Estrategia lúdica analógica para el desarrollo del pensamiento
computacional y la inteligencia artificial en entornos con brecha digital
Game-based
unplugged strategy for developing computational thinking and artificial
intelligence skills in contexts with a digital divide
Meliyara Sirex
Consuegra Diaz-Granados
Universidad Simón Bolívar. Colombia.
Álvaro Enrique
Diaz Quiroz
Universidad del Atlántico. Colombia.
María Ángeles
Navarro Cervantes
Universitat Oberta de Catalunya. España.
Recibido:
2025/11/11 Revisado 2025/12/01 Aceptado: 2026/02/19 Publicado: 2026/05/01
Cómo citar este artículo:
Consuegra Diaz-Granados,
M.S., Diaz Quiroz, A.E., & Navarro Fernández, M.A. (2026). Estrategia
lúdica analógica para el desarrollo del pensamiento computacional y la
inteligencia artificial en entornos con brecha digital [Game-based unplugged
strategy for developing computational thinking and artificial intelligence
skills in contexts with a digital divide]. Pixel-Bit, Revista de Medios y
Educación, 76, Art. 4. https://doi.org/10.12795/pixelbit.118850
RESUMEN
El Pensamiento Computacional
(PC) y la Inteligencia Artificial (IA) son competencias necesarias en la
sociedad de la era digital, sin embargo, su enseñanza enfrenta grandes
obstáculos en áreas rurales con acceso limitado a tecnología. Esta
investigación propone Titicode, un juego de mesa inclusivo y de bajo
coste que promueve estas habilidades en niños y jóvenes mediante un aprendizaje
lúdico y colaborativo. Para comprobar su eficacia se utilizó un instrumento
elaborado a partir del Computational Thinking Test (CTt) y el Artificial
Intelligence Literacy Questionnaire (AILQ) donde se evaluó el nivel de
conocimiento de 71 jóvenes de una escuela rural en Colombia antes y después de
la aplicación del juego, encontrando mejoras significativas después de su aplicación.
La investigación se realizó en cinco fases: elaboración de prototipo, medición
de habilidades antes del juego, implementación del juego durante 12 semanas,
medición de habilidades después del juego y análisis comparativo. Titicode
sugiere ser una herramienta eficaz para mejorar las habilidades en PC y la
alfabetización en IA en contextos con acceso limitado a la tecnología.
ABSTRACT
Computational Thinking (CT) and
Artificial Intelligence (AI) are essential competencies in the digital age;
however, teaching these competencies in rural areas with limited access to
technology faces major obstacles. This study proposes Titicode, an inclusive
and low-cost board game that promotes these skills in children and young people
through playful and collaborative learning. To assess its effectiveness, an
instrument based on the Computational Thinking Test (CTt) and the Artificial
Intelligence Literacy Questionnaire (AILQ) was used to evaluate the knowledge
level before and after the implementation of the game on 71 students from a
rural school in Colombia, revealing significant improvements after playing. The
research followed five phases: prototype development, measurement of students’
initial skills, implementation of the game over 12 weeks, post-game skill
assessment, and comparative analysis. Titicode appears to be an effective tool
to enhance skills in CT and AI literacy in contexts with limited access to
technology.
PALABRAS CLAVES· KEYWORDS
Competencia digital; Acceso
a tecnología; Inteligencia artificial; Brecha digital; Educación inclusiva
Digital
Competence; Access to Technology; Artificial Intelligence; Digital Divide;
Inclusive Education
1. Introducción
El
avance acelerado de las tecnologías digitales y su penetración en prácticamente
todos los aspectos de la vida contemporánea (Soh et al., 2025) han convertido
el Pensamiento Computacional (PC) (Wing, 2006; Grover & Pea, 2018) y la
Inteligencia Artificial (IA) (Duque-Rodríguez et al., 2024) en competencias
esenciales. Diversas investigaciones han destacado el desarrollo de estas
habilidades en la educación básica (Engelhardt et al., 2016; Voogt et al.,
2015; Nozato-López, 2024), por su relación directa con habilidades matemáticas,
lingüísticas y de razonamiento abstracto (Bers, 2020; Grover & Pea, 2013),
y su relevancia en el mercado laboral actual (Piazza & Mengual-Andrés,
2020).
Iniciativas
como AI for K-12 en Estados Unidos y Elements of AI en Europa,
han promovido la educación en PC y en IA desde edades tempranas, articulando
estándares curriculares y recursos pedagógicos accesibles (Tedre et al., 2021).
Sin embargo, la implementación de estos contenidos educativos presenta
múltiples desafíos, entre estos, la carencia de recursos didácticos accesibles,
las brechas tecnológicas entre regiones urbanas y rurales (Morales et al.,
2024) y la falta de formación docente específica (Voogt et al., 2015). Este es
el caso de diversas regiones de América Latina, donde existe una importante
desigualdad en el acceso a tecnologías (Flores & Núñez, 2024;
Quiroz-Vallejo et al., 2021). La brecha digital involucra factores de
disponibilidad técnica, inclusión social y desarrollo humano, por eso está
ligada a desequilibrios estructurales como la pobreza, la exclusión social, el
desempleo y la distribución inequitativa de los recursos (Van Dijk, 2017).
Como
solución a los desafíos planteados, esta investigación analiza un juego de mesa
como recurso unplugged [analógico], pedagógico, inclusivo,
adaptable y de bajo costo, que permite a docentes sin formación tecnológica
fomentar el aprendizaje en PC (Sin Yoon & Md Khambari, 2022) y el uso de la
IA (El-Hamamsy et al., 2022) en estudiantes de educación primaria y secundaria
(Montes-León et al, 2020).
Múltiples
investigaciones han señalado que las actividades lúdicas favorecen la
motivación del estudiante (Berland & Lee, 2011; Deterding et al., 2011) y
potencian el aprendizaje significativo, la colaboración (Zagal et al., 2006;
Kafai & Burke, 2015) y la retención de conceptos complejos (Kazimoglu et
al., 2012; Gee, 2003). Los juegos analógicos cobran importancia como
herramienta equitativa, facilitando la apropiación del conocimiento tecnológico
en contextos rurales (Vita-Barrull et al., 2023) y con limitaciones
tecnológicas (Nicolalde & Narváez, 2025) debido a que promueven el
desarrollo cognitivo, facilitan la adquisición de habilidades tecnológicas
fundamentales y fortalecen los procesos de aprendizaje (Robles et al., 2024)
desde etapas tempranas (Salleh, 2023).
Esta
investigación desarrolla y evalúa un juego de mesa denominado Titicode que
busca mejorar las habilidades en PC y la alfabetización en IA. La población
analizada está ubicada en una zona rural de la Región Caribe de Colombia, con
bajo acceso a recursos tecnológicos, poca conectividad y brechas en habilidades
digitales tanto en docentes como estudiantes (Ministerio de Tecnologías de la
Información y las Comunicaciones [MinTIC], 2025). Se realizó un diagnóstico
preliminar que permitió identificar sus niveles de familiaridad con las
nociones de lógica, algoritmos, programación y nociones básicas
Investigaciones
sobre juegos analógicos como Crabs & Turtles (Tsarava et al., 2018),
RoboBUG (Sin Yoon & Md Khambari, 2022) y Code & Go Robot
Mouse (Bakala et al., 2022), se concentran principalmente en conceptos
básicos de PC, mientras que TitiCode articula en un solo entorno lúdico
el PC y la IA, alineándose con marcos como el AI4K12 (Touretzky et al.,
2019) con un enfoque integrador, contextual y evaluativo. De esta forma, se
diseñó un recurso que mejora la experiencia de juego más allá de la
secuenciación de instrucciones, favoreciendo la motivación y la toma de
decisiones complejas, aportando al campo investigativo de la educación digital
inclusiva.
2.
Creación del juego de mesa para estimular el PC y la IA
El
diseño de Titicode parte de una perspectiva constructivista centrada en
el estudiante, reconociendo que el aprendizaje ocurre cuando existe motivación,
interacción social y oportunidad para aplicar los conocimientos en contextos
reales (Gutiérrez-Medina et al., 2024). Cada partida tiene una duración de 45 a
60 minutos con un mínimo de 2 y un máximo de 4 jugadores que se enfrentan a
desafíos y dilemas.
2.1. Componentes del juego
Titicode consta de once componentes y cuatro tipos de
cartas (Figura 1). El tablero de 9×9 y las fichas de los jugadores fortalecen
habilidades como la planificación, el pensamiento lógico y la estructuración
algorítmica (Grover & Pea, 2013), al permitir la visualización de flujos de
acción dentro de un entorno espacial concreto (Engelhardt et al., 2016).
El
reloj de arena estimula la agilidad mental y favorece la toma de decisiones
eficientes. La Caja Misteriosa incorpora elementos de sorpresa que resultan
fundamentales para el desarrollo de la abstracción, la interpretación de
eventos imprevistos y el pensamiento estratégico (Shute et al., 2017).
Las
rocas simulan errores de ejecución que requieren la aplicación de decisiones
condicionales, lo que refuerza procesos propios del PC (Kalelioğlu et al.,
2016).
Las
fichas del tablero (Error, PC, IA y NULL) profundizan la experiencia de
aprendizaje al representar principios clave del PC (Grover & Pea, 2013) y
de la IA (Ng et al., 2021), tales como el manejo de excepciones, la depuración
de errores, la interpretación de datos faltantes y la ejecución condicional
(Brennan & Resnick, 2012).
Finalmente,
el uso de gemas como metas y bananas potencia la motivación intrínseca (Kapp,
2012), el sentido de logro y la participación (Ortiz-Colón et al., 2018),
favoreciendo el aprendizaje por refuerzo (Sutton & Barto, 2018) y la
internalización de conceptos complejos (Papavlasopoulou et al., 2017).
Figura 1
Componentes del juego Titicode
Fuente: Elaboración propia
En
cuanto a las cartas, las de instrucciones de movimiento permite estructurar
acciones en secuencia lógica (Goin & Quijano, 2023). Las cartas de
depuración o error, inspiradas en juegos como Gidget (Lee et al., 2014)
y RoboBUG (Sin Yoon & Md Khambari, 2022), promueven la
identificación y corrección de errores, habilidad esencial en la programación.
Las cartas de retos de
El
diseño de TitiCode articula sus componentes lúdico-pedagógicos con las
variables analizadas en el estudio. Las cartas de instrucciones de movimiento,
el tablero 9×9, las rocas, las cartas y fichas de error y NULL, la caja
misteriosa y las cartas de retos fortalecen las habilidades en PC. Las cartas y
las fichas de IA favorecen la medición de variable alfabetización en IA.
3.
Metodología
El
estudio se desarrolló en 5 fases (Figura 2) con datos cuantitativos mediante un
diseño cuasiexperimental (Creswell & Creswell, 2018)
Figura 2
Fases del experimento
Fuente: Elaboración propia
La
Fase 1 consistió en la creación del juego con un enfoque pedagógico adecuado
(Brennan & Resnick, 2012), garantizando su pertinencia y sostenibilidad
educativa para la generación de resultados óptimos en la apropiación de los
conceptos fundamentales en PC (Sáez-López et al., 2016) y en IA (Long &
Magerko, 2020).
En
la Fase 2 se aplicó una prueba diagnóstica de habilidades en PC y
alfabetización en IA. En la Fase 3 se implementó el prototipo del juego de mesa
durante 12 semanas, 1 sesión por semana en grupos de 3 a 4 estudiantes. En la
Fase 4, se realizó una prueba diagnóstica después del juego, para medir el
desarrollo de las variables evaluadas.
Por
último, se elaboró un análisis de los resultados con la información obtenida en
las pruebas para medir el impacto del juego en el desarrollo de las habilidades
en el PC y la alfabetización IA de los
3.1. Participantes y muestra
El
procedimiento de muestreo utilizado fue intencional y no probabilístico, donde
se seleccionaron 71 estudiantes entre 10 y 14 años, con bajo acceso a recursos
tecnológicos y brechas en habilidades digitales (MinTIC, 2025). El rango de
edad de los participantes respondió al interés de análisis en una etapa clave
del desarrollo académico, donde comienzan a enfrentarse a desafíos más
complejos y requieren herramientas que fortalezcan su pensamiento lógico y
creativo (Barragán Perea, 2023).
Esta
investigación se realizó bajo la confidencialidad de los datos recolectados,
supervisión y aval de la institución educativa, los profesores y la
universidad, y el consentimiento previo de los acudientes legales de los
estudiantes (Molina Montoya, 2018; Klock et al., 2023).
3.2. Prueba diagnóstica del conocimiento en PC e
IA
Para
analizar el impacto de Titicode en los estudiantes se utilizaron como
referencia dos pruebas: Computational Thinking test (CTt) desarrollado por
Román-González et al. (2017) y Artificial
Intelligence Literacy Questionnaire (AILQ) de Ng et al. (2024). Se
realizaron modificaciones para adaptar los cuestionarios a la población
objetivo (Mokkink et al, 2018), teniendo en cuenta que la simpleza de los
cuestionarios mejora la calidad de en la recolección de datos (De Leeuw, 2011).
De esta
forma, se construyó un instrumento de 18 preguntas, aplicado por medio de
Google Forms de forma individual y con una duración aproximada de 45 minutos
por estudiante. Con base en el CTt, las primeras 10 preguntas midieron el
desarrollo de las habilidades en PC por medio de cuatro dimensiones:
razonamiento lógico y matemático, abstracción, depuración de errores y
principios básicos de programación y secuenciación. Para asegurar la coherencia
visual entre la prueba y el juego de mesa, se realizaron adaptaciones gráficas
del CTt en las imágenes, los escenarios y los personajes de cada pregunta,
integrándolos al estilo del tablero de Titicode (Figura 3). Esta
modificación puede ser un limitante debido a que se utiliza una paleta
cromática abstracta al exigir un esfuerzo adicional para interpretar los
peligros, caminos y objetivos (Sweller et al., 2011).
Figura 3
Adaptación de la prueba al juego Titicode.
Fuente: Elaboración propia.
Con base
en el AILQ, la segunda parte de la prueba tuvo como objetivo evaluar la
alfabetización en IA calculada a partir de las dimensiones cognitiva y afectiva
(Ng et al., 2023). El aprendizaje afectivo o nivel de interés por la IA,
comprende factores que miden los sentimientos de los estudiantes en términos de
motivación intrínseca, autoeficacia, interés profesional y confianza en el
aprendizaje de IA. El aprendizaje cognitivo o nivel de conocimiento se refiere
a factores como el logro de habilidades de los estudiantes en conocer,
comprender, usar y aplicar la IA. Se simplificaron las opciones de respuesta a
una de escala de Likert de 3 puntos (1= En desacuerdo, 2= Neutral,
3= De acuerdo), para favorecer la comprensión por parte de los
participantes, evitar confusiones semánticas (Alan & Atalay, 2020; Naegeli
et al., 2018) y mejorar la consistencia y fiabilidad de las respuestas (Mellor
& Moore, 2014).
3.3. Instrumentos para el análisis de datos
El
análisis de los datos se divide en dos partes, una relativa al PC y la otra a
la IA. Ambas partes se basan en datos recolectados en las pruebas aplicadas a
los participantes antes y después de la intervención educativa con Titicode.
Para la medición
de las habilidades en PC, se utilizaron subvariables derivadas de tasas de
acierto porcentuales
Se aplicó
la prueba t de Student pareada para detectar diferencias significativas
entre las medias de las tasas de acierto antes y después de Titicode,
adecuada para muestras dependientes, permitiendo evaluar si los cambios
observados son estadísticamente significativos (con un valor p < .05
indicando rechazo de la hipótesis nula de no diferencia).
Aunque la
prueba de Shapiro–Wilk aplicada a las diferencias pareadas indicó desviaciones
significativas de la normalidad, se mantuvo el uso de la prueba t de
Student. Esta decisión se fundamenta en la robustez del contraste t frente a
violaciones del supuesto de normalidad, especialmente en muestras de tamaño
moderado o grande y cuando el interés se centra en la comparación de medias
(Sullivan & D’Agostino, 1992; Lumley et al., 2002; Norman, 2010). Asimismo,
la naturaleza discreta de las variables analizadas y la presencia de efectos
suelo y techo explican la asimetría observada en las diferencias.
Para medir
el tamaño del efecto, se utilizó la d de Cohen que cuantifica la
magnitud del cambio en términos de desviaciones estándar, con valores desde
0.20 (pequeño) a superiores a 0.80 (grande) (Cohen, 1988). En
diseños pretest–
Para
analizar el efecto en la alfabetización en IA, se emplearon variables discretas
basadas en respuestas a encuestas de tipo Likert, que capturan las dimensiones
afectivas (interés y motivación) y cognitivas (comprensión conceptual y
conocimiento).
Se utilizó
la prueba de Wilcoxon de rangos con signo, una prueba no paramétrica adecuada
para datos ordinales o discretos como los de escalas Likert (Derrick &
White, 2017), que no asumen normalidad y manejan muestras pareadas. Esta prueba
es conveniente porque evalúa diferencias en las distribuciones de rangos de las
respuestas antes y después, con un valor p < .05 indicando cambios
significativos, y es resistente a valores atípicos comunes en datos subjetivos.
Adicionalmente,
se calcula la correlación biserial de rangos para estimar el tamaño del efecto,
que adapta la correlación punto-biserial a datos ordinales y mide la fuerza de
la asociación entre la intervención (antes/después) y las respuestas.
La
consistencia interna de los instrumentos se estimó a partir de las mediciones
pretest. En el caso del CTt, compuesto por diez ítems dicotómicos, se utilizó
el coeficiente KR-20, donde se obtuvo un valor de 0.24. Siguiendo a Streiner
(2003), alfas excesivamente altas pueden reflejar redundancia entre ítems más
que una adecuada representación del constructo evaluado. En pruebas de logro
educativo que integran
Por
su parte, la consistencia interna del AILQ, integrado por ocho ítems de
naturaleza afectiva y cognitiva, se estimó mediante el coeficiente alfa de
Cronbach, donde se obtuvo
4.
Resultados obtenidos
4.1. Habilidades en PC
Los
resultados evidencian mejoras significativas en todas las dimensiones
analizadas (Figura 4), con un aumento en el rango de aciertos de menos del 6%
antes de la intervención de Titicode a cerca del 90% después. Este
cambio debe interpretarse considerando la baja exposición previa a contenidos
de PC, por lo que pequeñas variaciones iniciales generan grandes incrementos
porcentuales sin sobrestimar el efecto. La Tabla 1 muestra medias, desviaciones
estándar e intervalos de confianza al 95% antes y después de la intervención,
confirmando un efecto suelo en el pretest y un posible efecto techo en el
postest en algunas dimensiones.
Estadísticos descriptivos de las habilidades en
|
Variable |
Test |
N
|
Media
(DE) |
IC(95%) |
|
Razonamiento
lógico y matemático |
Antes |
71 |
9.29
(19.58) |
[4.62, 13.96] |
|
Razonamiento
lógico y matemático |
Después |
71 |
88.57
(21.15) |
[83.53, 93.61] |
|
Abstracción |
Antes |
71 |
6.43
(16.86) |
[2.41,
10.45] |
|
Abstracción |
Después |
71 |
91.43
(18.98) |
[86.90, 95.95] |
|
Depuración
o Error |
Antes |
71 |
1.43
(8.39) |
[0.00, 3.43] |
|
Depuración
o Error |
Después |
71 |
90.00
(21.87) |
[84.79, 95.21] |
|
Principios
básicos en programación y secuenciación |
Antes |
71 |
6.07 (12.36) |
[3.12, 9.02] |
|
Principios
básicos en programación y secuenciación |
Después |
71 |
88.21 (17.40) |
[84.06, 92.36] |
Figura 4
Media de tasa de acierto por dimensión en las
pruebas de habilidades en PC
Fuente:
Elaboración propia.
Los
resultados de las pruebas inferenciales confirman las mejoras observadas en el
análisis descriptivo, destacando diferencias significativas y efectos de gran
magnitud atribuidos a la intervención con Titicode.
La
prueba t de Student pareada (Tabla 2) revela diferencias altamente
significativas en todas las variables, con valores p extremadamente
bajos, lo que rechaza la hipótesis nula y confirma que los cambios no son
aleatorios.
Pueba t
student y d de Cohen en habilidades en PC
|
Variable |
t de Student
(df=70) |
Valor p |
d de Cohen |
Efecto |
|
Razonamiento
lógico y matemático |
23.0 |
< .001 |
3.89 |
Muy grande |
|
Abstracción |
28.9 |
< .001 |
4.74 |
Muy grande |
|
Depuración
o Error |
32.5 |
< .001 |
5.35 |
Muy grande |
|
Principios
básicos en programación y secuenciación |
32.9 |
< .001 |
5.44 |
Muy grande |
La
Tabla 2 también muestra una d de Cohen muy alta en todos los casos subrayando
el impacto pedagógico sustancial de la intervención.
En
el razonamiento lógico-matemático se observa una transición de bajo rendimiento
a un dominio sólido, reforzando la capacidad de aplicar instrucciones
estructuradas en tareas como movimientos de personajes o dibujos. En
abstracción, el gran efecto (d = 4.74) indica una mejora notable en la
identificación de pasos faltantes y en la conceptualización, aspectos clave
para la programación. La depuración presenta uno de los cambios más marcados (d
= 5.35), reflejando avances en la corrección de errores. Por último, los
principios básicos de programación muestran el efecto más elevado (d = 5.44),
evidenciando una mejora sustancial en secuenciación y repetición de
instrucciones gracias a una intervención práctica eficaz.
4.2. Alfabetización en IA
La
Figura 5 compara las medias de las puntuaciones (en una escala Likert de 1 a 3,
donde 1 = "En desacuerdo", 2 = "Neutral" y 3 = "De
acuerdo") obtenidas para las dos variables analizadas antes y después de
la intervención de Titicode. Cada panel representa una dimensión
(Afectiva y Cognitiva), acompañada de barras de error que indican la desviación
estándar.
Figura 5
Puntuaciones
Likert por dimensión en la prueba de alfabetización en IA
Fuente: Elaboración propia
La
prueba de Wilcoxon de rangos con signo y la correlación biserial de rangos
revelan patrones diferenciados (Tabla 3). Para la dimensión afectiva, el valor p
(.289) es mayor a .05, no rechazando la hipótesis nula e indicando ausencia de
diferencias significativas entre los resultados de la prueba diagnóstica antes
y después de la intervención. La correlación biserial es baja (.089),
confirmando un efecto mínimo y sugiriendo que la intervención no alteró
notablemente los aspectos motivacionales.
Tabla 3
Estadístico
de Wilcoxon y correlación biserial
|
Variable |
Estadístico de
Wilcoxon |
Valor p |
Correlación
biserial |
|
Afectivo |
2316 |
.289 |
.089 |
|
Cognitivo |
5041 |
< .001 |
.898 |
Para la
dimensión cognitiva, el valor p es extremadamente bajo, rechazando la
hipótesis nula y confirmando diferencias altamente significativas. La
correlación biserial alta (.898) denota un efecto grande, validando la
efectividad de Titicode en mejorar la alfabetización en IA desde la
dimensión cognitiva.
5.
Discusión
Titicode se muestra como una herramienta efectiva para
el desarrollo del PC en edades tempranas con valor pedagógico y lúdico, al
igual que otros juegos como Crabs & Turtles (Tsarava et al., 2018) y
Code & Go Robot Mouse (Bakala et al., 2022).
A diferencia de otros juegos analógicos, Titicode puede mejorar la
alfabetización IA, lo cual no se había analizado en investigaciones anteriores.
No
obstante, la interpretación de estos hallazgos requiere considerar determinadas
condiciones metodológicas. Los tamaños del efecto elevados pueden estar
influenciados por el bajo nivel inicial de desempeño de la muestra, lo que
apunta a un posible efecto suelo en el pretest y a la amplificación de los
cambios tras la intervención, así como a un efecto techo en algunas dimensiones
del postest.
La
estrecha alineación entre los objetivos de la intervención y el instrumento
refuerza la validez interna, pero sugiere la conveniencia de incorporar en
futuras investigaciones medidas complementarias que permitan evaluar la
transferencia del aprendizaje a otros contextos.
El
uso de un muestreo no probabilístico limita la generalización de los resultados
y la ausencia de un grupo de control dificulta aislar el efecto de la
intervención frente a posibles amenazas a la validez interna, como el
aprendizaje asociado a la repetición. A pesar de ello, la coherencia pedagógica
del diseño del juego y la consistencia de las mejoras observadas sugieren que
los cambios no pueden atribuirse exclusivamente a estos factores, sino que
responden, en buena medida, a la intervención educativa implementada.
6.
Conclusiones
Los
hallazgos de esta investigación demuestran el potencial de Titicode como
una estrategia didáctica, efectiva e inclusiva que puede transformar conceptos
abstractos en experiencias concretas, mejorando las habilidades en PC y la
alfabetización en IA de estudiantes en entornos con bajo acceso a la
tecnología. Su versatilidad permite que sea replicado y escalado en diversos
entornos educativos.
De
acuerdo con las pruebas aplicadas, los estudiantes pasaron de niveles de
acierto inferiores al 6% antes de la intervención del juego, a niveles en torno
al 90% en todas las dimensiones de PC analizadas, demostrando ser un método
significativo. En el ámbito de la IA, desde la dimensión cognitiva se logró una
mejora en la comprensión de los conceptos fundamentales, y desde la dimensión
afectiva, se encontró que las actitudes emocionales hacia la IA fueron altas
antes y después de la intervención.
Diversas
líneas de investigación se abren a partir de este análisis, como la evaluación
de su impacto a largo plazo, explorar su aplicación en otro tipo de
poblaciones, profundizar en la incorporación de componentes emocionales, de
motivación, de gamificación avanzada, o de apropiación crítica de las
tecnologías emergentes.
Finalmente,
esta propuesta demuestra que los juegos de mesa pueden ser aliados estratégicos
en la educación, adaptables para diferentes iniciativas orientadas al
desarrollo de competencias clave en la era digital.
Contribución de los autores
Autor
1: conceptualización, metodología, validación, análisis formal, investigación,
supervisión, visualización, redacción – borrador original, redacción—revisión y
edición. Autor 2: conceptualización, creación del juego, metodología,
validación, análisis formal, investigación, visualización, redacción – borrador
original, redacción—revisión y edición; Autor 3: metodología, software,
análisis formal, redacción-revisión y edición, visualización.
Financiación
Esta
investigación no ha recibido financiación externa.
Aprobación
ética
La intervención cuenta con el
aval del Comité de Ética de la Universidad Simón Bolívar mediante el Acta de
Aprobación de Proyectos No.0539 para el Proyecto PRO-CEI-USB-CE-0606-00.
Conflicto de interés
Los autores declaran que no existe conflicto de
intereses.
Referencias
Alan, Ü., &
Atalay Kabasakal, K. (2020). Effect of number of
response options on the psychometric properties of Likert-type scales used with
children. Studies in Educational Evaluation, 66, 100895. https://doi.org/10.1016/j.stueduc.2020.100895
Bakala, E., Gerosa, A., Hourcade, J. P., Tejera, G.,
Peterman, K., & Trinidad, G. (2022). A Systematic Review of Technologies to
Teach Control Structures in Preschool Education. Frontiers in psychology, 13,
911057. https://doi.org/10.3389/fpsyg.2022.911057
Barragán Perea, E. A. (2023). Pensamiento computacional y
programación en la formación de estudiantes desde edades tempranas. Revista
Educación, 47(2), 1–18. https://doi.org/10.15517/revedu.v47i2.53645
Berland, M. &
Lee, V. R. (2011). Collaborative Strategic Board Games as a Site
for Distributed Computational Thinking. International Journal of Game-Based
Learning (IJGBL), 1(2), 65-81. https://doi.org/10.4018/ijgbl.2011040105
Bers, M. U. (2020). Coding as a playground:
Programming and computational thinking in the early childhood classroom
(2nd ed.). Routledge. https://doi.org/10.4324/9781003022602
Brennan, K., & Resnick, M. (2012). New Frameworks
for Studying and Assessing the Development of Computational Thinking. Proceedings
of the 2012 Annual Meeting of the American Educational Research Association, 1,
Vancouver, 13-17 April 2012, 25. http://bit.ly/3JKzzhf
Casal-Otero, L., Catala, A., Fernández-Morante, C.,
Taboada, M, Cebreiro, B. & Barro, S. (2023). AI
literacy in K-12: a systematic literature review. International Journal of
STEM Education, 10(29). https://doi.org/10.1186/s40594-023-00418-7
Cohen, J. (1988). Statistical Power Analysis for
the Behavioral Sciences (2nd ed.). Routledge. https://doi.org/10.4324/9780203771587
Cortina, J. M. (1993). What is coefficient alpha? An
examination of theory and applications. Journal of Applied Psychology, 78(1),
98–104. https://doi.org/10.1037/0021-9010.78.1.98
Creswell, J. W., & Creswell, J. D. (2018). Research
design: qualitative, quantitative, and mixed methods approaches. Fifth
edition. SAGE. http://bit.ly/45Ah7QU
De Leeuw, E. D. (2011). Improving data quality when
surveying children and adolescents: Cognitive and social development and its
role in questionnaire construction and pretesting. Academy of Finland
Conference Report. http://bit.ly/43NjzTn
Del-Moral-Pérez, M.E., López-Bouzas, N., &
Castañeda-Fernández, J. (2025). Microrrelatos, codificación robótica,
aplicaciones digitales y realidad aumentada para potenciar el pensamiento
computacional infantil [Micro-stories, Robotic Coding, Digital Applications,
and Augmented Reality to Enhance Children's Computational Thinking]. Pixel-Bit.
Revista de Medios y Educación, 73, art.8. https://doi.org/10.12795/pixelbit.115193
Derrick, B., & White, P. (2017). Comparing Two
Samples from an Individual Likert Question. International Journal of
Mathematics and Statistics, 18(3), 1-13. http://bit.ly/40FWa4i
Deterding, S., Sicart, M., Nacke, L., O’Hara, K. &
Dixon, D. (2011). Gamification: Using game design elements in non-gaming
contexts. Proceedings of the 2011 Annual Conference Extended Abstracts on
Human Factors in Computing Systems, 66, 2425 - 2428. https://doi.org/10.1145/1979742.1979575
Duque-Rodríguez,
J., Piña-Ferrer, L., Isea-Argüelles, J., & Comas-Rodríguez, R. (2024).
Aprendizaje tecnológico desde los primeros años de escolaridad en la era de la
inteligencia artificial. CIENCIAMATRIA, 10(18), 151-167. https://doi.org/10.35381/cm.v10i18.1247
El-Hamamsy, L.,
Zapata-Cáceres, M., Barroso, E. M., Mondada, F., Zufferey, J. D., & Bruno,
B. (2022). The Competent Computational Thinking Test:
Development and Validation of an Unplugged Computational Thinking Test for
Upper Primary School. Journal of Educational Computing Research, 60(7),
1818-1866. https://doi.org/10.1177/07356331221081753
Engelhardt, K., Punie, Y., Chioccariello, A., Ferrari,
A., Dettori, G., Kampylis, P., & Bocconi, S. (2016). Developing
computational thinking in compulsory education – Implications for policy and
practice, Punie, Y.(editor) and Kampylis, P.(editor), Publications Office.
https://data.europa.eu/doi/10.2791/792158
Flores Jaramillo,
J. D., & Nuñez Olivera, N. R. (2024). Aplicación de Inteligencia Artificial
en la Educación de América Latina: Tendencias, Beneficios y Desafíos. Revista Veritas De Difusão Científica, 5(1),
01–22. https://doi.org/10.61616/rvdc.v5i1.52
Gee, J. P. (2003). What video games have to teach us
about learning and literacy. Computers in Entertainment (CIE), 1(1), 20.
https://doi.org/10.1145/950566.95059
Goin, M. M. J., & Quijano, M. T. (2023). Desarrollo y análisis de un
juego de mesa algorítmico para favorecer el pensamiento computacional. Revista
Iberoamericana De Tecnología En Educación Y Educación En Tecnología, (35),
e10. https://doi.org/10.24215/18509959.35.e10
Grover, S. & Pea, R. (2013). Computational
Thinking in K–12: A Review of the State of the Field. Educational
Researcher, 42(1), 38-43. https://doi.org/10.3102/0013189X12463051
Grover, S., & Pea, R. (2018). Computational
Thinking: A Competency Whose Time Has Come. In S. Sentance , E. Barendsen &
C. Schulte (Ed.). Computer Science Education: Perspectives on Teaching and
Learning in School (pp. 19–38). London. Bloomsbury Academic. Retrieved
June 12, 2025, from http://dx.doi.org/10.5040/9781350057142.ch-003
Gutiérrez-Medina,
L., Arrué-Quezada, G., & Illanes-Aguilar, L. (2024). Juegos de mesa como
inductor de la Motivación para el aprendizaje en adolescentes: Una revisión
sistemática. Revista de estudios y experiencias en educación, 23(52),
195-213. https://doi.org/10.21703/rexe.v23i52.2429
Kafai, Y. B., & Burke, Q. (2015). Constructionist gaming: Understanding the benefits of making games for
learning. Educational Psychologist, 50(4), 313-334. https://doi.org/10.1080/00461520.2015.1124022
Kalelioğlu, F., Gülbahar, Y., & Kukul, V.
(2016). A framework for computational thinking based on
a systematic research review. Baltic Journal of Modern Computing, 4(3),
583-596. https://bit.ly/4moM1SR
Kapp, Karl. (2012). The gamification of learning
and instruction: Game-based methods and strategies for training and education.
San Francisco, CA: Pfeiffer. https://doi.org/10.1145/2207270.2211316
Kazimoglu, C., Kiernan, M., Bacon, L. & MacKinnon, L.
(2012). Learning Programming at the Computational
Thinking Level via Digital Game-Play. Procedia Computer Science,
9, 522-531. https://doi.org/10.1016/j.procs.2012.04.056
Klock, A.C.T., Santana, B.S., Hamari, J. (2023). Ethical Challenges in Gamified Education Research and Development: An
Umbrella Review and Potential Directions. In: Toda, A., Cristea, A.I., Isotani,
S. (eds) Gamification Design for Educational Contexts. Springer, Cham. https://doi.org/10.1007/978-3-031-31949-5_3
Lakens, D. (2013). Calculating and reporting effect
sizes to facilitate cumulative science: A practical primer for t-tests and
ANOVAs. Frontiers in Psychology, 4(863). https://doi.org/10.3389/fpsyg.2013.00863
Lee, M. J., Bahmani, F., Kwan, I., Laferte, J.,
Charters, P., Horvath, A., Luor, F., Cao, J., Law, C., Beswetherick, M., Long,
S., Burnett, M., & Ko, A. J. (2014). Principles of a debugging-first puzzle
game for computing education. In Proceedings - 2014 IEEE Symposium on Visual
Languages and Human-Centric Computing VL/HCC, Melbourne VIC, Australia,
57-64. https://doi.org/10.1109/VLHCC.2014.6883023
Long, D. & Magerko, B. (2020). What is AI
Literacy? Competencies and Design Considerations. In Proceedings of the 2020
CHI Conference on Human Factors in Computing Systems (CHI '20). Association
for Computing Machinery, New York, NY, USA, 1–16. https://doi.org/10.1145/3313831.3376727
Lumley, T., Diehr, P., Emerson, S., & Chen, L.
(2002). The importance of the normality assumption in large public health data
sets. Annual review of public health, 23(1), 151-169. https://doi.org/10.1146/annurev.publhealth.23.100901.140546
Mellor, D. & Moore, K.A. (2014). The Use of Likert
Scales With Children. Journal of Pediatric Psychology, 39 (3), 369–379. https://doi.org/10.1093/jpepsy/jst079
Ministerio de
Tecnologías de la Información y las Comunicaciones (MinTIC). (2025, 17 de
diciembre). Índice Sintético Educación Digital 2022-2023. Observatorio Nacional
de Tecnologías de la Información y las Comunicaciones (ONTIC). Recuperado de https://bit.ly/45TsjIq
Mokkink, L. B.,
Terwee, C. B., Patrick, D. L., Alonso, J., Stratford, P. W., Knol, D. L.,
Bouter, L. M., & de Vet, H. C. W. (2018). COSMIN
methodology for systematic reviews of Patient-Reported Outcome Measures
(PROMs): User manual. http://bit.ly/3HJFemV
Molina Montoya,
N. P. (2018). Aspectos éticos en la investigación con niños. Ciencia Y
Tecnología Para L a Salud Visual Y Ocular, 16(1), 75-87. https://doi.org/10.19052/sv.4348
Montes-León, H.,
Hijón- Neira, R., Pérez-Marín, D., & Montes-León, S. R. (2020). Mejora del
Pensamiento Computacional en Estudiantes de Secundaria con Tareas Unplugged. Education in the Knowledge Society (EKS), 21(12).
https://doi.org/10.14201/eks.23002
Morales
Jaramillo, M., Sosa Toapanta, J., Garofalo Sosa, G., & Escobar Contreras,
K. (2024). La inteligencia artificial una herramienta benéfica o perjudicial
para el aprendizaje académico en el Ecuador. Polo del
Conocimiento, 9(12), 1476-1490. https://doi.org/10.23857/pc.v9i12.8557
Naegeli, A. N., Hanlon, J., Gries, K. S., Safikhani, S.,
Ryden, A., Patel, M., Crescioni, M., & Vernon, M. (2018). Literature review to characterize the empirical basis for response scale
selection in pediatric populations. Journal of patient-reported outcomes,
2 (39). https://doi.org/10.1186/s41687-018-0051-8
Ng, D.T.K., Leung, J.K.L, Chu, S.K.W. & Qiao,M.S. (2021) Conceptualizing AI
literacy: An exploratory review. Computers and Education: Artificial
Intelligence, 2, 100041, ISSN 2666-920X. https://doi.org/10.1016/j.caeai.2021.100041
Ng, D.T.K., Leung, J.K.L., Su, J., Ng, R.C.W. &
Chu, S.K.W. (2023) Teachers’ AI digital competencies and twenty-first century
skills in the post-pandemic world. Education Tech Research and development,
71, 137-161. https://doi.org/10.1007/s11423-023-10203-6
Ng, D.T.K., Wu, W., Leung, J.K.L., Chiu, T.K.F., &
Chu, S.K.W. (2024). Design and validation of the AI literacy questionnaire: The
affective, behavioural, cognitive and ethical approach. British Journal of
Educational Technology, 55(3), 1082–1104. https://doi.org/10.1111/bjet.13411
Nicolalde Jaramillo, S.G., & Narvaéz Valverde,
M.M. (2025). La
inteligencia artificial en la educación básica: innovaciones, desafíos y
perspectivas futuras. Revista Ecos De La
Academia, 11(21), e1218. https://doi.org/10.53358/ecosacademia.v11i21.1218
Norman, G. (2010). Likert scales, levels of
measurement and the “laws” of statistics. Advances in health sciences
education, 15(5), 625-632. https://doi.org/10.1007/s10459-010-9222-y
Nozato-López, M. J. (2024). La inteligencia artificial en
educación: consideraciones éticas y fomento al pensamiento crítico. RECIE. Revista
Electrónica Científica De Investigación Educativa, 8, e2357. https://doi.org/10.33010/recie.v8i0.2357
Ortiz-Colón,
A.-M., Jordán, J., & Agreda, M. (2018). Gamificación en educación: una
panorámica sobre el estado de la cuestión. Educação
& Pesquisa, 44, e173773. https://doi.org/10.1590/S1678-4634201844173773
Papavlasopoulou, S., Giannakos, M. N., & Jaccheri, L.
(2017). Empirical studies on the Maker Movement, a
promising approach to learning: A literature review. Entertainment
Computing, 18, 57-78. https://doi.org/10.1016/j.entcom.2016.09.002
Piazza, A., & Mengual-Andrés, S. (2020).
Computational thinking and coding in primary education: scientific productivity
on SCOPUS. Pixel-Bit,
Revista de Medios y Educación, 59, 147–181. https://doi.org/10.12795/pixelbit.79769
Quiroz-Vallejo, D.
A., Carmona-Mesa, J. A., Castrillón-Yepes, A., & Villa-Ochoa, J. A. (2021).
Integración del pensamiento computacional en la educación primaria y secundaria
en Latinoamérica: una revisión sistemática de literatura. RED. Revista de
Educación a Distancia, 21(68), Artíc. 7. https://doi.org/10.6018/red.485321
Robles Carmona, E. J., Vergara Oliveros, J. J., Giraldo
Cardozo, J. C., & Madera Doval, D. P. (2024). Enfoque stem+ y gamificación
para desarrollar el pensamiento computacional en educación básica. Acta
ScientiÆ InformaticÆ, 8(8), 23-28. https://doi.org/10.21897/26192659.3642
Rodríguez-Martínez,
J. A., González-Calero, J. A., & Sáez-López, J. M. (2019). Computational thinking and mathematics using Scratch: an experiment with
sixth-grade students. Interactive Learning Environments, 28(3), 316–327.
https://doi.org/10.1080/10494820.2019.1612448
Román-González, M., Pérez-González, J.-C., &
Jiménez-Fernández, C. (2017). Which cognitive abilities underlie computational
thinking? Criterion validity of the Computational Thinking Test. Computers
in Human Behavior, 72, 678–691. https://doi.org/10.1016/j.chb.2016.08.047
Sáez-López,
J.-M., Román-González, M., & Vázquez-Cano, E. (2016). Visual programming languages integrated across the curriculum in
elementary school: A two-year case study using “Scratch” in five schools. Computers
& Education, 97, 129-141. https://doi.org/10.1016/j.compedu.2016.03.003
Salleh Hudin, S. (2023). A Systematic Review of the
Challenges in Teaching Programming for Primary Schools’ Students. Online
Journal for TVET Practitioners, 8(1), 75-88. https://publisher.uthm.edu.my/ojs/index.php/oj-tp/article/view/13350
Shute, V. J., Sun, C., & Asbell-Clarke, J. (2017).
Demystifying computational thinking. Educational Research Review, 22,
142–158. https://doi.org/10.1016/j.edurev.2017.09.003
Sin Yoon, C., & Md Khambari, M.N. (2022). Design,
Development, and Evaluation of the Robobug Board Game: An Unplugged Approach to
Computational Thinking. International Journal of Interactive Mobile
Technologies (IJIM), 16(06), 41–60. https://doi.org/10.3991/ijim.v16i06.26281
Soh, J., Oikonomou, M., Pizzinelli, C., Shibata, I.
& Tavares, M. M. (2025) Did the
Covid-19 Recession Increase the Demand for Digital Occupations in the USA?
Evidence from Employment and Vacancies Data. IMF Economic Review, 73,
316–337. https://doi.org/10.1057/s41308-024-00246-x
Streiner,
D. L. (2003). Starting at the Beginning: An Introduction to Coefficient Alpha
and Internal Consistency. Journal of Personality Assessment, 80(1),
99–103. https://doi.org/10.1207/S15327752JPA8001_18
Suárez-Ibujés, M. O., Hernández-Dávila, C. A.,
Peñafiel, E. J. A., & Villena-Atoche, C. A. (2024). Utilización de juegos de
razonamiento lógico para potenciar competencias matemáticas en estudiantes de
bachillerato. MQR Investigar, 8(2),
2931–2950. https://doi.org/10.56048/MQR20225.8.2.2024.2931-2950
Sullivan, L. M., & D'Agostino, R. B. (1992). Robustness of the t test applied to data distorted from normality by
floor effects. Journal of dental research, 71(12),
1938-1943. https://doi.org/10.1177/00220345920710121601
Sutton, R. S., & Barto, A. G. (2018). Reinforcement
learning: An introduction (2nd ed.). A Bradford Book, The MIT Press. http://bit.ly/3JF8ADW
Sweller, J., Ayres, P., & Kalyuga, S.
(2011). Cognitive load theory. Springer. https://doi.org/10.1007/978-1-4419-8126-4
Tedre, M., Toivonen, T., Vartiainen, H., Jormanainen, I.,
Valtonen, T., Kahila, J. & Pears, A. (2021). Teaching
Machine Learning in K–12 Classroom: Pedagogical and Technological Trajectories
for Artificial Intelligence Education. IEEE Access, 9, 110558-110572. https://doi.org/10.1109/ACCESS.2021.3097962
Touretzky, D., Gardner-McCune, C., Martin, F., &
Seehorn, D. (2019). Envisioning AI for K-12: What Should Every Child Know about
AI?. Proceedings of the AAAI Conference on Artificial Intelligence, 33(1),
9795-9799. https://doi.org/10.1609/aaai.v33i01.33019795
Tsarava, K., Moeller, K., M., & Ninaus, M. (2018). Training Computational Thinking through board games: The case of Crabs
& Turtles. International Journal of Serious Games, 5(2), 25-44. https://doi.org/10.17083/ijsg.v5i2.248
Tseng, C. Y. (2020). Exploring the Learning Effect
of Playing Card Games to Develop Computational Thinking Skills: Supporting
Pattern Recognition and Generalization. http://dx.doi.org/10.13140/RG.2.2.30111.64163
Van
Dijk, J. (2017). Digital divide: Impact of access. In P. Rössler, C. A.
Hoffner, & L. van Zoonen (Eds.), The international encyclopedia of media
effects (pp. 1–11). John Wiley & Sons. https://doi.org/10.1002/9781118783764.wbieme0043
Vita-Barrull, N., Estrada-Plana, V., March-Llanes, J.,
Guzmán, N., Fernández-Muñoz, C., Ayesa, R., & Moya-Higueras, J. (2023).
Board game-based intervention to improve executive functions and academic
skills in rural schools: A randomized controlled trial. Trends in
neuroscience and education, 33, 100216. https://doi.org/10.1016/j.tine.2023.100216
Voogt, J., Fisser, P., Good, J., Mishra, P. &
Yadav, A. (2015). Computational thinking in compulsory education: Towards an
agenda for research and practice. Education and Information Technologies,
20, 715-728. https://doi.org/10.1007/s10639-015-9412-6
Wing, J. (2006). Computational thinking. Communications
of the ACM, 49(3), 33-35. https://doi.org/10.1145/1118178.1118215
Zagal, J. P., Rick, J., & Hsi, I. (2006).
Collaborative games: Lessons learned from board games. Simulation & Gaming, 37(1), 24-40. https://doi.org/10.1177/1046878105282279