Resolución de diagramas de flujo y pseudocódigo por parte de estudiantes de Ciencias de la Computación de la Universidad de Costa Rica

Luis Andrés Villalobos Fernández; Álvaro de la Ossa Osegueda; Odir Antonio Rodríguez-Villagra; Adrián Esteban Vergara Heidke

doi:10.51302/tce.2020.491

Autores/as

Luis Andrés Villalobos Fernández Estudiante de maestría en Ciencias Cognoscitivas de la Universidad de Costa Rica
Álvaro de la Ossa Osegueda Profesor de la Escuela de Ciencias de la Computación e Informática de la Universidad de Costa Rica
Odir Antonio Rodríguez-Villagra Director del Programa de Posgrado en Ciencias Cognoscitivas de la Universidad de Costa Rica e investigador del Instituto de Investigaciones Psicológicas y del Centro de Investigación en Neurociencias de la Universidad de Costa Rica
Adrián Esteban Vergara Heidke Profesor de la Escuela de Filología, Lingüística y Literatura de la Universidad de Costa Rica

DOI:

https://doi.org/10.51302/tce.2020.491

Palabras clave:

ciencias cognitivas, diagramas, seguimiento ocular, metaanálisis, programación, pseudocódigo

Resumen

En este trabajo se ha llevado a cabo un estudio de seguimiento ocular de 20 estudiantes de Ciencias de la Computación de la Universidad de Costa Rica, la mitad de ellos de primer curso y la otra mitad de cuarto. Se les pidió que resolvieran 10 ejercicios de diagramas de flujo y 10 de pseudocódigo. En los alumnos expertos, aproximadamente la mitad de las fijaciones se centran en las áreas de interés más relevantes para la resolución del problema, mientras que, en los novatos, aproximadamente un tercio de las fijaciones se concentran en esas áreas. Al calcular la densidad de fijaciones en las áreas de interés, este patrón es mucho más evidente. En cuanto al rendimiento, se observaron diferencias significativas entre expertos y novatos, mostrando los primeros mejor rendimiento. En lo relativo a la duración de la resolución de los ejercicios, solo se encontraron diferencias significativas entre expertos y novatos al resolver pseudocódigos. En función de los resultados obtenidos se llevan a cabo recomendaciones para los profesores de los cursos de programación y para futuras investigaciones.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Allaire, J., Xie, Y., Mc Pherson, J., Luraschi, J., Ushley, K., Atkins, A. y Wickham, H. (2020). Dynamic Documents for R. Recuperado de https://cran.r-project.org/web/packages/rmarkdown/rmarkdown.pdf (consultado el 16 de enero de 2020).

Andrzejewska, M., Stolinska, A., Blasiak, W., Peczkowski, P., Rosiek, R., Rozek, B., Sajka, L. y Wcislo, D. (2015). Eye-tracking verification of the strategy used to analyse algorithms expressed in a flowchart and pseudocode. Interactive Learning Environmets, 24(8), 1.981-1.995.

Aschwanden, C. y Crosby, M. (2006). Code scanning patterns in program comprehension. 39th Annual Hawaii International Conference on Systems.

Bednarik, R. (2012). Expertise dependent visual attention strategies develop over time during debugging with multiple code representations. International Journal of Human-Computer Studies, 70, 143-155.

Bednarik, R., Busjahn, T. y Schulte, C. (2014). Eye movements in programing education: analyzing the expert's gaze. Proceedings of the First International Workshop.

Cattell, R. y Cattell, A. (2015). Manual prueba factor G de Catell. Madrid: Tea Ediciones.

Dink, J. W. y Ferguson, B. (2015). EyetrackingR: An R Library for Eye-Tracking Data Analysis. Recuperado de http://www.eyetrackingr.com (consultado el 15 de enero de 2020).

Gegenfurther, A., Lehtinen, E. y Saljo, R. (2011). Expertise differences in the comprehension of visualizations: a meta-analysis of eye-tracking research in profesional domains. Educational Psychology Review, 23, 523-552.

Lin, Y., Wu, C., Hou, T., Lin, Y., Yang, F. y Chang, C. (2015). Tracking students cognitive processes during program debugging: an eye movement approach. IEEE Transactions on Education, 59(3), 175-186.

Pinales, F. y Velázquez, C. (2014). Algoritmos resueltos con diagramas de flujo y pseudocódigo. Aguascalientes, México: Universidad Autónoma de Aguascalientes.

Rueda, S. (2013). El desarrollo de la comprensión lectora en las carreras de informática. XVIII Congreso Argentino de Ciencias de la Computación. Departamento de Ciencias e Ingeniería de la Computación, Universidad Nacional del Sur.

SR Research. (2017). EyeLink Data Viewer User's Manual. Ontario, Canadá: SR Research.

Tierney, N., Cook, D., McBain, M. y Fay, C. (2020). Data Structures, Summaries and Visualisations for Missing Data. Recuperado de https://cran.r-project.org/web/packages/naniar/naniar.pdf (consultado el 17 de enero del 2020).

Tsapatsoulis, N. (2014). Learning Technologies & Open and Distance Learning. Nicosia, Chipre: University of Cyprus.

Wickham, H. y Grolemund, G. (2017). R for Data Science. EE. UU.: O'Reilly.

Wickham, H., Francois, R., Henry, L. y Muller, K. (2020). A Grammar of Data Manipulation. Recuperado de https://cran.r-project.org/web/packages/dplyr/dplyr.pdf (consultado el 18 de enero de 2020).

Wickham, H., Chang, W., Henry, L., Pedersen, T., Takahashi, K., Wilke, C. y Woo, K. (2020). Create Elegant Data Visualizations Using the Gramar of Graphics. Recuperado de https://cran.r-project.org/web/packages/ggplot2/ggplot2.pdf (consultado el 19 de enero de 2020).