ASISTENTES VIRTUALES PARA LA ENSEÑANZA
DE PROGRAMACIÓN EN ESTUDIANTES DE
INGENIERÍA DE SISTEMAS E INFORMÁTICA

VIRTUAL ASSISTANTS FOR PROGRAMMING EDUCATION

IN SYSTEMS AND INFORMATICS ENGINEERING

STUDENTS.

Carlos Eugenio Vega Moreno

Universidad Nacional del Santa

Hugo Esteban Caselli Gismondi

Universidad Nacional del Santa

Lizbeth Dora Briones Pereyra

Universidad Nacional del Santa
pág. 237
D
OI: https://doi.org/10.37811/cl_rcm.v10i5.25869
Asistentes virtuales para la enseñanza de programación en estudiantes de
Ingeniería de Sistemas e Informática

Carlos Eugenio Vega Moreno
1
cvega@u
ns.edu.pe
https://orcid.org/0000-0003-2955-0674

Universidad Nacional del Santa

Perú

Hugo Esteban Caselli Gismondi

hcasellig@u
ns.edu.pe
https://orcid.org/0000-0002-2812-6727

Universidad Nacional del Santa

Perú

Lizbeth Dora Briones Pereyra

lbriones@u
ns.edu.pe
https://orcid.org/0000-0003-0626-7227

Universidad Nacional del Santa

Perú

RESUMEN

La enseñanza de la Programación Orientada a Objetos (POO) en ingeniería presenta desafíos
pedagógicos debido a la alta complejidad de conceptos como herencia, encapsulamiento y
polimorfismo. Esta investigación tuvo como objetivo evaluar el impacto de los asistentes virtuales
generativos (GitHub Copilot) en el rendimiento académico, la calidad del código y la percepción
estudiantil. Se aplicó un diseño cuasiexperimental de enfoque cuantitativo con una muestra de 54
estudiantes de la Escuela Profesional de Ingeniería de Sistemas e Informática (EPISI), divididos en un
grupo control (N = 27) y un experimental (N = 27). Los instrumentos incluyeron pruebas de desempeño
práctico y un cuestionario psicométrico de percepción validado (α = 0.85). Los resultados evidencian
una mejora estadísticamente significativa en el rendimiento del grupo experimental (M = 16.30) frente
al control (M = 13.22) (t = 9.45, p < 0.001), así como una reducción en la dispersión de las calificaciones,
operando la IA como un ecualizador de competencias. Aunque el 74% de los estudiantes reportó alta
satisfacción, no se halló una correlación significativa (r = 0.277, p > 0.05) entre la destreza en Prompt
Engineering y la calificación final. Se concluye que la IA generativa actúa como un andamiaje cognitivo
eficaz bajo la zona de desarrollo próximo, aunque requiere una instrucción docente formal para evitar
la dependencia sintáctica.

Palabras clave: Inteligencia Artificial Generativa; Programación Orientada a Objetos; Andamiaje
Cognitivo; Calidad del Código; Ingeniería de Prompts

1
Autor principal.
Correspondencia:
cvega@uns.edu.pe
pág. 238
Virtual assistants for programming education in Systems and Informatics

Engineering students
.
ABSTRACT

Teaching Object
-Oriented Programming (OOP) in engineering presents pedagogical challenges due to
the high complexity of concepts such as inheritance, encapsulation, and polymorphism. This research

aimed to evaluate the impact of generative virtual assistan
ts (GitHub Copilot) on academic performance,
code quality, and student perception. A quantitative quasi
-experimental design was applied with a
sample of 54 students from the Professional School of Systems and Informatics Engineering (EPISI),

divided into a
control group (N = 27) and an experimental group (N = 27). Instruments included practical
performance tests and a validated psychometric perception questionnaire (α = 0.85). Results show a
statistically significant improvement in the performance of the experimental group (M = 16.30)
compared to the control group (M = 13.22) (t = 9.45, p < 0.001), as well as a reduction in grade
dispersion, with AI acting as a competency equalizer.
Although 74% of students reported high
satisfaction, no significant correlation (r = 0.277, p > 0.05) was found between Prompt Engineering

proficiency and the final grade. It is concluded that generative AI acts as an effective cognitive

scaffolding under
the zone of proximal development, although it requires formal instructional guidance
to prevent syntactic dependency.

Keywords
: Generative Artificial Intelligence; Object-Oriented Programming; Cognitive Scaffolding;
Code Quality; Prompt Engineering

Artículo recibido 06 septiembre 2026

Aceptado para publicación: 07 octubre 2026
pág. 239
INTRODUCCIÓN

La enseñanza de la programación representa hoy uno de los pilares fundamentales en la formación de
ingenieros; sin embargo, esta disciplina presenta desafíos significativos debido a la alta complejidad de
sus conceptos abstractos y la constante necesidad de práctica técnica. En el contexto de la Escuela
Profesional de Ingeniería de Sistemas e Informática (EPISI) de la Universidad Nacional del Santa, se ha
observado que los estudiantes requieren con frecuencia de una asistencia personalizada para la
resolución de errores y el desarrollo de lógica algorítmica, un apoyo que, en el modelo de aula
tradicional, resulta insuficiente o de difícil acceso.

Frente a esta problemática, la Inteligencia Artificial (IA) generativa ha irrumpido como una oportunidad
disruptiva. Estudios previos, como los de Rodríguez Esquíroz (2024), Pérez et al. (2020) y García-
Peñalvo (2021), han demostrado que los asistentes virtuales son recursos capaces de proporcionar apoyo
personalizado en tiempo real, optimizar la práctica docente y fomentar nuevas dinámicas de aprendizaje.
No obstante, su aplicación específica en el proceso de enseñanza-aprendizaje de la programación aún
requiere de una exploración rigurosa que valide su efectividad pedagógica y técnica.

En este contexto, si bien la literatura reciente ha documentado extensamente los beneficios generales de
los Modelos de Lenguaje Grande (LLM) en la resolución de algoritmos secuenciales básicos y la
depuración rápida (Becker et al., 2023), existe un notable vacío empírico respecto a la adopción de
asistentes de codificación integrados (como GitHub Copilot) orientados a paradigmas de alta abstracción
como la Programación Orientada a Objetos (POO). Más críticamente, los estudios actuales en la
intersección de AIED (Inteligencia Artificial en Educación) aún no han resuelto la tensión entre la
generación automática de código y el riesgo de la "ilusión de competencia" en estudiantes novatos (Chen
et al., 2024). Investigaciones preliminares advierten sobre una excesiva dependencia tecnológica
(Prather et al., 2023), donde la obtención de una sintaxis funcional autogenerada enmascara la falta de
asimilación cognitiva de conceptos complejos como el encapsulamiento y el polimorfismo. Asimismo,
aunque se reconoce el valor del andamiaje cognitivo automatizado (Kazemitabaar et al., 2023), se carece
de evidencia concluyente sobre cómo la destreza del estudiante en la formulación de instrucciones
(Prompt Engineering) actúa como variable moderadora para mitigar esta dependencia y promover un
aprendizaje autorregulado en el diseño de software.
pág. 240
Esta investigación surge para dar respuesta a la siguiente pregunta: ¿Cómo influyen los asistentes
virtuales en el aprendizaje del curso de Programación de los estudiantes de la EPISI de la Universidad
Nacional del Santa? La importancia de este estudio radica en la creciente necesidad del mercado laboral
por profesionales con competencias tecnológicas avanzadas. La investigación se justifica socialmente
por su potencial para democratizar el acceso a recursos educativos de calidad; técnicamente, por su
capacidad de ofrecer retroalimentación inmediata en la depuración de código; económicamente, por la
optimización de recursos en la gestión educativa; y metodológicamente, al proponer un diseño
cuantitativo cuasiexperimental que articula el análisis del rendimiento académico con la evaluación
psicométrica de la percepción y adopción tecnológica del estudiante.

Para alcanzar el propósito central de esta investigación, se ha definido como objetivo general: Evaluar
el impacto de los asistentes virtuales en el aprendizaje del curso de Programación de los estudiantes de
la EPISI. Este objetivo se desglosa en los siguientes específicos: 1) Analizar la mejora en el rendimiento
académico de los estudiantes que utilizan asistentes virtuales. 2) Evaluar la satisfacción y percepción de
los estudiantes respecto al uso de estas herramientas. 3) Identificar las funcionalidades de los asistentes
virtuales que resultan más útiles durante el proceso de aprendizaje. 4) Analizar la relación entre la
calidad de la ingeniería de prompts (iteración con la IA) y el rendimiento académico en el grupo
experimental. 5) Evaluar el impacto de los asistentes virtuales en la calidad específica del código
desarrollado en Programación Orientada a Objetos (abstracción, encapsulamiento y polimorfismo).

Con el fin de cumplir con estos propósitos, se formula la hipótesis de investigación de que los estudiantes
de la Escuela Profesional de Ingeniería de Sistemas e Informática (EPISI) de la Universidad Nacional
del Santa que utilizan el asistente virtual GitHub Copilot en el curso de Programación muestran una
mejora estadísticamente significativa en su rendimiento académico final, en comparación con el grupo
control que sigue una metodología tradicional sin mediación de Inteligencia Artificial.

A nivel de marco teórico, la teoría del aprendizaje constructivista sostiene que los estudiantes construyen
activamente su conocimiento a través de la interacción con el entorno y la resolución de problemas
(Anderson, 2013). En entornos digitales, el diseño de estas actividades requiere estructurar experiencias
de aprendizaje auténticas que estimulen la autonomía del estudiante (Zualkernan, 2006). Por otro lado,
los sistemas de tutoría inteligente (ITS) utilizan algoritmos de IA para adaptar el contenido educativo a
pág. 241
las necesidades individuales de los estudiantes (Brusilovsky & Millán, 2007). El desarrollo de estos
sistemas representa una oportunidad emergente para reducir las brechas educativas en regiones en
desarrollo (Nye, 2015). Los asistentes virtuales pueden ofrecer tutorías personalizadas, ayudando a los
estudiantes a superar obstáculos específicos (Chen & Duh, 2008), analizando su progreso y ajustando
las lecciones en consecuencia (Dillenbourg et al., 2009). Asimismo, actúan como mediadores en el
proceso de enseñanza-aprendizaje, simulando la interacción social que, según Vygotsky (1978),
enriquece la adquisición del conocimiento (Cariaga, 2020).

A nivel del marco conceptual, la Ingeniería de Prompts (Prompt Engineering) se define como el proceso
sistemático de diseño y refinamiento continuo de las instrucciones enviadas a un LLM para asegurar
que las respuestas estén pedagógicamente alineadas con las metas del curso de POO (García-Peñalvo,
2021). El Aprendizaje Adaptativo representa la capacidad del entorno digital para ajustar el contenido
y el soporte basándose en el desempeño, promoviendo el aprendizaje autorregulado del estudiante
(Shute & Zapata-Rivera, 2012; Zimmerman, 2002). La Retroalimentación Adaptativa proporciona pistas
lógicas y andamiajes intermedios en lugar de la solución final, evitando la dependencia pasiva
(Koedinger & Corbett, 2006; Vygotsky, 1978; Zumbach & Reimann, 2002). Finalmente, la Aceptación
Tecnológica se fundamenta en el modelo TAM mediante las variables de utilidad percibida y facilidad
de uso percibida (Davis, 1989). El rendimiento académico se operacionaliza como el nivel de
competencia técnica, conceptual y práctica alcanzado en la asignatura, medido cuantitativamente
mediante rúbricas y exámenes prácticos (VanLehn, 2011).

METODOLOGÍA

El estudio es de tipo aplicado, con un enfoque cuantitativo y un diseño de investigación
cuasiexperimental con grupos de control y experimental evaluados de manera controlada y simultánea.

Población y Muestra

- Población: Estudiantes matriculados en la Escuela Profesional de Ingeniería de Sistemas e
Informática (EPISI) de la Universidad Nacional del Santa en el semestre 2025-II.

- Muestra: Estudiantes matriculados en el curso de Programación de la EPISI en el ciclo 2025-II.
Se aplicó un muestreo no probabilístico por conveniencia, conformando dos grupos con asignación
intacta: un grupo experimental (N = 27) y un grupo control (N = 27) .
pág. 242
- Criterios de inclusión: Estudiantes matriculados oficialmente en la asignatura en el ciclo 2025-
II, con acceso a dispositivos con internet, y que firmaron el consentimiento informado voluntario.

- Criterios de exclusión: Inasistencia regular o no compleción de las encuestas o evaluaciones
académicas requeridas.

Variables de Estudio

- Variable Independiente: Uso de asistentes virtuales basados en IA generativa (GitHub Copilot)
en la enseñanza de programación, operacionalizado en dimensiones de frecuencia de uso, utilidades
operativas e interacción (ingeniería de prompts).

- Variable Dependiente: Rendimiento académico de los estudiantes, medido a través de
evaluaciones teóricas (exámenes), evaluaciones prácticas (resolución de ejercicios, proyectos) y el
promedio final en escala vigesimal (0 a 20).

Técnicas e Instrumentos de Recolección de Datos

Para la recopilación de la información se utilizaron dos técnicas estructuradas:

1. Encuestas de satisfacción y percepción: Aplicadas mediante un cuestionario estructurado de 11
ítems con escala Likert de 5 puntos.

2. Pruebas de rendimiento académico: Exámenes de codificación y registros prácticos evaluados
mediante rúbrica vigesimal para cuantificar el impacto cognitivo y arquitectónico en POO.

Tabla 1

Técnicas e instrumentos de recolección de datos

Técnica
Instrumento Sujetos Objetivo principal
Encuestas de satisfacción
y percepción

Cuestionarios
estructurados

(Likert 1 -5)

Estudiantes

Evaluar la experiencia de uso, la
percepción de utilidad y la
autopercepción de interacción (ingeniería
de prompts) con la IA.

Pruebas de rendimiento
académico

Exámenes, evaluaciones
de código y registros de
notas (0 – 20)

Estudiantes

Cuantificar el impacto del asistente
virtual en las calificaciones, el promedio
final y la calidad técnica del código de
POO.

Nota. Adaptado de los registros metodológicos del proyecto
pág. 243
Validez y Confiabilidad

El cuestionario de percepción fue sometido a validez de contenido mediante juicio de tres expertos en
ingeniería de sistemas y educación. La consistencia interna se evaluó mediante una prueba piloto que
arrojó un Alfa de Cronbach de 0.85, confirmando una confiabilidad satisfactoria.

Materiales Tecnológicos y Procedimiento

La intervención tecnológica se estructuró empleando GitHub Copilot integrado como extensión nativa
en el IDE Visual Studio Code. El grupo experimental interactuó de manera activa con el asistente para
la depuración y generación asistida de código, mientras que el grupo de control desarrolló exactamente
los mismos retos algorítmicos en Visual Studio Code pero con la extensión de Copilot deshabilitada. El
experimento se desarrolló secuencialmente durante el semestre 2025-II en cinco etapas: preparación,
capacitación ética y técnica, implementación guiada, recolección de datos y procesamiento estadístico
mediante pruebas paramétricas (t de Student) y no paramétricas (correlaciones de Pearson y Spearman).

RESULTADOS Y DISCUSIÓN

Impacto en el Rendimiento Académico (Objetivo Específico 1)

El análisis descriptivo comparativo de las calificaciones finales vigesimales entre ambos grupos de
estudio revela un impacto positivo sobresaliente a favor del aprendizaje mediado por Inteligencia
Artificial.

Tabla 2

Estadísticos descriptivos del rendimiento académico final según grupo de estudio.

Grupo
Muestra (N) Media (M) Desviación Estándar (SD) Mediana (Mdn) Min Max
Control
27 13.22 1.25 13 10 16
Experimental
27 16.30 1.14 16 15 19
Nota: Calificaciones evaluadas sobre una escala vigesimal (0 a 20).

Como se aprecia en la Tabla 2, el grupo experimental alcanzó un promedio final de M = 16.30 puntos
frente a un M = 13.22 del grupo control, lo que denota una ganancia absoluta de 3.08 puntos en el
rendimiento de los estudiantes asistidos por la IA. Metodológicamente, se observa además una
disminución en la desviación estándar del grupo experimental (SD = 1.14) en relación con el grupo de
control (SD = 1.25), reduciendo el rango de notas de 6 a 4 puntos. Esto corrobora el efecto ecualizador
de la IA generativa, la cual eleva de manera uniforme el desempeño de la muestra, homogeneizando el
pág. 244
nivel de adquisición de competencias técnicas.

Para contrastar formalmente la hipótesis de investigación, se aplicó la prueba t de Student para muestras
independientes bajo varianzas asumidas iguales.

Tabla 3

Resultados de la prueba t de Student para muestras independientes del rendimiento académico.

Grupo Experimental
Grupo de Control
Media
16.30 13.22
Varianza
1.30 1.56
Observaciones
27 27
Diferencia hipotética de las medias
0
Grados de libertad
52
Estadístico t
9.45
P(T<=t) una cola
3.54E-13
Valor crítico de t (una cola)
1.68
P(T<=t) dos colas
7.083E-13
Valor crítico de t (dos colas)
2.007
Nota. p < .001 (prueba bilateral o de dos colas) con varianzas asumidas iguales

El análisis inferencial de la Tabla 3 confirma una diferencia estadísticamente muy significativa entre
ambos grupos (t(52) = 9.45, p < 0.001). Se rechaza la hipótesis nula y se demuestra empíricamente que
la incorporación guiada de asistentes de codificación optimiza significativamente los promedios finales
de la asignatura de programación.

Análisis de Percepción, Adopción y Utilidades Operativas (Objetivos Específicos 2 y 3)

La evaluación psicométrica mediante cuestionario Likert en el grupo experimental permitió categorizar
el comportamiento y la valoración subjetiva de los participantes hacia las dimensiones clave de la IA