Perfiles de aprendizaje en programación inicial mediante Learning Analytics en un entorno gamificado basado en CodeCombat

Resumen

El presente estudio tiene como objetivo identificar y caracterizar perfiles de aprendizaje en estudiantes de programación inicial mediante el análisis de datos de interacción en un entorno gamificado basado en CodeCombat. Se adoptó un enfoque cuantitativo de tipo exploratorio-descriptivo, utilizando técnicas de Learning Analytics y clustering no supervisado. El análisis se realizó sobre datos de 144 estudiantes universitarios de primer ingreso, considerando dos variables clave: tiempo promedio de resolución y tasa de finalización, asociadas a las dimensiones de eficiencia y persistencia. Se aplicó el algoritmo K-means sobre variables normalizadas, determinándose una solución óptima de cuatro clusters (k = 4) mediante el método del codo y el coeficiente de silueta. Los resultados evidencian la existencia de cuatro perfiles diferenciados, lo que refleja trayectorias de aprendizaje heterogéneas. Las diferencias entre perfiles fueron analizadas mediante estadística descriptiva y la prueba de Kruskal-Wallis, interpretada con carácter descriptivo. Los hallazgos indican que los estudiantes presentan patrones diversos de progreso y comportamiento temporal, especialmente en contenidos de mayor complejidad como estructuras de control y variables. Asimismo, se observa que la eficiencia, medida en términos de tiempo, no implica necesariamente un mejor aprendizaje. El estudio aporta evidencia para la comprensión del aprendizaje basado en datos y ofrece insumos para el diseño de estrategias educativas adaptativas en la enseñanza de la programación.