Computational
Thinking and Programming Learning among University Students in Latin America: A
Critical Review of Trends, Strategies, and Challenges in Higher Education
Andrea Carolina Moreira
Cañizares*
Jaime Arturo Arias Méndez*
Richard Vinicio Astudillo
Sarmiento*
Rita Carolina Egüez Cevallos
Abstract
Computational
thinking has become a relevant cognitive framework for problem solving in
digitally mediated environments, while programming is one of its most visible
means of externalization, practice, and assessment in higher education. In
Latin America, the expansion of programs related to computing, engineering,
science, education, and digital technologies has increased the need to
understand how computational thinking development is connected with
introductory programming learning, particularly among university students who
move from heterogeneous school experiences to courses that demand abstraction,
algorithmic reasoning, debugging, and modeling. This article aims to critically
analyze recent literature on the relationship between computational thinking
and programming learning among university students in Latin America,
identifying conceptual trends, teaching strategies, empirical findings,
tensions, and research gaps. A critical bibliographic review was conducted,
mainly covering publications from 2021 to August 2026, prioritizing
peer-reviewed articles, systematic reviews, Latin American empirical studies,
and reports from international organizations. Findings indicate that
instruction focused exclusively on syntax is insufficient; the most promising
experiences shift attention toward problem solving, algorithm construction,
active learning, visual programming, educational robotics, and formative
feedback. Prior knowledge, self-efficacy, the quality of instructional
scaffolding, and digital divides also condition learning outcomes. The
emergence of generative artificial intelligence expands opportunities for
personalized support but introduces risks of cognitive dependence and weakened
reasoning processes when pedagogical mediation is absent. The review concludes
that Latin American universities need curricular designs that explicitly
integrate computational thinking and programming as related but non-equivalent
processes, supported by multidimensional assessment, faculty development, and
institutional policies focused on equity and deep understanding of code.
Keywords: computational thinking; programming; higher
education; university students; Latin America; active learning.
Resumen
El pensamiento computacional se ha
consolidado como un marco cognitivo relevante para la resolución de problemas
en entornos mediados por tecnologías digitales, mientras que la programación
constituye uno de sus medios de exteriorización, práctica y evaluación más
visibles en la educación superior. En América Latina, la expansión de carreras
vinculadas con informática, ingeniería, ciencias, educación y tecnologías
digitales ha incrementado la necesidad de comprender cómo se articula el
desarrollo del pensamiento computacional con el aprendizaje inicial de la
programación, especialmente en estudiantes universitarios que transitan desde
experiencias escolares heterogéneas hacia cursos que demandan abstracción,
razonamiento algorítmico, depuración y modelación. El objetivo de este artículo
es analizar críticamente la literatura reciente sobre la relación entre
pensamiento computacional y aprendizaje de la programación en estudiantes
universitarios de América Latina, identificando tendencias conceptuales, estrategias
didácticas, hallazgos empíricos, tensiones y vacíos de investigación. Se
realizó una revisión bibliográfica crítica de publicaciones principalmente
comprendidas entre 2021 y agosto de 2026, priorizando artículos arbitrados,
revisiones sistemáticas, estudios empíricos latinoamericanos y documentos de
organismos internacionales. Los hallazgos muestran que la enseñanza centrada
exclusivamente en la sintaxis resulta insuficiente; las experiencias más
prometedoras desplazan el foco hacia la resolución de problemas, la
construcción de algoritmos, el aprendizaje activo, la programación visual, la
robótica educativa y la retroalimentación formativa. También se evidencia que
los conocimientos previos, la autoeficacia, la calidad del andamiaje docente y
las brechas digitales condicionan los resultados. La irrupción de la
inteligencia artificial generativa amplía las posibilidades de apoyo
personalizado, pero introduce riesgos de dependencia cognitiva y de
debilitamiento de procesos de razonamiento si no existe mediación pedagógica.
Se concluye que las universidades latinoamericanas requieren diseños
curriculares que integren explícitamente pensamiento computacional y
programación como procesos relacionados, pero no equivalentes, acompañados de
evaluación multidimensional, formación docente y políticas institucionales
orientadas a la equidad y a la comprensión profunda del código.
Palabras clave: pensamiento computacional; programación; educación superior; estudiantes universitarios; América Latina; aprendizaje activo.
INTRODUCCIÓN
La transformación digital ha modificado
las demandas cognitivas, profesionales y formativas asociadas a la educación
superior. En este escenario, programar ya no se reduce a dominar la gramática
de un lenguaje computacional, sino que implica formular problemas, representar
datos, anticipar comportamientos, diseñar procedimientos, evaluar soluciones y
depurar errores. Tales operaciones se aproximan a lo que la literatura
contemporánea denomina pensamiento computacional, un constructo que, pese a su
diversidad definicional, converge en la capacidad de construir modelos
abstractos y procedimientos algorítmicos para resolver problemas mediante
procesos susceptibles de ser ejecutados por agentes humanos o computacionales. La
meta-revisión de Astor et al. (2026), basada en un amplio conjunto de
revisiones sistemáticas y metaanálisis, confirma que la fragmentación
conceptual continúa siendo un problema, pero también identifica un núcleo común
alrededor de la abstracción, los pasos computacionales y los algoritmos. Esta
convergencia es especialmente pertinente para la enseñanza universitaria de la
programación, pues ayuda a desplazar la discusión desde el dominio instrumental
del código hacia la comprensión de los procesos de razonamiento que preceden,
acompañan y evalúan su producción.
En la educación superior, la relación entre pensamiento
computacional y programación es estrecha, aunque no debe interpretarse como
identidad conceptual. Tikva y Tambouris (2021) muestran, en un mapeo
sistemático sobre enseñanza y aprendizaje del pensamiento computacional
mediante programación, que el campo universitario se ha organizado en torno a
bases de conocimiento, estrategias de aprendizaje, herramientas, factores asociados,
evaluación y desarrollo de capacidades. Esta estructura evidencia que programar
puede funcionar como medio para desarrollar y observar el pensamiento
computacional, pero no garantiza por sí sola su adquisición. El estudiante
puede reproducir sintaxis, adaptar fragmentos de código o seguir procedimientos
sin comprender la descomposición del problema, la selección de
representaciones, la lógica del algoritmo o la generalización de la solución.
En consecuencia, el desafío didáctico consiste en promover una programación
orientada al razonamiento y no únicamente a la ejecución técnica.
La problemática adquiere particular relevancia en América
Latina. Belmar (2022), al revisar la enseñanza de programación y pensamiento
computacional en diferentes regiones del mundo, identifica una expansión
desigual y señala que América Latina presenta avances heterogéneos frente a
regiones con políticas curriculares más consolidadas. Esta situación se
relaciona con condiciones estructurales más amplias. La OECD (2023) advierte
que los países latinoamericanos participantes en evaluaciones de habilidades muestran
rezagos en alfabetización, numerosidad y resolución de problemas en entornos
tecnológicos, mientras que Herrera et al. (2025), desde la CEPAL, sostienen que
las brechas digitales regionales ya no pueden analizarse únicamente en términos
de conectividad, debido a que persisten desigualdades en usos, competencias y
oportunidades de aprendizaje. Aunque estas fuentes no se circunscriben
exclusivamente a la población universitaria, ofrecen un marco relevante para
comprender la diversidad de trayectorias con las que los jóvenes, de manera
referencial en edades frecuentes de 18 a 25 años, ingresan a las instituciones
de educación superior.
Las investigaciones universitarias latinoamericanas
confirman esa heterogeneidad. Pérez (2021), al estudiar percepciones de
estudiantes universitarios venezolanos antes de incorporar formalmente el
pensamiento computacional en una asignatura introductoria de programación,
encontró concepciones parciales y la ausencia de un marco compartido entre los
propios aprendices. En Brasil, Nascimento et al. (2024) identificaron
diferencias en habilidades de algoritmo y reconocimiento de patrones entre
ingresantes de carreras de computación según su experiencia previa en
programación. En México, Narváez Díaz et al. (2023) documentaron una
metodología construccionista mediada por Scratch para fortalecer fundamentos de
programación, mientras que en Ecuador Prado Ortega et al. (2023) reportaron beneficios
de la programación por bloques articulada con robótica educativa y aprendizaje
móvil. En Colombia, Ibatá Soto et al. (2024) observaron mejoras asociadas a un
modelo activo con ejercicios en Python, especialmente en pensamiento lógico y
reconocimiento de patrones. Estas experiencias sugieren que la enseñanza
universitaria de la programación constituye un espacio privilegiado para
desarrollar pensamiento computacional, pero también revelan que los resultados
dependen de la arquitectura pedagógica, los instrumentos de evaluación, los
conocimientos de entrada y el contexto institucional.
La relevancia científica del problema se intensifica por
dos transformaciones recientes. La primera corresponde al creciente uso de
metodologías activas, entornos visuales, robótica, aprendizaje basado en
problemas y sistemas de retroalimentación para reducir la carga cognitiva
inicial y favorecer la comprensión conceptual. Calderon et al. (2024), en un
mapeo sistemático de metodologías activas para enseñar programación en
pregrado, muestran la diversidad de enfoques implementados y la necesidad de
observar no solo el rendimiento final, sino las estrategias mediante las cuales
el estudiante construye conocimiento. La segunda transformación proviene de la
inteligencia artificial generativa. La disponibilidad de asistentes capaces de
explicar, corregir y producir código modifica radicalmente la relación entre
estudiante, error y solución. Nathaniel et al. (2025) advierten que la
integración de estas herramientas puede apoyar el aprendizaje, pero también
comprometer habilidades de orden superior y la lógica fundamental de
programación cuando se utiliza sin diseño instruccional; Manorat et al. (2025)
confirman que la inteligencia artificial se está extendiendo a la planificación
de cursos, la implementación de clases, la evaluación, la retroalimentación y
el seguimiento del desempeño.
En este contexto, el objetivo del presente artículo es
analizar críticamente la literatura reciente sobre pensamiento computacional y
aprendizaje de la programación en estudiantes universitarios de América Latina,
con énfasis en educación superior, a fin de identificar las relaciones
conceptuales entre ambos procesos, las dificultades de aprendizaje más
recurrentes, las estrategias didácticas con mayor sustento, los condicionantes
regionales y los vacíos que deben orientar futuras investigaciones. El análisis
se articula desde la premisa de que una formación universitaria pertinente no
debe medir el éxito por la capacidad de producir código funcional de manera
aislada, sino por la posibilidad de comprender, explicar, transferir y evaluar
los procesos de razonamiento que hacen posible una solución computacional.
MATERIALS AND METHODS
El estudio se desarrolló mediante una revisión bibliográfica crítica y documental de
carácter integrador. La finalidad no fue efectuar un metaanálisis ni estimar un
tamaño de efecto agregado, sino construir una síntesis analítica capaz de
relacionar hallazgos empíricos, revisiones de literatura y documentos
regionales con el problema específico de la formación universitaria en
pensamiento computacional y programación. La ventana temporal principal
comprendió desde 2021 hasta agosto de 2026, lo que permitió concentrar el
análisis en la producción de los últimos cinco años y, simultáneamente,
incorporar trabajos publicados en 2021 que resultan decisivos para el estado
reciente del campo. Se priorizaron fuentes revisadas por pares y verificables
mediante DOI, portales editoriales, SciELO, repositorios institucionales y
sistemas de información académica. Asimismo, se integraron informes de la OECD,
la CEPAL cuando aportaban evidencia contextual sobre habilidades,
transformación digital, equidad o educación superior en América Latina y el
Caribe.
La
localización de literatura se orientó mediante combinaciones de descriptores en
español, inglés y portugués, entre ellos “pensamiento computacional”,
“computational thinking”, “pensamento computacional”, “programación”,
“programming”, “higher education”, “educación superior”, “estudiantes
universitarios”, “undergraduate students”, “Latin America”, así como términos
asociados a “programación por bloques”, “aprendizaje activo”, “robótica
educativa”, “introductory programming”, “artificial intelligence” y “generative
AI”. Los criterios de inclusión consideraron la pertinencia directa con
pensamiento computacional, programación o enseñanza universitaria; la presencia
de población de educación superior o implicaciones transferibles a dicho nivel;
la disponibilidad de información bibliográfica suficiente para comprobar la
fuente; y la contribución a alguno de los ejes analíticos del estudio. Se
excluyeron materiales de divulgación sin trazabilidad académica, referencias
duplicadas, trabajos centrados exclusivamente en aspectos técnicos de
ingeniería de software sin dimensión educativa y estudios cuyo objeto no
permitía establecer relación con el aprendizaje de la programación o el
pensamiento computacional.
El
análisis se realizó mediante lectura temática comparativa. Las fuentes fueron
examinadas en función de cinco categorías: conceptualización de la relación
entre pensamiento computacional y programación; dificultades y factores
asociados al aprendizaje inicial; estrategias didácticas y tecnologías
mediadoras; evaluación de habilidades y heterogeneidad de entrada; y
condiciones regionales e institucionales, incluyendo la emergencia de la
inteligencia artificial generativa. Se privilegiaron contrastes entre resultados
antes que la acumulación descriptiva de autores. En consecuencia, los hallazgos
se interpretaron atendiendo a coincidencias, tensiones metodológicas,
limitaciones de muestra, diferencias entre contextos nacionales y vacíos de
investigación. Esta decisión es relevante porque una parte de la literatura
latinoamericana disponible se apoya en estudios de caso o experiencias
institucionales con muestras reducidas, por lo que sus resultados deben
comprenderse como evidencia contextual prometedora y no como generalizaciones
automáticas para toda la región.
RESULTS
Pensamiento
computacional y programación: una relación de complementariedad, no de
equivalencia
La
revisión confirma que el principal problema conceptual consiste en confundir el
pensamiento computacional con la mera capacidad de codificar. La literatura
reciente permite superar esa reducción. Astor et al. (2026) identifican que,
pese a la multiplicidad de definiciones existentes, el pensamiento
computacional puede articularse alrededor de la construcción de
representaciones abstractas y secuencias algorítmicas orientadas a la solución
de problemas. Desde esta perspectiva, la programación es una práctica
privilegiada para materializar tales representaciones, ya que obliga a
convertir una intención de solución en estructuras formalizadas que pueden
ejecutarse, verificarse y corregirse. Sin embargo, el código es un producto
observable, mientras que el pensamiento computacional comprende procesos
cognitivos y metacognitivos que pueden manifestarse antes, durante y después de
escribirlo.
Tikva y
Tambouris (2021) refuerzan esta distinción al mostrar que la investigación
universitaria sobre pensamiento computacional mediante programación incluye no
solo herramientas y lenguajes, sino también bases de conocimiento, estrategias
pedagógicas, factores personales, evaluación y desarrollo de capacidades. Tal
amplitud implica que el aprendizaje no puede reducirse a elegir entre Python,
C++, Java o Scratch. El lenguaje constituye una mediación semiótica y técnica;
la calidad del aprendizaje depende de cómo el estudiante descompone el
problema, reconoce patrones, abstrae información irrelevante, diseña un
algoritmo, prueba hipótesis y depura errores. Belmar (2022) sitúa precisamente
la abstracción, la descomposición, la algoritmización, la depuración y la
resolución de problemas entre los componentes reiterados del pensamiento
computacional, lo cual permite entender por qué una instrucción excesivamente
sintáctica puede producir desempeños frágiles: el estudiante aprende a
construir expresiones válidas sin adquirir necesariamente un modelo explicativo
del problema ni una estrategia transferible de solución.
Esta
tensión aparece de manera explícita en la evidencia latinoamericana. Brugés
Romero y Camperos Villamizar (2022), en estudiantes de ingeniería de Colombia,
describen el aprendizaje de programación como un proceso que exige deducción,
razonamiento y abstracción más allá de la memorización. El hallazgo es
coherente con Pérez (2021), quien mostró que estudiantes universitarios podían
aproximarse al pensamiento computacional desde concepciones intuitivas o
incompletas antes de una integración curricular deliberada. La implicación
pedagógica es significativa: si el profesorado presupone que programar
automáticamente “produce” pensamiento computacional, corre el riesgo de
invisibilizar las operaciones cognitivas que necesitan enseñanza explícita. Por
el contrario, cuando esas operaciones se nombran, modelan y evalúan, la
programación puede convertirse en un laboratorio de razonamiento donde los
errores dejan de ser fallas finales y pasan a constituir evidencias
diagnósticas del proceso de pensamiento.
La
distinción también tiene consecuencias curriculares. Sinésio Ferris da Silva y
Pontual Falcão (2021), al analizar proyectos pedagógicos de licenciaturas en
computación de Brasil, encontraron que la incorporación formal del pensamiento
computacional era todavía limitada, aunque los programas que lo incluían
tendían a presentarlo como una habilidad transversal de resolución de problemas
y no exclusivamente como contenido técnico. Esta constatación resulta relevante
para América Latina porque muestra una brecha entre el reconocimiento
discursivo del pensamiento computacional y su traducción en resultados de
aprendizaje, secuencias didácticas y procedimientos de evaluación. Una
integración curricular madura debería explicitar qué dimensiones se pretende
desarrollar, mediante qué experiencias de programación se trabajarán y cómo se
distinguirá el dominio de sintaxis del razonamiento computacional subyacente.
Dificultades
del aprendizaje inicial de programación y heterogeneidad de entrada
La
programación introductoria continúa siendo una experiencia académica exigente
porque integra conocimientos declarativos, habilidades procedimentales, modelos
mentales y procesos de resolución de problemas. La revisión sistemática de
Kalelioğlu y Keskinkılıç (2026) identifica entre las dificultades más
recurrentes la comprensión insuficiente de conceptos y constructos de
programación, las confusiones entre sintaxis y semántica, las limitaciones en
resolución de problemas, la incapacidad para construir modelos mentales
adecuados del funcionamiento del computador y las debilidades en el proceso de
diseño de soluciones. Estos hallazgos permiten interpretar la dificultad no
como atributo fijo del estudiante, sino como resultado de la interacción entre
conocimiento previo, complejidad conceptual, representación del problema,
estrategias de enseñanza y calidad de la retroalimentación.
En
América Latina, la heterogeneidad de entrada es especialmente visible.
Nascimento et al. (2024) evaluaron habilidades de pensamiento computacional en
ingresantes de cursos de computación en Brasil antes de una asignatura
introductoria de programación y observaron diferencias entre quienes no tenían
experiencia y quienes declaraban conocer dos o más lenguajes. Este resultado no
significa que conocer múltiples lenguajes equivalga a dominar pensamiento
computacional, pero sí evidencia que la experiencia previa puede ofrecer
esquemas de reconocimiento de patrones y algoritmos que modifican el punto de
partida. La consecuencia para el diseño universitario es clara: un curso único,
con ritmo uniforme y supuestos homogéneos, puede ampliar las diferencias iniciales
si no incluye diagnóstico, rutas de apoyo y actividades escalonadas.
La
experiencia de Pérez (2021) aporta otra dimensión de la heterogeneidad: las
concepciones. Antes de integrar formalmente el pensamiento computacional en un
curso de introducción a la programación, los estudiantes mostraban percepciones
que no necesariamente coincidían con los componentes académicos del constructo.
Esta distancia entre lenguaje cotidiano y lenguaje disciplinar afecta la forma
en que el estudiante interpreta una tarea. Por ejemplo, una actividad de
“resolver un problema” puede ser entendida como encontrar rápidamente un código
que funcione, mientras que desde una perspectiva de pensamiento computacional
implicaría justificar la descomposición, seleccionar una representación,
comparar alternativas y explicar por qué el algoritmo resulta adecuado. De allí
que la alfabetización conceptual deba acompañar la práctica de programación
desde las primeras semanas.
Las
dificultades, además, tienen componentes afectivos y motivacionales. La
literatura sobre programación introductoria ha documentado que el error
reiterado puede disminuir la confianza cuando se percibe como evidencia de
incapacidad, mientras que los entornos que convierten la depuración en una
práctica normalizada favorecen persistencia y autorregulación. Calderon et al.
(2024) muestran que las metodologías activas de programación se han expandido
precisamente porque movilizan al estudiante desde una posición receptiva hacia
la resolución, experimentación, colaboración y producción. La enseñanza
universitaria necesita, por tanto, equilibrar la exigencia cognitiva con
andamiajes que permitan al estudiante explicar su razonamiento, recibir
retroalimentación oportuna y revisar soluciones sin que la evaluación se limite
al resultado binario de “funciona/no funciona”.
Estrategias
didácticas con evidencia en contextos universitarios latinoamericanos
Las
experiencias latinoamericanas revisadas convergen en un desplazamiento desde la
exposición tradicional hacia estrategias que hacen visible el proceso de
solución. En México, Narváez Díaz et al. (2023) aplicaron una metodología
construccionista mediada por Scratch en una asignatura de Algoritmia de
Ingeniería de Software. El valor didáctico de la programación visual no radica
simplemente en su apariencia gráfica, sino en reducir parte de la carga
asociada a errores sintácticos y permitir que el estudiante centre atención en
secuencias, condiciones, iteraciones, variables y relaciones causales. Este
tipo de entorno funciona especialmente bien cuando se utiliza como puente y no
como destino final: su función es favorecer la construcción de estructuras conceptuales
que posteriormente puedan transferirse a lenguajes textuales.
Una
lógica similar aparece en Ecuador. Prado Ortega et al. (2023), con estudiantes
universitarios de la Universidad Técnica de Machala, analizaron beneficios de
la programación por bloques mediante Sphero mini y aprendizaje móvil. Los
estudiantes destacaron facilidad de uso, portabilidad, interacción directa con
el dispositivo y mayor facilidad para detectar errores.
Desde una
interpretación crítica, el aporte central no se encuentra en el recurso
tecnológico por sí mismo, sino en la posibilidad de vincular representación
algorítmica y efecto observable. Cuando un algoritmo controla el comportamiento
de un robot, la abstracción adquiere una consecuencia física inmediata que
facilita formular hipótesis, identificar errores y ajustar secuencias. No
obstante, el tamaño reducido de la muestra y el carácter contextual del estudio
exigen cautela antes de extrapolar resultados.
La
robótica también ha sido utilizada como medio de formación integral. Gómez
Rodríguez et al. (2024), en universitarios de la Universidad de Guadalajara,
incorporaron pensamiento computacional dentro de talleres de robótica mediante
una secuencia que incluía comprensión de la situación, identificación de la
dificultad, descomposición, reconocimiento de patrones, selección de
información relevante y diseño y ejecución de algoritmos. El estudio reportó
mejoras asociadas al pensamiento creativo y al trabajo con metodologías
activas. Aunque pensamiento creativo y pensamiento computacional no son
equivalentes, su articulación resulta teóricamente plausible: diseñar
soluciones computacionales implica generar alternativas, representar
restricciones y evaluar consecuencias. La evidencia sugiere que las
experiencias auténticas o semiauténticas pueden ampliar el aprendizaje más allá
de ejercicios descontextualizados de entrada-salida.
En
Colombia, Ibatá Soto et al. (2024) compararon un enfoque tradicional con una
herramienta de aprendizaje activo basada en más de mil ejercicios de Python,
organizados según dimensiones de pensamiento computacional. Los resultados
mostraron progresos en el grupo experimental, especialmente en pensamiento
lógico y reconocimiento de patrones, al tiempo que las dimensiones de
resolución de problemas, algoritmos y pensamiento lógico aparecían entre las
más débiles al inicio. Este hallazgo es particularmente significativo porque
muestra que el simple aumento de práctica no basta si los ejercicios no están
alineados con dimensiones cognitivas explícitas. La práctica deliberada
adquiere valor cuando cada actividad permite identificar qué habilidad se
moviliza, qué error conceptual se intenta superar y qué tipo de
retroalimentación se ofrece.
La
evidencia internacional sintetizada por Calderon et al. (2024) respalda esta
orientación. Su mapeo sistemático identifica una amplia variedad de
metodologías activas utilizadas en pregrado, entre ellas aprendizaje basado en
problemas y proyectos, pair programming, gamificación, actividades
colaborativas y recursos interactivos. El denominador común es el aumento de la
actividad intelectual del estudiante y la creación de oportunidades para
explicar, probar y revisar soluciones. Sin embargo, la revisión también sugiere
un problema metodológico: los estudios utilizan métricas muy diversas, por lo
que comparar efectividad entre estrategias resulta complejo. Para el contexto
latinoamericano esto implica que el avance no debe medirse solo por la cantidad
de innovaciones implementadas, sino por la calidad de los diseños de
investigación y la consistencia de los instrumentos con los constructos
evaluados.
En
síntesis, las estrategias más prometedoras comparten cuatro propiedades.
Primero, reducen el peso inicial de la sintaxis cuando esta interfiere con la
comprensión. Segundo, sitúan la resolución de problemas como eje y no como
aplicación posterior de contenidos. Tercero, hacen del error una fuente de
información mediante depuración y retroalimentación. Cuarto, articulan
representaciones múltiples diagramas, bloques, pseudocódigo, código textual,
simulaciones o dispositivos físicos para facilitar la transición entre lo
concreto y lo abstracto. Estas propiedades explican por qué la discusión
no debería formularse en términos de “qué lenguaje es mejor”, sino de qué
secuencia de representaciones y tareas permite desarrollar una comprensión
progresivamente más formal y transferible. (Calderon et al., 2024; Narváez Díaz
et al., 2023; Prado Ortega et al., 2023).
Evaluación del pensamiento computacional y del
aprendizaje de programación
La evaluación constituye uno de los puntos más sensibles
del campo porque aquello que se mide termina orientando aquello que se enseña.
Si la evaluación se limita a comprobar que un programa compila y produce una
salida esperada, se pueden invisibilizar procesos centrales como
descomposición, razonamiento algorítmico, calidad de la representación,
depuración, comparación de alternativas y explicación del código. Tikva y
Tambouris (2021) ya identificaban la evaluación como una de las áreas de mayor
evolución dentro de la investigación universitaria sobre pensamiento
computacional. A su vez, Astor et al. (2026) muestran que la literatura de
síntesis continúa reportando fragmentación conceptual, lo que afecta
directamente la comparabilidad de instrumentos: distintas escalas y pruebas
pueden denominar “pensamiento computacional” a combinaciones parcialmente
diferentes de habilidades.
El estudio de Nascimento et al. (2024) ilustra el
potencial y las limitaciones de las evaluaciones diagnósticas. Al comparar
habilidades de algoritmo y reconocimiento de patrones antes de iniciar
programación formal, la investigación permite identificar diferencias de
entrada que una calificación final no mostraría. Esta lógica diagnóstica
debería ampliarse a la educación superior latinoamericana mediante evaluaciones
iniciales breves que distingan experiencia previa, razonamiento lógico,
comprensión de problemas y autopercepción. El propósito no sería seleccionar o
excluir estudiantes, sino ajustar apoyos, organizar actividades de nivelación y
evitar que quienes llegan sin experiencia previa interpreten la diferencia
inicial como una imposibilidad de aprender.
La evaluación formativa requiere igualmente evidencias de
proceso. En ambientes de programación pueden analizarse versiones sucesivas del
código, explicaciones verbales o escritas, diagramas, registros de depuración,
pruebas diseñadas por el estudiante y justificaciones sobre decisiones
algorítmicas. Este enfoque permite diferenciar entre quien llega a una solución
mediante comprensión y quien obtiene un resultado funcional por ensayo
aleatorio, copia o asistencia externa. La distinción se vuelve más importante
en el contexto de inteligencia artificial generativa, donde producir código
correcto ya no constituye evidencia suficiente de dominio. El reto
contemporáneo es evaluar comprensión, capacidad de revisión crítica,
transferencia y explicación, no solo producción. (Nathaniel et al., 2025; Tikva
& Tambouris, 2021).
Condiciones regionales: brechas, currículo y capacidad
institucional
La formación en pensamiento computacional no ocurre en un
vacío tecnológico ni social. La OECD (2023) señala que los países
latinoamericanos analizados presentan debilidades en habilidades básicas y en
resolución de problemas en entornos ricos en tecnología, mientras que Herrera
et al. (2025) subrayan que la brecha digital regional incluye desigualdades de
acceso, uso y desarrollo de competencias. Estas condiciones afectan
directamente a la educación superior, incluso cuando las universidades disponen
de laboratorios o plataformas. La brecha puede manifestarse en la familiaridad
con herramientas, la disponibilidad de equipos personales, la estabilidad de
conectividad, el tiempo de exposición previa a programación y la posibilidad de
practicar fuera del aula. Por ello, asumir una supuesta homogeneidad de
“nativos digitales” resulta pedagógicamente problemático.
La dimensión curricular es igualmente relevante. Sinésio
Ferris da Silva y Pontual Falcão (2021) muestran que la incorporación explícita
del pensamiento computacional en licenciaturas brasileñas de computación era
todavía incipiente. Esta constatación puede leerse como un indicador de
transición: la región reconoce cada vez más la importancia del pensamiento
computacional, pero aún necesita traducir ese reconocimiento en perfiles de
egreso, resultados de aprendizaje, secuencias formativas y mecanismos de
evaluación. La ausencia de explicitación curricular favorece que el desarrollo
del pensamiento computacional dependa de iniciativas individuales de docentes,
lo que produce experiencias valiosas pero discontinuas y difíciles de
institucionalizar.
La formación docente aparece, por tanto, como una
condición de sostenibilidad para cualquier estrategia institucional de
desarrollo de competencias digitales y computacionales en educación superior.
Las brechas regionales no se resuelven únicamente ampliando el acceso a
tecnología; también requieren experiencias educativas explícitamente orientadas
a formar capacidades de uso pertinente (Herrera et al., 2025; OECD, 2023). No
basta con incorporar Scratch, Python, robótica o inteligencia artificial en los
programas; se requiere que el profesorado comprenda por qué, cuándo y con qué
propósito didáctico emplear cada recurso. Una institución puede modernizar
herramientas sin transformar la lógica pedagógica. La innovación relevante
ocurre cuando tecnología, actividad cognitiva, evaluación y resultados de
aprendizaje permanecen alineados.
Inteligencia artificial generativa: apoyo cognitivo y
riesgo de sustitución del razonamiento
Desde 2023, la inteligencia artificial generativa ha
alterado profundamente el aprendizaje de programación. Los asistentes basados
en modelos de lenguaje pueden explicar conceptos, generar ejemplos, detectar
errores, proponer pruebas, traducir entre lenguajes y producir soluciones
completas en segundos. Manorat et al. (2025), en una revisión sistemática sobre
inteligencia artificial en educación de programación, muestran que las
aplicaciones ya abarcan diseño de cursos, implementación en aula, evaluación y
retroalimentación, y seguimiento del rendimiento. Estas capacidades son
especialmente atractivas en cursos iniciales porque ofrecen apoyo inmediato,
una de las necesidades más persistentes del aprendizaje de programación.
Sin embargo, la disponibilidad de respuestas técnicamente
plausibles introduce una tensión epistemológica: el estudiante puede obtener
una solución sin atravesar los procesos cognitivos que la formación pretende
desarrollar. Nathaniel et al. (2025), al revisar la integración de inteligencia
artificial generativa en educación de programación, concluyen que los
beneficios dependen de estrategias pedagógicas deliberadas, evaluación bien
diseñada y procesos de integración estructurados. También advierten sobre la sobredependencia
y el posible debilitamiento de pensamiento de orden superior y lógica
fundamental de programación. La cuestión, por tanto, no es prohibir o permitir
la inteligencia artificial, sino redefinir las tareas para que su uso exija
comprensión y juicio.
En términos de pensamiento computacional, la IA generativa
debería funcionar como objeto de crítica y herramienta de contraste. Un
estudiante puede solicitar una solución y luego identificar supuestos, comparar
complejidad, localizar errores, explicar cada decisión, generar casos de prueba
y proponer una alternativa. Tales actividades trasladan el valor educativo
desde “producir código” hacia “evaluar y justificar código”. Esta reorientación
es crucial para la educación superior latinoamericana porque permite aprovechar
asistencia automatizada sin renunciar al desarrollo de autonomía cognitiva.
También exige políticas institucionales sobre integridad académica,
transparencia de uso y diseño de evaluación, particularmente en cursos donde la
calificación tradicional se basaba en tareas que ahora pueden resolverse
automáticamente.
Los hallazgos permiten sostener que la relación entre
pensamiento computacional y aprendizaje de programación en educación superior
es bidireccional y condicionada. La programación ofrece un entorno de práctica
para operaciones centrales del pensamiento computacional, pero el desarrollo de
estas operaciones depende de que sean objeto explícito de enseñanza, reflexión
y evaluación. Esta interpretación coincide con Tikva y Tambouris (2021) y con
la síntesis conceptual de Astor et al. (2026), pero adquiere un matiz
particular al confrontarse con evidencia latinoamericana: en contextos
caracterizados por trayectorias educativas heterogéneas y brechas digitales, el
acceso al curso de programación no equivale a igualdad de oportunidades para
aprender.
La primera tensión identificada es curricular. En
numerosas experiencias, pensamiento computacional aparece asociado a
asignaturas específicas, talleres o innovaciones docentes, pero no
necesariamente como un resultado formativo transversal y progresivo. Sinésio
Ferris da Silva y Pontual Falcão (2021) muestran esta debilidad en
licenciaturas brasileñas, mientras que experiencias de México, Ecuador y
Colombia evidencian que las innovaciones se concentran en contextos
institucionales concretos. Esto sugiere un patrón regional de experimentación pedagógica
con institucionalización todavía limitada. Para superarlo, la universidad
debería definir trayectorias: diagnóstico al ingreso, desarrollo inicial de
resolución algorítmica, transferencia a lenguajes textuales, integración en
proyectos auténticos y evaluación de procesos de pensamiento a lo largo de la
carrera.
La segunda tensión es didáctica. Las evidencias de Narváez
Díaz et al. (2023), Prado Ortega et al. (2023), Gómez Rodríguez et al. (2024) e
Ibatá Soto et al. (2024) respaldan estrategias activas, visuales y
contextualizadas. No obstante, sería metodológicamente incorrecto afirmar que
una herramienta concreta garantiza mejores aprendizajes. Scratch puede reducir
carga sintáctica, la robótica puede hacer visibles relaciones causa-efecto y
Python puede facilitar prototipado, pero el efecto depende de la tarea, el
andamiaje, la secuencia y la retroalimentación. La tecnología funciona como
mediación; la variable pedagógica decisiva es la calidad del diseño que obliga
al estudiante a pensar, explicar, revisar y transferir.
La tercera tensión corresponde a la evaluación. El campo
todavía enfrenta problemas para construir medidas comparables de pensamiento
computacional, debido a la diversidad conceptual señalada por Astor et al.
(2026). En programación universitaria, el problema se agrava porque el código
funcional puede ocultar comprensiones diferentes. La evaluación debería
combinar desempeño de producto y evidencia de proceso, incorporando
razonamiento algorítmico, pruebas, depuración, explicación, transferencia y
reflexión. Esta necesidad se vuelve urgente con la inteligencia artificial
generativa: cuando producir código deja de ser una actividad exclusivamente
humana, la validez de tareas tradicionales disminuye y la evaluación debe
desplazarse hacia competencias de interpretación y juicio.
La cuarta tensión es de equidad. Los datos regionales de
la OECD (2023) y la CEPAL (Herrera et al., 2025) impiden asumir que todos los
estudiantes universitarios ingresan con condiciones digitales equivalentes.
Nascimento et al. (2024) muestran que la experiencia previa en programación se
asocia con diferencias observables antes del curso introductorio. Por tanto,
políticas de nivelación, recursos abiertos, tutorías, laboratorios accesibles y
diagnósticos iniciales no son medidas remediales marginales, sino componentes
de una pedagogía equitativa. La equidad no implica disminuir exigencia, sino
crear condiciones para que la exigencia cognitiva sea alcanzable mediante
apoyos diferenciados.
Finalmente, la revisión identifica un vacío de
investigación regional. Aunque existen experiencias valiosas, siguen
predominando estudios institucionales con muestras pequeñas, diseños de corta
duración y métricas heterogéneas. Son necesarios estudios multicéntricos
latinoamericanos, diseños longitudinales que acompañen la progresión del
pensamiento computacional durante varios semestres, instrumentos con evidencia
de validez en contextos culturales diversos y análisis de transferencia hacia
asignaturas avanzadas. También se requiere estudiar con mayor precisión la
relación entre pensamiento computacional, permanencia estudiantil y rendimiento
en cursos iniciales, así como los efectos de la inteligencia artificial
generativa sobre comprensión profunda, dependencia, autorregulación y capacidad
de depuración. La investigación futura debería abandonar la pregunta simple de
si una tecnología “mejora” el aprendizaje y avanzar hacia preguntas sobre para
quién, bajo qué condiciones, mediante qué mecanismos y con qué efectos
sostenidos.
.
CONCLUSIONS
El análisis realizado permite concluir que el pensamiento
computacional constituye un marco cognitivo relevante para comprender y
fortalecer el aprendizaje de la programación en estudiantes universitarios de
América Latina, pero no debe confundirse con el dominio técnico de lenguajes de
programación. Su núcleo se expresa en procesos de abstracción, descomposición,
reconocimiento de patrones, formulación algorítmica, evaluación y depuración
que pueden desarrollarse mediante programación cuando el currículo y la
enseñanza los hacen explícitos. Por ello, el éxito de un curso introductorio no
debería definirse únicamente por la capacidad de producir código correcto, sino
por la posibilidad de construir soluciones explicables, transferibles y
susceptibles de revisión crítica.
La literatura reciente muestra que las metodologías
activas, la programación visual, la robótica educativa, las representaciones
múltiples y la retroalimentación formativa ofrecen condiciones favorables para
este desarrollo. Las experiencias de México, Ecuador, Colombia y Brasil
demuestran potencial, aunque su alcance debe interpretarse con cautela por la
diversidad de diseños y tamaños de muestra. En conjunto, la evidencia apoya una
secuencia pedagógica que reduzca inicialmente barreras sintácticas, fortalezca
modelos conceptuales y resolución de problemas, y conduzca gradualmente hacia
lenguajes textuales y proyectos de mayor complejidad.
También se concluye que la heterogeneidad de conocimientos
previos y las brechas digitales constituyen variables estructurales de la
formación universitaria latinoamericana. En consecuencia, los diagnósticos de
entrada, la nivelación y los apoyos diferenciados deben formar parte del diseño
ordinario de los cursos, no operar únicamente como respuestas posteriores al
fracaso. De igual manera, la integración curricular del pensamiento
computacional requiere formación docente y acuerdos institucionales que definan
resultados de aprendizaje, indicadores y mecanismos de seguimiento a lo largo
de las carreras.
La inteligencia artificial generativa introduce un punto de inflexión. Su potencial para proporcionar explicaciones y retroalimentación puede favorecer el aprendizaje, pero también puede sustituir procesos de razonamiento cuando las tareas se limitan a obtener una solución funcional. Las universidades deben rediseñar actividades y evaluaciones para exigir explicación, verificación, comparación y transferencia, de manera que la inteligencia artificial se utilice como apoyo a la metacognición y no como reemplazo de la construcción conceptual. En términos de investigación, la región necesita estudios longitudinales, multicéntricos y metodológicamente comparables que permitan establecer cómo progresa el pensamiento computacional, qué estrategias producen efectos sostenidos y de qué modo las condiciones institucionales y tecnológicas median los resultados. La principal implicación es que enseñar programación en la universidad contemporánea significa enseñar a pensar computacionalmente con, sobre y más allá del código.
REFERENCES
Astor, K., Rönnlund, J., Fawcett, C., & Gredebäck, G. (2026). Computational thinking: A meta-review
of systematic reviews and meta-analyses. Educational Research Review, 52,
100794. https://doi.org/10.1016/j.edurev.2026.100794
Belmar, H. (2022). Review on the teaching of
programming and computational thinking in the world. Frontiers in
Computer Science, 4, 997222. https://doi.org/10.3389/fcomp.2022.997222
Brugés Romero, A.
R., & Camperos Villamizar, Y. del P. (2022). Desarrollo del pensamiento
computacional a través del aprendizaje de la programación en estudiantes de
ingeniería. Revista Investigación & Praxis en CS Sociales, 1(1), 1–16.
https://doi.org/10.24054/ripcs.v1i1.1311
Calderon, I.,
Silva, W., & Feitosa, E. (2024). Active
learning methodologies for teaching programming in undergraduate courses: A
systematic mapping study. Informatics in Education, 23(2), 279–322.
https://doi.org/10.15388/infedu.2024.11
Gómez Rodríguez,
H., González Fernández, M. O., & Aceves Aldrete, C. E. (2024). La
creatividad y pensamiento computacional: una experiencia de formación integral
a través de talleres de robótica en universitarios. RIDE. Revista
Iberoamericana para la Investigación y el Desarrollo Educativo, 14(28), e658.
https://doi.org/10.23913/ride.v14i28.1901
Herrera, P.,
Huepe, M., & Trucco, D. (2025). Educación y desarrollo de competencias
digitales en América Latina y el Caribe. CEPAL.
https://hdl.handle.net/11362/81377
Ibatá Soto, L. J.,
Correa Zapata, J. C., Vallejo Córdoba, S. L., & Tamayo Quintero, J. D.
(2024). Implementación experimental de modelos activos para la enseñanza de
programación en entornos universitarios. Mundo FESC, 14(30), 318–337. https://doi.org/10.61799/2216-0388.1794
Kalelioğlu, F., & Keskinkılıç, F. (2026).
Difficulties of learning programming in higher education: A systematic
literature review of recent research. Ankara University Journal of Faculty of
Educational Sciences, 59(2), 771–835. https://doi.org/10.30964/auebfd.1703365
Manorat, P.,
Tuarob, S., & Pongpaichet, S. (2025). Artificial intelligence in computer programming education: A systematic
literature review. Computers and Education: Artificial Intelligence, 8, 100403.
https://doi.org/10.1016/j.caeai.2025.100403
Narváez Díaz, L.
E., Escalante Torres, M., González Segura, C. M., Miranda Palma, C., &
Canché Euán, M. (2023). Propuesta metodológica para mejorar el desempeño
académico de los estudiantes en fundamentos de programación. RIDE. Revista
Iberoamericana para la Investigación y el Desarrollo Educativo, 14(27).
https://doi.org/10.23913/ride.v14i27.1714
Nascimento, A. K.
C. do, Soares, V. M. A., Oliveira, A. L. S., & Andrade, W. L. (2024).
Estimando habilidades de pensamento computacional em ingressantes de cursos de
computação. En Anais do XXXV Simpósio Brasileiro de Informática na Educação
(pp. 2287–2300). Sociedade Brasileira de Computação.
https://doi.org/10.5753/sbie.2024.242356
Nathaniel, J.,
Oyelere, S. S., Suhonen, J., & Tedre, M. (2025). Literature review on the integration of generative AI in programming
education. International Journal of Artificial Intelligence in Education, 35,
2724–2755. https://doi.org/10.1007/s40593-025-00524-3
OECD. (2023). Skills in Latin America: Insights from
the Survey of Adult Skills (PIAAC). OECD Publishing.
https://doi.org/10.1787/5ab893f0-en
Pérez, J. (2021).
Percepción de estudiantes universitarios sobre el pensamiento computacional.
REDU. Revista de Docencia Universitaria, 19(1), 111–127.
https://doi.org/10.4995/redu.2021.15491
Prado Ortega, M.
X., Paucar Córdova, R. J., Valarezo Castro, J. W., Acosta Yela, M. T., &
Guaicha Soriano, K. M. (2023). Beneficios de la programación por bloques
utilizando Sphero mini mediante aprendizaje móvil en la educación superior.
e-Ciencias de la Información, 13(2), 73–96.
https://doi.org/10.15517/eci.v13i2.54814
Sinésio Ferris da
Silva, I., & Pontual Falcão, T. (2021). Uma pesquisa documental sobre o
pensamento computacional no ensino superior: análise dos projetos pedagógicos
dos cursos de licenciatura em computação no Brasil. Revista Contexto &
Educação, 36(114), 54–71. https://doi.org/10.21527/2179-1309.2021.114.54-71
Tikva, C., &
Tambouris, E. (2021). A systematic
mapping study on teaching and learning computational thinking through
programming in higher education. Thinking Skills and Creativity, 41,
100849. https://doi.org/10.1016/j.tsc.2021.100849