia práctica de este estudio es directa e inmediata para los actores involucrados en la Institución Educativa La Julita, Pereira. Para los estudiantes del Club de IA, la creación del ChatBot les ofrece una experiencia de aprendizaje concreta, lúdica y aplicable, transformándolos de meros consumidores de tecnología (como Siri o Alexa) a diseñadores y desarrolladores activos.

Este proceso práctico les permite interiorizar y poner a prueba las habilidades de lógica de programación, resolución de problemas y depuración de errores (debugging), que son esenciales y demandadas en la actualidad, y el producto final funge como un portafolio de habilidades.

Para la Institución Educativa La Julita, la tesis proporciona una estrategia pedagógica innovadora que puede ser escalable e integrada en otras áreas del currículo, dotando al Club de Inteligencia Artificial de un recurso valioso (la secuencia didáctica diseñada) y posicionándolo como un espacio de vanguardia que forma a sus estudiantes en las competencias que la UNESCO (2019) considera vitales para el futuro. Adicionalmente, para los docentes y el Club de IA, el estudio ofrece un instrumento de diagnóstico y un modelo de evaluación cualitativa (a través del diario de campo y la observación del producto) flexible y adaptable a la heterogeneidad de los grupos.

La investigación se justifica metodológicamente al ofrecer un diseño de investigación coherente con sus objetivos y la naturaleza de la intervención. El estudio emplea un enfoque que

se apoya en una investigación de corte mixto o con predominancia cualitativa, lo cual es ideal para proyectos que involucran el diseño y la implementación de una propuesta de intervención educativa.

Desde una perspectiva social y educativa, la tesis aborda el desafío de la brecha digital en una comunidad educativa específica, al dotar a los estudiantes del Complejo Educativo. La Julita de la capacidad de crear tecnología, se les empodera para ser agentes de cambio y no solo receptores pasivos de innovaciones externas.

La creación de ChatBots obliga a los estudiantes a considerar los límites de la IA y sus posibles usos éticos, un aspecto crucial mencionado por Vélaz de Medrano et al. (2021), fomentando una ciudadanía digital crítica. El éxito de esta intervención, además, puede sentar un precedente metodológico para la replicación en otros clubes de ciencia y tecnología en instituciones públicas de la región.

En resumen, la presente investigación no es un mero ejercicio académico, sino una propuesta de intervención real y sustentada que contribuye a la formación de la próxima generación de ciudadanos tecnológicamente competentes y éticamente responsables.

Hipótesis Hipótesis General:

La implementación de la estrategia pedagógica basada en la creación activa de ChatBots en la plataforma de programación visual Scratch incide positivamente y de manera significativa en el desarrollo y fortalecimiento de las competencias tecnológicas en los estudiantes del Club de Inteligencia Artificial de la Institución Educativa La Julita, Pereira. Se espera que esta incidencia se manifieste concretamente en la mejora de las habilidades del Pensamiento Computacional (específicamente en el dominio de la lógica algorítmica y la capacidad de abstracción para el diseño de flujos de diálogo), promoviendo una autoeficacia elevada en el uso de herramientas de Inteligencia Artificial, tal como lo fundamenta el enfoque construccionista de Papert (1980), en contraste con metodologías de enseñanza pasiva.

Hipótesis Nula:

La implementación de la estrategia pedagógica basada en la creación activa de ChatBots en la plataforma de programación visual Scratch no produce una incidencia significativa o un cambio notable en el nivel de desarrollo de las competencias tecnológicas y el Pensamiento Computacional en los estudiantes del Club de Inteligencia Artificial de la Institución Educativa La Julita, Pereira. Esto implicaría que la adquisición de la lógica algorítmica y la mejora de la capacidad de abstracción no se ven afectadas por la metodología de creación de artefactos digitales, y que la variación en las competencias observadas es atribuible únicamente a factores inherentes a la madurez cognitiva o a otras variables intervinientes no relacionadas con la intervención propuesta.

Capítulo 1: Marco Referencial El presente marco referencial se enfoca en establecer los cimientos conceptuales y teóricos necesarios para determinar la incidencia de la intervención didáctica. Por medio de una revisión de literatura, se abordará en primer lugar la conceptualización de las Competencias Tecnológicas (CT), adoptando el enfoque sistémico del Ministerio de Educación Nacional (MEN, 2008), el cual exige superar la visión de la tecnología como simple artefacto.

Esta revisión permitirá establecer el marco conceptual que no solo sustenta la hipótesis de incidencia, sino que también dota de validez y coherencia a los criterios de evaluación de la Rúbrica Final, asegurando que se mida el dominio conceptual y no solo el desempeño técnico.

1.1 Marco Conceptual

El presente marco conceptual busca establecer las bases teóricas y conceptuales para analizar y comprender la relación de incidencia entre la Creación de ChatBots y el desarrollo de Competencias Tecnológicas (CT).

Esto requiere la articulación de varios constructos: se analizará la definición holística de las CT según las Orientaciones del MEN (2008) y se establecerá el Pensamiento Computacional (PC), definido por Wing (2006), como el constructo de habilidad central a medir (Abstracción, Algoritmia y Descomposición). El marco se sustentará en el Construccionismo de Papert (1980), que justifica el uso de la programación creativa como estrategia didáctica, y se vinculará con la urgencia social impuesta por la Cuarta Revolución Industrial (4RI) (Schwab, 2016). Al integrar estos elementos, se pretende dar cuenta de cómo la creación activa de tecnología (y no su uso

instrumental) puede ser un catalizador para el desarrollo de habilidades de diseño, innovación y comprensión crítica en estudiantes, preparándose para un entorno laboral transformado por la Inteligencia Artificial (Brynjolfsson y McAfee, 2014).

En este sentido, se explorarán los siguientes conceptos clave:

1.1.1 Tecnología

La tecnología, en el contexto educativo colombiano, trasciende la concepción popular que la limita a los artefactos electrónicos. De acuerdo con el MEN (2008), la tecnología debe entenderse como una actividad humana orientada a resolver problemas y a satisfacer necesidades individuales y sociales. Dicha actividad se materializa mediante la transformación del entorno y la naturaleza a través de la utilización racional, crítica y creativa de recursos y conocimientos. Esta visión es fundamental para la tesis, pues implica que la tecnología se compone de tres elementos interrelacionados: los Artefactos (productos tangibles como herramientas o máquinas), los Procesos (las fases sucesivas de operaciones, diseño y logística para transformar recursos) y los Sistemas (conjuntos de elementos ligados funcionalmente, como las redes de comunicación). La investigación se enfoca en la creación de un sistema (el ChatBot) y su proceso de diseño, cumpliendo así con el estándar holístico exigido por la Guía 30.

1.1.2. Competencias en el Área de Educación

El enfoque pedagógico de la Guía N° 30 (MEN, 2008) se articula en torno al concepto de competencia. Una competencia no se reduce a una simple habilidad o conocimiento aislado, sino

que se define como un conjunto complejo e integrado de conocimientos, habilidades, actitudes, comprensiones y disposiciones que tienen una naturaleza diversa (cognitiva, metacognitiva, socio afectiva y psicomotora). El propósito de estas disposiciones, al estar apropiadamente relacionadas, es capacitar al estudiante para lograr un desempeño flexible, eficaz y con sentido en la realización de tareas o la resolución de problemas en contextos relativamente nuevos y retadores. En el marco de esta tesis, la competencia se traduce en la capacidad del estudiante de utilizar la lógica algorítmica y la abstracción para crear un sistema funcional.

1.1.3. Ser Competente en Tecnología

El objetivo final de la educación tecnológica, tal como lo establece el MEN (2008), es la Alfabetización Tecnológica, que se sintetiza en la capacidad de "Ser competente en tecnología". Esta competencia es el resultado del dominio de los conocimientos, habilidades y actitudes en el área. Ser competente implica mucho más que simplemente ofrecer una capacitación instrumental; se relaciona con la capacidad del individuo para comprender, evaluar, usar y transformar objetos, procesos y sistemas tecnológicos. Por lo tanto, el estudiante debe ser capaz de identificar, comprender y aplicar los conocimientos propios del campo tecnológico para proponer soluciones y tomar decisiones sobre problemas del entorno. El éxito de la intervención con los ChatBots se medirá precisamente en la capacidad de los estudiantes para transformar la tecnología, pasando de ser meros usuarios a ser diseñadores y creadores de sistemas basados en el Pensamiento Computacional.

1.2. Pensamiento Computacional (PC)

El Pensamiento Computacional (PC) es el constructo de habilidad central de esta investigación, entendiéndose no como el conocimiento de lenguajes de programación, sino como un proceso mental esencial para la resolución de problemas. Popularizado por Jeannette M. Wing (2006), el PC se define como la aplicación de conceptos fundamentales de la informática para formular y resolver problemas. El desarrollo de esta competencia se logra a través de cuatro pilares interrelacionados: la Descomposición (dividir un problema complejo en subproblemas más sencillos y manejables); el Reconocimiento de Patrones (identificar similitudes y tendencias dentro del problema o entre diferentes problemas); la Abstracción (centrarse en la información relevante e ignorar el detalle innecesario para crear un modelo general); y la Algoritmia (desarrollar una secuencia de pasos ordenados para resolver el problema). En el contexto de esta tesis, la creación del ChatBot exige la aplicación directa de cada uno de estos pilares, lo que justifica la validez de la rúbrica de evaluación como instrumento para medir la incidencia en las competencias tecnológicas.

1.2.1. Programación por Bloques y Programación Creativa en la Educación

La programación por bloques es una metodología de codificación visual que opera como el puente entre el Pensamiento Computacional abstracto y su implementación práctica. Este enfoque pedagógico se justifica rigurosamente en el Construccionismo de Seymour Papert (1980), quien postuló que el aprendizaje más profundo ocurre cuando los estudiantes construyen activamente algo con sentido, creando "objetos para pensar" que hacen tangible lo abstracto. Los bloques de programación cumplen esta función al reemplazar la sintaxis compleja y abstracta del

código textual con piezas visuales encajables que representan comandos lógicos. Esta eliminación de la barrera sintáctica permite al estudiante concentrar su energía cognitiva exclusivamente en el diseño algorítmico y la lógica (Wing, 2006). Mitchel Resnick (2017) expande esta visión con el concepto de Programación Creativa, la cual enfatiza que la programación no es solo una habilidad técnica, sino un medio para la expresión, la innovación y el diseño, alineándose con el objetivo de formar ciudadanos que puedan transformar, y no solo usar, la tecnología.

1.2.2. Scratch

Scratch es el entorno de programación específico seleccionado para la intervención y materializa la filosofía de la programación por bloques. Desarrollado por el Lifelong Kindergarten Group del MIT Media Lab, bajo la dirección de Mitchel Resnick, Scratch es un lenguaje de programación diseñado para ser intuitivo y accesible, permitiendo a los niños y jóvenes crear historias interactivas, juegos, animaciones y, en el caso de esta tesis, sistemas sencillos de Inteligencia Artificial como un ChatBot. Su uso en la educación es fundamental porque apoya el enfoque de creación de sistemas (MEN, 2008) y la Programación Creativa (Resnick, 2017), proporcionando la herramienta que permite a los estudiantes aplicar de manera práctica la Abstracción del lenguaje y la Algoritmia del flujo conversacional, todo ello en un entorno lúdico que fomenta el diseño y la colaboración.

1.3. Inteligencia Artificial

El concepto de Inteligencia Artificial (IA) se remonta a la pregunta fundacional planteada por Alan Turing en 1950 sobre si las máquinas pueden pensar. Sin embargo, el campo se

constituyó formalmente en 1956, durante la Conferencia de Dartmouth, donde John McCarthy acuñó el término, definiéndolo como la ciencia e ingeniería de hacer máquinas inteligentes. Desde ese punto, la historia de la IA ha pasado por ciclos de gran optimismo seguidos por periodos de escaso financiamiento y resultados lentos (conocidos como "Inviernos de la IA"). El resurgimiento actual, que define la Cuarta Revolución Industrial (4RI) (Schwab, 2016), se debe principalmente a la convergencia de tres factores: la disponibilidad masiva de datos (Big Data), el incremento exponencial de la capacidad de procesamiento informático y los avances en los algoritmos de aprendizaje profundo (Deep Learning). La IA moderna se posiciona, así, como la tecnología de infraestructura que permea todos los aspectos de la vida social y económica.

1.3.1. IA Estrecha

Dentro del amplio espectro de la IA, es crucial diferenciar entre la Inteligencia Artificial General (que igualará o superará la inteligencia humana en todas las tareas) y la Inteligencia Artificial estrecha o débil. La IA Estrecha se define como cualquier sistema de IA que ha sido diseñado y entrenado para ejecutar una única o muy reducida gama de tareas de manera especializada. Los asistentes de voz, los sistemas de recomendación y los ChatBots son ejemplos clásicos de sistemas de IA estrecha. En el contexto de esta investigación, el ChatBot desarrollado en Scratch es un sistema de IA estrecha, ya que su propósito se limita a la simulación de una conversación humana basada en patrones de lenguaje predefinidos. Su estudio permite a los estudiantes comprender los límites, el funcionamiento y el proceso de diseño de los sistemas de IA más prevalentes en el comercio y la industria, aplicando la abstracción para definir los límites de su tarea.

1.3.2. Algoritmos

El funcionamiento de cualquier sistema de Inteligencia Artificial, ya sea estrecha o general, reside en la ejecución de algoritmos. Un algoritmo se define como un conjunto finito de instrucciones, reglas o pasos ordenados y no ambiguos que, al seguirse, permiten alcanzar un resultado determinado o resolver un problema específico. En el contexto del Pensamiento Computacional (PC) de Wing (2006), la Algoritmia constituye el pilar final y tangible: es la capacidad del estudiante de traducir la lógica del problema (la Abstracción y la Descomposición) en una secuencia de código funcional. En la creación del ChatBot, el estudiante diseña un algoritmo conversacional que determina qué respuesta dar ante una entrada de usuario particular, utilizando las estructuras condicionales y los bucles para crear la lógica de decisión del sistema.

1.3.3. La IA en la Educación.

La irrupción de la Inteligencia Artificial impacta la educación en dos vertientes principales: como herramienta para la gestión y personalización del aprendizaje (sistemas de tutoría inteligente, plataformas de e-learning adaptativas) y, fundamentalmente, como objeto de estudio y creación. La presente tesis se enfoca en esta segunda vertiente, alineándose con los postulados de Papert (1980) y Resnick (2017). En lugar de limitarse a consumir software educativo potenciado por IA, la intervención pedagógica busca que los estudiantes se conviertan en diseñadores y creadores de sistemas de IA. Este enfoque de programación creativa es crucial, ya que convierte la IA en un medio para ejercitar el Pensamiento Computacional (Wing, 2006) y las Competencias Tecnológicas (MEN, 2008), capacitando a los estudiantes para analizar, criticar

y, en última instancia, transformar la tecnología que rige la Cuarta Revolución Industrial (Schwab, 2016).

1.4. ChatBots

Los ChatBots (abreviatura de chatterbot) son sistemas de software diseñados para simular una conversación humana a través de interfaces de texto o voz. Su relevancia radica en que son la forma más común y accesible de Inteligencia Artificial Estrecha o Débil (limitada a una tarea específica, como se definió en el punto 7). Su estudio se justifica en la tesis porque representan un sistema que los estudiantes pueden desarticular, comprender y crear, lo cual es un objetivo de las Competencias Tecnológicas (MEN, 2008).

Históricamente, los ChatBots se remontan a 1966 con la creación de ELIZA por Joseph Weizenbaum, un programa que imitaba a un terapeuta rogeriano procesando frases clave y devolviendo preguntas de seguimiento. Desde ese inicio, la complejidad ha evolucionado desde los sistemas basados en reglas (como el que se construye en Scratch, que usa condicionales y reconocimiento de patrones de texto) hasta los sistemas modernos basados en aprendizaje automático (Machine Learning) y grandes modelos de lenguaje (LLMs), que utilizan algoritmos más complejos para generar respuestas que imitan el lenguaje natural. Para esta investigación, el foco está en la lógica algorítmica subyacente a la conversación, que obliga a los estudiantes a aplicar el Pensamiento Computacional (Wing, 2006).

1.4.1. Asistentes Virtuales

Los Asistentes Virtuales son la aplicación comercial más avanzada de la tecnología ChatBot. Se definen como sistemas de software que, mediante técnicas de IA, ayudan a los

usuarios a realizar una serie de tareas o servicios a través de comandos de voz o texto. Figuras como Siri, Alexa o Google Assistant son ejemplos claros de Asistentes Virtuales. Su valor radica en su capacidad para interpretar el lenguaje natural (Procesamiento del Lenguaje Natural o NLP) y ejecutar tareas complejas (como la gestión de calendarios o el control de dispositivos domésticos). Aunque el ChatBot de la tesis es más sencillo, su creación introduce a los estudiantes en la arquitectura conceptual de estos asistentes, obligándolos a abstraer intenciones y a diseñar flujos de acción complejos, lo cual es esencial para comprender los Sistemas Tecnológicos (MEN, 2008)

Capítulo 2: Metodología El presente capítulo expone la estrategia metodológica adoptada para alcanzar los objetivos de la investigación y contrastar la hipótesis sobre la incidencia de la creación de ChatBots en el desarrollo de Competencias Tecnológicas.. El diseño se ajusta a la naturaleza del estudio, que se centra en el diseño, implementación y evaluación de una propuesta didáctica dentro de un contexto específico, garantizando la rigurosidad en la recolección y análisis de los datos cualitativos y cuantitativos generados.

La investigación se enmarca en un enfoque metodológico mixto con predominancia cualitativa, aunque incorpora mediciones cuantitativas iniciales (diagnóstico) para caracterizar el punto de partida, la evidencia principal para evaluar la incidencia de la intervención proviene del análisis cualitativo del proceso formativo, los productos generados y las percepciones de los estudiantes. Desde una perspectiva teórica de complementariedad metodológica tal como la proponen Cook y Reichardt (1986) el estudio supera la dicotomía entre paradigmas al integrar datos numéricos y narrativos, mientras que el pluralismo interpretativo señalado por Denzin (1978) legitima la primacía del análisis cualitativo para comprender las dinámicas cognitivas y socio educativas que emergen en la creación de ChatBots; Metodológicamente, el proyecto se sitúa dentro de la investigación proyectiva o de desarrollo tecnológico-didáctico, dado que su propósito central es diseñar, implementar y ajustar una secuencia didáctica; simultáneamente incorpora rasgos de la investigación-acción, en tanto el investigador participa activamente en la praxis pedagógica y emplea la reflexión sistemática documentada en un diario de campo como herramienta para la monitorización y la mejora continua de la intervención. En conjunto, esta

configuración metodológica permite articular rigor diagnóstico, intervención iterativa y profundidad interpretativa, ofreciendo una lectura robusta y contextualizada de los efectos formativos asociados a la propuesta.

El diseño específico adoptado es el Diseño Pre-experimental de Preprueba-Postprueba con un Solo Grupo, el cual operacionaliza la medición de la incidencia en el grupo de estudio (CIA - Club de Inteligencia Artificial) a través de tres fases secuenciales: 1.​ Observación Inicial: Corresponde a la aplicación de la Evaluación Diagnóstica inicial (PRE1). Su propósito fue establecer el nivel de conocimiento base y la percepción sobre las competencias tecnológicas. Se emplearon métodos cuantitativos (cuestionario) y cualitativos (respuestas abiertas) para obtener una comprensión completa de la situación inicial del grupo.

2.​ Intervención Didáctica: Consiste en la implementación de la secuencia didáctica para la creación de ChatBots en Scratch (DU2) durante un período definido. Esta fase central involucró la ejecución activa de la estrategia, promoviendo el diseño y la lógica algorítmica para fortalecer las competencias de Pensamiento Computacional. 3.​ Observación Final: Corresponde a la recolección de la evidencia final, denominada POS3. En esta fase se emplearon métodos cuantitativos (la Rúbrica de Evaluación Final aplicada al ChatBot) y cualitativos (Diario de Campo y Autoevaluación) para contrastar la hipótesis y evaluar el impacto de la intervención en la adquisición de las competencias. La metodología mixta resulta fundamental, ya que permite abordar la problemática identificada mediante la medición rigurosa del cambio (análisis de la incidencia con la Prueba de

Wilcoxon) y, al mismo tiempo, obtener una comprensión integral de las experiencias y percepciones de los estudiantes, lo que facilita la formulación de conclusiones robustas que combinan el rigor numérico con el contexto humano de la práctica educativa. En consonancia con los objetivos planteados, se adoptó un diseño pre-experimental de un solo grupo, una estrategia metodológica ampliamente utilizada en investigaciones educativas aplicadas cuando las condiciones del contexto impiden conformar grupos de control aleatorios, siguiendo la orientación de Sans (2009), este tipo de diseño permite aproximarse a la identificación de posibles efectos causales de una intervención en entornos reales, sin desarraigar el proceso formativo de sus dinámicas naturales.

La estructura metodológica se desarrolla a partir de tres momentos articulados, en primer lugar, una evaluación diagnóstica inicial que permite establecer el nivel de competencias de los estudiantes antes de la intervención; posteriormente, la implementación de la propuesta formativa centrada en la creación y uso de ChatBots; y, finalmente, una evaluación posterior que posibilita contrastar los avances y transformaciones observadas; Este encadenamiento de fases ofrece un panorama comparativo que, aunque no constituye un experimento controlado en sentido estricto, sí brinda evidencia suficiente para analizar la incidencia pedagógica de la intervención desde una perspectiva rigurosa y contextualizada.

2.1. Diseño de la Investigación

Se adoptó un diseño Pre-Experimental, específicamente de Pre-prueba/Post-prueba con un Solo Grupo, simbolizado como PRE1 - X - POS3. Este diseño es pertinente para contextos

educativos donde la asignación aleatoria de grupos no es viable o éticamente deseable, permitiendo establecer una línea base y evaluar el cambio posterior a la intervención. ●​ Grupo (CIA): Los estudiantes del Club de Inteligencia Artificial de la Institución Educativa La Julita.

●​ Observación 1 (PRE1): Corresponde a la aplicación de la Evaluación Diagnóstica inicial para establecer el nivel de conocimiento base en las competencias tecnológicas.

●​ Intervención (DU2): Consiste en la implementación de la secuencia didáctica para la creación de ChatBots en Scratch durante un período definido de 2 semanas de 1 encuentro cada una, ●​ Observación 2 (POS3): Recolección de la evidencia sobre la adquisición de las competencias (análisis del ChatBot final, Diario de Campo y Autoevaluación) para contrastar la hipótesis y alcanzar el Objetivo 3.

2.2. Población y Muestra

2.2.1. Población

El universo de esta investigación está constituido por el total de estudiantes del Complejo Educativo La Julita en Pereira, ya que cualquier conclusión general sobre el fortalecimiento de las Competencias Tecnológicas se referiría a esta comunidad educativa. No obstante, la población focal del estudio se circunscribe a la totalidad de estudiantes activos inscritos en el Club de Inteligencia Artificial de la institución. Esta población es el foco directo de la intervención, debido a su afinidad temática preexistente, lo que permite una intervención

focalizada en la Creación de ChatBots y la aplicación del Pensamiento Computacional (PC). Este grupo, por su naturaleza, garantiza un nivel de motivación intrínseca y un interés temático inicial esenciales para abordar los desafíos de la Programación Creativa (Resnick, 2017).

2.2.2. Muestra

La muestra de la investigación corresponde al grupo natural de estudiantes que participaron en la totalidad del proceso de intervención. Se trata de una muestra no probabilística por conveniencia (Hernández Sampieri, Fernández Collado, & Baptista Lucio, 2014), determinada por el grupo extracurricular ya conformado. El tamaño final de la muestra es, por lo tanto, equivalente al número de estudiantes que cumplieron con los criterios de inclusión definidos para mantener la coherencia metodológica.Con fines de claridad narrativa y técnica a lo largo de la tesis, el grupo de estudio se designará como Grupo (CIA), acrónimo que corresponde a las iniciales de Club de Inteligencia Artificial. Este uso facilita la identificación de la muestra en cada una de las fases del diseño pre-experimental (PRE1, DU2, POS3), reforzando la trazabilidad de los datos.

La elección de este grupo se justifica por su pertinencia temática y su necesidad metodológica. Desde la perspectiva del Construccionismo de Papert (1980), se requiere un ambiente de aprendizaje con alto compromiso para que la construcción del artefacto (el ChatBot) genere la estructura cognitiva deseada. Además, la muestra no probabilística de un grupo ya existente mitiga, en parte, el riesgo de mortalidad experimental (Campbell y Stanley, 1966), ya que se trabaja con estudiantes cuya participación es voluntaria y estable, aspecto crucial para la comparación de los resultados pareados entre $\text{O}_1$ y $\text{O}_2$ (preprueba y postprueba).

La rigurosidad en la selección del Grupo (CIA) se detalla a través de los siguientes criterios:

Criterio Justificación Metodológica Criterio de Inclusión

Ser participante activo del Club de IA.

Garantiza la motivación intrínseca y la homogeneidad temática necesaria para una intervención basada en la Programación Creativa (Resnick, 2017).

Participación en las tres fases del diseño.

Es fundamental para el Diseño Pre-experimental (datos pareados), permitiendo la aplicación rigurosa de la Prueba de Wilcoxon para la medición de la incidencia.

Criterio de Exclusión

Ausencias recurrentes o deserción durante la Intervención (DU2).

La interrupción compromete el desarrollo progresivo de las habilidades de Pensamiento Computacional (Wing, 2006) y sesgaría los resultados del POS3.

Experiencia previa formal y avanzada en lenguajes de programación textual (Python, Java, etc.).

Evita el sesgo de Historia (Campbell y Stanley, 1966), asegurando que el cambio medido en $\text{O}_2$ se atribuya a la intervención con Scratch y no a competencias externas preexistentes.

La rigurosidad en la delimitación del Grupo (CIA), aunque de tamaño reducido, confiere a los resultados una alta validez ecológica respecto a la problemática de la enseñanza de IA y PC en contextos de educación extracurricular.

2.3. Procedimiento y Fases de la Investigación

La investigación se estructura en tres fases secuenciales, directamente alineadas con los objetivos específicos previamente definidos, asegurando la coherencia metodológica del estudio:

2.3.1. Fase I: Diagnóstico

También designada Observación 1 en la notación pre-experimental, constituyó el punto de partida de la investigación, alineada con el objetivo de establecer la línea base de los estudiantes del Grupo (CIA). Se diseñó un cuestionario digital, administrado a través de Google Forms, cuya selección se justifica en la necesidad de generar datos con alta uniformidad en la recolección, facilitar el procesamiento estadístico y maximizar la practicidad logística en un contexto tecnológico. El instrumento fue diseñado con una secuencia lógica para transitar de las variables de caracterización a la percepción sobre el constructo central (IA y ChatBots). A continuación, se detalla el flujo de preguntas y su justificación metodológica: 1.​ Variables de Caracterización y Control

Pregunta 1: Grado del Estudiante

●​ Formato de Respuesta: Selección Cerrada (Sexto, Séptimo, Octavo, Noveno). ●​ Tipo de Dato: Ordinal (y de Caracterización Demográfica). La inclusión de esta variable fue esencial debido a la heterogeneidad de la muestra (Grupo CIA), que reúne a estudiantes de diferentes niveles de la Educación Básica y Media. El grado actúa como una variable de control que permite al investigador, en la fase de análisis, evaluar si existe una correlación significativa entre el nivel escolar y el conocimiento/percepción inicial de la IA. Esto permite una mejor interpretación del posible sesgo de maduración si se observan diferencias notables en la línea base.

2.​ Exposición y Reconocimiento de la Inteligencia Artificial (IA) Esta sección se enfocó en medir la familiaridad y el contacto previo de los estudiantes con la tecnología, evaluando si perciben la IA como un fenómeno o sólo como un concepto teórico.

Pregunta 2: ¿Has escuchado antes la palabra inteligencia artificial (IA)? 🤔 ●​ Formato de Respuesta: Dicotómica (Sí/No).

Mide la conciencia inicial del constructo. Un "No" masivo habría alertado al investigador sobre la necesidad de dedicar más tiempo en la Intervención (DU2) a la contextualización histórica y conceptual de la IA.

Pregunta 3: Si tu respuesta fue “sí”, ¿Dónde la has visto o escuchado? 🧐 ●​ Formato de Respuesta: Selección Múltiple Cerrada (Internet o redes sociales / Videojuegos o películas / En clase / Otro).

Permite mapear la fuente de información predominante. Si la mayoría de las respuestas se concentran en "Videojuegos o películas," sugiere que la concepción de la IA puede estar sesgada hacia la ciencia ficción (la IA General), lo cual es una noción que la intervención debe corregir, enfocándose en la IA Estrecha (la cual se utilizará en el ChatBot).

Pregunta 4: ¿Has usado IA antes? y Pregunta 7: ¿Usas IA para realizar tus tareas? ●​ Formato de Respuesta: Dicotómica (Sí/No).

Estas preguntas miden la interacción práctica. Al preguntar sobre el uso en tareas (Q7), se sondea la dimensión de la Apropiación y Uso de la Tecnología (MEN, 2008). Ambas preguntas ayudan a distinguir al estudiante que solo ha escuchado el término del que lo ha utilizado activamente, sea de forma instrumental o creativa.

3.​ Concepción Conceptual y Lógica Esta pregunta fue crucial por su naturaleza cualitativa, siendo una herramienta de recolección de datos primarios para la fase de análisis de contenido.

Pregunta 5: ¿Qué crees que puede hacer una inteligencia artificial? 🤔 ●​ Formato de Respuesta: Abierta / Respuesta Corta (Cualitativa). La respuesta abierta permitió obtener la concepción espontánea del estudiante, revelando la profundidad de su comprensión conceptual. El análisis de estas respuestas (a través de la codificación cualitativa) permitió al investigador identificar patrones de entendimiento erróneos (p. ej., si solo mencionan robots físicos) o, por el contrario, si logran captar la idea de la IA como un Sistema capaz de procesar información, un concepto clave del MEN (2008). Esto es fundamental para que el investigador adecue la fase DU2 y centre el esfuerzo didáctico donde la abstracción se perciba más débil.

4.​ Motivación y Familiaridad con el Objeto de Estudio Esta sección se concentra en el interés y el conocimiento directo de la herramienta a intervenir.

Pregunta 6: ¿Qué tan interesado te sientes en aprender sobre inteligencia artificial? ●​ Formato de Respuesta: Selección Múltiple (Mucho / Algo / Poco / Nada). ●​ Tipo de Dato: Ordinal (Percepción de Interés).

Mide la motivación intrínseca. Según el Construccionismo de Papert (1980), la motivación es un factor determinante para el éxito del aprendizaje basado en la construcción. Los resultados de esta pregunta ayudaron al investigador a entender el nivel de compromiso que podría esperar del grupo en la fase de Programación Creativa (Resnick, 2017).

Pregunta 8: ¿Conoces qué son los chatbots? y Pregunta 9: ¿Has hablado con Siri, Alexa o el asistente de google?

●​ Formato de Respuesta: Dicotómica (Sí/No).

Funcionan como un filtro directo sobre la familiaridad con el objeto específico de la intervención. La Pregunta 9, al nombrar Asistentes Virtuales, conecta la IA con la noción de IA Estrecha, que es la base funcional del ChatBot que se construirá. N° Pregunta Descripción Tipo de Dato Generado Objetivo Metodológico

1

Grado del Estudiante Ordinal (Caracterización) Controlar la heterogeneidad y caracterizar demográficamente la muestra.

¿Has escuchado antes la palabra IA?

Dicotómico (Sí/No) Medir la conciencia inicial del constructo.

3

Si la respuesta fue "sí", ¿Dónde la has visto o escuchado?

Nominal (Categorías) Mapear la fuente de exposición (medios vs. educación).

4

¿Has usado IA antes?

Dicotómico (Sí/No) Medir la interacción práctica con la tecnología.

5

¿Qué crees que puede hacer una IA?

Cualitativo (Texto Abierto) Obtener la concepción conceptual para adecuar la intervención didáctica.

6

Interés en aprender sobre IA Ordinal (Percepción) Medir la motivación intrínseca (factor clave del Construccionismo).

7

¿Usas IA para realizar tus tareas?

Dicotómico (Sí/No) Evaluar el uso de la tecnología en el ámbito académico (MEN,

2008).

8

¿Conoces qué son los ChatBots?

Dicotómico (Sí/No) Medir la familiaridad con el objeto de intervención.

9

¿Has hablado con Siri, Alexa o el asistente de Google?

Dicotómico (Sí/No) Evaluar la interacción con Asistentes Virtuales (IA Estrecha).

Fuente: Elaboración propia basada en el diseño del cuestionario. Las preguntas detalladas anteriormente se emplearon en el cuestionario en un primer momento (Momento Pre), antes de que los estudiantes del Grupo (CIA) fueran partícipes de la secuencia didáctica de creación de ChatBots (Intervención DU2). Los datos recolectados sirvieron para establecer la línea base de los conocimientos y la autoeficacia percibida. El uso de preguntas de selección y la identificación de variables sociodemográficas (Grado) garantizaron

que la recolección de esta Observación 1 (PRE1) fuera rigurosa y adaptable a la naturaleza heterogénea de la muestra.

La finalidad principal de este proceso es identificar si la incidencia de la intervención (la creación del ChatBot) logra que las competencias tecnológicas, especialmente las ligadas al Pensamiento Computacional, se vean fortalecidas, permanezcan igual o se vean debilitadas.

Estrategia de Análisis Comparativo de la Incidencia Para determinar la incidencia, la investigación se apoya en el principio de que todo análisis estadístico debe partir de la definición de la naturaleza de los datos y sus reglas de clasificación (Cienfuegos Velasco et al., 2022, p. 5). Dado que el diseño es Pre-experimental de Preprueba-Postprueba y utiliza escalas de medición ordinal (Likert en el diagnóstico y Escala de Rúbrica en la postprueba), la comparación de los resultados se establece en dos niveles: el Análisis Inferencial Riguroso (Prueba de Wilcoxon) y un Análisis Comparativo Descriptivo de los cambios de valor.

1.​ Análisis Inferencial: La Prueba de Wilcoxon Para la determinación estadística de la incidencia, la investigación recurrirá al Análisis Inferencial No Paramétrico a través de la Prueba de Wilcoxon para Muestras Emparejadas. Esta prueba es la más apropiada para comparar dos mediciones relacionadas (Momento Pre y Momento Post) cuando los datos son de naturaleza ordinal, y es el estándar para diseños de pre-postprueba. Este método determinará si la diferencia observada en los rangos de las

puntuaciones es estadísticamente significativa, lo que permitirá concluir con rigor si la intervención tuvo un efecto real y no aleatorio.

2. Análisis Comparativo Descriptivo (Método A - B = C)

Como método auxiliar y descriptivo para ilustrar el cambio de percepción individual y la tendencia del grupo, se empleará el análisis comparativo aritmético del cambio, tal como se requiere. Este ejercicio se aplicará a las preguntas de Escala de Likert que se utilizaron en ambos momentos (PRE y POST, por ejemplo, las preguntas de autoeficacia y percepción de interés), donde las variables son idénticas en ambas mediciones.

Se comparará el valor asignado por cada estudiante a una pregunta en el Momento Pre (A) con el valor asignado en el Momento Post (B), mediante la operación:

A - B = C Este análisis se interpretará de la siguiente manera:

●​ Refuerzo (Fortalecimiento): Si el valor representado por la letra C es un número negativo, esto representa que la percepción del estudiante en el Momento Post mejoró (o se "fortaleció") en la escala de valoración.

●​ Debilitamiento: Si el valor representado por la letra C es un número positivo, esto representa que la percepción del estudiante en el Momento Post disminuyó (o se "debilitó").

●​ Permanencia: Si el valor representado por la letra C es igual a cero, la percepción del estudiante se mantuvo estable.

Este método de análisis comparativo descriptivo es útil para obtener una visión inicial de la tendencia de la muestra, la cual será posteriormente confirmada o refutada por el análisis inferencial de la Prueba de Wilcoxon.

Tabla 1. Tabla Comparativa Descriptiva de Resultados (Esta tabla se utiliza para ilustrar el método A - B = C que se aplicará a las preguntas de Likert de percepción que se repitan en ambos momentos.)

Desempeño / Percepción Momento Pre (A) Momento Post (B) Diferencia (C = A - B) Interpretación Descriptiva Percepción de Autoeficacia en Lógica

4

5

$4 - 5 = -1$ $\text{C} < 0$: El desempeño/percepción se fortaleció.

Percepción de Conocimiento de IA

2

2

$2 - 2 = 0$ $\text{C} = 0$: El desempeño/percepción permaneció igual.

Interés en Programación

5

3

$5 - 3 = 2$ $\text{C} > 0$: El desempeño/percepción se debilitó (Menor interés).

Fuente: Elaboración propia para fines descriptivos.

Mediante la combinación del análisis descriptivo de tendencias ($\text{A} - \text{B} = \text{C}$) y la rigurosidad estadística de la Prueba de Wilcoxon, se podrá determinar la efectividad de la secuencia didáctica para la creación de ChatBots en el fortalecimiento de las

competencias tecnológicas, cumpliendo con la exigencia de trabajar lo cuantitativo y lo cualitativo de forma integrada (Cienfuegos Velasco et al., 2022).

2.3.2. Fase II: Diseño e Implementación de la Intervención

La Fase II: Intervención Didáctica, denominada DU2 ($\text{X}$) en el diseño pre-experimental, corresponde a la implementación de la secuencia didáctica focalizada en la creación activa de un ChatBot por parte del Grupo (CIA) en el entorno de Scratch. Esta fase es la variable independiente (el tratamiento) cuya incidencia en las competencias tecnológicas se busca determinar. El diseño de la secuencia se fundamenta en el Construccionismo de Papert (1980) y la Programación Creativa de Resnick (2017), donde el aprendizaje ocurre a través de la construcción de un artefacto público y significativo.

A.​ Secuencia Didáctica El desarrollo de la intervención se articuló a través del siguiente eje transversalizador y se dividió en tres momentos clave por sesión:

Tabla de Secuencia Didáctica del primer encuentro: Creación de Chatbots Docente Asignatura Grado Gabriela Correa Informatica Octavo

Eje transversalizador o hilo conductor Competencias a desarrollar Materiales

El uso de la inteligencia artificial como herramienta para desarrollar el pensamiento lógico y la creatividad mediante la programación de un chatbot en Scratch.

●​ Comprende el funcionamiento básico de un chatbot como aplicación de la inteligencia artificial.

●​ Utiliza bloques de programación en Scratch para crear respuestas automáticas.

●​ Aplica el pensamiento lógico y la resolución de problemas al diseñar un asistente virtual.

●​ Muestra disposición para el trabajo colaborativo y la exploración tecnológica.

●​ Computadores con internet.

●​ Projector / videobeam.​

.

Momento de clase Tiempo Acciones Reflexión del proceso Inicio:

10 minutos

1.​ Saludo y llamado a lista. 2.​ Pregunta motivadora: ¿Ya tienen su avatar de animal favorito? 3.​ Hablar sobre crear un pequeño chatbot en Scratch que pueda hacer preguntas y responder.

Desarrollo:

40 minutos

1.​ El docente explica brevemente qué es un chatbot y muestra un ejemplo en Scratch (con bloques de “preguntar” y “responder”). 2.​ Guía paso a paso de la programación, explicando lo que es: Variables, sensores y respuestas.

Cierre:

Conversan sobre para qué puede servir un chatbot en la vida real.

Bibliografía usada y sugerida:

●​ Resnick, M., & Rosenbaum, E. (2013). Designing for Tinkerability. In M. Honey & D. E. Hilton (Eds.), Learning Sciences Research for the Next Decade. MIT Media Lab.

●​ MIT Media Lab. (2023). Scratch: Create Stories, Games, and Animations. Disponible en: https://scratch.mit.edu Momento de Inicio (Activación y Contextualización) Esta etapa tuvo una duración aproximada de 10 minutos por sesión y se centró en activar el conocimiento previo y generar el interés, que es el motor del aprendizaje construccionista.

Acción Específica Justificación Teórica y Pedagógica

1. Saludo y llamado a lista.

Protocolo básico para asegurar la gestión del grupo y la asistencia, fundamental para la validez del diseño pareado ($\text{O}_1 - \text{O}_2$).

2. Pregunta Motivadora: ¿Ya

tienen su avatar de animal favorito?

Se utiliza la creación del avatar como punto de anclaje visual y emocional. Según Papert (1980), la programación debe ser una extensión del yo del estudiante, haciendo el proyecto personal e impulsando la motivación intrínseca.

3. Introducción del ChatBot:

Hablar sobre crear un pequeño chatbot en Scratch que pueda hacer preguntas y responder.

Se contextualiza el desafío tecnológico. Se establece el objetivo del producto final (el Sistema a construir, según el MEN, 2008), haciendo tangible la aplicación del Pensamiento Computacional (PC) que se desarrollará.

Momento de Desarrollo (Conceptualización y Aplicación del PC) Esta fase fue la más extensa (aproximadamente 40 minutos) y constituyó la aplicación del tratamiento ($\text{X}$), enfocada en la traducción de la lógica (Algoritmia) al código (Programación por Bloques).

Acción Específica Justificación Teórica y Pedagógica

1. Explicación y Ejemplo

de ChatBot en Scratch.

El docente explica brevemente qué es un ChatBot, vinculándolo a la IA Estrecha (limitada a la tarea conversacional), y muestra un ejemplo funcional en Scratch, enfocándose en los bloques de "preguntar" y "responder". Esto permite la Descomposición del sistema: el estudiante ve el producto final y debe desglosarlo en sus componentes lógicos (Wing, 2006).

2. Guía Paso a Paso de la

Programación.

Se guía a los estudiantes en la codificación, explicando los bloques fundamentales: Variables, Sensores y Respuestas. Justificación de Sensores y Respuestas:

La utilización del bloque Sensor: Preguntar y esperar obliga al estudiante a gestionar el input del usuario y a manejar la Variable que almacena la respuesta. Esto es una aplicación directa del pilar de Abstracción del PC, ya que el estudiante debe ignorar el ruido del lenguaje y centrarse en la palabra clave para generar una respuesta lógica.

Justificación de Condicionales (Si/entonces/sino):

La construcción del diálogo del ChatBot con bloques Si...entonces y Si...entonces...sino es la implementación de la Algoritmia pura. El estudiante diseña la secuencia de pasos (el flujo conversacional) para que el ChatBot tome decisiones lógicas. Esto es el núcleo de la competencia de aplicar el pensamiento lógico y la resolución de problemas que exige el

MEN.

Momento de Cierre (Reflexión y Evaluación Formativa) El cierre de cada sesión se dedicó a la reflexión metacognitiva y a la contextualización del aprendizaje.

Acción Específica Justificación Teórica y Pedagógica

1. Conversación y Reflexión:

Conversan sobre para qué puede servir un chatbot en la vida real.

Se trasciende la habilidad técnica. Esta reflexión fomenta la Perspectiva Crítica del uso de la tecnología, un componente esencial de la Alfabetización Tecnológica del MEN (2008). Se conecta el proyecto de Scratch con sistemas reales (Asistentes Virtuales) y se discute su impacto social y ético.

2. Documentación (Diario de

Campo):

El investigador utiliza este momento para registrar las dificultades comunes y las estrategias de resolución de problemas utilizadas por los estudiantes. Este es el componente de Investigación-Acción (I-A) que permite la reflexión sistemática de la práctica docente para la mejora continua.

La secuencia didáctica, al exigir a los estudiantes el diseño completo de un Sistema Tecnológico basado en la lógica computacional, cumple con el requerimiento de la investigación de medir la incidencia en la habilidad creativa y algorítmica (Pensamiento Computacional) y no solo en el uso instrumental del software.

B. El Diario de Campo (DC) El Diario de Campo fue el instrumento cualitativo primordial de la Fase II, garantizando que el diseño no se limitará a la medición de un resultado (el ChatBot final), sino que capturara el proceso de aprendizaje y la reflexión pedagógica del investigador. 1.​ Fundamentación Metodológica del DC El uso extensivo del DC se justifica bajo el enfoque de la Investigación-Acción (I-A), donde el investigador (el docente) es un agente activo que utiliza la reflexión sistemática como

medio para generar conocimiento y mejorar la práctica (Kemmis y McTaggart). El DC no es solo un registro, sino una herramienta de análisis que vincula el proceso con la teoría. 2.​ Estructura y Contenido del Diario de Campo El Diario de campo fue aplicado al finalizar cada una de las 2 sesiones de la Intervención (DU2) y se estructuró para registrar datos descriptivos y analíticos: Componente del Diario de Campo Contenido Registrado Vínculo Teórico con la Tesis 1.​ Datos Descriptivos Fecha, hora, duración, número de asistentes, tema central de la sesión.

Validez Externa: Permite recrear el contexto de la intervención para replicabilidad.

2.​ Observaciones Factuales de la Práctica Registro de la participación, las dinámicas de trabajo colaborativo, y las herramientas específicas utilizadas (bloques de Scratch, manejo del entorno).

Construccionismo (Papert): Documenta cómo los estudiantes interactúan con los "objetos para pensar" que están creando.

3.​ Evidencia de Pensamiento Computacional (PC) Registro de las Dificultades Recurrentes: Anotaciones específicas sobre los errores de lógica más comunes. Por ejemplo: "Dificultad generalizada para entender que la respuesta debe guardarse en una variable antes de ser evaluada (Abstracción débil)" o "Problemas al anidar condicionales para crear un algoritmo de decisión complejo." Pensamiento Computacional (Wing, 2006): Estos registros cualitativos sirven como indicadores de las áreas más débiles de la Algoritmia y la Abstracción, que complementarán la calificación numérica de la Rúbrica. 4.​ Registro de la Programación Creativa Anotaciones sobre las innovaciones o extensiones del proyecto que los estudiantes agregaron por iniciativa propia (p. ej., inclusión de sonidos, animaciones o diálogos más complejos).

Programación Creativa (Resnick, 2017): Documenta la motivación extralógica, es decir, el uso del código para la expresión y el diseño, más allá del cumplimiento técnico.

5.​ Reflexión Metacognitiva del Investigador Análisis crítico de la sesión por parte del docente: ¿Se lograron los objetivos? ¿Qué ajustes deben hacerse en la próxima sesión?

Investigación-Acción: Asegura el ciclo de acción-reflexión-mejora, permitiendo una intervención didáctica que se adapta continuamente a las necesidades reales del Grupo (CIA).

3. El Rol del DC en la Triangulación

La riqueza del Diario de Campo se materializa en la Fase de Análisis. El DC proporciona el contexto narrativo cualitativo que explica los resultados cuantitativos:

●​ Si un estudiante obtiene un puntaje perfecto en la Rúbrica, el diario de campo (DC) puede validar si este resultado fue producto de un entendimiento profundo o de la mera repetición de instrucciones.

●​ Si los datos estadísticos muestran una baja incidencia, el diario de campo (DC) revelará si la causa fue una dificultad metodológica (el diseño de la secuencia) o una dificultad conceptual (problemas con la abstracción).

De esta manera, el Diario de Campo se establece como el puente que conecta la intervención pedagógica detallada (DU2) con la evaluación final de la incidencia (POS3).

2.3.3. Fase III: Evaluación y Análisis Cualitativo

La Fase III, denominada Evaluación y Análisis Cualitativo, corresponde a la Observación 2 del diseño pre-experimental. Esta etapa es el punto de convergencia de toda la investigación,

pues en ella se recolecta la evidencia final para determinar la incidencia de la intervención didáctica (DU2) en el desarrollo de las competencias tecnológicas del Grupo (CIA) y se lleva a cabo el análisis cualitativo que contextualiza y valida los hallazgos cuantitativos. El eje rector de esta fase es la Triangulación de Fuentes, una estrategia metodológica esencial en la investigación de enfoque mixto. Según Denzin (1978) y Patton (1987), la triangulación—en este caso, de datos—fortalece la validez de constructo al contrastar la información obtenida a través de diferentes métodos (medición objetiva, percepción subjetiva y observación sistemática del proceso).

2.3.3.1. Instrumentos de Evaluación Final

Para capturar la dimensión dual del cambio (habilidad aplicada y percepción subjetiva), se emplearon dos instrumentos principales de recolección en esta fase:

A.​ Rúbrica de Evaluación del ChatBot Este es el instrumento más importante para medir la variable dependiente de la investigación: el Dominio Aplicado del Pensamiento Computacional (PC). A diferencia de la Evaluación Diagnóstica (PRE1) que midió la percepción y el conocimiento, la Rúbrica mide la habilidad real demostrada en el producto tangible.

●​ Fundamentación: La rúbrica se alinea con el principio construccionista de Papert (1980), que valora el artefacto construido (el ChatBot) como la evidencia más clara del aprendizaje. Los criterios de la rúbrica fueron directamente derivados de los pilares del PC de Wing (2006).

●​ Estructura y Criterios Detallados: La rúbrica utiliza una escala de valoración de 1 a 4 y se enfoca en 5 criterios esenciales:

1.​ Abstracción del Lenguaje: Evalúa la capacidad del estudiante para simplificar la entrada conversacional (la pregunta del usuario) a una palabra clave (la abstracción) que el código pueda manejar lógicamente. Un puntaje alto demuestra que el estudiante superó la barrera del lenguaje natural en favor de la lógica computacional.

2.​ Algoritmia y Lógica: Mide la correcta aplicación de las Estructuras Condicionales (Si...entonces...sino). Un ChatBot con alto puntaje evidencia un algoritmo de decisión coherente, lo que demuestra el dominio de la secuencia y la lógica (MEN, 2008). A.​ Descomposición y Estructura del Código: Evalúa si el código está organizado modularmente (separado por funciones o sprites). Un puntaje alto refleja la aplicación consciente de la Descomposición del PC, una habilidad clave para gestionar la complejidad de sistemas grandes. B.​ Componente Ético y Social: Mide si el ChatBot incorpora una reflexión sobre su uso o límites (p. ej., un mensaje de advertencia sobre la veracidad de la IA). Esto evalúa la Perspectiva Crítica exigida por el MEN (2008) en el uso de la tecnología.

C.​ Originalidad y Programación Creativa: Califica la inclusión de elementos no requeridos (animaciones, diálogos complejos) que evidencien el uso del código como medio de expresión personal y diseño (Resnick, 2017).

3. Función Analítica: Los puntajes obtenidos en la Rúbrica serán utilizados para el

análisis inferencial con la Prueba de Wilcoxon, confrontando el nivel de desempeño final con la línea base (PRE1) para establecer la significancia estadística de la incidencia. B. Autoevaluación del Estudiante (Medición Cualitativa y Perceptual) Este instrumento se aplicó inmediatamente después de finalizar la construcción y la evaluación del ChatBot.

4. Fundamentación: El objetivo es medir el cambio en la autoeficacia percibida y la

motivación. Según la teoría de la Autoeficacia de Bandura (1977), el sentimiento de capacidad es un predictor clave del éxito futuro y el compromiso con el aprendizaje. Si el estudiante siente que puede crear tecnología, es más probable que persista en el desarrollo de las competencias de PC.

5. Estructura: Se utiliza un formato mixto:

A.​ Escalas de Likert: Preguntas idénticas a las de $\text{O}_1$ (PRE1) relativas a la autovaloración de la capacidad lógica y el interés en la IA. Esto permite el análisis pareado descriptivo A - B = C para medir el cambio de la tendencia de percepción.

B.​ Preguntas Abiertas (Cualitativas): Preguntas de reflexión como: “¿Qué fue lo más difícil de lograr en el ChatBot y cómo lo resolviste?” o “¿Qué aprendiste sobre cómo 'piensa' una máquina?”

6. Función Analítica: Las respuestas abiertas serán el insumo primario para el Análisis

de Contenido Cualitativo, proporcionando la voz del estudiante para contextualizar el resultado numérico.

A.​ Análisis Cualitativo Detallado: El Proceso de Codificación El análisis cualitativo es la fase donde se triangulan los datos de la Autoevaluación (respuestas abiertas) y el Diario de Campo (observaciones del proceso). Este proceso se guía por la metodología de Análisis de Contenido Cualitativo (Taylor y Bogdan). B.​ Codificación y Categorías Emergentes Se aplicará un proceso de codificación sistemático para identificar las categorías emergentes que explican el fenómeno de la incidencia:

B.1. Codificación Abierta: Lectura exhaustiva de las transcripciones del Diario de Campo y las respuestas abiertas de la Autoevaluación. Se etiquetan los conceptos clave línea por línea (ej., frustración con los bucles, alegría por el resultado final, uso de Scratch en casa, dificultad en la Abstracción).

B.2. Codificación Axial: Agrupación de los códigos abiertos en categorías más amplias. En el caso de esta investigación, las categorías podrían ser:

○​ Barreras de la Algoritmia: Agrupa códigos como "errores de sintaxis" o "bloques desordenados" para identificar el obstáculo lógico predominante. ○​ Impacto de la Colaboración: Analiza los registros del DC sobre la interacción de los estudiantes y su papel en la resolución de problemas (Construccionismo Social).

○​ Transferencia de Conocimiento: Identifica si los estudiantes logran vincular la lógica del ChatBot con la funcionalidad de otros sistemas de IA. 2.​ Codificación Selectiva: Integración de todas las categorías alrededor del fenómeno central: Incidencia en el Desarrollo de Competencias de PC.

B. Triangulación Final y Validación de Hallazgos Este es el paso final que da solidez a la tesis:

●​ Contraste (Cuantitativo vs. Cualitativo): Los hallazgos cuantitativos (el nivel de desempeño en la Rúbrica $\text{O}_2$ y el resultado de Wilcoxon) se confrontan con las categorías cualitativas. Por ejemplo, si los datos cuantitativos muestran que el criterio de Algoritmia mejoró significativamente, la triangulación busca la evidencia en el Diario de Campo y la Autoevaluación que lo explique (ej., “El Diario de Campo registró que la dificultad inicial con los condicionales se superó tras el ejemplo colaborativo de la Sesión 3”).

●​ Conclusión de la Incidencia: Solo a través de esta triangulación se puede afirmar con rigor si la incidencia se produjo y si se debió específicamente a la Programación Creativa del ChatBot o a factores externos (motivación del club, colaboración). La Fase III, por lo tanto, no es solo la medición de un resultado, sino el proceso reflexivo que permite al investigador contextualizar y validar la magnitud del cambio, cerrando el ciclo de la Investigación-Acción.

[Figura 3. Diagrama del Proceso de Triangulación de Datos (Sugiere incorporar esta figura en el capítulo)]

Se procedió a la recolección de los datos post-intervención ($\text{O}_2$), la cual se centró en la evaluación del proceso y del producto. El análisis en esta fase se enfocó en la funcionalidad del ChatBot final y la percepción de la adquisición de las competencias, logrando la evidencia necesaria para contrastar la Hipótesis General

7.5. Técnicas e Instrumentos de Recolección de Datos

Para garantizar la triangulación metodológica de la información, se utilizaron diversos instrumentos que permiten capturar tanto la línea base como el proceso de desarrollo y el resultado final.

Instrumento Objetivo de la Recolección Indicadores Medidos Tipo de Datos

1. Formulario de

Evaluación Diagnóstica Inicial Establecer la línea base (O1) de conocimientos en IA y programación.

Familiaridad con la IA, Comprensión de Conceptos Clave, Percepción de Autoeficacia Inicial.

Cuantitativos (cerrados) y Cualitativos (abiertos).

2. Diario de Campo del

Investigador Documentar el proceso de implementación (X), las interacciones y las dificultades.

Estrategias de debugging, Nivel de participación colaborativa, Evolución del Pensamiento Algorítmico.

Cualitativos (narrativos y reflexivos).

3. Rúbrica de Evaluación

del Producto Final (ChatBot) Evaluar el logro técnico del ChatBot como artefacto.

Funcionalidad del Algoritmo, Correcta Aplicación de Condicionales (Lógica), Coherencia en la Abstracción de Palabras Clave.

Cuantitativos (escalas de valoración) y Cualitativos (observación de código).

4. Autoevaluación del

Estudiante Capturar la percepción de la adquisición de las competencias y la autoeficacia final.

Sentimiento de logro, Capacidad percibida para crear tecnología, Valoración del método.

Cualitativos (escalas Likert y preguntas abiertas).

7.6. Estrategias de Análisis de Datos

El análisis de los datos se realizará mediante un proceso de triangulación de fuentes para validar los hallazgos:

1.​ Análisis Descriptivo Cuantitativo: Se aplicará estadística descriptiva básica (frecuencias, medias y porcentajes) a los datos de la Evaluación Diagnóstica y a los resultados de la Rúbrica Final para establecer la diferencia entre PRE1 y DU2.

2.​ Análisis de Contenido Cualitativo: Se utilizará un proceso de codificación para analizar los textos del Diario de Campo, las respuestas abiertas y las autoevaluaciones. Se identificarán categorías emergentes (ej., Dificultad en la Abstracción, Dominio de los Bucles) que permitan establecer la incidencia de la intervención en la percepción de los estudiantes y el desarrollo de sus competencias de PC. La triangulación entre la funcionalidad del ChatBot

(Rúbrica) y la documentación del proceso (Diario de Campo) permitirá validar si el éxito se debió a la estrategia didáctica aplicada.

Capítulo 3 Este capítulo detalla la ejecución de la investigación, siguiendo el diseño metodológico Pre-experimental de Preprueba-Postprueba. La implementación se llevó a cabo en el Club de Inteligencia Artificial (Grupo CIA) de la institución educativa La Julita, Pereira, dividiéndose en las tres fases secuenciales necesarias para determinar la incidencia de la creación de ChatBots en el desarrollo de las competencias tecnológicas.

3.1. Preparación y Caracterización Inicial de la Muestra

Previo al inicio de la intervención, se completó la caracterización definitiva de la muestra. La población se delimitó al total de estudiantes del Club de IA. ●​ Verificación de Criterios: Se confirmó que los estudiantes seleccionados cumplían rigurosamente con los Criterios de Inclusión (participación activa en el Club de IA y consentimiento informado) y Exclusión (ausencia de experiencia avanzada en programación textual y compromiso de asistencia), lo cual garantiza la validez interna del diseño al minimizar el sesgo de Historia (Campbell y Stanley, 1966). ●​ Configuración del Entorno: Se preparó el entorno físico (sala de sistemas con conexión a internet y equipos funcionales) y digital (acceso a la plataforma Scratch), asegurando que la tecnología fuera una herramienta facilitadora y no una barrera para la implementación de la Programación Creativa (Resnick, 2017).

3.2. Fase I: Ejecución del Diagnóstico (PRE1)

Esta fase corresponde a la recolección de la Preprueba, cuyo objetivo fue establecer la línea base de la muestra en cuanto a sus conocimientos, percepciones y autoeficacia antes de la intervención.

3.2.1. Aplicación del Instrumento Diagnóstico

●​ Instrumento: Cuestionario digital “¿Qué sabes y piensas sobre la IA?” (Google Forms). ●​ Justificación de la Plataforma: La selección de Google Forms se fundamentó en su capacidad para garantizar la uniformidad en la aplicación, la automatización de la recolección de datos y su fácil exportación para el posterior análisis estadístico. Esto es crucial en diseños que buscan la medición cuantitativa de un cambio (Cienfuegos Velasco et al., 2022).

●​ Proceso de Aplicación: El cuestionario fue aplicado de forma sincrónica al inicio de la primera sesión, con una duración estipulada de 15 minutos, bajo la supervisión directa del investigador para resolver dudas logísticas, pero sin influir en las respuestas.

3.2.2. Flujo Detallado de las Preguntas y Recolección de Datos

El cuestionario siguió el flujo secuencial detallado previamente, el cual se implementó con el fin de recoger diferentes tipos de datos esenciales:

1.​ Datos de Caracterización (Ordinal y Nominal):

●​ Pregunta 1 (Grado): La recolección del Grado del estudiante permitió caracterizar la heterogeneidad de la muestra (6to a 9no). Estos datos serán utilizados como

variables de control para identificar posibles sesgos relacionados con el nivel de madurez o exposición escolar previa a la tecnología.

2.​ Datos de Exposición y Familiaridad (Dicotómico y Nominal): ●​ Preguntas 2, 3, 4, 7, 8, 9: Estas preguntas, de naturaleza Dicotómica (Sí/No) o de selección, permitieron cuantificar la conciencia inicial de los estudiantes sobre la IA Estrecha (p. ej., Siri, Alexa) y la frecuencia de uso en tareas académicas (Q7). Esto mapeó la cultura tecnológica inicial del grupo, un indicador necesario para contextualizar el punto de partida de las Competencias Tecnológicas (MEN,

2008).

3.​ Datos de Percepción y Conceptualización (Ordinal y Cualitativo): ●​ Pregunta 6 (Interés): Usando una escala ordinal (Mucha/Algo/Poco/Nada), se midió la motivación intrínseca. Este dato es fundamental para el Construccionismo (Papert), ya que el interés predice la persistencia y la profundidad en el aprendizaje basado en proyectos.

●​ Pregunta 5 (Concepto de IA): La respuesta abierta permitió la recolección de datos cualitativos iniciales. Estos textos fueron registrados en el Diario de Campo para su posterior análisis de contenido, revelando las concepciones espontáneas y posibles ideas erróneas de la IA que el investigador debió corregir o enfocar durante la Intervención (DU2).

3.3. Fase II: Desarrollo de la Intervención Didáctica (DU2)

Esta fase constituyó la implementación del Tratamiento (X), que consistió en el desarrollo de la secuencia didáctica de creación del ChatBot en Scratch. El proceso se centró en un ciclo de

acción-reflexión típico de la Investigación-Acción (I-A), donde el investigador ajustó la guía didáctica en función de las necesidades observadas.

3.3.1. Ejecución de la Secuencia (El Tratamiento)

El tratamiento se diseñó para que los estudiantes aplicaran los pilares del Pensamiento Computacional (PC) de Wing (2006) a través de la Programación Creativa (Resnick, 2017).

A. Aplicación de la Descomposición y Abstracción ●​ Introducción Lúdica: La creación del ChatBot comenzó con la selección del sprite (avatar), que conectó el proyecto con el interés personal del estudiante, alineándose con el Construccionismo (Papert, 1980).

●​ Descomposición: El problema de "crear un diálogo inteligente" fue descompuesto en sus componentes lógicos: Entrada (la pregunta del usuario mediante el bloque Preguntar), Proceso (la evaluación lógica) y Salida (la respuesta del ChatBot). ●​ Abstracción: El uso del bloque Sensor: respuesta obligó a los estudiantes a practicar la Abstracción del Lenguaje. Tuvieron que diseñar su código para que el ChatBot reconociera la palabra clave del input del usuario, ignorando la gramática y el ruido del lenguaje natural. Esta práctica es fundamental para que el estudiante comprenda cómo las máquinas procesan el lenguaje y se aplica directamente a la Competencia de Abstracción. B. Aplicación de la Algoritmia y Lógica ●​ Estructuras Condicionales: El grueso del tiempo de la Fase II se dedicó a la implementación de la Algoritmia mediante el uso de los bloques Si/entonces y Si/entonces/sino anidados.

●​ Justificación: La construcción de un diálogo coherente y con múltiples opciones requiere que el estudiante diseñe una secuencia ordenada y finita de pasos lógicos (un algoritmo de decisión). Este ejercicio es el núcleo de la Competencia Tecnológica relacionada con la resolución de problemas y la lógica de sistemas (MEN, 2008). La dificultad observada en la anidación de condicionales fue un punto focal de la intervención, ya que demostró la debilidad o fortaleza en la comprensión del flujo de control del programa.

C. Integración y Programación Creativa

●​ Finalización del Sistema: Las sesiones finales se enfocaron en la integración de elementos multimedia (sonidos, animaciones) y en la integración ética/social (p. ej., mensajes de limitación del ChatBot).

●​ Programación Creativa: Se alentó a los estudiantes a personalizar sus ChatBots con diálogos originales o con funciones no requeridas explícitamente, promoviendo el uso del código como un medio de expresión y diseño (Resnick, 2017), lo cual será medido en el criterio de Originalidad de la Rúbrica.

3.3.2. Documentación Sistemática con el Diario de Campo

El Diario de Campo (DC) fue activado en esta fase como el principal instrumento cualitativo y de Investigación-Acción, siendo llenado por el investigador inmediatamente después de cada sesión (DU2).

●​ Registro de la Acción-Reflexión: El DC no solo documentó el qué, sino el cómo del proceso. Se registraron las barreras de aprendizaje específicas (ej. "La mayoría de 6to tuvo problemas con la anidación del condicional en el tercer nivel de profundidad") y las

estrategias didácticas de respuesta implementadas por el investigador (ej. "Se tuvo que recurrir a la analogía del semáforo para explicar la lógica booleana del condicional"). ●​ Función Metodológica (I-A): El DC permitió al investigador cumplir con la función de reflexión sistemática sobre la práctica, un componente esencial de la Investigación-Acción (Kemmis y McTaggart). Este registro cualitativo es vital para la Triangulación de Datos en el Capítulo 4, ya que proporciona el contexto explicativo de los resultados cuantitativos de la Rúbrica.

3.4. Fase III: Ejecución de la Evaluación Final (POS3)

La última fase se dedicó a la recolección de la Postprueba, cerrando el ciclo PRE1 X

POS3.

3.4.1. Aplicación de la Rúbrica de Evaluación del ChatBot

●​ Proceso de Evaluación Objetiva: El investigador procedió a evaluar individualmente el código fuente de cada ChatBot creado en Scratch por los estudiantes del Grupo (CIA). Esta evaluación fue realizada utilizando la Rúbrica de Evaluación Final, la cual mide el dominio aplicado de los criterios del PC (Abstracción, Algoritmia, Descomposición). ●​ Obtención del Dato Cuantitativo: Los puntajes de la Rúbrica (escala de 1 a 4 por criterio) constituyeron el dato cuantitativo objetivo de la Postprueba. Estos valores fueron los que se utilizaron, posteriormente, para el análisis inferencial de la Prueba de Wilcoxon, contrastándolos con la línea base

3.4.2. Aplicación de la Autoevaluación del Estudiante

●​ Instrumento Pareado: Se aplicó una versión final del cuestionario, que replicó los ítems de Escala de Likert de la Fase I (PRE1) relacionados con la percepción y autoeficacia (Q6 y similares).

●​ Propósito del Dato Pareado: La recolección de estos datos pareados permitió realizar el análisis descriptivo comparativo A - B = C, comparando la percepción individual del estudiante antes y después de la intervención, para medir el cambio en la autoeficacia percibida (Bandura, 1977).

●​ Obtención del Dato Cualitativo Final: Las preguntas abiertas finales de la autoevaluación (ej., reflexión sobre las dificultades y el proceso de solución) fueron el último insumo cualitativo recolectado, cerrando el abanico de fuentes para la posterior Triangulación de Datos del Capítulo 4.

3.4.3. Cierre del Proceso

Al concluir la aplicación de los instrumentos, se procedió a la recopilación de los artefactos digitales (enlaces a los proyectos de Scratch) y al agradecimiento a la muestra, asegurando que todos los datos y evidencias del proceso estuvieran listos para la fase final de Análisis de Resultados.

Capítulo 4: Resultados Este capítulo presenta el análisis de los resultados derivados de la intervención pedagógica realizada con los estudiantes del Club de Inteligencia Artificial, estructurada según el diseño pre-experimental y validada mediante triangulación de fuentes. El estudio integra tres dimensiones de evidencia: el diagnóstico inicial, que permitió reconocer los saberes previos y concepciones iniciales sobre tecnología; la dimensión metacognitiva, en la que los estudiantes reflexionaron sobre sus procesos de aprendizaje y los obstáculos epistemológicos encontrados; y la dimensión objetiva, correspondiente a la evaluación técnica de los ChatBots elaborados, valorados mediante una rúbrica analítica, la interpretación de estos resultados se fundamenta en el Construccionismo de Papert, el Pensamiento Computacional formulado por Wing y por Brennan y Resnick, y las orientaciones del MEN (2008) sobre competencias tecnológicas. Desde esta articulación conceptual y metodológica, se examina la incidencia real de la estrategia en el fortalecimiento de las capacidades tecnológicas de los participantes, atendiendo tanto a los avances observables en los productos como a los procesos cognitivos que acompañaron su construcción.

4.1.1. El Usuario Pasivo frente a la Caja Negra

El análisis de los datos de entrada muestra que, aunque el 100 % de la muestra interactúa diariamente con tecnología, su experiencia en creación algorítmica era prácticamente nula. Esta brecha entre el uso cotidiano de dispositivos y la comprensión de su funcionamiento interno evidencia una relación predominantemente instrumental con la tecnología. Asimismo, se identificaron concepciones erróneas y nociones fragmentadas sobre conceptos básicos de programación y automatización, lo que confirma la necesidad de propuestas formativas que

permitan transitar del consumo pasivo a la construcción activa de soluciones tecnológicas. Estos hallazgos iniciales constituyen el punto de partida para valorar, de manera rigurosa, la incidencia de la intervención pedagógica desarrollada.

Nivel de Experiencia Cantidad de Estudiantes Nula (No sabía nada)

5

Usuario (Solo jugar)

1

Básica (Scratch previo)

1

Las respuestas cualitativas del diagnóstico ("No sabía nada", "Solo jugar") confirman lo expuesto por Kirschner y De Bruyckere (2017): la exposición a interfaces gráficas no desarrolla per sé habilidades cognitivas de orden superior. Los estudiantes concebían la Inteligencia Artificial y los Chatbots como "Cajas Negras" (Black Boxes), artefactos cuyo funcionamiento interno les resultaba opaco e inaccesible, este hallazgo validó la necesidad crítica de la

intervención: era imperativo transitar del "uso mágico" de la tecnología a la "comprensión lógica" de la misma.

4.2. Análisis del Proceso: Obstáculos Epistemológicos y Desarrollo Cognitivo

La evaluación del proceso, a través de la autoevaluación final y las bitácoras de clase, permitió identificar los principales “puntos de dolor” cognitivo experimentados por los estudiantes, no se trató de un aprendizaje lineal, sino de una confrontación progresiva con nuevas formas de pensar y de estructurar problemas; Las dificultades más recurrentes se relacionaron con la comprensión del rol del algoritmo, la necesidad de anticipar escenarios conversacionales y la toma de decisiones lógicas dentro del diseño del ChatBot, estas tensiones, lejos de interpretarse como fallas, evidencian el tránsito desde un conocimiento intuitivo hacia un razonamiento computacional más elaborado, lo que reafirma la pertinencia de la estrategia implementada para movilizar procesos cognitivos de mayor complejidad.

4.2.1. La Crisis de la Abstracción y el Control de Flujo

Al interrogar a los estudiantes sobre sus mayores dificultades, emergieron patrones que coinciden con la taxonomía de conceptos computacionales de Brennan y Resnick (2012): 1.​ El Obstáculo de la Variable (Datos): La respuesta de la Muestra 2 ("Confundí las variables") es reveladora. Representa la dificultad de pasar del pensamiento aritmético concreto (donde 5 es 5) al pensamiento computacional, entender que el Chatbot debe "guardar" el nombre del usuario en una memoria variable fue el primer gran desafío de abstracción.

2.​ La Lógica Condicional (Control): La dificultad reportada con "la lógica del sí/entonces" (Muestra 3) evidencia la complejidad de estructurar árboles de decisión. Los estudiantes tendían a pensar narrativamente (inicio-nudo-desenlace), y les costó migrar a un pensamiento lógico (si pasa A, haz B; si no, haz C).

●​ 4.2.2. Evolución de la Autonomía: Del Andamiaje a la Depuración Una de las incidencias más positivas de la intervención se observa en las estrategias de resolución de problemas, se identificó una transición gradual en la mayoría del grupo: ●​ Fase Inicial (Dependencia): Estrategias como "Pedir ayuda al profe" (Muestra 1) denotan una baja tolerancia inicial a la frustración, típica de modelos de instrucción tradicional. ●​ Fase Avanzada (Pensamiento Computacional): El surgimiento de estrategias como "Revisé paso a paso" o "Ensayo y error sistemático" (Muestras 2 y 5) indica la adquisición de la competencia de Depuración, Según Wing (2006), esta capacidad de diagnosticar y corregir errores lógicos es una habilidad transferible a otros dominios de la vida, cumpliendo así con el objetivo general.

4.3. Evaluación de Resultados: Análisis de los Artefactos

La aplicación de la Rúbrica de Evaluación sobre los ChatBots finales ofrece la evidencia objetiva necesaria para matizar las autopercepciones de los estudiantes; los resultados muestran una asimetría notable entre el desarrollo de competencias éticas y técnicas. Mientras que los aspectos ético-sociales alcanzaron niveles superiores de manera consistente, las habilidades técnicas particularmente aquellas relacionadas con la lógica algorítmica y la programación autónoma evidenciaron mayores dificultades y una progresión más limitada. Esta divergencia

sugiere que los estudiantes logran comprender con facilidad las implicaciones sociales y culturales de la Inteligencia Artificial, pero requieren procesos formativos más extensos y sistemáticos para consolidar las destrezas operativas asociadas a la construcción de algoritmos funcionales. En conjunto, estos hallazgos subrayan la importancia de integrar estrategias pedagógicas que equilibren la reflexión crítica con el fortalecimiento técnico, garantizando un desarrollo integral de las competencias tecnológicas.

Criterio Evaluado Nivel 1 (Bajo) Nivel 2 (Medio) Nivel 3 (Alto) Ética y Sociedad

0

0

7

Abstracción (Lenguaje)

2

2

3

Originalidad

4

1

2

Algoritmia (Lógica)

4

1

2

Descomposición

●​ 4.3.1. La Consolidación de la Competencia Socio-Ética (Nivel Superior) El dato más contundente de la investigación es el éxito absoluto en el Componente Ético y Social, en el cual el 100 % de los estudiantes alcanzó el Nivel 3 (Superior). Independientemente de la calidad técnica de su código, todos integraron en sus ChatBots mensajes orientados a la privacidad, la educación o el bienestar social, este resultado evidencia no solo la apropiación conceptual de los principios éticos trabajados durante la intervención, sino también la capacidad de transferir dichos principios a la creación tecnológica; La presencia consistente de estos elementos demuestra que los estudiantes lograron comprender la dimensión social de la inteligencia artificial y reconocieron su potencial para promover valores y actitudes responsables en entornos digitales.

Esto sugiere que la intervención logró conectar la tecnología con el contexto vital del estudiante, se cumplió a cabalidad con las Orientaciones Generales del MEN (2008), que exigen una aproximación crítica a la tecnología, los estudiantes demostraron que no son solo técnicos, sino ciudadanos digitales capaces de reconocer la responsabilidad social implícita en la creación de IA.

4.3.2. La Brecha Técnica: El Reto de la Modularidad y la Descomposición

Contrario al éxito ético, el análisis técnico del código revela que el Pensamiento Algorítmico Estructural se encuentra en una fase inicial, la mayoría de los estudiantes logra comprender y reproducir patrones básicos de programación, pero aún presenta limitaciones al momento de diseñar estructuras lógicas más complejas que integren condicionales anidados, manejo de variables o secuencias optimizadas, esta evidencia sugiere que, si bien existe una

apropiación conceptual mínima que permite la funcionalidad básica del ChatBot, la capacidad para abstraer, planificar y organizar el código de manera estructurada aún no se ha consolidado. En consecuencia, se identifica la necesidad de profundizar en procesos formativos continuos que fortalezcan la comprensión de principios de arquitectura algorítmica, favoreciendo así la transición desde la imitación guiada hacia la producción autónoma de soluciones computacionales más robustas.

1.​ El Fenómeno del "Código Espagueti": El 71% de la muestra obtuvo Nivel 1 en Descomposición. Sus programas consisten en bloques kilométricos de instrucciones secuenciales sin uso de modularidad (funciones o "Más Bloques" en Scratch). Esto indica que, cognitivamente, los estudiantes aún no logran descomponer un problema grande en sub-problemas manejables, una de las competencias clave definidas por la CSTA (Computer Science Teachers Association).

2.​ Disociación Interfaz/Lógica: Se presentan casos disonantes como el de Daniela Gonzales (Nivel 3 en Abstracción de Lenguaje, Nivel 1 en Lógica).

○​ Interpretación: Daniela logró entender la interfaz humano-máquina (reconocer palabras clave), pero no logró articular una lógica interna compleja. Su bot "parece" inteligente, pero internamente es rígido, esto demuestra que es posible simular competencia tecnológica sin tener una comprensión algorítmica profunda. ●​ 4.3.3. Originalidad y la Zona de Desarrollo Próximo El análisis de los artefactos digitales evidenció que el proyecto se ubicó en un nivel de reproducción o adaptación de tutoriales, este resultado, lejos de interpretarse como una limitación creativa o un indicador de insuficiencia pedagógica, se comprende de manera más

profunda a la luz del enfoque sociocultural de Vygotsky, en este marco, la imitación constituye un proceso legítimo de aprendizaje mediado que permite a los estudiantes actuar dentro de su Zona de Desarrollo Próximo, utilizando el tutorial y el código base como un andamiaje cognitivo necesario para transitar hacia formas más complejas de pensamiento algorítmico. Ahora, la “copia” observada no fue mecánica, sino una imitación reflexiva que posibilitó la apropiación de estructuras lógicas como variables, condicionales y flujos de control que aún no podían ser construidas de manera autónoma, solo aquellos estudiantes con mayores niveles de afinidad lógica previa, clasificados en el nivel 3 (Integral), lograron avanzar hacia producciones más autónomas, próximas a lo que Resnick denomina “fluidez tecnológica”. En consecuencia, los datos empíricos confirman que la creatividad en entornos computacionales no emerge de forma abrupta, sino que se desarrolla gradualmente y depende de la mediación, de las experiencias previas y del nivel de apropiación de los conceptos algorítmicos; Esto permite afirmar que, en procesos de alfabetización en IA, la lectura, interpretación y adaptación de código preexistente constituye una competencia precursora indispensable para la posterior generación de código original, desmitificando la idea de que el aprendizaje significativo se produce únicamente cuando el estudiante crea desde cero.

4.4. Síntesis de la Incidencia

Al triangular la autoevaluación (Capítulo 4.2) con la rúbrica (Capítulo 4.3), se concluye que:

1.​ Alta Incidencia en Autoeficacia y Ética: Los estudiantes se sienten mucho más capaces y comprenden el rol social de la tecnología. La barrera del miedo a la tecnología fue derribada.

2.​ Incidencia Moderada en Lógica Computacional: Comprenden los conceptos (saben qué es un bucle o una condicional), pero aún requieren soporte para implementarlos en estructuras complejas.

3.​ El "Efecto Novedad" vs. Aprendizaje Profundo: La motivación fue alta, pero la transferencia a competencias de programación modular requiere tiempos de maduración superiores a los de esta intervención.

Capítulo 5: Conclusiones En este último capítulo se presenta la síntesis final de los resultados obtenidos en la investigación, se exponen las conclusiones más relevantes sobre el impacto de la creación de ChatBots en las competencias tecnológicas de los estudiantes, su relación con el enfoque sociocultural y su aporte a la educación en tecnología, Asimismo, se ofrecen recomendaciones orientadas a optimizar futuras intervenciones y profundizar en los procesos formativos asociados al pensamiento computacional y la Inteligencia Artificial.

5.1. Incidencia Diferenciada en las Competencias Tecnológicas

Se concluye que la creación de ChatBots mediante la herramienta Scratch incide de manera positiva, aunque diferenciada, en las distintas dimensiones de la competencia tecnológica, si bien la intervención logró una movilización significativa y homogénea en la apropiación conceptual y la alfabetización digital, el desarrollo de la lógica algorítmica compleja (uso autónomo de condicionales anidados y variables) presentó un comportamiento escalonado. Esto permite inferir que, aunque la estrategia es altamente efectiva para la iniciación en el Pensamiento Computacional, la transición de la comprensión lectora del código a la escritura autónoma de estructuras complejas ("fluidez tecnológica") requiere tiempos de maduración cognitiva que exceden la duración de una intervención corta.

5.2. La Imitación como Andamiaje y Validación del Enfoque Sociocultural

Los resultados validan la pertinencia del enfoque sociocultural de Vygotsky en entornos de programación creativa el hecho de que el proyecto se desarrollará bajo dinámicas de reproducción o adaptación de tutoriales demuestra que los estudiantes trabajaron eficazmente en

su Zona de Desarrollo Próximo (ZDP); La estructura lógica del ChatBot actuó como un andamiaje cognitivo que permitió a los estudiantes interactuar con conceptos de IA que, sin la mediación del docente y la guía visual, habrían resultado inaccesibles. Por tanto, se concluye que la imitación reflexiva no constituye una falta de creatividad, sino un estadio necesario de internalización, lectura e interpretación de código, previo a la producción autónoma.

5.3. Tecnología y Sociedad: Alineación con los Estándares Nacionales

La investigación aporta evidencia sobre la capacidad de la Inteligencia Artificial como vehículo para la formación ciudadana, superando la visión instrumentalista de la informática, al alcanzar la totalidad de la muestra el nivel superior en el componente ético-social, se concluye que la creación de ChatBots facilita la operacionalización del componente "Tecnología y Sociedad" establecido en las Orientaciones generales para la educación en tecnología (MEN), Los estudiantes lograron trascender la manipulación técnica para reflexionar críticamente sobre el impacto, la privacidad y la utilidad social de los algoritmos, demostrando que la enseñanza de la IA es más significativa cuando se sitúa en contextos de resolución de problemas sociales.

5.4. Fortalecimiento de la Autoeficacia Tecnológica

Finalmente, se determinó una incidencia directa en la autoeficacia de los estudiantes frente a la tecnología, la intervención logró transformar la percepción de la Inteligencia Artificial desde ser un ente abstracto y ajeno, pasó a ser comprendida como un sistema lógico susceptible de ser diseñado y controlado. Este cambio, evidenciado en la alta motivación y la superación del miedo al error técnico, habilita al estudiante como un agente activo (prosumidor) frente a la

cultura digital, cumpliendo con el objetivo educativo de formar sujetos capaces de comprender y transformar su entorno tecnológico.

5.5. Recomendaciones​

Considerando los hallazgos, se sugiere profundizar y ampliar el alcance metodológico de la intervención:

1.​ Estudios longitudinales: Resulta pertinente evaluar la retención y consolidación de las competencias lógicas a mediano y largo plazo con el fin de determinar si los avances observados se sostienen en el tiempo o si corresponden, en parte, al denominado efecto novedad, este tipo de estudios permitiría identificar patrones de estabilización, retroceso o fortalecimiento de la lógica algorítmica, así como comprender con mayor precisión los ritmos individuales de desarrollo del Pensamiento Computacional en contextos educativos diversos.

2.​ Estrategia de desvanecimiento: Para futuras implementaciones se recomienda incorporar un diseño pedagógico que contemple la retirada progresiva del andamiaje proporcionado por los tutoriales y las guías paso a paso, la transición gradual desde la adaptación guiada hacia la resolución autónoma de problemas permitiría fortalecer la internalización de estructuras lógicas complejas y, en consecuencia, promover un desarrollo más robusto de la lógica algorítmica autónoma; Este proceso, además, facilita la emergencia de estrategias propias de razonamiento, incrementando la confianza del estudiante en su capacidad para enfrentar desafíos computacionales sin apoyo externo.

Bibliografía Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215.

https://doi.org/10.1037/0033-295X.84.2.191 Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice Hall.

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K–12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905 Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. American Educational Research Association Annual Meeting.

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company. Campbell, D. T., & Stanley, J. C. (1966). Experimental and quasi-experimental designs for research. Rand McNally.

Cienfuegos Velasco, Y. A., Garcés Prettel, M., Barros Arrieta, D., & Redondo Balza, R. P. (2022). Investigación cuantitativa en ciencias sociales: De la teoría a la práctica. Revista Chakiña, 2(3), 1–15.

Coll, C., & Monereo, C. (Eds.). (2008). Psicología de la educación virtual: Aprender y enseñar con las tecnologías de la información y la comunicación. Ediciones Morata.

Cuny, J., Snyder, L., & Wing, J. M. (2010). Demystifying computational thinking for non-computer scientists [Manuscrito no publicado].

Denzin, N. K. (1978). The research act: A theoretical introduction to sociological methods. McGraw-Hill.

García-Peñalvo, F. J. (2019). Integración de inteligencia artificial en la educación: Una revisión sistemática. Revista Educación Digital, 3(2), 101–115. Guzdial, M., & Soloway, E. (2002). Teaching the Nintendo generation to program. Communications of the ACM.

Jonassen, D. H. (1999). Computers as mindtools for schools: Engaging critical thinking (2nd ed.). Merrill/Prentice Hall.

Kemmis, S., & McTaggart, R. (2005). Participatory action research: Communicative action and the public sphere. In N. K. Denzin & Y. S. Lincoln (Eds.), The Sage handbook of qualitative research (3rd ed., pp. 559–603). Sage. Kirschner, P. A., & De Bruyckere, P. (2017). The myths of the “digital native” and the “net generation”: A systematic literature review. Teaching and Teacher Education, 67, 135–142.

McCarthy, J. (1956). Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Dartmouth College.

Ministerio de Educación Nacional. (2008). Estándares básicos de competencias en tecnología e informática. MEN.

MIT Media Lab (Lifelong Kindergarten Group). (2013). Designing for tinkerability. MIT Media Lab.

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books. Patton, M. Q. (1987). How to use qualitative methods in evaluation. Sage. Resnick, M., & Rosenbaum, E. (2013). Designing for tinkerability. MIT Press. Schwab, K. (2016). The fourth industrial revolution. Crown Business. Taylor, S. J., & Bogdan, R. (1998). Introduction to qualitative research methods: A guidebook and resource (3rd ed.). Wiley.

UNESCO. (2019). Artificial intelligence in education: Challenges and opportunities. UNESCO Publishing.

Weizenbaum, J. (1966). ELIZA—A computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36–45.