Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 33
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL APRENDIZAJE DE LA
PROGRAMACIÓN INFORMÁTICA EN LOS ESTUDIANTES UNIVERSITARIOS
IMPACT OF ARTIFICIAL INTELLIGENCE ON COMPUTER PROGRAMMING LEARNING
IN UNIVERSITY STUDENTS
Autores: ¹Daniel Alexander Vera Paredes, ²Omar Orlando Franco Arias y ³Luis Cristóbal Córdova
Martínez.
¹ORCID ID: https://orcid.org/0009-0001-9033-3399
²ORCID ID: https://orcid.org/0000-0003-0178-4604
3
ORCID ID: https://orcid.org/0000-0003-3605-429X
¹E-mail de contacto: dverap@unemi.edu.ec
²E-mail de contacto: ofrancoa@unemi.edu.ec
³E-mail de contacto: lcordovam@unemi.edu.ec
Afiliación: ¹*²* ³*Universidad Estatal de Milagro, (Ecuador).
Articulo recibido: 30 de Enero del 2025
Articulo revisado: 1 de Febrero del 2025
Articulo aprobado: 4 de Marzo del 2025
¹Magister en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Máster Universitario en Ingeniería de Software y Sistemas Informáticos adquirida en la Universidad Internacional de la Rioja, (España).
Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica del Litoral, (Ecuador). Analista de Sistemas adquirida
en la Escuela Superior Politécnica del Litoral, (Ecuador)
²Doctorado en Sostenibilidad adquirida en la Universidad Politécnica de Catalunya de Barcelona, (España) Magister en Administración y
Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador). Diplomado Superior en Currículo
por Competencia adquirido en Universidad Técnica de Ambato, (Ecuador). Ingeniero Comercial con mención en Administración Financiera
adquirido en la Universidad Estatal de Milagro, (Ecuador).
³Magister en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Magister en Gerencia de Tecnologías de la Información adquirida en la Universidad Estatal de Milagro, (Ecuador). Especialista en
Tecnologías de la Información mención en Comercio y Negocio Electrónico adquirida en la Universidad Laica Eloy Alfaro de Manabí,
(Ecuador). Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica Litoral, (Ecuador). Tecnólogo en Análisis
de Sistemas Informáticos adquirida en la Escuela Politécnica Nacional, (Ecuador)
Resumen
El aprendizaje de la programación informática
en la educación universitaria enfrenta desafíos
significativos debido a la complejidad técnica y
la necesidad de desarrollar competencias como
el pensamiento crítico, razonamiento lógico y la
autoeficacia para la resolución de problemas. En
este contexto, las herramientas de inteligencia
artificial, como ChatGPT, han emergido como
recursos prometedores para personalizar la
enseñanza y mejorar el aprendizaje. Este
artículo tiene como objetivo analizar el impacto
longitudinal de estas herramientas en la
educación universitaria de un lenguaje de
programación mediante una revisión sistemática
de la literatura. Se empleó el protocolo PRISMA
para la selección y análisis de estudios en bases
de datos como Scopus y arXiv, identificando
metodologías de evaluación y sus efectos en el
desarrollo de habilidades clave. Los hallazgos
indican que la IA mejora el rendimiento
académico y la eficiencia en la resolución de
problemas, aunque también plantea riesgos
como la dependencia excesiva y una
comprensión superficial de los conceptos. Se
concluye que, si bien la IA puede transformar la
enseñanza de la programación informática, su
implementación debe ir acompañada de
estrategias pedagógicas y de andragogía que
fomenten la autonomía y el aprendizaje
significativo, equilibrando el uso de estas
herramientas con enfoques tradicionales para
garantizar una formación integral en los
estudiantes.
Palabras clave: Impacto, Inteligencia
artificial, Aprendizaje, Metodologías,
Competencias.
Abstract
Learning programming in university education
faces significant challenges due to technical
complexity and the need to develop skills such
as critical thinking, self-efficacy, and problem-
solving. In this context, artificial intelligence
tools like ChatGPT have emerged as promising
resources to personalize teaching and enhance
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 34
learning. This article aims to analyze the
longitudinal impact of these tools on university-
level programming education through a
systematic literature review. The PRISMA
protocol was employed for the selection and
analysis of studies in databases such as Scopus
and arXiv, identifying evaluation methodologies
and their effects on the development of key
skills. Findings indicate that AI improves
academic performance and efficiency in
problem-solving, although it also presents risks
such as excessive dependence and a superficial
understanding of concepts. It is concluded that,
while AI can transform programming education,
its implementation should be accompanied by
pedagogical strategies that promote autonomy
and meaningful learning, balancing the use of
these tools with traditional approaches to ensure
a comprehensive education for students.
Keywords: Impact, Artificial intelligence,
Learning, Methodologies, Competencies.
Sumário
O aprendizado de programação na educação
universitária enfrenta desafios significativos
devido à complexidade técnica e à necessidade
de desenvolver habilidades como pensamento
crítico, autoeficácia e resolução de problemas.
Nesse contexto, ferramentas de inteligência
artificial, como o ChatGPT, surgiram como
recursos promissores para personalizar o ensino
e melhorar a aprendizagem. Este artigo tem
como objetivo analisar o impacto longitudinal
dessas ferramentas no ensino de programação
em nível universitário por meio de uma revisão
sistemática da literatura. O protocolo PRISMA
foi empregado para a seleção e análise de
estudos em bases de dados como Scopus e
arXiv, identificando metodologias de avaliação
e seus efeitos no desenvolvimento de
habilidades-chave. Os resultados indicam que a
IA melhora o desempenho acadêmico e a
eficiência na resolução de problemas, embora
também apresente riscos como dependência
excessiva e uma compreensão superficial dos
conceitos. Conclui-se que, embora a IA possa
transformar o ensino de programação, sua
implementação deve ser acompanhada de
estratégias pedagógicas que promovam a
autonomia e a aprendizagem significativa,
equilibrando o uso dessas ferramentas com
abordagens tradicionais para garantir uma
formação abrangente dos estudantes.
Palavras-chave: Impacto, Inteligência
artificial, Aprendizado, Metodologias,
Competências.
Introducción
El aprendizaje de la programación informática en
la universidad se ha convertido en un
componente clave para la formación de
competencias tecnológicas, críticas y lógicas en
la sociedad digital actual (Yusuf et al., 2024). Sin
embargo, las dificultades inherentes a esta
disciplina, como la complejidad técnica y la
necesidad de habilidades de resolución de
problemas, representan desafíos significativos
para los estudiantes (Zviel-Girshin, 2024). La
integración de herramientas de inteligencia
artificial (IA), como ChatGPT, ha generado un
interés creciente debido a su capacidad para
proporcionar retroalimentación inmediata,
personalizar procesos de aprendizaje y optimizar
la enseñanza de programación mediante el apoyo
interactivo basado en lenguaje natural (Deng et
al., 2024; Sun, Boudouaia, Zhu, et al., 2024).
Estas herramientas tienen el potencial de
transformar no solo la forma en que se enseña la
programación informática, sino también cómo
los estudiantes interactúan con los conceptos
fundamentales del uso de un lenguaje de
programación cualquiera.
A pesar de los avances significativos en el uso de
IA en la educación, persisten importantes vacíos
en la literatura, especialmente en la evaluación
de su impacto a largo plazo sobre el desarrollo de
competencias de programación informática en
entornos universitarios. Además, pocos estudios
han identificado indicadores clave que permitan
medir el progreso de los estudiantes en
dimensiones más profundas como el
pensamiento crítico, el razonamiento lógico, la
autoeficacia para la solución de problemas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 35
(Savelka, Agarwal, Bogart, et al., 2023; Yusuf et
al., 2024). Por esta razón, se justifica la
necesidad de analizar y sintetizar la evidencia
existente que permita evaluar de forma
longitudinal el impacto de estas tecnologías en el
aprendizaje de la programación informática. El
presente artículo aborda estos retos mediante un
análisis exhaustivo de las metodologías
existentes. Este trabajo tiene como objetivo
principal: Analizar el impacto longitudinal de
herramientas de inteligencia artificial en el
aprendizaje de la programación informática, a
través del análisis de metodologías existentes, la
identificación de indicadores clave y la síntesis
de evidencia sobre el desarrollo de competencias
fundamentales como el pensamiento crítico,
razonamiento lógico, la autoeficacia para la
resolución de problemas.
Naturaleza y alcance del problema
El uso de herramientas de IA en programación,
aunque prometedor, aún enfrenta críticas
relacionadas con la dependencia excesiva, la
falta de entendimiento profundo de conceptos
clave y la limitación en el desarrollo de
habilidades transferibles (Deng et al., 2024;
Zviel-Girshin, 2024). Estas cuestiones se
agravan por la falta de consenso metodológico
para evaluar su impacto, lo que dificulta la
comparación entre estudios y la generalización
de hallazgos. La investigación existente, aunque
valiosa, carece de un enfoque holístico que
considere tanto las métricas tradicionales de
aprendizaje como las competencias transversales
(Sun, Boudouaia, Zhu, et al., 2024).
Desarrollo
El impacto de la IA, como ChatGPT en la
educación en lenguajes de programación ha sido
ampliamente estudiado, con enfoques que van
desde su eficacia en la generación de código
hasta su influencia en la comprensión conceptual
de los estudiantes. Diferentes estudios han
evaluado sus beneficios, desafíos y limitaciones
en diversos contextos educativos y de
evaluación.
Haindl y Weinberger (2024) realizaron un
estudio sobre el uso de esta herramienta de IA en
los introductorios de programación en Java,
evaluando el código de los estudiantes mediante
análisis estático (Haindl & Weinberger, 2024).
Los resultados mostraron que los estudiantes que
utilizaron ChatGPT produjeron código con
menos errores sintácticos y una menor
complejidad ciclomática en comparación con
aquellos que no usaron la herramienta. Sin
embargo, también se observó que los estudiantes
que dependieron en exceso del asistente virtual
IA tenían dificultades para explicar su propio
código, lo que plantea desafíos en términos de
aprendizaje profundo y comprensión conceptual.
De manera similar, Joshi et al. (2024) realizaron
un análisis de desempeño del asistente virtual en
preguntas de informática de pregrado y
encontraron que, aunque puede generar
respuestas plausibles, estas a menudo contienen
errores que podrían inducir a los estudiantes a
comprender incorrectamente los conceptos
fundamentales (Joshi et al., 2024). En adición,
otro estudio analizó el rendimiento de GPT-4 en
cursos universitarios de programación en
Python, concluyendo que el modelo es capaz de
generar código funcional para problemas de
nivel introductorio, pero enfrenta dificultades
con tareas más complejas que requieren
abstracción y diseño algorítmico (Savelka,
Agarwal, An, et al., 2023).
En la misma línea, en el estudio de Buraphadeja,
et al. (2024) se identificó que los estudiantes con
acceso al asistente de IA lograban completar más
tareas y obtenían mejores calificaciones en
comparación con aquellos que no usaban la
herramienta, aunque la brecha de aprendizaje
conceptual persistía(Buraphadeja & Srisarkun,
2024).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 36
Además, el chatbot de IA permite ofrecer
aprendizaje personalizado, adaptando sus
respuestas al nivel de cada estudiante y
permitiendo un aprendizaje autodirigido más
eficiente (Deng et al., 2024). En este sentido,
Husain (2024) exploró las percepciones de los
instructores de programación sobre el potencial
de ChatGPT para complementar métodos
tradicionales, resaltando sus capacidades para
ofrecer prácticas interactivas y personalizadas en
la enseñanza de programación (Husain, 2024).
Este tipo de herramientas pueden fomentar un
aprendizaje más dinámico y facilitar la
comprensión de conceptos complejos a través de
simulaciones y ejemplos adaptativos.
Por otro lado, Nascimento et al. (2023)
compararon el desempeño de ChatGPT con el de
programadores humanos en la resolución de
problemas en LeetCode, encontrando que el
asistente virtual era más rápido en la generación
de código, pero su precisión y eficiencia eran
significativamente menores en comparación con
las soluciones humanas (Nascimento et al.,
2023). Un estudio adicional de Bifolco et al.
(2025) evaluó la capacidad de modelos como
GPT y Gemini para generar código acompañado
de enlaces a fuentes relevantes. Encontraron que
solo el 66% de los enlaces proporcionados por
Bing CoPilot y el 28% de Google Gemini eran
realmente útiles, lo que sugiere limitaciones en
la trazabilidad del código generado por IA
(Bifolco et al., 2025).
Otros autores realizaron una revisión sistemática
y metaanálisis de estudios experimentales sobre
el asistente virtual nombrado anteriormente en la
educación (Deng et al., 2024). Su investigación
concluyó que el uso de ChatGPT mejora el
desempeño académico y la motivación de los
estudiantes, pero no tiene un impacto
significativo en la autoeficacia. Además,
destacaron la necesidad de evaluar los efectos a
largo plazo de la IA en la adquisición de
conocimientos en programación. Un estudio
similar de Malinka et al. (2023) evaluó la
capacidad del programa de asistencia para
completar exámenes en cursos de seguridad
informática, concluyendo que la IA puede
responder correctamente a muchas preguntas
teóricas, pero falla en problemas que requieren
razonamiento crítico y aplicación práctica
(Malinka et al., 2023). Desde la perspectiva del
docente, se explora que la aceptación de
herramientas de IA en la enseñanza de la
programación. Su estudio reveló que la
alfabetización en IA y la confianza en estas
tecnologías son factores clave para su adopción
por parte de los profesores(Al-Abdullatif, 2024).
Además, destacó la importancia de capacitar a
los docentes en el uso de herramientas como
ChatGPT para maximizar su efectividad en el
aula educativa.
Borges et al. (2024) analizaron la vulnerabilidad
de los métodos de evaluación en educación
superior frente al uso del asistente virtual,
señalando que la mayoría de los exámenes
escritos pueden ser resueltos en gran parte por
modelos de lenguaje como GPT-4, lo que obliga
a rediseñar los procesos de evaluación(Borges et
al., 2024). Asimismo, McGee y Sadler (2024)
compararon el desempeño de ChatGPT-3.5 y
ChatGPT-4 en exámenes de estadística y ciencia
de datos, concluyendo que los estudiantes que
usan versiones gratuitas pueden estar en
desventaja frente a aquellos que tienen acceso a
versiones de pago más precisas y
completas(McGee & Sadler, 2024).
En el ámbito de la enseñanza de bases de datos y
SQL, Tahir et al. (2022) investigaron el uso de
gamificación con tutores inteligentes basados en
IA. Su estudio mostró que la combinación de
gamificación e inteligencia artificial mejora la
retención del conocimiento y la motivación de
los estudiantes en cursos de bases de datos (Tahir
et al., 2022). Esto sugiere que enfoques similares
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 37
podrían aplicarse al uso de ChatGPT en la
enseñanza de programación para fomentar la
participación de los estudiantes. De manera
complementaria, Yang et al. (2023) propusieron
el desarrollo de robots educativos basados en IA
para la enseñanza de la seguridad en laboratorios
(Yang et al., 2023). Aunque su estudio no se
centra directamente en programación, sus
hallazgos resaltan la importancia de integrar
estrategias de gamificación e IA en la educación,
lo que podría ser relevante para el desarrollo de
herramientas interactivas basadas en la
educación.
Chen et al. (2023) desarrollaron una herramienta
denominada GPTutor, basada en ChatGPT, que
permite a los estudiantes recibir explicaciones
detalladas de fragmentos de código dentro de
Visual Studio Code. Los resultados preliminares
indicaron que los estudiantes que utilizaron
GPTutor mejoraron su comprensión de los
conceptos de programación en comparación con
aquellos que solo usaron documentación
estándar (E. Chen et al., 2023). Esto infiere que
un modelo de aprendizaje híbrido impulsado por
las herramientas IA permiten mejorar la
participación y compromiso de los estudiantes en
curso de programación (Kumar et al., 2021).
Zviel-Girshin (2024) analizó los efectos
positivos y negativos del uso de herramientas de
IA en cursos introductorios de programación. Su
estudio reveló que, si bien los estudiantes se
benefician de la retroalimentación instantánea
proporcionada por el asistente virtual, existe un
riesgo de dependencia que podría afectar el
desarrollo de habilidades fundamentales en
resolución de problemas y pensamiento
computacional (Zviel-Girshin, 2024). En esta
misma línea, la investigación de Firat (2023)
sugiere que el chatbot inteligente puede ser
utilizado como un tutor autodidacta, pero
advierte sobre los riesgos éticos de su uso en la
educación, incluyendo la posibilidad de que los
estudiantes no desarrollen habilidades críticas de
razonamiento y análisis (Alshahrani & Jameel
Qureshi, 2024; Lehmann et al., 2024).
Otro desafío importante es la carga cognitiva que
pueden generar estos sistemas en los estudiantes.
Suryani et al. (2024) destacaron la importancia
de gestionar adecuadamente la carga cognitiva
en sistemas educativos basados en IA para
optimizar el aprendizaje sin sobrecargar a los
estudiantes (Suryani et al., 2024). La
presentación de información excesiva o poco
estructurada por parte de modelos como
ChatGPT puede dificultar la asimilación de
conceptos clave, en lugar de facilitarla. Estos
estudios resaltan tanto el potencial como los
desafíos del uso de ChatGPT en el aprendizaje de
la programación. Si bien la IA puede mejorar el
aprendizaje y la calidad del código producido por
los estudiantes, también es fundamental diseñar
estrategias que eviten la dependencia excesiva y
fomenten un aprendizaje significativo.
Método utilizado en el estudio
Este artículo adopta un enfoque de revisión
sistemática de literatura. Para abordar esta
problemática, se realizó el proceso de consulta de
información siguiendo el protocolo PRISMA,
garantizando un proceso estructurado y
replicable. Se utilizaron las bases de datos
Scopus y arXiv, seleccionadas por su cobertura
en publicaciones revisadas por pares y estudios
emergentes en inteligencia artificial y educación
de programación.
El proceso PRISMA incluyó las siguientes fases:
➢ Identificación: Se realizaron búsquedas en
Scopus y arXiv utilizando ecuaciones
booleanas avanzadas con términos clave
como "artificial intelligence", "AI", "machine
learning", "programming education",
"longitudinal impact" y "higher education".
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 38
➢ Selección: Se aplicaron filtros de inclusión y
exclusión para garantizar la relevancia de los
estudios.
➢ Elegibilidad: Se eliminaron duplicados y
artículos que no cumplían con los criterios
metodológicos establecidos.
➢ Inclusión: Se analizaron detalladamente 52
artículos que cumplían con los criterios
finales.
Este enfoque permitió garantizar la calidad y
validez de la literatura seleccionada,
proporcionando una visión completa sobre las
metodologías utilizadas para evaluar el impacto
de herramientas de IA en la educación de
programación en la universidad.
Preguntas de investigación
Para orientar la revisión sistemática, se
formularon las siguientes preguntas de
investigación:
RQ1: ¿Cuáles son las metodologías
predominantes utilizadas para evaluar el impacto
longitudinal de herramientas de IA en la
educación universitaria de programación?
RQ2: ¿Qué indicadores clave se han utilizado
para medir el desarrollo de competencias como
el pensamiento crítico, la autoeficacia y la
resolución de problemas en estudiantes de
programación?
RQ3: ¿Cuáles son los principales hallazgos en
cuanto al impacto de herramientas de IA en el
rendimiento académico y la retención del
conocimiento en educación universitaria de
programación?
RQ4: ¿Cuáles son las palabras clave más
utilizadas en la literatura académica sobre la
integración de la inteligencia artificial en la
educación en programación?
RQ5: ¿Cuáles son los autores más citados en los
estudios sobre el impacto de inteligencia
artificial en la enseñanza de la programación?
Resultados esperados
Se espera que esta revisión sistemática permita
identificar las metodologías predominantes
empleadas en la evaluación del impacto a largo
plazo de herramientas de inteligencia artificial en
la enseñanza de programación. A través de este
análisis, se podrán determinar las fortalezas y
limitaciones de cada enfoque, proporcionando
una visión detallada sobre la evolución del
aprendizaje de los estudiantes en entornos
mediados por IA.
Además, se prevé que la síntesis de evidencia
obtenida en este estudio permita comprender
mejor el impacto de herramientas de inteligencia
artificial como ChatGPT en el desarrollo de
habilidades clave en programación, incluyendo
el pensamiento computacional, la resolución de
problemas y la capacidad de depuración de
código. La revisión contribuirá a identificar los
factores que favorecen o dificultan la integración
efectiva de la IA en la educación superior.
Materiales y Métodos
Selección de Base de datos
Para garantizar una cobertura exhaustiva de la
literatura, se seleccionaron Scopus y arXiv como
principales fuentes de datos. Scopus se eligió
debido a su amplio alcance de artículos revisados
por pares en ciencias de la computación y
educación. arXiv fue incluido para capturar
preprints y estudios emergentes sobre
inteligencia artificial en educación.
Justificación de criterios de inclusión y
exclusión
El proceso de selección de los artículos estuvo
guiado por criterios de inclusión y exclusión. Se
consideraron únicamente publicaciones que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 39
cumplieran con los siguientes criterios de
inclusión:
➢ Los estudios publicados entre 2020 y 2025
para garantizar que los hallazgos reflejen las
tendencias y avances más recientes en la
implementación de herramientas de IA en la
educación de programación.
➢ Artículos revisados por pares y preprints de
conferencias relevantes, asegurando que la
información analizada provenga de fuentes
confiables.
➢ Estudios que abordaran explícitamente
metodologías para medir el impacto a largo
plazo de herramientas de inteligencia
artificial en la enseñanza de programación
universitaria.
➢ Artículos que incluyeran mediciones
cuantitativas o cualitativas sobre el impacto
de herramientas de inteligencia artificial
como ChatGPT en el aprendizaje de los
estudiantes.
Los criterios de exclusión se establecieron para
descartar artículos que no aportaran evidencia
empírica suficiente o que no se enfocaran en la
educación universitaria. Se excluyeron:
➢ Estudios basados únicamente en percepciones
estudiantiles sin una metodología de medición
estructurada.
➢ Artículos que abordaran la IA en niveles
educativos inferiores a la educación superior.
➢ Revisiones de literatura sin análisis
sistemático ni enfoque en herramientas de IA.
Estrategia de Búsqueda:
Para identificar los estudios más relevantes, se
implementaron ecuaciones booleanas avanzadas
que permitieron refinar los resultados en cada
base de datos. Estas ecuaciones facilitaron la
búsqueda de artículos específicos relacionados
con la medición del impacto de herramientas de
IA en la educación de programación. Algunos de
los términos clave utilizados fueron "artificial
intelligence", "AI", "machine learning",
"programming education", "longitudinal
impact", "higher education" y "university".
Cada consulta aplicada en las bases de datos
seleccionadas se detalla en la Tabla 1, la primera
consulta realizada en Scopus produjo un total de
53 artículos, de los cuales 9 fueron seleccionados
tras una revisión detallada. Otras ecuaciones
booleanas, como la segunda consulta en arXiv
produjo1092 resultados, de los cuales 26
artículos fueron seleccionados, lo infiere una
mayor disponibilidad de información en esta
base de datos que en comparación con Scopus.
La tendencia de la base de datos arXiv a producir
más información en comparación de Scopus, se
debe a que Scopus indexa publicaciones
académicas revisadas por pares en revistas
establecidas, lo que implica un proceso de
selección riguroso y tiempos de publicación más
largos. Dado que la aplicación de ChatGPT en
educación es un área emergente, aún no hay
suficientes estudios formalmente revisados en
esta base de datos. Por otro lado, arXiv permite
la publicación inmediata de investigaciones sin
revisión por pares, lo que facilita la rápida
difusión de estudios en campos dinámicos como
la inteligencia artificial en la educación.
Proceso de eliminación de documentos
irrelevantes y duplicados
Para gestionar las referencias y eliminar
documentos duplicados, se utilizó Mendeley,
una herramienta de gestión bibliográfica
ampliamente utilizada en la investigación
académica. Se realizó una primera fase de
eliminación automática de duplicados seguida de
una revisión manual para garantizar la relevancia
de los artículos seleccionados. Durante esta
etapa, se excluyeron estudios que no cumplían
con los criterios de inclusión establecidos.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 40
Tabla 1. Operaciones booleanas realizadas en las bases de datos seleccionadas
Consulta
Base de Datos
Resultados
Iniciales
Seleccionados
("artificial intelligence" OR "AI" OR "machine learning") AND ("programming
education" OR "computer science education") AND ("longitudinal" OR "long-term
impact") AND ("higher education" OR "university" OR "undergraduate") AND
PUBYEAR > 2019 AND PUBYEAR < 2026 AND (LIMIT-TO(DOCTYPE, "ar"))
Scopus
53
9
LIMIT-TO (OA, "all") AND (PUBYEAR = 2025 OR PUBYEAR = 2024 OR
PUBYEAR = 2023)
Scopus
8244
7
-announced_date_first; size: 50; include_cross_list: True; terms: AND all=artificial
intelligence; AND all=programming education;
ArXiv
41
8
-announced_date_first; size: 50; date_range: from 2020-01-01 to 2024-12-31;
include_cross_list: True; terms: AND all=artificial intelligence; AND
all=programming education; AND title=undergraduate; OR title=Gemini; OR
title=ChatGPT
ArXiv
1092
26
Fuente: Elaboración propia
Estadísticas generales de selección
El proceso de selección de literatura se llevó a
cabo en 4 fases. Inicialmente, se identificaron
9430 artículos en las bases de datos consultadas.
Tras la eliminación de duplicados y la aplicación
de filtros de relevancia, se redujo la selección a
62 artículos. Finalmente, luego de una revisión
más detallada considerando la alineación con los
objetivos del estudio, se incluyeron 52 artículos
en el análisis final.
Resultados y Discusión
RQ1: ¿Cuáles son las metodologías
predominantes utilizadas para evaluar el
impacto longitudinal de herramientas de IA
en la educación universitaria de
programación?
Epígrafe: Métodos de evaluación del impacto de
la IA en educación de programación
Diversas metodologías han sido utilizadas para
evaluar el impacto longitudinal de herramientas
de IA en la educación universitaria de
programación. Los estudios correlacionales y
exploratorios han sido una de las estrategias más
utilizadas para analizar la relación entre el uso de
IA y el rendimiento académico de los
estudiantes. Por ejemplo, un estudio exploratorio
en un curso de administración de bases de datos
encontró que los estudiantes con mejor
desempeño académico eran quienes más
utilizaban ChatGPT, aunque no se pudo
establecer una relación causal definitiva (López-
Fernández & Vergaz, 2024).
Otro enfoque utilizado ha sido el Modelo de
Aceptación Tecnológica (TAM), el cual permite
evaluar la percepción de los estudiantes sobre la
utilidad y facilidad de uso de herramientas de IA
en la enseñanza de programación.
Investigaciones han demostrado que una
percepción positiva de facilidad de uso y utilidad
influye en la adopción de estas herramientas
dentro del proceso educativo (Song et al., 2024).
Además, los experimentos controlados han sido
clave para determinar el impacto real de
ChatGPT en la enseñanza de la programación.
En un estudio donde se asignaron estudiantes a
grupos con y sin acceso a la IA, se encontró que
aquellos que utilizaron ChatGPT obtuvieron
mejores resultados en sus tareas de
programación, aunque con una mayor
dependencia de la herramienta (Kiesler &
Schiffner, 2023).
De igual modo, otro estudio con una metodología
experimental comparable, en el que el grupo sin
acceso a la herramienta solo tuvo acceso a libros
de texto y notas, demostró que de igual forma el
grupo que empleo el chat con inteligencia
artificial tuvo mejores puntaciones en términos
de casos de prueba superados, aunque la
precisión de su código fue inconsistente
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 41
(Qureshi, 2023). Asimismo, se han
implementado técnicas de análisis de aprendizaje
basado en datos para rastrear el progreso de los
estudiantes y evaluar cómo el uso de ChatGPT
afecta su desempeño a lo largo del tiempo. Estas
técnicas han sido especialmente útiles para
identificar patrones de mejora y áreas en las que
la IA podría estar limitando la autonomía de los
estudiantes (Fraiwan & Khasawneh, 2023). El
uso de herramienta de IA en la educación de
programación ha sido evaluado mediante
experimentos controlados, donde se ha
observado que, si bien la herramienta puede
proporcionar asistencia en tiempo real, también
introduce errores sintácticos que pueden
obstaculizar la comprensión (Anagnostopoulos,
2023).
De igual forma, se han implementado técnicas de
análisis de aprendizaje adaptativo, en donde
ChatGPT actúa como tutor personalizado
proporcionando asistencia en tiempo real,
aunque se señala que su uso debe ajustarse para
evitar la dependencia del estudiante (Aruleba et
al., 2023). También, la evaluación del código
generado por ChatGPT ha sido otro enfoque
adoptado, encontrándose que los estudiantes que
revisaban y corregían código generado por la IA
desarrollaban mejores habilidades analíticas y
críticas (Phung et al., 2023). Los estudios
observacionales analizados, resaltan la
interacción de los estudiantes con la IA en foros
de discusión y entornos de aprendizaje, lo que ha
permitido evaluar el impacto de estas
herramientas en el aprendizaje colaborativo y el
desarrollo de habilidades metacognitivas (He et
al., 2024).
Por otro lado, en un estudio en el que ChatGPT
fue tratado como uno de los estudiantes y se
demostró que podía alcanzar una calificación de
B-, ubicándose en el puesto 155 de 314
estudiantes en un curso introductorio de
programación funcional. Este enfoque permitió
evaluar su impacto tanto desde la perspectiva del
estudiante como del instructor. (Geng et al.,
2023)
RQ2: ¿Qué indicadores clave se han utilizado
para medir el desarrollo de competencias
como el pensamiento crítico, la autoeficacia y
la resolución de problemas en estudiantes de
programación?
Epígrafe: Indicadores clave en la medición de
competencias en programación
El desarrollo de competencias como el
pensamiento crítico, la autoeficacia y la
resolución de problemas en estudiantes de
programación ha sido medido a través de una
variedad de indicadores. Uno de los métodos más
utilizados ha sido la precisión en la resolución de
problemas, donde se evalúa la cantidad de
errores en los códigos generados antes y después
del uso de herramientas de IA. Estudios han
encontrado que los estudiantes que utilizan
ChatGPT cometen menos errores de sintaxis y
lógica, lo que sugiere una mejora en su capacidad
de resolución de problemas (Lieh Ouh et al.,
2023). Además, los estudiantes con el apoyo de
la IA reportaron que experimentaron una mayor
confianza en sus habilidades de codificación,
aunque algunos mencionaron preocupaciones
sobre la dependencia excesiva de la herramienta.
(Pereira, 2024)
Otro indicador clave ha sido el tiempo requerido
para completar tareas. Se ha documentado que
los estudiantes que emplean ChatGPT en sus
ejercicios de programación logran terminarlos en
menor tiempo, lo que indica un aumento en la
eficiencia del aprendizaje (Kiesler & Schiffner,
2023).Asimismo, se ha analizado la frecuencia y
calidad de las interacciones con la IA,
registrando el número de consultas realizadas y
la complejidad de las preguntas formuladas. Este
análisis ha permitido evaluar la autonomía de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 42
estudiantes y su capacidad de formular
problemas complejos (He et al., 2024).
Para evaluar el pensamiento crítico, algunos
estudios han implementado ejercicios de
reflexión en los que los estudiantes comparan y
analizan múltiples soluciones generadas por la
IA. Este enfoque fomenta una comprensión más
profunda de los algoritmos y estructuras de datos
y permite a los estudiantes desarrollar
habilidades de toma de decisiones informadas
(Balajiee Lekshmi-Narayanan & Agus
Hendrawan, 2023). Adicionalmente, encuestas
de autoeficacia han sido utilizadas para medir la
confianza de los estudiantes en sus habilidades
de programación antes y después del uso de
herramientas de IA, encontrando que su
percepción de competencia mejora tras la
interacción con ChatGPT (Song et al., 2024).
Finalmente, la evaluación del desarrollo de
estrategias de resolución de problemas ha sido un
área de estudio clave, donde se ha observado que
los estudiantes que usan ChatGPT de manera
estructurada desarrollan enfoques más eficientes
para abordar problemas de programación
(López-Fernández & Vergaz, 2024).
RQ3: ¿Cuáles son los principales hallazgos en
cuanto al impacto de herramientas de IA en el
rendimiento académico y la retención del
conocimiento en educación universitaria de
programación?
Epígrafe: Impacto de la IA en el rendimiento y
la retención del conocimiento
El impacto de herramientas de IA como
ChatGPT en el rendimiento académico y la
retención del conocimiento en programación ha
sido ampliamente estudiado. Se ha encontrado
que los estudiantes que utilizan ChatGPT
generan códigos con menos errores y completan
sus tareas con mayor eficiencia en comparación
con aquellos que no utilizan esta herramienta
(Lieh Ouh et al., 2023). Además, un análisis
reveló que, si bien ChatGPT ayuda en la
resolución de problemas de programación, su
efectividad disminuye en problemas que
requieren razonamiento algorítmico
profundo(Deshpande & Szefer, 2023).
Un estudio en educación en bases de datos
demostró que los estudiantes que usaron
ChatGPT obtuvieron mejores calificaciones en
exámenes prácticos, aunque no se encontró una
correlación clara con el desarrollo de habilidades
avanzadas en la resolución de problemas (López-
Fernández & Vergaz, 2024). Aunque, de manera
similar, otro estudio encontró que los
evaluadores indicaron que las respuestas de la
inteligencia artificial eran en su mayoría
correctas. Sin embargo, en preguntas más
complejas, tendía a proporcionar respuestas
incompletas o superficiales. (Schulze Balhorn et
al., 2023)
Sin embargo, uno de los principales desafíos
identificados es la dependencia de la IA. Algunos
estudios han encontrado que los estudiantes
tienden a confiar excesivamente en las respuestas
generadas por ChatGPT, lo que puede afectar su
capacidad para resolver problemas sin asistencia.
Esto ha llevado a preocupaciones sobre la
retención a largo plazo de los conceptos
fundamentales, ya que los estudiantes pueden
volverse menos propensos a desarrollar un
pensamiento computacional independiente (He
et al., 2024).
Por otro lado, se ha observado que cuando el uso
de ChatGPT se combina con estrategias de
enseñanza estructuradas, los estudiantes logran
desarrollar mejores habilidades de razonamiento
lógico y resolución de problemas. En un estudio
que combinó el uso de IA con ejercicios de
reflexión y análisis de código, los estudiantes
mostraron una mejora significativa en su
capacidad de evaluar la calidad de las soluciones
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 43
y optimizar sus estrategias de programación
(Balajiee Lekshmi Narayanan & Agus
Hendrawan, 2023). Asimismo, Chen et al. (2024)
encontraron que los estudiantes que usaban
ChatGPT para explicar conceptos a otros
mejoraban su propia comprensión y obtenían
mejores resultados en exámenes de
programación(A. Chen et al., 2024).
Además, las investigaciones han sugerido que el
diseño de actividades que equilibren el uso de IA
con la enseñanza tradicional puede maximizar
los beneficios de la tecnología sin comprometer
la autonomía y la creatividad de los estudiantes
(Fraiwan & Khasawneh, 2023). En este sentido,
Jaiswal, Kuzminykh & Modgil (2024)
destacaron que la enseñanza de IA en
universidades no está completamente alineada
con las necesidades de la industria, y el uso de
ChatGPT en la enseñanza de programación
podría ayudar a reducir esta brecha (Jaiswal et
al., 2024).
López-Pernas, Saqr y Viberg (2021) analizaron
las estrategias de aprendizaje de los estudiantes
en cursos de programación, encontrando que los
alumnos prefieren recursos textuales como
diapositivas con fragmentos de código y
explicaciones, en lugar de videos, especialmente
al resolver tareas prácticas. Esto sugiere que la
integración de ChatGPT en la educación en
programación podría beneficiarse de interfaces
que presenten información textual estructurada y
fácilmente navegable(López-Pernas et al., 2021).
RQ4: ¿Cuáles son las palabras clave más
utilizadas en la literatura académica sobre la
integración de inteligencia artificial en la
educación en programación?
Epígrafe: Frecuencia de palabras claves en la
literatura.
Para responder esta pregunta, se realizó un
análisis de términos clave en los estudios
seleccionados, con el objetivo de identificar los
conceptos más recurrentes en la literatura
revisada. Para ello, se presentan dos
visualizaciones complementarias: un histograma
de frecuencia de palabras clave y una nube de
palabras.
La Figura 1 muestra un histograma con las
palabras clave más utilizadas en los estudios
analizados. Se observa que "ChatGPT" es la
palabra con mayor frecuencia, lo que confirma el
enfoque predominante en esta herramienta de
inteligencia artificial dentro de la educación en
programación. Otras palabras clave recurrentes
incluyen "Artificial Intelligence", "Student
Assessment", "Python Course", "GitHub
Copilot" y "Codex", lo que sugiere un interés
significativo en herramientas de IA para la
enseñanza y evaluación de la programación.
Figura 1: Diagrama de frecuencia de palabras claves en el conjunto de investigación.
Fuente: Elaboración de los autores utilizando el paquete matplotlib de Python
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 44
Es relevante notar que términos como
"introductory and intermediate programming" y
"computing education" también aparecen con
alta frecuencia, lo que indica que el impacto de
ChatGPT y otras herramientas de IA es analizado
en múltiples niveles de enseñanza de
programación, desde cursos introductorios hasta
más avanzados.
Figura 2: Diagrama de nube de palabras claves
del conjunto de fuentes de investigación
Fuente: Elaboración de los autores utilizando el
paquete bibtexparser en Python
Para complementar el análisis del histograma, la
Figura 2 presenta una nube de palabras generada
a partir de los términos más recurrentes en los
estudios seleccionados. En esta visualización se
refuerza la prominencia de "ChatGPT" y
"Artificial Intelligence" como los términos más
destacados, seguidos por "Education",
"Computing methodologies", "Student
assessment" y "Programming". Además, la nube
de palabras proporciona una representación más
amplia del ecosistema temático de la
investigación sobre IA en la educación en
programación. Se pueden identificar términos
relacionados con aspectos pedagógicos como
"Tutoring System", estrategias de evaluación
como "Assessment" y campos de aplicación más
específicos como "Natural Language
Processing" y "AI Code Generation".
Estos hallazgos sugieren que el enfoque de la
literatura revisada no solo se centra en la
efectividad de ChatGPT en la enseñanza de
programación, sino también en su relación con
metodologías de aprendizaje, evaluación
estudiantil y su potencial para la generación
automática de código.
RQ5: ¿Cuáles son los autores más citados en
los estudios sobre el impacto de inteligencia
artificial en la enseñanza de la programación?
Epígrafe: Los autores más citados en la
literatura sobre el impacto de la inteligencia
artificial en la enseñanza de la programación.
La Figura 3 presenta un análisis de los autores
más citados en la literatura sobre el impacto de
ChatGPT en la enseñanza de programación. Se
observa que no hay un dominio absoluto de un
solo autor, sino que varios investigadores han
contribuido de manera significativa al área.
Algunos de los nombres más citados incluyen A.
Boudouaia, Arav Agarwal, Natalie Kiesler, Majd
Sakr, Jaromir Savelka, y D. Sun, lo que indica
que estos investigadores han tenido una
presencia destacada en la literatura reciente sobre
este tema.
Figura 2: Diagrama de frecuencia de autores
del conjunto de fuentes de información
Fuente: Elaboración de los autores utilizando el
paquete matplotlib de Python
La diversidad de autores citados sugiere que la
investigación sobre ChatGPT en educación en
programación es un campo emergente y en
crecimiento, con múltiples contribuciones desde
distintas perspectivas metodológicas y
disciplinares. Este análisis también refuerza la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 45
idea de que el impacto de ChatGPT en la
educación es un tema de interés en diversas
comunidades académicas, abarcando tanto
estudios centrados en la inteligencia artificial
como en la pedagogía de la programación.
Discusión
Comparación con estudios previos
Los hallazgos de este estudio sobre el impacto de
ChatGPT en la educación de programación
universitaria se alinean en varios aspectos con
estudios previos, aunque también presentan
algunas discrepancias notables. Un estudio
reciente sugiere que la herramienta IA puede
desempeñar un papel importante en la educación
de programación, especialmente en la detección
de errores, predicción, correcciones y
explicaciones. Esto significa que los estudiantes
de programación pueden usar ChatGPT para
generar código, corregir errores y utilizarlo como
una plataforma de conversación y herramienta de
discusión (Ramabu & Malebane, 2024).
La investigación de Hwang et al. (2024)
establece un experimento que respalda el
argumento anterior, aunque expresa algunas
preocupaciones sobre el impacto de ChatGPT en
proyectos de desarrollo de software dentro de un
contexto educativo. Se encontró que los
estudiantes que utilizaron la inteligencia
artificial a lo largo del ciclo de vida del
desarrollo, desde la planificación hasta las
pruebas de calidad, obtuvieron mejores
puntuaciones y tasas de finalización de proyectos
más altas que aquellos que no lo usaron(Hwang
et al., 2024). No obstante, el uso extensivo para
depuración de código mostró un patrón de
dependencia que, en algunos casos, redujo la
capacidad de los estudiantes para resolver
problemas sin asistencia externa.
Además, un estudio sobre el impacto de
ChatGPT en la educación en programación
encontró que su empleo no altera
significativamente los resultados de aprendizaje
en cursos introductorios. Sin embargo, se ha
observado una reducción en la exploración de
otros recursos educativos, lo que genera
preocupaciones sobre la dependencia de la
herramienta y su efecto en la autonomía de los
estudiantes (Xue et al., 2024). Un ejemplo de
esta disminución en el uso de recursos
alternativos a la IA es el caso de foros de
programación como Stack Overflow, donde
muchos desarrolladores han comenzado a
preferir la herramienta de IA sobre el foro web
tradicional(Tayeb et al., 2024). Además, como lo
evidencio el estudio anterior, la herramienta de
IA mostró un rendimiento inconsistente en
problemas más complejos de estructuras de datos
y dificultades en preguntas que requieren
razonamiento sobre el código (Scholl & Kiesler,
2024).
Por otro lado, Yilmaz y Karaoglan (2023)
analizaron el papel de ChatGPT como asistente
en cursos de estructuras de datos y algoritmos.
Su estudio mostró que, bajo la supervisión de un
asistente de enseñanza (TA), los estudiantes que
usaron ChatGPT demostraron un mejor
desempeño en la resolución de problemas
avanzados, en comparación con aquellos que
solo recibieron instrucción tradicional(Jamie et
al., 2024). Sin embargo, el estudio destacó que la
herramienta tenía dificultades con análisis de
complejidad algorítmica y la generación de
gráficos adecuados para representar conceptos
computacionales. Un análisis adicional sobre el
rendimiento de ChatGPT en exámenes de
programación en español indicó que la
herramienta es efectiva en la resolución de
ejercicios simples, pero enfrenta dificultades al
abordar problemas más avanzados o en la
evaluación de respuestas abiertas de
estudiantes(Fernández-Saborido et al., 2024).
Esto sugiere que su uso como herramienta de
evaluación debe ser complementado con
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 46
métodos tradicionales para asegurar una correcta
valoración del aprendizaje.
En cuanto a su comparación con tutores
humanos, un estudio realizado por Ma, et al.
(2024) comparó modelos GPT con tutores
humanos en problemas de programación en
Python y encontró que GPT-4 se acercaba al
rendimiento de los tutores humanos en varios
escenarios(Ma et al., 2024). Esto sugiere que la
IA tiene potencial como herramienta de apoyo
educativo, aunque aún enfrenta desafíos en
términos de precisión y adaptabilidad a las
necesidades individuales de los estudiantes. Por
otro lado, las percepciones de los estudiantes
sobre ChatGPT varían dependiendo del tipo de
interacción.
Investigaciones recientes han demostrado que la
herramienta facilita la enseñanza de conceptos
complejos incorporando ejemplos de la vida real
o situaciones similares. Sin embargo, la precisión
de sus respuestas varía dependiendo del tipo de
pregunta formulada y la forma en que se
estructuran los prompts (Sun, Boudouaia, Yang,
et al., 2024). Esta variabilidad sugiere la
necesidad de una formación específica en el uso
de herramientas de IA para optimizar su
aprovechamiento en contextos educativos. Estos
hallazgos sugieren que, si bien ChatGPT puede
ser una herramienta valiosa en la educación de
programación, su uso debe ser supervisado y
estructurado para maximizar su efectividad y
evitar una dependencia que pueda comprometer
el desarrollo de habilidades fundamentales en los
estudiantes.
Conclusiones
Los resultados de esta investigación evidencian
que el uso de herramientas de inteligencia
artificial, como ChatGPT, ha transformado la
enseñanza de la programación en el ámbito
universitario. Estas tecnologías han facilitado la
generación de código, la resolución de errores y
la comprensión conceptual de los estudiantes,
optimizando así su proceso de aprendizaje. Sin
embargo, su eficacia depende de factores como
la complejidad de las tareas y la manera en que
los estudiantes interactúan con la herramienta. Si
bien se ha observado una mejora en la rapidez y
precisión en la resolución de problemas básicos,
aún existen limitaciones en ejercicios más
avanzados que requieren abstracción y diseño
algorítmico.
Uno de los aspectos más relevantes identificados
en este estudio es el desarrollo de competencias
fundamentales, como el pensamiento crítico, la
autoeficacia y la resolución de problemas. Se
encontró que los estudiantes que emplearon
ChatGPT de manera estructurada lograron
avances significativos en estas áreas. No
obstante, algunos estudios advierten que una
dependencia excesiva de la IA puede restringir el
desarrollo de habilidades transferibles, afectando
su capacidad para resolver problemas sin
asistencia externa. En este sentido, es
fundamental establecer estrategias que fomenten
un equilibrio entre el apoyo de la IA y el
desarrollo autónomo del estudiante.
Se identificaron diferencias en el rendimiento
académico entre los estudiantes que utilizaron
herramientas de IA y aquellos que no lo hicieron.
Los primeros completaron tareas de
programación en menor tiempo y con menos
errores sintácticos, lo que sugiere que la IA
puede ser un recurso valioso para mejorar la
eficiencia en la ejecución de tareas. Sin embargo,
en problemas que requieren un enfoque más
profundo y analítico, se observó que los modelos
de IA no siempre generan soluciones óptimas, lo
que podría generar una falsa sensación de
dominio del contenido por parte del estudiante.
A pesar de los beneficios evidentes, persisten
riesgos y desafíos en la integración de la IA en la
enseñanza de la programación. La sobre
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 47
dependencia de estas herramientas puede limitar
la iniciativa y creatividad de los estudiantes,
mientras que la falta de estrategias pedagógicas
adecuadas puede dificultar su implementación
efectiva en el aula. En este sentido, es
fundamental que los docentes diseñen
actividades que incentiven la reflexión crítica y
la validación de las respuestas generadas por la
IA, promoviendo así un aprendizaje más
significativo y autónomo.
La inteligencia artificial representa un avance
significativo en la enseñanza de la programación,
con el potencial de mejorar la eficiencia y calidad
del aprendizaje. No obstante, su implementación
debe ir acompañada de metodologías
estructuradas que aseguren un uso responsable
de estas herramientas. Integrar ejercicios de
análisis y promover la autonomía en la
resolución de problemas permitirá maximizar los
beneficios de la IA sin comprometer el desarrollo
de competencias clave en los estudiantes.
Referencias Bibliográficas
Al-Abdullatif, M. (2024). Modeling teachers’
acceptance of generative artificial intelligence
in higher education: The role of AI literacy,
intelligent TPACK, and perceived trust.
Education Sciences, 14(11).
https://doi.org/10.3390/educsci14111209
Alshahrani, K., & Jameel Qureshi, R. (2024).
Review the prospects and obstacles of AI
enhanced learning environments: The Role of
ChatGPT in education. International Journal
of Modern Education and Computer Science,
16(4), 71–86.
https://doi.org/10.5815/ijmecs.2024.04.06
Anagnostopoulos, N. (2023). ChatGPT impacts
in programming education: A recent literature
overview that debates ChatGPT responses.
http://arxiv.org/abs/2309.12348
Aruleba, K., Sanusi, T., Obaido, G., &
Ogbuokiri, B. (2023). Integrating ChatGPT in
a computer science course: Students
perceptions and suggestions
https://doi.org/10.48550/arXiv.2402.01640
Balajiee Lekshmi Narayanan, A., & Agus
Hendrawan, R. (2023). Enhancing
programming eTextbooks with ChatGPT
generated counterfactual-thinking-inspired
questions.
https://doi.org/10.48550/arXiv.2306.00551
Bifolco, D., Cassieri, P., Scanniello, G., Di
Penta, M., & Zampetti, F. (2025). Do LLMs
provide links to code similar to what they
generate? A Study with Gemini and Bing
CoPilot. http://arxiv.org/abs/2501.12134
Borges, B., Foroutan, N., Bayazit, D., Sotnikova,
A., Montariol, S., Nazaretzky, T., Banaei, M.,
Sakhaeirad, A., Servant, P., Neshaei, S. P.,
Frej, J., Romanou, A., Weiss, G., Mamooler,
S., Chen, Z., Fan, S., Gao, S., Ismayilzada,
M., Paul, D., Bosselut, A. (2024). Could
ChatGPT get an engineering degree?
Evaluating higher education vulnerability to
AI assistants. Proceedings of the National
Academy of Sciences, 121(49), 2414955121.
https://doi.org/10.1073/pnas.2414955121
Buraphadeja, V., & Srisarkun, V. (2024).
Mastery learning in CS1: a longitudinal study
during and post-pandemic. Discover
Education, 3(1).
https://doi.org/10.1007/s44217-024-00361-x
Chen, A., Wei, Y., Le, H., & Zhang, Y. (2024).
Learning-by-teaching with ChatGPT: The
effect of teachable ChatGPT agent on
programming education.
http://arxiv.org/abs/2412.15226
Chen, E., Huang, R., Chen, H.-S., Tseng, H., &
Li, Y. (2023). GPTutor: a ChatGPT-powered
programming tool for code explanation.
https://doi.org/10.48550/arXiv.2305.00237
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S.
(2024). Does ChatGPT enhance student
learning? A systematic review and meta-
analysis of experimental studies. Computers
& Education, 227, 105224.
https://doi.org/10.1016/J.COMPEDU.2024.1
05224
Deshpande, S., & Szefer, J. (2023). Analyzing
ChatGPT’s aptitude in an introductory
computer engineering course.
https://doi.org/10.48550/arXiv.2304.06122
Fernández Saborido, P., Fernández Pichel, M., &
Losada, E. (2024). ChatGPT as a solver and
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 48
grader of programming exams written in
spanish. http://arxiv.org/abs/2409.15112
Fraiwan, M., & Khasawneh, N. (2023). A
Review of ChatGPT Applications in
education, marketing, software engineering,
and healthcare: Benefits, drawbacks, and
research directions.
https://doi.org/10.48550/arXiv.2305.00237
Geng, C., Zhang, Y., Pientka, B., & Si, X.
(2023). Can ChatGPT pass an introductory
level functional language programming
course?; Can ChatGPT pass an introductory
level functional language programming
course?
https://doi.org/10.48550/arXiv.2305.02230
Haindl, P., & Weinberger, G. (2024). Does
ChatGPT help novice programmers write
better code? Results from static code analysis.
IEEE Access, 12, 114146–114156.
https://doi.org/10.1109/ACCESS.2024.3445
432
He, Z., Nguyen, T., Miari, T., Aliasgari, M.,
Rafatirad, S., & Sayadi, H. (2024). The AI
companion in education: Analyzing the
pedagogical potential of ChatGPT in
computer science and engineering.
https://doi.org/10.48550/arXiv.2407.05205
Husain, A. (2024). Potentials of ChatGPT in
computer programming: Insights from
programming instructors. Journal of
information technology education: Research,
23, 002. https://doi.org/10.28945/5240
Hwang, S., Kim, Y., & Lee, H. (2024). ChatGPT
and its educational impact: Insights from a
software development competition. 24.
https://doi.org/10.48550/arXiv.2409.03779
Jaiswal, K., Kuzminykh, I., & Modgil, S. (2024).
Understanding the skills gap between higher
education and industry in the UK in artificial
intelligence sector.
http://arxiv.org/abs/2408.10788
Jamie, P., Hajihashemi, R., & Alipour, S. (2024).
Utilizing ChatGPT in a data structures and
algorithms course: A teaching assistant’s
perspective. Proceedings of ACM conference
(Conference’17), 1.
http://arxiv.org/abs/2410.08899
Joshi, I., Kumar, D., Budhiraja, R., Dev, H.,
Kadia, J., Ataullah, O., Mitra, S., Akolekar,
D., & Kumar, D. 2024. (2024). ChatGPT in
the Classroom: An analysis of its strengths
and weaknesses for solving undergraduate
computer science questions. The 55th ACM
technical symposium on computer science
education.
https://doi.org/10.1145/3626252.3630803
Kiesler, N., & Schiffner, D. (2023). Large
language models in introductory
programming education: ChatGPT’s
performance and implications for
assessments.
https://doi.org/10.48550/arXiv.2308.08572
Kumar, A., Krishnamurthi, R., Bhatia, S.,
Kaushik, K., Ahuja, J., Nayyar, A., & Masud,
M. (2021). Blended learning tools and
practices: A comprehensive analysis. IEEE
Access, 9, 85151–85197.
https://doi.org/10.1109/ACCESS.2021.3085
844
Lehmann, M., Cornelius, B., & Sting, J. (2024).
AI meets the classroom: When does ChatGPT
harm learning?
https://doi.org/10.48550/arXiv.2409.09047
Lieh Ouh, E., Kok Siew Gan, B., & Jin Shim, K.
(2023). ChatGPT, can you generate solutions
for my coding exercises? An evaluation on its
effectiveness in an undergraduate Java
programming course. Proceedings of the 2023
conference on innovation and technology in
computer science education V. 1 (ITiCSE
2023), July 8â•fi12, 2023, Turku, Finland, 1.
https://doi.org/10.1145/3587102.3588794
López Fernández, D., & Vergaz, R. (2024).
Adoption and impact of ChatGPT in
computer science education: A case study on
a database administration course. AI, 5(4),
2321–2337.
https://doi.org/10.3390/ai5040114
López Pernas, S., Saqr, M., & Viberg, O. (2021).
Putting it all together: Combining learning
analytics methods and data sources to
understand students’ approaches to learning
programming. Sustainability, 13(9), 4825.
https://doi.org/10.3390/su13094825
Ma, B., Chen, L., & Konomi, S. (2024).
Enhancing programming education with
ChatGPT: A case study on student
perceptions and interactions in a python
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 49
course. In communications in computer and
information science: Vol. 2150 CCIS (pp.
113–126). https://doi.org/10.1007/978-3-031-
64315-6_9
Malinka, K., Perešíni, M., Firc, A., Hujňák, O.,
& Januš, F. (2023). On the educational impact
of ChatGPT: Is artificial intelligence ready to
obtain a university degree. Association for
computing machinery, innovation and
technology in computer science education,
47–53.
https://doi.org/10.1145/3587102.3588827
McGee, M., & Sadler, B. (2024). Equity in the
use of ChatGPT for the classroom: A
comparison of the accuracy and precision of
ChatGPT 3.5 vs. ChatGPT4 with respect to
statistics and data science exams.
http://arxiv.org/abs/2412.13116
Nascimento, N., Cheriton, R., Alencar, P., &
Cowan, D. (2023). Comparing software
developers with CHATGPT: An empirical
investigation a preprint.
https://doi.org/10.48550/arXiv.2305.11837
Pereira, B. (2024). “ChatGPT is here to help, not
to replace anybody”-an evaluation of
students’ opinions on integrating ChatGPT in
CS courses.
https://doi.org/10.48550/arXiv.2404.17443
Phung, T., Cambronero, J., Gulwani, S., Kohn,
T., Majumdar, R., Singla, A., & Soares, G.
(2023). Generative AI for programming
education: Benchmarking ChatGPT, GPT-4,
and human Tutors.
https://doi.org/10.48550/arXiv.2306.17156
Qureshi, B. (2023). Exploring the use of
ChatGPT as a tool for learning and
assessment in undergraduate computer
science curriculum: Opportunities and
challenges.
https://doi.org/10.1145/3613944.3613946
Ramabu, T., & Malebane, T. (2024). Guidelines
for effective use of ChatGPT in introductory
programming education. 2024 IST-Africa
Conference (IST-Africa), 1–8.
https://doi.org/10.23919/IST-
Africa63983.2024.10569684
Savelka, J., Agarwal, A., An, M., Bogart, C., &
Sakr, M. (2023). Thrilled by your progress!
Large language models (GPT-4) No longer
struggle to pass assessments in higher
education programming courses. Proceedings
of the 2023 ACM conference on international
computing education research V.1, 78–92.
https://doi.org/10.1145/3568813.3600142
Savelka, J., Agarwal, A., Bogart, C., Song, Y., &
Sakr, M. (2023). Can generative pre-trained
transformers (GPT) pass assessments in
higher education programming courses?
Proceedings of the 2023 conference on
innovation and technology in computer
science education V. 1, 117–123.
https://doi.org/10.1145/3587102.3588792
Scholl, A., & Kiesler, N. (2024). How novice
programmers use and experience ChatGPT
when solving programming exercises in an
introductory course.
https://doi.org/10.48550/arXiv.2407.20792
Schulze Balhorn, L., Weber, M., Buijsman, S.,
Hildebrandt, R., Ziefle, M., & Schweidtmann,
M. (2023). What does ChatGPT know about
natural science and engineering?
https://doi.org/10.48550/arXiv.2309.10048
Song, X., Zhang, J., Yan, P., Hahn, J., Kruger,
U., Mohamed, H., & Wang, G. (2024).
Integrating AI in college education: Positive
yet mixed experiences with ChatGPT. Meta-
Radiology, 2(4).
https://doi.org/10.1016/j.metrad.2024.10011
3
Sun, D., Boudouaia, A., Yang, J., & Xu, J.
(2024). Investigating students’ programming
behaviors, interaction qualities and
perceptions through prompt-based learning in
ChatGPT. Humanities and social sciences
communications, 11(1), 1447.
https://doi.org/10.1057/s41599-024-03991-6
Sun, D., Boudouaia, A., Zhu, C., & Li, Y. (2024).
Would ChatGPT-facilitated programming
mode impact college students’ programming
behaviors, performances, and perceptions?
An empirical study. International journal of
educational technology in higher education,
21(1), 14. https://doi.org/10.1186/s41239-
024-00446-5
Suryani, M., Santoso, B., Schrepp, M., Aji, F.,
Hadi, S., Sensuse, I., Suryono, R., Kautsarina.
(2024). Role, methodology, and measurement
of cognitive load in computer science and
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 50
information systems research. IEEE Access,
12, 190007–190024.
https://doi.org/10.1109/ACCESS.2024.3514
355
Tahir, F., Mitrovic, A., & Sotardi, V. (2022).
Investigating the causal relationships between
badges and learning outcomes in SQL-Tutor.
Research and practice in technology enhanced
learning, 17(1), 7.
https://doi.org/10.1186/s41039-022-00180-4
Tayeb, A., Alahmadi, D., Tajik, E., & Haiduc, S.
(2024). Investigating developers’ preferences
for learning and issue resolution resources in
the ChatGPT Era.
https://doi.org/10.48550/arXiv.2410.08411
Xue, Y., Chen, H., Bai, R., Tairas, R., & Huang,
Y. (2024). Does ChatGPT Help with
introductory programming? An experiment of
students using ChatGPT in CS1. Proceedings
of the 46th international conference on
software engineering: Software engineering
education and training, 331–341.
https://doi.org/10.1145/3639474.3640076
Yang, F., Lian, W., & Zhao, H. (2023).
Developing a gamified artificial intelligence
educational robot to promote learning
effectiveness and behavior in laboratory
safety courses for undergraduate students.
International journal of educational
technology in higher education, 20(1), 18.
https://doi.org/10.1186/s41239-023-00391-9
Yusuf, A., Noor, M., & Bello, S. (2024). Using
multimodal learning analytics to model
students’ learning behavior in animated
programming classroom. Education and
information technologies, 29(6), 6947–6990.
https://doi.org/10.1007/s10639-023-12079-8
Zviel Girshin, R. (2024). The good and bad of ai
tools in novice programming education.
Education sciences, 14(10), 1089.
https://doi.org/10.3390/educsci14101089
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Daniel Alexander
Vera Paredes, Omar Orlando Franco Arias y Luis
Cristóbal Córdova Martínez.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
