IMPACTO COGNITIVO DEL EXCESO
DE HORAS DE PROGRAMACIÓN EN
ESTUDIANTES DE INGENIERÍA EN SISTEMAS
COGNITIVE IMPACT OF EXCESSIVE
PROGRAMMING HOURS ON COMPUTER
SYSTEMS ENGINEERING STUDENTS
Betsabe Guadalupe López Gómez
Universidad Juárez Autónoma de Tabasco, México
Dr. Julián Javier Francisco León
Universidad Juárez Autónoma de Tabasco, México
Dr. Manuel Villanueva Reyna
Universidad Juárez Autónoma de Tabasco, México
pág. 7020
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25659
Impacto Cognitivo del Exceso de Horas de Programación en Estudiantes de
Ingeniería en Sistemas
Betsabe Guadalupe López Gómez1
lopezbetsabe306@gmail.com
https://orcid.org/0009-0005-9319-5162
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Cunduacán, Tabasco
Universidad Juárez Autónoma de Tabasco
México
Dr. Julián Javier Francisco León
julian.francisco@ujat.mx
https://orcid.org/0000-0002-1598-5522
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Cunduacán, Tabasco
Universidad Juárez Autónoma de Tabasco
México
Dr. Manuel Villanueva Reyna
manuel.villanueva@ujat.mx
https://orcid.org/0000-0001-5282-9919
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Universidad Juárez Autónoma de Tabasco
Cunduacán, Tabasco, México
RESUMEN
El presente estudio analiza el impacto cognitivo de las jornadas prolongadas de programación en
estudiantes de Ingeniería en Sistemas Computacionales (ISC) de la Universidad Juárez Autónoma de
Tabasco (UJAT). El objetivo fue comparar el nivel de impacto cognitivo entre jornadas regulares
(menos de 4 horas continuas) y jornadas extensas (8 a 12 horas continuas), midiendo efectos sobre la
memoria de trabajo, la concentración y el estado emocional. La investigación se desarrolló bajo un
enfoque cuantitativo con una muestra de 235 estudiantes seleccionados mediante muestreo
probabilístico. El instrumento consistió en un cuestionario de 16 reactivos con escala Likert de 5 puntos
el análisis estadístico se realizó mediante un programa desarrollado en Python con el cual se procesaron
los datos y verifico la hipótesis mediante una prueba Z para una muestra con nivel de significancia α =
0.05. Los resultados mostraron que el 80.4% de los encuestados experimentaron jornadas de 3 o más
días consecutivos. La prueba Z arrojo Z = -0.10 para jornadas regulares (H0 no rechazada) y Z= 4.53
para jornadas extensas (H0 rechazada). Se concluye que programar 8 horas continuas o más produce un
impacto cognitivo estadísticamente, lo que sugiere incorporar estrategias de gestión del tiempo y
descanso activo en los programas académicos de ISC.
Palabras claves: estrés académico, carga cognitiva, programación prolongada, funciones cognitivas,
estudiantes de ingeniería en sistemas computacionales
1 Autor principal
Correspondencia: lopezbetsabe306@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25659
Impacto Cognitivo del Exceso de Horas de Programación en Estudiantes de
Ingeniería en Sistemas
Betsabe Guadalupe López Gómez1
lopezbetsabe306@gmail.com
https://orcid.org/0009-0005-9319-5162
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Cunduacán, Tabasco
Universidad Juárez Autónoma de Tabasco
México
Dr. Julián Javier Francisco León
julian.francisco@ujat.mx
https://orcid.org/0000-0002-1598-5522
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Cunduacán, Tabasco
Universidad Juárez Autónoma de Tabasco
México
Dr. Manuel Villanueva Reyna
manuel.villanueva@ujat.mx
https://orcid.org/0000-0001-5282-9919
División Académica de Ciencias y
Tecnología de la Información, DACYTI
Universidad Juárez Autónoma de Tabasco
Cunduacán, Tabasco, México
RESUMEN
El presente estudio analiza el impacto cognitivo de las jornadas prolongadas de programación en
estudiantes de Ingeniería en Sistemas Computacionales (ISC) de la Universidad Juárez Autónoma de
Tabasco (UJAT). El objetivo fue comparar el nivel de impacto cognitivo entre jornadas regulares
(menos de 4 horas continuas) y jornadas extensas (8 a 12 horas continuas), midiendo efectos sobre la
memoria de trabajo, la concentración y el estado emocional. La investigación se desarrolló bajo un
enfoque cuantitativo con una muestra de 235 estudiantes seleccionados mediante muestreo
probabilístico. El instrumento consistió en un cuestionario de 16 reactivos con escala Likert de 5 puntos
el análisis estadístico se realizó mediante un programa desarrollado en Python con el cual se procesaron
los datos y verifico la hipótesis mediante una prueba Z para una muestra con nivel de significancia α =
0.05. Los resultados mostraron que el 80.4% de los encuestados experimentaron jornadas de 3 o más
días consecutivos. La prueba Z arrojo Z = -0.10 para jornadas regulares (H0 no rechazada) y Z= 4.53
para jornadas extensas (H0 rechazada). Se concluye que programar 8 horas continuas o más produce un
impacto cognitivo estadísticamente, lo que sugiere incorporar estrategias de gestión del tiempo y
descanso activo en los programas académicos de ISC.
Palabras claves: estrés académico, carga cognitiva, programación prolongada, funciones cognitivas,
estudiantes de ingeniería en sistemas computacionales
1 Autor principal
Correspondencia: lopezbetsabe306@gmail.com
pág. 7021
Cognitive Impact of Excessive Programming Hours on Computer Systems
Engineering Students
ABSTRACT
This study analyzes the cognitive impact of long programming sessions on Computer Systems
Engineering (ISC) students at the Juárez Autonomous University of Tabasco (UJAT). The objective
was to compare the level of cognitive impact between regular sessions (less than 4 continuous hours)
and extended sessions (8 to 12 continuous hours), measuring effects on working memory, concentration,
and emotional state. The research was conducted using a quantitative approach with a sample of 235
students selected through probabilistic sampling. The instrument consisted of a 16-item questionnaire
using a 5-point Likert scale. Statistical analysis was performed using a program developed in Python to
process the data, and the hypothesis was tested using a Z-test for a sample with a significance level of
α = 0.05. The results showed that 80.4% of the respondents experienced work periods of 3 or more
consecutive days. The Z-test yielded Z = -0.10 for regular workdays (H0 not rejected) and Z = 4.53 for
extended workdays (H0 rejected). It is concluded that scheduling 8 continuous hours or more has a
statistically significant cognitive impact, suggesting that time management strategies and active rest
breaks should be incorporated into ISC academic programs.
Keywords: academy stress, cognitive load, prolonged programming, cognitive funtions, computer
systems engineering students
Artículo recibido 20 julio 2026
Aceptado para publicación: 20 agosto 2026
Cognitive Impact of Excessive Programming Hours on Computer Systems
Engineering Students
ABSTRACT
This study analyzes the cognitive impact of long programming sessions on Computer Systems
Engineering (ISC) students at the Juárez Autonomous University of Tabasco (UJAT). The objective
was to compare the level of cognitive impact between regular sessions (less than 4 continuous hours)
and extended sessions (8 to 12 continuous hours), measuring effects on working memory, concentration,
and emotional state. The research was conducted using a quantitative approach with a sample of 235
students selected through probabilistic sampling. The instrument consisted of a 16-item questionnaire
using a 5-point Likert scale. Statistical analysis was performed using a program developed in Python to
process the data, and the hypothesis was tested using a Z-test for a sample with a significance level of
α = 0.05. The results showed that 80.4% of the respondents experienced work periods of 3 or more
consecutive days. The Z-test yielded Z = -0.10 for regular workdays (H0 not rejected) and Z = 4.53 for
extended workdays (H0 rejected). It is concluded that scheduling 8 continuous hours or more has a
statistically significant cognitive impact, suggesting that time management strategies and active rest
breaks should be incorporated into ISC academic programs.
Keywords: academy stress, cognitive load, prolonged programming, cognitive funtions, computer
systems engineering students
Artículo recibido 20 julio 2026
Aceptado para publicación: 20 agosto 2026
pág. 7022
INTRODUCCIÓN
En el contexto actual en la educación superior en el ámbito tecnológico, los estudiantes de ingeniería
en sistemas computacionales enfrentan demandas académicas cada vez más exigentes. A partir del
quinto semestre, cuando ya han consolidado conocimientos fundamentales en programación y bases de
datos, se espera que desarrollen proyectos complejos que simulen escenarios reales profesionales. La
Ingeniería en Sistemas Computacionales es una disciplina en donde sus estudiantes tienen extensas
jornadas de programación, resolviendo problemas complejos mediante dicha técnica, lo que conlleva a
dichos estudiantes a invertir un tiempo extenso de trabajo. En particular, las jornadas podemos
clasificarlas en tres tipos según su duración, jornadas regulares (menos de 4 horas), jornadas extensas
(8-12 horas continuas) y jornadas extremas que se extienden por tres o más días consecutivos trabajando
en un mismo proyecto. Este fenómeno no es exclusivo del contexto local, sino que responde a una
tendencia observada de manera generalizada en la formación de profesionales del área de tecnologias,
en donde la naturaleza acumulativa y altamente técnica de la programación exige que los estudiantes
dediquen sesiones de trabajo prolongados para cumplir con los entregables académicos y
posteriormente, con las exigencias del ámbito laboral. La creciente digitalización de los procesos
productivos y la alta demanda de perfiles en desarrollo de software han incrementado la presión sobre
los futuros ingenieros en sistemas computacionales para adquirir competencias técnicas en tiempos cada
vez más reducidos.
El presente estudio busca comprender cómo el exceso de tiempo dedicado específicamente a estas
actividades de programación y administración de bases de datos impacta en las funciones cognitivas y
el estado emocional del estudiante de ingeniería en sistemas computacionales. Comprender esta
problemática resulta relevante no solo desde una perspectiva académica, sino también institucional, ya
que el desempeño cognitivo del estudiante incide directamente en la calidad de los proyectos
desarrollados, en su permanencia dentro del programa educativo y en su bienestar emocional a mediano
y largo plazo. Identificar el punto en el que las jornadas de programación dejan de ser productivas y
comienzan a generar un deterioro cognitivo permite sentar las bases para el diseño de estrategias
institucionales. El presente estudio pretende aportar evidencia empírica específica sobre un fenómeno
que, hasta ahora, ha sido abordado de manera general en la literatura sobre estrés académico, sin
INTRODUCCIÓN
En el contexto actual en la educación superior en el ámbito tecnológico, los estudiantes de ingeniería
en sistemas computacionales enfrentan demandas académicas cada vez más exigentes. A partir del
quinto semestre, cuando ya han consolidado conocimientos fundamentales en programación y bases de
datos, se espera que desarrollen proyectos complejos que simulen escenarios reales profesionales. La
Ingeniería en Sistemas Computacionales es una disciplina en donde sus estudiantes tienen extensas
jornadas de programación, resolviendo problemas complejos mediante dicha técnica, lo que conlleva a
dichos estudiantes a invertir un tiempo extenso de trabajo. En particular, las jornadas podemos
clasificarlas en tres tipos según su duración, jornadas regulares (menos de 4 horas), jornadas extensas
(8-12 horas continuas) y jornadas extremas que se extienden por tres o más días consecutivos trabajando
en un mismo proyecto. Este fenómeno no es exclusivo del contexto local, sino que responde a una
tendencia observada de manera generalizada en la formación de profesionales del área de tecnologias,
en donde la naturaleza acumulativa y altamente técnica de la programación exige que los estudiantes
dediquen sesiones de trabajo prolongados para cumplir con los entregables académicos y
posteriormente, con las exigencias del ámbito laboral. La creciente digitalización de los procesos
productivos y la alta demanda de perfiles en desarrollo de software han incrementado la presión sobre
los futuros ingenieros en sistemas computacionales para adquirir competencias técnicas en tiempos cada
vez más reducidos.
El presente estudio busca comprender cómo el exceso de tiempo dedicado específicamente a estas
actividades de programación y administración de bases de datos impacta en las funciones cognitivas y
el estado emocional del estudiante de ingeniería en sistemas computacionales. Comprender esta
problemática resulta relevante no solo desde una perspectiva académica, sino también institucional, ya
que el desempeño cognitivo del estudiante incide directamente en la calidad de los proyectos
desarrollados, en su permanencia dentro del programa educativo y en su bienestar emocional a mediano
y largo plazo. Identificar el punto en el que las jornadas de programación dejan de ser productivas y
comienzan a generar un deterioro cognitivo permite sentar las bases para el diseño de estrategias
institucionales. El presente estudio pretende aportar evidencia empírica específica sobre un fenómeno
que, hasta ahora, ha sido abordado de manera general en la literatura sobre estrés académico, sin
pág. 7023
diferenciar los efectos que las jornadas de programación (regulares, extensas y extremas) tienen sobre
funciones cognitivas como la memoria de trabajo y la concentración. . Este documento se enfoca
particularmente en medir efectos específicos como el incremento de ansiedad, la reducción de la
capacidad de concentración y el deterioro de la memoria de trabajo en estudiantes de programación con
extensas jornadas de trabajo.
Antecedentes
La relación entre estrés académico y desempeño cognitivo en estudiantes universitarios ha sido
documentada en la literatura científica. Múltiples investigaciones han establecidos la prevalencia
significativa del estrés académico en poblaciones universitarias. Chango-Infante et al. (2025)
documenta que el estrés académico se ha asociado con síntomas de ansiedad, fátiga, alteraciones del
sueño y bajo rendimiento. Por su parte, Trunce et al. (2020) encontraron que el 53.2% de estudiantes
universitarios presentaron trastorno de ansiedad y el 47.8% manifestaron el estrés, evidenciando una
asociación estadísticamente significativa entre ansiedad y rendimiento académico.
El aspecto emocional del estrés académico en programación está relacionado con lo cognitivo. Berrío
García (2011) explica que cuando el estudiante se ve sometido a demandas que percibe como
amenazantes, genera respuestas emocionales específicas, en el contexto de la programación, la
frustración ante errores de códigos y la ansiedad por plazos ajustados constituyen las emociones. La
Revista Médica Clínica Las Condes (2015) identifica que estas emociones (rabia, ansiedad, frustración)
se acompañan de dificultades cognitivas como problemas de memoria, concentración y planificación.
Sánchez-García et al. describe que estas dificultades se agravan en programación, debido a que los
estudiantes deben asimilar muchos conceptos técnicos a la vez y en poco tiempo, lo que acaba afectando
su rendimiento académico. Maturana y Vargas (2015) identificaron que las emociones negativas (rabia,
ansiedad, frustración) se acompañan sistemáticamente de dificultades cognitivas, manifestándose como
problemas de memoria, concentración y capacidad de planificación. Esta relación bidireccional entre
aspectos emocionales y cognitivos resulta crucial para comprender el impacto del estrés en estudiantes
de programación. Sánchez-García et al. (2015) describen que los estudiantes de programación deben
manejar una gran cantidad de conceptos técnicos al mismo tiempo y en periodos cortos, lo que dificultad
la asimilación y el desarrollo de las habilidades para codificar.
diferenciar los efectos que las jornadas de programación (regulares, extensas y extremas) tienen sobre
funciones cognitivas como la memoria de trabajo y la concentración. . Este documento se enfoca
particularmente en medir efectos específicos como el incremento de ansiedad, la reducción de la
capacidad de concentración y el deterioro de la memoria de trabajo en estudiantes de programación con
extensas jornadas de trabajo.
Antecedentes
La relación entre estrés académico y desempeño cognitivo en estudiantes universitarios ha sido
documentada en la literatura científica. Múltiples investigaciones han establecidos la prevalencia
significativa del estrés académico en poblaciones universitarias. Chango-Infante et al. (2025)
documenta que el estrés académico se ha asociado con síntomas de ansiedad, fátiga, alteraciones del
sueño y bajo rendimiento. Por su parte, Trunce et al. (2020) encontraron que el 53.2% de estudiantes
universitarios presentaron trastorno de ansiedad y el 47.8% manifestaron el estrés, evidenciando una
asociación estadísticamente significativa entre ansiedad y rendimiento académico.
El aspecto emocional del estrés académico en programación está relacionado con lo cognitivo. Berrío
García (2011) explica que cuando el estudiante se ve sometido a demandas que percibe como
amenazantes, genera respuestas emocionales específicas, en el contexto de la programación, la
frustración ante errores de códigos y la ansiedad por plazos ajustados constituyen las emociones. La
Revista Médica Clínica Las Condes (2015) identifica que estas emociones (rabia, ansiedad, frustración)
se acompañan de dificultades cognitivas como problemas de memoria, concentración y planificación.
Sánchez-García et al. describe que estas dificultades se agravan en programación, debido a que los
estudiantes deben asimilar muchos conceptos técnicos a la vez y en poco tiempo, lo que acaba afectando
su rendimiento académico. Maturana y Vargas (2015) identificaron que las emociones negativas (rabia,
ansiedad, frustración) se acompañan sistemáticamente de dificultades cognitivas, manifestándose como
problemas de memoria, concentración y capacidad de planificación. Esta relación bidireccional entre
aspectos emocionales y cognitivos resulta crucial para comprender el impacto del estrés en estudiantes
de programación. Sánchez-García et al. (2015) describen que los estudiantes de programación deben
manejar una gran cantidad de conceptos técnicos al mismo tiempo y en periodos cortos, lo que dificultad
la asimilación y el desarrollo de las habilidades para codificar.
pág. 7024
Según los autores, esta situación genera bloqueos en el aprendizaje que acaban afectando la capacidad
del alumno para resolver los problemas propios de la programación.
En cuanto a la carga cognitiva en programación, Arévalo-Mercado et al. (2019) demuestra que el
aprendizaje de la programación frecuentemente conlleva una sobrecarga cognitiva en el estudiante, ya
que debe desarrollar simultáneamente habilidades de resolución de problemas, aprender la sintaxis de
un lenguaje de programación, un entorno de desarrollo integrado y desarrollar modelos correctos.
Andrade-Lotero (2012) define la carga cognitiva como la demanda de recursos de la memoria de trabajo
necesaria para aprender o resolver una tarea. La memoria de trabajo tiene una capacidad de
procesamiento reducida, según Miller (1956) citado por el autor, puede manejar alrededor de siete
elementos de información al mismo tiempo y los retiene solo entre 15 a 30 segundos antes que se
pierdan si no se procesan activamente.
Estas manifestaciones emocionales adquieren particularmente relevancia al considerar que el proceso
de aprendizaje en programación requiere un estado mental óptimo para la resolución de problemas
complejos, cuando un estudiante enfrenta largas jornadas depuración de código, la fatiga mental no solo
reduce su capacidad de análisis lógico sino que también disminuye su tolerancia a la frustración,
generando un estado emocional contraproducente para el tipo de pensamiento crítico y creativo que
demanda la programación.
Esta situación se vuelve especialmente critica en proyectos con plazos ajustados, donde la presión
temporal se suma a la complejidad técnica, creando condiciones que comprometen tanto la calidad del
aprendizaje como la salud emocional del estudiante, si bien existe evidencia robusta sobre el estrés
académico general y los estudios sobre programación, existe una limitada de investigación que analice
específicamente el impacto de las jornadas prolongadas de programación (8-12 horas continuas), y las
jornadas extremas (3 o más días consecutivos) en las funciones cognitivas de estudiantes de ingeniería
en sistemas computacionales, esta brecha en el conocimiento justifica la presente investigación.
Objeto de estudio
El objeto principal de estudio se compone de dos elementos:
Según los autores, esta situación genera bloqueos en el aprendizaje que acaban afectando la capacidad
del alumno para resolver los problemas propios de la programación.
En cuanto a la carga cognitiva en programación, Arévalo-Mercado et al. (2019) demuestra que el
aprendizaje de la programación frecuentemente conlleva una sobrecarga cognitiva en el estudiante, ya
que debe desarrollar simultáneamente habilidades de resolución de problemas, aprender la sintaxis de
un lenguaje de programación, un entorno de desarrollo integrado y desarrollar modelos correctos.
Andrade-Lotero (2012) define la carga cognitiva como la demanda de recursos de la memoria de trabajo
necesaria para aprender o resolver una tarea. La memoria de trabajo tiene una capacidad de
procesamiento reducida, según Miller (1956) citado por el autor, puede manejar alrededor de siete
elementos de información al mismo tiempo y los retiene solo entre 15 a 30 segundos antes que se
pierdan si no se procesan activamente.
Estas manifestaciones emocionales adquieren particularmente relevancia al considerar que el proceso
de aprendizaje en programación requiere un estado mental óptimo para la resolución de problemas
complejos, cuando un estudiante enfrenta largas jornadas depuración de código, la fatiga mental no solo
reduce su capacidad de análisis lógico sino que también disminuye su tolerancia a la frustración,
generando un estado emocional contraproducente para el tipo de pensamiento crítico y creativo que
demanda la programación.
Esta situación se vuelve especialmente critica en proyectos con plazos ajustados, donde la presión
temporal se suma a la complejidad técnica, creando condiciones que comprometen tanto la calidad del
aprendizaje como la salud emocional del estudiante, si bien existe evidencia robusta sobre el estrés
académico general y los estudios sobre programación, existe una limitada de investigación que analice
específicamente el impacto de las jornadas prolongadas de programación (8-12 horas continuas), y las
jornadas extremas (3 o más días consecutivos) en las funciones cognitivas de estudiantes de ingeniería
en sistemas computacionales, esta brecha en el conocimiento justifica la presente investigación.
Objeto de estudio
El objeto principal de estudio se compone de dos elementos:
pág. 7025
Medición de los tiempos de dedicación a la programación:
Estudiar los patrones de tiempo que los estudiantes de ingeniería en sistemas computacionales dedican
a actividades de programación, categorizando las jornadas:
▪ Sesiones regulares: menos de 4 horas
▪ Jornadas extensas: 8-12 horas continuas
▪ Jornadas extremas: proyectos que se extienden por más de 12 horas, incluyendo días consecutivos
con múltiples sesiones diarias
Esta clasificación se fundamenta en la necesidad de determinar con exactitud el momento en que la
carga de trabajo supera los niveles tolerables y se convierte en un elemento que perjudica el
funcionamiento cognitivo del estudiante. Estudiar las consecuencias de haber trabajado ese tiempo y
como afecta los aspectos cognitivos del estudiante con respecto a su capacidad de concentración, la
fatiga mental, y el aumento de la ansiedad. Esta medición permitirá establecer una correlación entre la
duración de desarrollo y los efectos cognitivos observados, lo que facilitará la identificación del punto
en el que la exposición prolongada a las jornadas de programación comienza a generar afectaciones su
desempeño mental.
Identificación de actividades específicas que demandan tiempo excesivo:
Se analizan las actividades concretas de programación que consumen mayor cantidad de tiempo y
generan mayor carga cognitiva. Para comprender la magnitud temporal de estas actividades, es
fundamental considerar modelos reconocidos de estimación es esfuerzo en desarrollo de software.
Boehm (2000) desarrollaron el modelo COCOMO II, ampliamente utilizado en la industria y academia
para estimar el esfuerzo, costo y tiempo de proyectos de software, este modelo representa el estándar
de referencia en estimación de proyectos de software y ha sido utilizado por miles de organizaciones a
nivel mundial. A continuación, se presentan datos que confirman esto:
Entre las actividades específicas que demandan mayor inversión temporal se encuentran: el desarrollo
de aplicaciones web completas con tecnología frontend (HTML, CSS, JavaScript, React), y backend
(Node.js, Python, Java), la creación de aplicaciones móviles, el diseño e implementación de bases de
datos, el desarrollo de APIs, la depuración de errores y la documentación técnica de proyectos
complejos.
Medición de los tiempos de dedicación a la programación:
Estudiar los patrones de tiempo que los estudiantes de ingeniería en sistemas computacionales dedican
a actividades de programación, categorizando las jornadas:
▪ Sesiones regulares: menos de 4 horas
▪ Jornadas extensas: 8-12 horas continuas
▪ Jornadas extremas: proyectos que se extienden por más de 12 horas, incluyendo días consecutivos
con múltiples sesiones diarias
Esta clasificación se fundamenta en la necesidad de determinar con exactitud el momento en que la
carga de trabajo supera los niveles tolerables y se convierte en un elemento que perjudica el
funcionamiento cognitivo del estudiante. Estudiar las consecuencias de haber trabajado ese tiempo y
como afecta los aspectos cognitivos del estudiante con respecto a su capacidad de concentración, la
fatiga mental, y el aumento de la ansiedad. Esta medición permitirá establecer una correlación entre la
duración de desarrollo y los efectos cognitivos observados, lo que facilitará la identificación del punto
en el que la exposición prolongada a las jornadas de programación comienza a generar afectaciones su
desempeño mental.
Identificación de actividades específicas que demandan tiempo excesivo:
Se analizan las actividades concretas de programación que consumen mayor cantidad de tiempo y
generan mayor carga cognitiva. Para comprender la magnitud temporal de estas actividades, es
fundamental considerar modelos reconocidos de estimación es esfuerzo en desarrollo de software.
Boehm (2000) desarrollaron el modelo COCOMO II, ampliamente utilizado en la industria y academia
para estimar el esfuerzo, costo y tiempo de proyectos de software, este modelo representa el estándar
de referencia en estimación de proyectos de software y ha sido utilizado por miles de organizaciones a
nivel mundial. A continuación, se presentan datos que confirman esto:
Entre las actividades específicas que demandan mayor inversión temporal se encuentran: el desarrollo
de aplicaciones web completas con tecnología frontend (HTML, CSS, JavaScript, React), y backend
(Node.js, Python, Java), la creación de aplicaciones móviles, el diseño e implementación de bases de
datos, el desarrollo de APIs, la depuración de errores y la documentación técnica de proyectos
complejos.
pág. 7026
Para cuantificar con precisión estos tiempos de desarrollo, se consultaron investigaciones que
documentan métricas reales de productividad en proyectos de software. A continuación, se presenta la
Tabla 1, que especifica los periodos promedio para cada una de estas actividades.
Tabla 1. Tiempo de Desarrollo Registrados en Proyectos de Estudiantes de Ingeniería en Sistemas
Computacionales.
Actividad de Programación Tiempo Promedio Fuente
Proyectos pequeños (230-350 PF) 8-12 semanas Salazar (2009)
Proyecto mediano (350-600 PF) 12-20 semanas Salazar (2009)
Productividad de codificación con PSP 53 líneas de código / hora Gómez et al. (2014)
Proyectos con TSPi (104 KLOC) Productividad: 7.6 hrs/KLOC Caballero et al. (2009)
Nota: PF = Puntos de Función, KLOC = Miles de líneas de código y TSPi (Team Software Process).
Los proyectos pequeños de 230-250 PF equivalen aproximadamente a 2,000 – 3,500 líneas de código.
Fuente: Elaboración propia con base en Salazar (2009), Gómez et al. (2014) y Caballero et al. (2009).
Como se observa en la Tabla 1, las actividades de programación no sólo demandan periodos
significativos de tiempo, sino que además generan una carga cognitiva sustancial, esta situación puede
explicarse desde la Teoría de la Carga Cognitiva desarrollada por John Sweller a finales de la década
de 1980, la cual sostiene que la memoria de trabajo posee una capacidad limitada para procesar
información de manera simultánea, lo que provoca una mayor demanda cognitiva en tareas complejas
como la programación (Andrade-Lotero, 2012). La investigación de López-Fernández et al. (2019)
sobre complejidad cognitiva en desarrollo de software confirma que los proyectos que integran diversas
tecnologías incrementan las demandas sobre la memoria de trabajo, en programación esta exigencia
cognitiva se refleja en un aumento de la carga cognitiva durante el desarrollo del proyecto en
concordancia con la Teoría de la Carga Cognitiva (Andrade-Lotero, 2012).
Estas actividades de programación generan mayor carga cognitiva debido a múltiples factores que han
sido documentados en la literatura especializada sobre enseñanzas de programación y ciencias
cognitivas.
Complejidad de mantener múltiples niveles de abstracción
En primer lugar, el desarrollo del software requiere mantener una compresión constante de la
arquitectura del sistema completo mientras se trabaja en componentes específicos. Arevalo-Mercado et
al. (2019) señalan que la necesidad de alternar entre diferentes niveles de abstracción (desde la
arquitectura general hasta los detalles de implementación específicos) representan uno de los principales
Para cuantificar con precisión estos tiempos de desarrollo, se consultaron investigaciones que
documentan métricas reales de productividad en proyectos de software. A continuación, se presenta la
Tabla 1, que especifica los periodos promedio para cada una de estas actividades.
Tabla 1. Tiempo de Desarrollo Registrados en Proyectos de Estudiantes de Ingeniería en Sistemas
Computacionales.
Actividad de Programación Tiempo Promedio Fuente
Proyectos pequeños (230-350 PF) 8-12 semanas Salazar (2009)
Proyecto mediano (350-600 PF) 12-20 semanas Salazar (2009)
Productividad de codificación con PSP 53 líneas de código / hora Gómez et al. (2014)
Proyectos con TSPi (104 KLOC) Productividad: 7.6 hrs/KLOC Caballero et al. (2009)
Nota: PF = Puntos de Función, KLOC = Miles de líneas de código y TSPi (Team Software Process).
Los proyectos pequeños de 230-250 PF equivalen aproximadamente a 2,000 – 3,500 líneas de código.
Fuente: Elaboración propia con base en Salazar (2009), Gómez et al. (2014) y Caballero et al. (2009).
Como se observa en la Tabla 1, las actividades de programación no sólo demandan periodos
significativos de tiempo, sino que además generan una carga cognitiva sustancial, esta situación puede
explicarse desde la Teoría de la Carga Cognitiva desarrollada por John Sweller a finales de la década
de 1980, la cual sostiene que la memoria de trabajo posee una capacidad limitada para procesar
información de manera simultánea, lo que provoca una mayor demanda cognitiva en tareas complejas
como la programación (Andrade-Lotero, 2012). La investigación de López-Fernández et al. (2019)
sobre complejidad cognitiva en desarrollo de software confirma que los proyectos que integran diversas
tecnologías incrementan las demandas sobre la memoria de trabajo, en programación esta exigencia
cognitiva se refleja en un aumento de la carga cognitiva durante el desarrollo del proyecto en
concordancia con la Teoría de la Carga Cognitiva (Andrade-Lotero, 2012).
Estas actividades de programación generan mayor carga cognitiva debido a múltiples factores que han
sido documentados en la literatura especializada sobre enseñanzas de programación y ciencias
cognitivas.
Complejidad de mantener múltiples niveles de abstracción
En primer lugar, el desarrollo del software requiere mantener una compresión constante de la
arquitectura del sistema completo mientras se trabaja en componentes específicos. Arevalo-Mercado et
al. (2019) señalan que la necesidad de alternar entre diferentes niveles de abstracción (desde la
arquitectura general hasta los detalles de implementación específicos) representan uno de los principales
pág. 7027
desafíos cognitivos para estudiantes de programación, ya que excede frecuentemente la capacidad
limitada de la memoria de trabajo.
Integración de conocimientos multidisciplinarios
En segundo lugar, la necesidad de integrar conocimientos de diferentes áreas (diseño de interfaces,
lógica de programación, base de datos) constituya una demanda cognitiva significativamente, según
Andrade-Lotero (2012), cuando los aprendices deben enfrentarse con información nueva proveniente
de múltiples dominios.
Depuración de errores como actividad cognitivamente demandante
En tercer lugar, la depuración de errores representa una de las actividades más exigentes cognitivamente
en programación, Arevalo-Mercado et al. (2019) documentaron que las estrategias de solución de tipo
de prueba y error generan sobrecarga cognitiva signixficativa, ya que el estudiante debe formular y
evaluar múltiples hipótesis causales de manera simultaneas. Esta actividad requiere razonamiento
lógico constante y la habilidad de considerar y evaluar posibles causas de error de manera paralela, lo
que representa una alta demanda para la memoria de trabajo.
Documentación técnica como carga adicional
A esto se suma la elaboración de documentación técnica, la cual introduce exigencias adicionales que
deben atenderse de forma paralela al desarrollo del software. La necesidad de alternar entre la escritura
de código y la documentación de este puede llegar a incrementar la carga cognitiva del estudiante
durante periodos prolongados de programación (Andrade-Lotero, 2012), considerando que el tiempo
suele ser más ajustado entre los estudiantes de ingeniería en sistemas computacionales.
MARCO TEÓRICO
Definición de estrés académico. Bertola (2010) explica que Hans Selye introdujo el termino stress
para describir la reacción fisiológica del organismo ante agentes nocivos. Barraza (2008) define el estrés
académico como un proceso sistémico que se presentan cuando el estudiante se ve sometido a una serie
de demandas que son consideradas estresores. Esta conceptualización resulta ser relevante para los
estudiantes de ingeniería en sistemas computacionales que enfrentan largas jornadas de programación,
el estrés académico suele estar presente en la toma de decisiones al momento de detectar errores en
códigos complejos, el desgaste cognitivo y la presión de los plazos ajustados.
desafíos cognitivos para estudiantes de programación, ya que excede frecuentemente la capacidad
limitada de la memoria de trabajo.
Integración de conocimientos multidisciplinarios
En segundo lugar, la necesidad de integrar conocimientos de diferentes áreas (diseño de interfaces,
lógica de programación, base de datos) constituya una demanda cognitiva significativamente, según
Andrade-Lotero (2012), cuando los aprendices deben enfrentarse con información nueva proveniente
de múltiples dominios.
Depuración de errores como actividad cognitivamente demandante
En tercer lugar, la depuración de errores representa una de las actividades más exigentes cognitivamente
en programación, Arevalo-Mercado et al. (2019) documentaron que las estrategias de solución de tipo
de prueba y error generan sobrecarga cognitiva signixficativa, ya que el estudiante debe formular y
evaluar múltiples hipótesis causales de manera simultaneas. Esta actividad requiere razonamiento
lógico constante y la habilidad de considerar y evaluar posibles causas de error de manera paralela, lo
que representa una alta demanda para la memoria de trabajo.
Documentación técnica como carga adicional
A esto se suma la elaboración de documentación técnica, la cual introduce exigencias adicionales que
deben atenderse de forma paralela al desarrollo del software. La necesidad de alternar entre la escritura
de código y la documentación de este puede llegar a incrementar la carga cognitiva del estudiante
durante periodos prolongados de programación (Andrade-Lotero, 2012), considerando que el tiempo
suele ser más ajustado entre los estudiantes de ingeniería en sistemas computacionales.
MARCO TEÓRICO
Definición de estrés académico. Bertola (2010) explica que Hans Selye introdujo el termino stress
para describir la reacción fisiológica del organismo ante agentes nocivos. Barraza (2008) define el estrés
académico como un proceso sistémico que se presentan cuando el estudiante se ve sometido a una serie
de demandas que son consideradas estresores. Esta conceptualización resulta ser relevante para los
estudiantes de ingeniería en sistemas computacionales que enfrentan largas jornadas de programación,
el estrés académico suele estar presente en la toma de decisiones al momento de detectar errores en
códigos complejos, el desgaste cognitivo y la presión de los plazos ajustados.
pág. 7028
Manifestaciones Físicas del Estrés
El estrés prolongado genera diversos síntomas físicos que afectan al estudiante, entre los más comunes
se encuentra la fatiga, dolores de cabeza y dolor en las articulaciones o espalda. Silva-Ramos et al.
(2020) señala los problemas más relevantes como lo es el deterioro del desempeño, el aislamiento,
desgano, consumo de alcohol, aumento o reducción de apetito y sueño. Mientras que Infantas y Heredia
(2023) evidencio un 87.97% de frecuencia mayoritaria con calificaciones de estrés en un nivel
moderado de estrés académico, mientras que el 8.27% corresponde a un nivel de estrés severo, y un
3.76% de estrés leve.
Los resultados expuestos evidencian que el estrés académico representa una problemática significativa
en los estudiantes, ya que afecta tanto su rendimiento como su bienestar integral, las consecuencias
descritas y la alta prevalencia de niveles moderados y severos de estrés confirma la magnitud del
problema y su impacto en la vida del estudiante.
Impacto del Estrés en la Salud Mental
El estrés académico no sólo genera manifestaciones físicas, sino que también produce consecuencias
documentadas en la salud mental de los estudiantes, diversos estudios han establecido esta relación
causal entre estrés prolongado y deterioro de la salud mental en contextos académicos. Es fundamental
examinar su impacto en la salud mental de los estudiantes. Orrego et al. (2023) señalan que el estrés
prolongado o intenso puede generar consecuencias adversas en la salud física y mental de los estudiantes
de ingeniería en sistemas computacionales, con manifestaciones tales como falta de sueño, fatiga,
alteraciones del sistema inmunológico y condiciones de ansiedad. La presencia del estrés altera el
funcionamiento mental del estudiante, limitando su capacidad para aprender de manera eficiente y
repercutiendo de forma negativa en sus resultados académicos. Avalos (2024) menciona que los
estudiantes estresados enfrentan dificultades para regular sus emociones y mantener un estado de ánimo
positivo, lo que contribuye a un malestar emocional generalizado. Las investigaciones revelan que, a
mayor intensidad del estrés, se presentan a mayores dificultades en el desempeño académico y un
deterioro en el equilibrio emocional del estudiante. En el contexto del estudiante de ingeniería en
sistemas computacionales, estas manifestaciones, se intensifican debido a la naturaleza cognitivamente
demandante de las actividades de programación prolongada.
Manifestaciones Físicas del Estrés
El estrés prolongado genera diversos síntomas físicos que afectan al estudiante, entre los más comunes
se encuentra la fatiga, dolores de cabeza y dolor en las articulaciones o espalda. Silva-Ramos et al.
(2020) señala los problemas más relevantes como lo es el deterioro del desempeño, el aislamiento,
desgano, consumo de alcohol, aumento o reducción de apetito y sueño. Mientras que Infantas y Heredia
(2023) evidencio un 87.97% de frecuencia mayoritaria con calificaciones de estrés en un nivel
moderado de estrés académico, mientras que el 8.27% corresponde a un nivel de estrés severo, y un
3.76% de estrés leve.
Los resultados expuestos evidencian que el estrés académico representa una problemática significativa
en los estudiantes, ya que afecta tanto su rendimiento como su bienestar integral, las consecuencias
descritas y la alta prevalencia de niveles moderados y severos de estrés confirma la magnitud del
problema y su impacto en la vida del estudiante.
Impacto del Estrés en la Salud Mental
El estrés académico no sólo genera manifestaciones físicas, sino que también produce consecuencias
documentadas en la salud mental de los estudiantes, diversos estudios han establecido esta relación
causal entre estrés prolongado y deterioro de la salud mental en contextos académicos. Es fundamental
examinar su impacto en la salud mental de los estudiantes. Orrego et al. (2023) señalan que el estrés
prolongado o intenso puede generar consecuencias adversas en la salud física y mental de los estudiantes
de ingeniería en sistemas computacionales, con manifestaciones tales como falta de sueño, fatiga,
alteraciones del sistema inmunológico y condiciones de ansiedad. La presencia del estrés altera el
funcionamiento mental del estudiante, limitando su capacidad para aprender de manera eficiente y
repercutiendo de forma negativa en sus resultados académicos. Avalos (2024) menciona que los
estudiantes estresados enfrentan dificultades para regular sus emociones y mantener un estado de ánimo
positivo, lo que contribuye a un malestar emocional generalizado. Las investigaciones revelan que, a
mayor intensidad del estrés, se presentan a mayores dificultades en el desempeño académico y un
deterioro en el equilibrio emocional del estudiante. En el contexto del estudiante de ingeniería en
sistemas computacionales, estas manifestaciones, se intensifican debido a la naturaleza cognitivamente
demandante de las actividades de programación prolongada.
pág. 7029
Objetivo General
Analizar el impacto cognitivo, específicamente en términos de ansiedad, capacidad de concentración y
estrés, que generan las jornadas regulares dedicadas a la programación (menos de 4 horas), sesiones
largas (8-12 horas continuas) y jornadas extremas (3 o más días consecutivos) en estudiantes de
ingeniería en sistemas computacionales.
Objetivos específicos
▪ Describir la problemática del estrés y ansiedad en el contexto de actividades en el área de
programación y base de datos en los estudiantes de Ingeniería en Sistemas Computacionales.
▪ Analizar los efectos negativos del estrés generado por programación prolongada en el estado mental
y emocional de los estudiantes, particularmente sus niveles de ansiedad.
▪ Analizar como las jornadas extremas de programación afectan el rendimiento cognitivo de
estudiantes en el área de ingeniería en sistemas computacionales, enfocándose en la capacidad de
concentración.
Hipotesis
Hipótesis de investigación (H1)
Las jornadas extensas de programación de 8 a 12 horas continuas producen un mayor nivel de impacto
cognitivo que las jornadas regulares de menos de 4 horas en estudiantes de Ingeniería En Sistemas
Computacionales de la Universidad Juárez Autónoma De Tabasco.
Hipótesis Nula (H0)
Las jornadas extensas de programación de 8 a 12 horas continuas no producen un nivel de impacto
cognitivo diferente al de las jornadas regulares de menos de 4 horas en estudiantes de Ingeniería en
Sistemas Computacionales de la Universidad Juárez Autónoma de Tabasco.
METODOLOGIA
Tipo de estudio
La presente investigación se desarrolló bajo un enfoque a una investigación cuantitativa, por lo cual me
permite examinar las variables y establecer relaciones entre las jornadas de programación y los efectos
cognitivo-reportados por los estudiantes.
Objetivo General
Analizar el impacto cognitivo, específicamente en términos de ansiedad, capacidad de concentración y
estrés, que generan las jornadas regulares dedicadas a la programación (menos de 4 horas), sesiones
largas (8-12 horas continuas) y jornadas extremas (3 o más días consecutivos) en estudiantes de
ingeniería en sistemas computacionales.
Objetivos específicos
▪ Describir la problemática del estrés y ansiedad en el contexto de actividades en el área de
programación y base de datos en los estudiantes de Ingeniería en Sistemas Computacionales.
▪ Analizar los efectos negativos del estrés generado por programación prolongada en el estado mental
y emocional de los estudiantes, particularmente sus niveles de ansiedad.
▪ Analizar como las jornadas extremas de programación afectan el rendimiento cognitivo de
estudiantes en el área de ingeniería en sistemas computacionales, enfocándose en la capacidad de
concentración.
Hipotesis
Hipótesis de investigación (H1)
Las jornadas extensas de programación de 8 a 12 horas continuas producen un mayor nivel de impacto
cognitivo que las jornadas regulares de menos de 4 horas en estudiantes de Ingeniería En Sistemas
Computacionales de la Universidad Juárez Autónoma De Tabasco.
Hipótesis Nula (H0)
Las jornadas extensas de programación de 8 a 12 horas continuas no producen un nivel de impacto
cognitivo diferente al de las jornadas regulares de menos de 4 horas en estudiantes de Ingeniería en
Sistemas Computacionales de la Universidad Juárez Autónoma de Tabasco.
METODOLOGIA
Tipo de estudio
La presente investigación se desarrolló bajo un enfoque a una investigación cuantitativa, por lo cual me
permite examinar las variables y establecer relaciones entre las jornadas de programación y los efectos
cognitivo-reportados por los estudiantes.
pág. 7030
Población y Muestra
La población del estudio estuvo conformada por 601 estudiantes de la carrera De Ingeniería En Sistemas
Computacionales de la Universidad Juárez Autónoma De Tabasco, distribuido en 109 mujeres y 492
hombres. Para determinar el tamaño de la muestra se utilizó la fórmula para poblaciones finitas con un
nivel de confianza del 95% (Z = 1.96), un margen de error del 5% (e = 0.05) y una proporción esperada
de p = q = 0.5.
Tabla 2. Parámetros para el cálculo del tamaño de la muestra
Símbolo Nombre Valor Explicación
n Tamaño de muestra ?
N Población total 601 Total, de estudiantes ISC
k Nivel de confianza 1.96 Para 95% de confianza
p Probabilidad de éxito 0.5 50%
q Probabilidad de fracaso 0.5 50% (q = 1 - p)
e Margen de error 0.05 5%
Fuente: Elaboración propia en base a Hernández Sampieri, Fernández Collado y Baptista Lucio (2014).
El cálculo del tamaño de la muestra se realizó mediante la siguiente formula:
𝑛 = (𝑍2 𝑥 𝑝 𝑥 𝑞 𝑥 𝑁)/[𝑒2(𝑁 − 1) + 𝑍2 𝑥 𝑝 𝑥 𝑞
Sustituyendo los valores:
𝑛 = (3.8416 𝑥 0.5 𝑥 0.5 𝑥 601/0.0025 𝑥 600 + 0.9604)
𝑛 = 577.2004/2.4604
𝑛 = 234.58 ≈ 235 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠
Por lo tanto, la muestra está conformada por 235 estudiantes de Ingeniería en Sistemas Computacionales
seleccionados mediante un muestreo probabilístico aleatorio simple.
Instrumento De Recolección De Datos
Para la recolección de datos se diseñó un cuestionario estructurado conformado por 16 reactivos
distribuidos en dos secciones (ver Anexo 1):
Sección A: Datos generales (5 reactivos). Esta sección incluye preguntas sobre semestre cursado, sexo,
edad, horas continúas dedicadas a programar en una sola sección durante su estancia en la carrera y
frecuencia de trabajo en proyectos durante 3 o más días consecutivos.
Población y Muestra
La población del estudio estuvo conformada por 601 estudiantes de la carrera De Ingeniería En Sistemas
Computacionales de la Universidad Juárez Autónoma De Tabasco, distribuido en 109 mujeres y 492
hombres. Para determinar el tamaño de la muestra se utilizó la fórmula para poblaciones finitas con un
nivel de confianza del 95% (Z = 1.96), un margen de error del 5% (e = 0.05) y una proporción esperada
de p = q = 0.5.
Tabla 2. Parámetros para el cálculo del tamaño de la muestra
Símbolo Nombre Valor Explicación
n Tamaño de muestra ?
N Población total 601 Total, de estudiantes ISC
k Nivel de confianza 1.96 Para 95% de confianza
p Probabilidad de éxito 0.5 50%
q Probabilidad de fracaso 0.5 50% (q = 1 - p)
e Margen de error 0.05 5%
Fuente: Elaboración propia en base a Hernández Sampieri, Fernández Collado y Baptista Lucio (2014).
El cálculo del tamaño de la muestra se realizó mediante la siguiente formula:
𝑛 = (𝑍2 𝑥 𝑝 𝑥 𝑞 𝑥 𝑁)/[𝑒2(𝑁 − 1) + 𝑍2 𝑥 𝑝 𝑥 𝑞
Sustituyendo los valores:
𝑛 = (3.8416 𝑥 0.5 𝑥 0.5 𝑥 601/0.0025 𝑥 600 + 0.9604)
𝑛 = 577.2004/2.4604
𝑛 = 234.58 ≈ 235 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠
Por lo tanto, la muestra está conformada por 235 estudiantes de Ingeniería en Sistemas Computacionales
seleccionados mediante un muestreo probabilístico aleatorio simple.
Instrumento De Recolección De Datos
Para la recolección de datos se diseñó un cuestionario estructurado conformado por 16 reactivos
distribuidos en dos secciones (ver Anexo 1):
Sección A: Datos generales (5 reactivos). Esta sección incluye preguntas sobre semestre cursado, sexo,
edad, horas continúas dedicadas a programar en una sola sección durante su estancia en la carrera y
frecuencia de trabajo en proyectos durante 3 o más días consecutivos.
pág. 7031
Sección B: Impacto cognitivo durante la programación (11 reactivos). Esta sección evalúa mediante
escala tipo Likert de 5 puntos (1 = Nunca, 2 = Casi nunca, 3 = Algunas veces, 4 = Casi siempre, 5 =
Siempre) diversos aspectos cognitivos y emocionales: memoria de trabajo, concentración, fatiga mental
y física, estado emocional y una pregunta abierta sobre experiencias posteriores a jornadas largas.
El cuestionario fue diseñado específicamente para evaluar las dimensiones cognitivas relevantes al
contexto de la programación prolongada, considerando tanto aspectos cuantitativos (escala Likert)
como cualitativo (pregunta abierta al final).
Procedimiento
La aplicación del cuestionario se realizó de manera digital mediante formulario en línea, distribuido
entre los estudiantes de Ingeniería en Sistemas Computacionales de la UJAT. Una vez obtenidos los
235 respuestas, los datos fueron sometidos a un análisis estadístico descriptivo para caracterizar a la
población de estudio, e inferencial para identificar patrones y relaciones entre las variables analizadas.
El estudio se apoya en un script desarrollado en Python que automatiza el analisis del impacto cognitivo
del uso prolongado de la programación. Primero, se configura el entorno de trabajo, definiendo
parámetros globales como la escala Likert (con punto neutral μ=3), el nivel de significancia (α=0.05) y
el valor crítico z=1.96, además de una función que convierte las respuestas textuales del cuestionario
en valores numéricos del 1 al 5. Segundo, se preprocesan los datos: se cargan los registros desde Excel,
se identifican las variables clave (semestre, sexo, edad, hábitos de programación y los nueve reactivos
de impacto cognitivo) y se calcula un índice promedio por estudiante.
En la tercera etapa se generan estadísticos descriptivos media, desviación estándar, mínimos y máximos
de cada reactivo, identificando el síntoma cognitivo más pronunciado y comparando el promedio
general con el punto neutral de referencia. La cuarta etapa traza el perfil sociodemográfico de la muestra
(semestre, sexo, edad y hábitos de programación), aportando contexto para interpretar los resultados.
El componente inferencial se concentra en la quinta etapa, donde se aplica una prueba z de una muestra
para contrastar la hipótesis nula (H0) entre dos grupos; jornadas regulares (menos de 4 horas) y jornadas
extensas (8 a 12 horas) determinando si existen diferencias estadísticamente significativas en el nivel
de afectación cognitiva.
Sección B: Impacto cognitivo durante la programación (11 reactivos). Esta sección evalúa mediante
escala tipo Likert de 5 puntos (1 = Nunca, 2 = Casi nunca, 3 = Algunas veces, 4 = Casi siempre, 5 =
Siempre) diversos aspectos cognitivos y emocionales: memoria de trabajo, concentración, fatiga mental
y física, estado emocional y una pregunta abierta sobre experiencias posteriores a jornadas largas.
El cuestionario fue diseñado específicamente para evaluar las dimensiones cognitivas relevantes al
contexto de la programación prolongada, considerando tanto aspectos cuantitativos (escala Likert)
como cualitativo (pregunta abierta al final).
Procedimiento
La aplicación del cuestionario se realizó de manera digital mediante formulario en línea, distribuido
entre los estudiantes de Ingeniería en Sistemas Computacionales de la UJAT. Una vez obtenidos los
235 respuestas, los datos fueron sometidos a un análisis estadístico descriptivo para caracterizar a la
población de estudio, e inferencial para identificar patrones y relaciones entre las variables analizadas.
El estudio se apoya en un script desarrollado en Python que automatiza el analisis del impacto cognitivo
del uso prolongado de la programación. Primero, se configura el entorno de trabajo, definiendo
parámetros globales como la escala Likert (con punto neutral μ=3), el nivel de significancia (α=0.05) y
el valor crítico z=1.96, además de una función que convierte las respuestas textuales del cuestionario
en valores numéricos del 1 al 5. Segundo, se preprocesan los datos: se cargan los registros desde Excel,
se identifican las variables clave (semestre, sexo, edad, hábitos de programación y los nueve reactivos
de impacto cognitivo) y se calcula un índice promedio por estudiante.
En la tercera etapa se generan estadísticos descriptivos media, desviación estándar, mínimos y máximos
de cada reactivo, identificando el síntoma cognitivo más pronunciado y comparando el promedio
general con el punto neutral de referencia. La cuarta etapa traza el perfil sociodemográfico de la muestra
(semestre, sexo, edad y hábitos de programación), aportando contexto para interpretar los resultados.
El componente inferencial se concentra en la quinta etapa, donde se aplica una prueba z de una muestra
para contrastar la hipótesis nula (H0) entre dos grupos; jornadas regulares (menos de 4 horas) y jornadas
extensas (8 a 12 horas) determinando si existen diferencias estadísticamente significativas en el nivel
de afectación cognitiva.
pág. 7032
Finalmente, la sexta etapa produce visualizaciones automáticas (gráficos de barras, circulares y la curva
normal con las zonas de rechazo) que sintetizan y comunican los hallazgos del estudio.
RESULTADOS Y DISCUSIÓN
Características sociodemográficas y hábitos de programación
Figura 1
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
La distribución de los 235 estudiantes por sexo, edad y semestre se muestra en la Figuras 1,2 y 3. La
muestra estuvo conformada principalmente por hombres (65.5%) y estudiantes en el rango de 21 a 23
años (55.7%), con mayor representación en semestres avanzados (8° y 9° o superior).
Figura 2
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
Finalmente, la sexta etapa produce visualizaciones automáticas (gráficos de barras, circulares y la curva
normal con las zonas de rechazo) que sintetizan y comunican los hallazgos del estudio.
RESULTADOS Y DISCUSIÓN
Características sociodemográficas y hábitos de programación
Figura 1
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
La distribución de los 235 estudiantes por sexo, edad y semestre se muestra en la Figuras 1,2 y 3. La
muestra estuvo conformada principalmente por hombres (65.5%) y estudiantes en el rango de 21 a 23
años (55.7%), con mayor representación en semestres avanzados (8° y 9° o superior).
Figura 2
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
pág. 7033
Figura 3
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
En cuanto a los hábitos de programación, las Figuras 4 y 5 muestran la distribución de horas por sesión
y la frecuencia de jornadas extremas. Destaca que la mayoría programa entre 2 y 4 horas por sesión
(33.6%), y que el 80.4% ha trabajado 3 o más días consecutivos en algún proyecto a lo largo de su
carrera.
Figura 4
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
Figura 3
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
En cuanto a los hábitos de programación, las Figuras 4 y 5 muestran la distribución de horas por sesión
y la frecuencia de jornadas extremas. Destaca que la mayoría programa entre 2 y 4 horas por sesión
(33.6%), y que el 80.4% ha trabajado 3 o más días consecutivos en algún proyecto a lo largo de su
carrera.
Figura 4
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
pág. 7034
Figura 5
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
Comprobación de hipótesis
Para verificar la hipótesis de investigación se aplicó una prueba Z para una muestra, tomando como
valor de contraste la media teórica neutra de la escala Likert (μ₀ = 3). Se evaluaron dos grupos: jornada
regular (n = 132, menos de 4 horas por sesión) y jornada extensa (n = 40, de 8 a 12 horas continuas),
con un nivel significativo α = 0.05 (Z critico = ±1.96).
Para la jornada regular la media observada fue X̄ = 2.99 (σ = 0.77), obteniendo Z = -0.10. Como |Z| =
0.10≤1.96, no se rechaza H0: las jornadas regulares no generan un impacto cognitivo estadísticamente
diferente al punto neutro de la escala.
Figura 6
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
Figura 5
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
Comprobación de hipótesis
Para verificar la hipótesis de investigación se aplicó una prueba Z para una muestra, tomando como
valor de contraste la media teórica neutra de la escala Likert (μ₀ = 3). Se evaluaron dos grupos: jornada
regular (n = 132, menos de 4 horas por sesión) y jornada extensa (n = 40, de 8 a 12 horas continuas),
con un nivel significativo α = 0.05 (Z critico = ±1.96).
Para la jornada regular la media observada fue X̄ = 2.99 (σ = 0.77), obteniendo Z = -0.10. Como |Z| =
0.10≤1.96, no se rechaza H0: las jornadas regulares no generan un impacto cognitivo estadísticamente
diferente al punto neutro de la escala.
Figura 6
Fuente: Elaboración propia mediante Python para el procesamiento, análisis y visualización de datos (2026).
pág. 7035
Para las jornadas extensas, la media observada fue X̄ = 3.69 (σ = 0.96), obteniendo Z = 4.53. Dado que
|Z| = 4.53 > 1.96, se rechaza H0: los estudiantes con jornadas de 8-12 horas continuas reportan un
impacto cognitivo significativamente mayor, lo que respalda la hipótesis de investigación (H1). La
figura 6 muestra visualmente ambos resultados respecto a las zonas críticas.
Los hallazgos indican que programar durante 8 horas continuas o más sí produce efectos cognitivos en
estudiantes de ISC de la UJAT, mientras que las jornadas regulares de menos de 4 horas no alcanzan
ese valor de referencia de impacto. Estos resultados son consistentes con la Teoría de la Carga Cognitiva
(Andrade-Lotero, 2012) y con lo reportado por Arévalo-Mercado et al. (2019), quienes documentan que
la sobrecarga cognitiva se intensifica conforme se prolonga la exposicion a tareas de programación, así
como la evidencia de Silva-Ramos et al.(2020) e Infantas y Heredia (2023) sobre la prevalencia del
estrés académico moderado a severo en poblaciones universitarias.
CONCLUSIÓN
El presente estudio demostró que las jornadas extensas de programación de 8 a 12 horas continuas si
producen un impacto cognitivo estadísticamente en los estudiantes de Ingeniería en Sistemas
Computacionales de la Universidad Juárez Autónoma de Tabasco. La prueba Z confirmo la hipótesis
de investigación (H1) con Z = 4.53 > 1.96, mientras que las jornadas regulares no alcanzaron el valor
de referencia (Z = -0.10). Esto indica que existe un punto de quiebre a partir de las 8 horas continuas en
el que la programación deja de ser productiva y se convierte en una carga cognitiva, lo cual tiene
implicaciones directas para la forma en que se diseñan y evalúan los proyectos de asignaturas dentro de
los programas de Ingeniería en Sistemas Computacionales.
Asimismo, la alta prevalencia de estudiantes que han trabajado en jornadas de varios dias consecutivos
indican que no se trata de casos aislados, sino de una práctica común dentro de la formación en ISC,
desde el punto de vista práctico, estos hallazgos sugieren la necesidad de promover estrategias de
gestión de tiempo en los planes de estudio de ISC, como el establecimiento de límites de sesión, técnicas
de descanso activo y sensibilización a estudiantes y docentes sobre los efectos reales de la fatiga
cognitiva.
Para las jornadas extensas, la media observada fue X̄ = 3.69 (σ = 0.96), obteniendo Z = 4.53. Dado que
|Z| = 4.53 > 1.96, se rechaza H0: los estudiantes con jornadas de 8-12 horas continuas reportan un
impacto cognitivo significativamente mayor, lo que respalda la hipótesis de investigación (H1). La
figura 6 muestra visualmente ambos resultados respecto a las zonas críticas.
Los hallazgos indican que programar durante 8 horas continuas o más sí produce efectos cognitivos en
estudiantes de ISC de la UJAT, mientras que las jornadas regulares de menos de 4 horas no alcanzan
ese valor de referencia de impacto. Estos resultados son consistentes con la Teoría de la Carga Cognitiva
(Andrade-Lotero, 2012) y con lo reportado por Arévalo-Mercado et al. (2019), quienes documentan que
la sobrecarga cognitiva se intensifica conforme se prolonga la exposicion a tareas de programación, así
como la evidencia de Silva-Ramos et al.(2020) e Infantas y Heredia (2023) sobre la prevalencia del
estrés académico moderado a severo en poblaciones universitarias.
CONCLUSIÓN
El presente estudio demostró que las jornadas extensas de programación de 8 a 12 horas continuas si
producen un impacto cognitivo estadísticamente en los estudiantes de Ingeniería en Sistemas
Computacionales de la Universidad Juárez Autónoma de Tabasco. La prueba Z confirmo la hipótesis
de investigación (H1) con Z = 4.53 > 1.96, mientras que las jornadas regulares no alcanzaron el valor
de referencia (Z = -0.10). Esto indica que existe un punto de quiebre a partir de las 8 horas continuas en
el que la programación deja de ser productiva y se convierte en una carga cognitiva, lo cual tiene
implicaciones directas para la forma en que se diseñan y evalúan los proyectos de asignaturas dentro de
los programas de Ingeniería en Sistemas Computacionales.
Asimismo, la alta prevalencia de estudiantes que han trabajado en jornadas de varios dias consecutivos
indican que no se trata de casos aislados, sino de una práctica común dentro de la formación en ISC,
desde el punto de vista práctico, estos hallazgos sugieren la necesidad de promover estrategias de
gestión de tiempo en los planes de estudio de ISC, como el establecimiento de límites de sesión, técnicas
de descanso activo y sensibilización a estudiantes y docentes sobre los efectos reales de la fatiga
cognitiva.
pág. 7036
REFERENCIAS BIBLIOGRAFICAS
Alfonso Águila, B., Calcines Castillo, M., Monteagudo de la Guardia, R., & Nieves Achon, Z. (2015).
Estrés académico. Edumecentro, 7(2), 163-178.
Andrade-Lotero, L. A. (2012). Teoria de la carga cognitiva, diseno multimedia y aprendizaje: un estado
del arte. Magis, Revista Internacional de Investigacion en Educacion, 5(10), 75-92. Recuperado
de https://www.redalyc.org/pdf/2810/281024896005.pdf
Arevalo-Mercado, C. A.; Estrada-Renteria, B. G.; Munoz-Andrade, E. L. (2019). El efecto de la teoria
de carga cognitiva en el aprendizaje de la programacion basica. Entorno, (67), 169-176.
Recuperado de https://biblioteca2.utec.edu.sv/entorno/index.php/entorno/article/view/585
Avalos Guijarro , A. de L. Ángeles. (2024). Impacto del estrés estudiantil en el rendimiento académico
y el bienestar emocional. Dominio De Las Ciencias, 10(2), 784–794.
https://doi.org/10.23857/dc.v10i2.3831
Barraza-Macias, A. (2008). El estres academico en alumnos de Educacion Media
Superior. Investigacion Educativa Duranguense, 7, 48-65.
Benjamin, J. (1992). El Estrés. Publicaciones Cruz O., SA.
Berrío García, Nathaly, & Mazo Zea, Rodrigo. (2011). Estrés Académico. Revista de Psicología
Universidad de Antioquia, 3(2), 65-82. Recuperado em 28 de julho de 2026, de
http://pepsic.bvsalud.org/scielo.php?script=sci_arttext&pid=S2145-
48922011000200006&lng=pt&tlng=es.Bértola ,
D. (2010). Hans Selye y sus ratas estresadas. Medicina universitaria, 12(47), 142-143.
Boehm, B. W.; et al. (2000). Software cost estimation with COCOMO II. Prentice Hall.
Caballero, E.; Calvo-Manzano, J. A.; Cuevas, G.; San Feliu, T. (2009). Analisis de la calidad y
productividad en el desarrollo de un proyecto software en una microempresa con TSPi. REICIS.
Revista Espanola de Innovacion, Calidad e Ingenieria del Software, 5(2), 28-37. Recuperado de
https://www.redalyc.org/pdf/922/92217153005.pdf
Chango-Infante, E. J.; Altamirano-Sanchez, C. D.; Silva-Jimenez, V.; Llerena-Aguirre, L. A. (2025).
El estres academico en estudiantes universitarios. RICEd: Revista de Investigacion en Ciencias
de la Educacion, 3(6), 54-62.
REFERENCIAS BIBLIOGRAFICAS
Alfonso Águila, B., Calcines Castillo, M., Monteagudo de la Guardia, R., & Nieves Achon, Z. (2015).
Estrés académico. Edumecentro, 7(2), 163-178.
Andrade-Lotero, L. A. (2012). Teoria de la carga cognitiva, diseno multimedia y aprendizaje: un estado
del arte. Magis, Revista Internacional de Investigacion en Educacion, 5(10), 75-92. Recuperado
de https://www.redalyc.org/pdf/2810/281024896005.pdf
Arevalo-Mercado, C. A.; Estrada-Renteria, B. G.; Munoz-Andrade, E. L. (2019). El efecto de la teoria
de carga cognitiva en el aprendizaje de la programacion basica. Entorno, (67), 169-176.
Recuperado de https://biblioteca2.utec.edu.sv/entorno/index.php/entorno/article/view/585
Avalos Guijarro , A. de L. Ángeles. (2024). Impacto del estrés estudiantil en el rendimiento académico
y el bienestar emocional. Dominio De Las Ciencias, 10(2), 784–794.
https://doi.org/10.23857/dc.v10i2.3831
Barraza-Macias, A. (2008). El estres academico en alumnos de Educacion Media
Superior. Investigacion Educativa Duranguense, 7, 48-65.
Benjamin, J. (1992). El Estrés. Publicaciones Cruz O., SA.
Berrío García, Nathaly, & Mazo Zea, Rodrigo. (2011). Estrés Académico. Revista de Psicología
Universidad de Antioquia, 3(2), 65-82. Recuperado em 28 de julho de 2026, de
http://pepsic.bvsalud.org/scielo.php?script=sci_arttext&pid=S2145-
48922011000200006&lng=pt&tlng=es.Bértola ,
D. (2010). Hans Selye y sus ratas estresadas. Medicina universitaria, 12(47), 142-143.
Boehm, B. W.; et al. (2000). Software cost estimation with COCOMO II. Prentice Hall.
Caballero, E.; Calvo-Manzano, J. A.; Cuevas, G.; San Feliu, T. (2009). Analisis de la calidad y
productividad en el desarrollo de un proyecto software en una microempresa con TSPi. REICIS.
Revista Espanola de Innovacion, Calidad e Ingenieria del Software, 5(2), 28-37. Recuperado de
https://www.redalyc.org/pdf/922/92217153005.pdf
Chango-Infante, E. J.; Altamirano-Sanchez, C. D.; Silva-Jimenez, V.; Llerena-Aguirre, L. A. (2025).
El estres academico en estudiantes universitarios. RICEd: Revista de Investigacion en Ciencias
de la Educacion, 3(6), 54-62.
pág. 7037
Databricks. (2024). ¿Qué es Jupyter Notebook? https://www.databricks.com/es/blog/what-is-jupyter-
notebook
Gomez, O. S. (2020). La ensenanza de la programacion mediante software educativo especializado y
los agentes conversacionales. Revista Electronica de Computacion, Informatica, Biomedica y
Electronica, 9(1), 1-20. Recuperado de
https://www.redalyc.org/journal/7301/730178910009/html/
Gómez, O. S., Aguileta, A. A., Gómez, G. E., & Aguilar, R. A. (2014). Estudio del Proceso Software
Personal (PSP) en un entorno académico. ReCIBE. Revista electrónica de Computación,
Informática, Biomédica y Electrónica, (2).
Infantas Vela, S. M., & Heredia Gonzales, F. (2023). Estrés académico y el rendimiento académico de
los estudiantes de un instituto de educación. Revista Veritas et SCIENTIA - UPT, 12(01).
https://doi.org/10.47796/ves.v12i01.774
Jimenez-Toledo, J. A.; et al. (2019). La programacion de computadoras en la educacion. Revista Digital
de Investigacion en Docencia Universitaria, 13(2), 1-15.
Lopez-Fernandez, D.; Piattini, M.; Ruiz, F. (2019). Analisis comparativo de la complejidad cognitiva
de la gestion de proyecto en el desarrollo de software. ReCIBE. Revista electronica de
Computacion, Informatica, Biomedica y Electronica, 8(1), 1-16. Recuperado de
https://www.redalyc.org/journal/5122/512259512008/html/
Marcial Velasteguí, P. (2023). El Estrés. Impacto en la Salud. Universidad Espíritu
Maturana, H. A., & Vargas, S. A. (2015). El estrés escolar. Revista Médica Clínica Las Condes, 26(1),
34–41. https://doi.org/10.1016/j.rmclc.2015.02.003
Oliveti, S. A. (2010). Licenciatura en Psicología.
Orrego, S., Morales, H. I., & Medina, C. J. (2023). Impacto del estrés en el rendimiento
académico de los estudiantes universitarios. Hacedor 7(2), 120-132 DOI:
https://revistas.uss.edu.pe/index.php/HACEDOR/article/download/2525/3038/11330.
Pereira, M. L. N. (2009). Una revision teorica sobre el estres y algunos aspectos relevantes de este en
el ambito educativo. Revista educacion, 171-190.
Databricks. (2024). ¿Qué es Jupyter Notebook? https://www.databricks.com/es/blog/what-is-jupyter-
notebook
Gomez, O. S. (2020). La ensenanza de la programacion mediante software educativo especializado y
los agentes conversacionales. Revista Electronica de Computacion, Informatica, Biomedica y
Electronica, 9(1), 1-20. Recuperado de
https://www.redalyc.org/journal/7301/730178910009/html/
Gómez, O. S., Aguileta, A. A., Gómez, G. E., & Aguilar, R. A. (2014). Estudio del Proceso Software
Personal (PSP) en un entorno académico. ReCIBE. Revista electrónica de Computación,
Informática, Biomédica y Electrónica, (2).
Infantas Vela, S. M., & Heredia Gonzales, F. (2023). Estrés académico y el rendimiento académico de
los estudiantes de un instituto de educación. Revista Veritas et SCIENTIA - UPT, 12(01).
https://doi.org/10.47796/ves.v12i01.774
Jimenez-Toledo, J. A.; et al. (2019). La programacion de computadoras en la educacion. Revista Digital
de Investigacion en Docencia Universitaria, 13(2), 1-15.
Lopez-Fernandez, D.; Piattini, M.; Ruiz, F. (2019). Analisis comparativo de la complejidad cognitiva
de la gestion de proyecto en el desarrollo de software. ReCIBE. Revista electronica de
Computacion, Informatica, Biomedica y Electronica, 8(1), 1-16. Recuperado de
https://www.redalyc.org/journal/5122/512259512008/html/
Marcial Velasteguí, P. (2023). El Estrés. Impacto en la Salud. Universidad Espíritu
Maturana, H. A., & Vargas, S. A. (2015). El estrés escolar. Revista Médica Clínica Las Condes, 26(1),
34–41. https://doi.org/10.1016/j.rmclc.2015.02.003
Oliveti, S. A. (2010). Licenciatura en Psicología.
Orrego, S., Morales, H. I., & Medina, C. J. (2023). Impacto del estrés en el rendimiento
académico de los estudiantes universitarios. Hacedor 7(2), 120-132 DOI:
https://revistas.uss.edu.pe/index.php/HACEDOR/article/download/2525/3038/11330.
Pereira, M. L. N. (2009). Una revision teorica sobre el estres y algunos aspectos relevantes de este en
el ambito educativo. Revista educacion, 171-190.
pág. 7038
Ramos-Quispe, T., Arias-Chavez, D., Salvatierra, W. V., & Castillo, N. A. V. (2022). Bibliometric
analysis of the world scientific production on emotional intelligence (2000-2021). International
Journal of Health Sciences, (II), 13115-13132.
Rodriguez Rivas, J. G., & Rodríguez Castillo, S. (2022). Uso de Python para el análisis de datos
aplicado en la investigación . Investigación Y Ciencia Aplicada a La Ingeniería, 5(34), 33–40.
Recuperado a partir de https://www.ojsincaing.com.mx/index.php/ediciones/article/view/188
Romero-Romero, E., Ortega-Gómez, E., Mejía, A., & Salado-Castillo, R. (2023). Relación estrés
académico, inteligencia emocional y conducta alimentaria en estudiantes
universitarios. Investigación Y Pensamiento Crítico, 11(2), 28–32.
https://doi.org/10.37387/ipc.v11i2.347
Salazar, G. B. (2009). Medicion, estimacion y planificacion de proyectos de software en ambientes
academicos. Ingenieria y Ciencia, 5(9), 123-143. Recuperado de
https://www.redalyc.org/pdf/835/83512213006.pdf
Sánchez-García, J. E., Urías-Ruiz, M., & Gutiérrez-Herrera, B. E. (2015). ANÁLISIS DE LOS
problemas de aprendizaje de la programación orientada a objetos. Ra Ximhai, 11(4), 289-304.
Silva-Ramos, M. F.; et al. (2020). Estres académico en estudiantes universitarios. Investigación y
Ciencia, 28(79), 75-83.
Torres, C. D. G.; Sanchez, E. E. T.; Valerio, Y. O.; Galindo, D. P. E. (2025). Como afecta el estres
academico en la salud mental y en el rendimiento academico de los universitarios. Revista
Cientifica de Salud y Desarrollo Humano, 6(2), 1824-1836.
Trunce, S.; Villarroel, G.; Arntz, J.; Munoz, S.; Werner, K. (2020). Niveles de depresion, ansiedad,
estres y su relacion con el rendimiento académico en estudiantes universitarios. Investigacion en
Educacion Medica, 9(36), 8-16.
Zapo, S. T. O., Huamán, H. I. M., & Valderrama, C. J. M. (2023). Impacto del estrés en el rendimiento
académico de los estudiantes universitarios. Hacedor-AIAPÆC, 7(2), 120-132.
Ramos-Quispe, T., Arias-Chavez, D., Salvatierra, W. V., & Castillo, N. A. V. (2022). Bibliometric
analysis of the world scientific production on emotional intelligence (2000-2021). International
Journal of Health Sciences, (II), 13115-13132.
Rodriguez Rivas, J. G., & Rodríguez Castillo, S. (2022). Uso de Python para el análisis de datos
aplicado en la investigación . Investigación Y Ciencia Aplicada a La Ingeniería, 5(34), 33–40.
Recuperado a partir de https://www.ojsincaing.com.mx/index.php/ediciones/article/view/188
Romero-Romero, E., Ortega-Gómez, E., Mejía, A., & Salado-Castillo, R. (2023). Relación estrés
académico, inteligencia emocional y conducta alimentaria en estudiantes
universitarios. Investigación Y Pensamiento Crítico, 11(2), 28–32.
https://doi.org/10.37387/ipc.v11i2.347
Salazar, G. B. (2009). Medicion, estimacion y planificacion de proyectos de software en ambientes
academicos. Ingenieria y Ciencia, 5(9), 123-143. Recuperado de
https://www.redalyc.org/pdf/835/83512213006.pdf
Sánchez-García, J. E., Urías-Ruiz, M., & Gutiérrez-Herrera, B. E. (2015). ANÁLISIS DE LOS
problemas de aprendizaje de la programación orientada a objetos. Ra Ximhai, 11(4), 289-304.
Silva-Ramos, M. F.; et al. (2020). Estres académico en estudiantes universitarios. Investigación y
Ciencia, 28(79), 75-83.
Torres, C. D. G.; Sanchez, E. E. T.; Valerio, Y. O.; Galindo, D. P. E. (2025). Como afecta el estres
academico en la salud mental y en el rendimiento academico de los universitarios. Revista
Cientifica de Salud y Desarrollo Humano, 6(2), 1824-1836.
Trunce, S.; Villarroel, G.; Arntz, J.; Munoz, S.; Werner, K. (2020). Niveles de depresion, ansiedad,
estres y su relacion con el rendimiento académico en estudiantes universitarios. Investigacion en
Educacion Medica, 9(36), 8-16.
Zapo, S. T. O., Huamán, H. I. M., & Valderrama, C. J. M. (2023). Impacto del estrés en el rendimiento
académico de los estudiantes universitarios. Hacedor-AIAPÆC, 7(2), 120-132.