Análisis del nivel de pensamiento computacional de los futuros maestros: una propuesta diagnóstica para el diseño de acciones formativas

Nº 69 ENERO 2024 CUATRIMESTRAL e-ISSN:2171-7966 ISSN:1133-8482 Revista de Medios y Educación PIXEL-BIT REVISTA DE MEDIOS Y EDUCACIÓN Nº 69 - ENERO- 2024 https://revistapixelbit.com Píxel-Bit. Revista de Medios y Educación. 2024 - ISSN: 1133-8482. e-ISSN: 2171-7966. PIXEL-BIT REVISTA DE MEDIOS Y EDUCACIÓN ENERO 2 0 2 4 EQUIPO EDITORIAL (EDITORIAL BOARD) EDITOR JEFE (EDITOR IN CHIEF) Nº 69 Dr. Julio Cabero Almenara, Departamento de Didáctica y Organización Educativa, Facultad de CC de la Educación, Director del Grupo de Investigación Didáctica. Universidad de Sevilla (España) EDITOR ADJUNTO (ASSISTANT EDITOR) Dr. Juan Jesús Gutiérrez Castillo, Departamento de Didáctica y Organización Educativa. Facultad de CC de la Educación, Universidad de Sevilla (España) Dr. Óscar M. Gallego Pérez, Grupo de Investigación Didáctica, Universidad de Sevilla (España) EDITORES ASOCIADOS Dra. Urtza Garay Ruiz, Universidad del País Vasco. (España) Dra. Ivanovnna Milqueya Cruz Pichardo, Pontificia Universidad Católica Madre y Maestra. (República Dominicana) Dra. Carmen Llorente Cejudo, Universidad de Sevilla (España) CONSEJO METODOLÓGICO Dr. José González Such, Universidad de Valencia (España) Dr. Antonio Matas Terrón, Universidad de Málaga (España) Dra. Cynthia Martínez-Garrido, Universidad Autónoma de Madrid (España) Dr. Luis Carro Sancristóbal, Universidad de Valladolid (España) Dra. Nina Hidalgo Farran, Universidad Autónoma de Madrid (España) CONSEJO DE REDACCIÓN Dra. María Puig Gutiérrez, Universidad de Sevilla. (España) Dra. Sandra Martínez Pérez, Universidad de Barcelona (España) Dr. Selín Carrasco, Universidad de La Punta (Argentina) Dr. Jackson Collares, Universidades Federal do Amazonas (Brasil) Dra. Kitty Gaona, Universidad Autónoma de Asunción (Paraguay) Dr. Vito José de Jesús Carioca. Instituto Politécnico de Beja Ciencias da Educación (Portugal) Dra. Elvira Esther Navas, Universidad Metropolitana de Venezuela (Venezuela) Dr. Angel Puentes Puente, Pontificia Universidad Católica Madre y Maestra. Santo Domingo (República Dominicana) Dr. Fabrizio Manuel Sirignano, Università degli Studi Suor Orsola Benincasa (Italia) Dra. Sonia Aguilar Gavira. Universidad de Cádiz (España) Dra. Eloisa Reche Urbano. Universidad de Córdoba (España) CONSEJO TÉCNICO Dra. Raquel Barragán Sánchez, Grupo de Investigación Didáctica, Universidad de Sevilla (España) Dr. Antonio Palacios Rodríguez, Grupo de Investigación Didáctica, Universidad de Sevilla (España) Dr. Manuel Serrano Hidalgo, Grupo de Investigación Didáctica, Universidad de Sevilla (España) Diseño de portada: Dña. Lucía Terrones García, Universidad de Sevilla (España) Revisor/corrector de textos en inglés: Dra. Rubicelia Valencia Ortiz, MacMillan Education (México) Revisores metodológicos: evaluadores asignados a cada artículo CONSEJO CIENTÍFICO Jordi Adell Segura, Universidad Jaume I Castellón (España) Ignacio Aguaded Gómez, Universidad de Huelva (España) María Victoria Aguiar Perera, Universidad de Las Palmas de Gran Canaria (España) Olga María Alegre de la Rosa, Universidad de la Laguna Tenerife (España) Manuel Área Moreira, Universidad de la Laguna Tenerife (España) Patricia Ávila Muñoz, Instituto Latinoamericano de Comunicación Educativa (México) Antonio Bartolomé Pina, Universidad de Barcelona (España) Angel Manuel Bautista Valencia, Universidad Central de Panamá (Panamá) Jos Beishuizen, Vrije Universiteit Amsterdam (Holanda) Píxel-Bit. Revista de Medios y Educación. 2023 - ISSN: 1133-8482. e-ISSN: 2171-7966. Florentino Blázquez Entonado, Universidad de Extremadura (España) Silvana Calaprice, Università degli studi di Bari (Italia) Selín Carrasco, Universidad de La Punta (Argentina) Raimundo Carrasco Soto, Universidad de Durango (México) Zulma Cataldi, Universidad de Buenos Aires (Argentina) Luciano Cecconi, Università degli Studi di Modena (Italia) Jean-François Cerisier, Université de Poitiers, Francia Jordi Lluís Coiduras Rodríguez, Universidad de Lleida (España) Jackson Collares, Universidades Federal do Amazonas (Brasil) Enricomaria Corbi, Università degli Studi Suor Orsola Benincasa (Italia) Marialaura Cunzio, Università degli Studi Suor Orsola Benincasa (Italia) Brigitte Denis, Université de Liège (Bélgica) Floriana Falcinelli, Università degli Studi di Perugia (Italia) Maria Cecilia Fonseca Sardi, Universidad Metropolitana de Venezuela (Venezuela) Maribel Santos Miranda Pinto, Universidade do Minho (Portugal) Kitty Gaona, Universidad Autónoma de Asunción (Paraguay) María-Jesús Gallego-Arrufat, Universidad de Granada (España) Lorenzo García Aretio, UNED (España) Ana García-Valcarcel Muñoz-Repiso, Universidad de Salamanca (España) Antonio Bautista García-Vera, Universidad Complutense de Madrid (España) José Manuel Gómez y Méndez, Universidad de Sevilla (España) Mercedes González Sanmamed, Universidad de La Coruña (España) Manuel González-Sicilia Llamas, Universidad Católica San Antonio-Murcia (España) António José Meneses Osório, Universidade do Minho (Portugal) Carol Halal Orfali, Universidad Tecnológica de Chile INACAP (Chile) Mauricio Hernández Ramírez, Universidad Autónoma de Tamaulipas (México) Ana Landeta Etxeberría, Universidad a Distancia de Madrid (UDIMA) Linda Lavelle, Plymouth Institute of Education (Inglaterra) Fernando Leal Ríos, Universidad Autónoma de Tamaulipas (México) Paul Lefrere, Cca (UK) Carlos Marcelo García, Universidad de Sevilla (España) Francois Marchessou, Universidad de Poittiers, París (Francia) Francesca Marone, Università degli Studi di Napoli Federico II (Italia) Francisco Martínez Sánchez, Universidad de Murcia (España) Ivory de Lourdes Mogollón de Lugo, Universidad Central de Venezuela (Venezuela) Angela Muschitiello, Università degli studi di Bari (Italia) Margherita Musello, Università degli Studi Suor Orsola Benincasa (Italia) Elvira Esther Navas, Universidad Metropolitana de Venezuela (Venezuela) Trinidad Núñez Domínguez, Universidad de Sevilla (España) James O’Higgins, de la Universidad de Dublín (UK) José Antonio Ortega Carrillo, Universidad de Granada (España) Gabriela Padilla, Universidad Autónoma de Tumalipas (México) Ramón Pérez Pérez, Universidad de Oviedo (España) Angel Puentes Puente, Pontificia Universidad Católica Madre y Maestra. Santo Domingo (República Dominicana) Juan Jesús Gutiérrez Castillo, Universidad de Sevilla (España) Julio Manuel Barroso Osuna, Universidad de Sevilla (España) Rosalía Romero Tena. Universidad de Sevilla (España) Hommy Rosario, Universidad de Carabobo (Venezuela) Pier Giuseppe Rossi, Università di Macerata (Italia) Jesús Salinas Ibáñez, Universidad Islas Baleares (España) Yamile Sandoval Romero, Universidad de Santiago de Cali (Colombia) Albert Sangrá Morer, Universidad Oberta de Catalunya (España) Ángel Sanmartín Alonso, Universidad de Valencia (España) Horacio Santángelo, Universidad Tecnológica Nacional (Argentina) Francisco Solá Cabrera, Universidad de Sevilla (España) Jan Frick, Stavanger University (Noruega) Karl Steffens, Universidad de Colonia (Alemania) Seppo Tella, Helsinki University (Finlandia) Hanne Wacher Kjaergaard, Aarhus University (Dinamarca) Píxel-Bit. Revista de Medios y Educación. 2023 - ISSN: 1133-8482. e-ISSN: 2171-7966. FACTOR DE IMPACTO (IMPACT FACTOR) SCOPUS Q1 Education: Posición 236 de 1406 (83% Percentil). CiteScore Tracker 2022: 5 - Journal Citation Indicator (JCI). Emerging Sources Citation Index (ESCI). Categoria: Education & Educational Research. Posición 257 de 739. Cuartil Q2 (Percentil: 65.29) - FECYT: Ciencias de la Educación. Cuartil 1. Posición 16. Puntuación: 35,68- DIALNET MÉTRICAS (Factor impacto 2021: 1.72. Q1 Educación. Posición 12 de 228) - REDIB Calificación Glogal: 29,102 (71/1.119) Percentil del Factor de Impacto Normalizado: 95,455- ERIH PLUS - Clasificación CIRC: B- Categoría ANEP: B - CARHUS (+2018): B - MIAR (ICDS 2020): 9,9 - Google Scholar (global): h5: 42; Mediana: 42 - Journal Scholar Metric Q2 Educación. Actualización 2016 Posición: 405a de 1,115- Criterios ANECA: 20 de 21 - INDEX COPERNICUS Puntuación ICV 2019: 95.10 Píxel-Bit, Revista de Medios y Educación está indexada entre otras bases en: SCOPUS, Fecyt, DOAJ, Iresie, ISOC (CSIC/CINDOC), DICE, MIAR, IN-RECS, RESH, Ulrich’s Periodicals, Catálogo Latindex, Biné-EDUSOL, Dialnet, Redinet, OEI, DOCE, Scribd, Redalyc, Red Iberoamericana de Revistas de Comunicación y Cultura, Gage Cengage Learning, Centro de Documentación del Observatorio de la Infancia en Andalucía. Además de estar presente en portales especializados, Buscadores Científicos y Catálogos de Bibliotecas de reconocido prestigio, y pendiente de evaluación en otras bases de datos. EDITA (PUBLISHED BY) Grupo de Investigación Didáctica (HUM-390). Universidad de Sevilla (España). Facultad de Ciencias de la Educación. Departamento de Didáctica y Organización Educativa. C/ Pirotecnia s/n, 41013 Sevilla. Dirección de correo electrónico: [email protected] . URL: https://revistapixelbit.com/ ISSN: 1133-8482; e-ISSN: 2171-7966; Depósito Legal: SE-1725-02 Formato de la revista: 16,5 x 23,0 cm Los recursos incluidos en Píxel Bit están sujetos a una licencia Creative Commons Attribution-NonCommercial- ShareAlike 4.0 Unported (Reconocimiento-NoComercial-CompartirIgual)(CC BY-NC-SA 4.0), en consecuencia, las acciones, productos y utilidades derivadas de su utilización no podrán generar ningún tipo de lucro y la obra generada sólo podrá distribuirse bajo esta misma licencia. En las obras derivadas deberá, asimismo, hacerse referencia expresa a la fuente y al autor del recurso utilizado. ©2024 Píxel-Bit. No está permitida la reproducción total o parcial por ningún medio de la versión impresa de Píxel-Bit. Píxel-Bit. Revista de Medios y Educación. 2023 - ISSN: 1133-8482. e-ISSN: 2171-7966. Nº 69 PIXEL-BIT REVISTA DE MEDIOS Y EDUCACIÓN Índice ENERO 2 0 2 4 1.- Competencia digital en labores de Investigación: predictores que influyen en función del tipo de universidad y género del profesorado de Educación Superior // Digital competence in research work: predictors that have an impact on it according to the type of university and gender of the Higher Education teacher. Francisco David Guillén-Gámez, Melchor Gómez-García, Julio Ruiz-Palmero 2.- La percepción de las familias acerca de las tareas digitales // Families' perceptions about digital homework. Mª Ángeles Hernández-Prados, José Santiago Álvarez-Muñoz, Juan Antonio Gil-Noguera 3.- Cuestionando el papel de las tecnologías en la Educación Infantil: brechas y falsas visiones // Questioning the role of technology in Early Childhood Education: divides and false views. Patricia Digón- Regueiro, Rosa María Méndez-García, M. Mercedes Romero-Rodrigo, Cecilia Verónica Becerra-Brito 4.- Uso académico del smartphone en la formación de posgrado: percepción del alumnado en Ecuador // Academic use of smartphones in postgraduate education: student perception in Ecuador. Alexander López- Padrón, Santiago Mengual-Andrés, Ernesto Andrés Hermann-Acosta 5.- Equivalencias entre los indicadores de la herramienta SELFIE y el marco DigCompEdu a partir de la técnica Delphi // Equivalences between SELFIE indicators and DigCompEdu framework based on Delphi technique. Jacoba Munar-Garau, Jorge Oceja, Jesús Salinas-Ibáñez 6.- Análisis del nivel de pensamiento computacional de los futuros maestros: una propuesta diagnóstica para el diseño de acciones formativas // Analysis of the level of computational thinking of future teachers: a diagnostic proposal for the design of training actions. Lourdes Villalustre-Martín 7.- Una propuesta de evaluación de Recursos Educativos Digitales a través de la metodología fsQCA longitudinal // A proposal for the evaluation of Digital Educational Resources through the longitudinal fsQCA methodology. Cristina Mendaña-Cuervo, Nieves Remo-Diez, Enrique López-González 8.- El uso del modelo GPT de OpenAI para el análisis de textos abiertos en investigación educativa // Use of GPT-3 for open text analysis in qualitative research. Héctor González-Mayorga, Agustín Rodríguez- Esteban, Javier Vidal 9.- Estrategias pedagógicas con TIC en contextos educativos vulnerables: Repercusiones en la pandemia y proyecciones de futuro // Pedagogical strategies with ICT in vulnerable educational contexts: Impact on the pandemic and future projections. María José Alcalá del Olmo-Fernández, María Jesús Santos- Villalba, José Luis González-Sodis, Juan José Leiva-Olivencia 10.- Perfiles de uso problemático de los videojuegos y su influencia en el rendimiento académico y los procesos de toma de decisiones en alumnado universitario // Profiles of Undergraduates’ videogames problematic use: the influence of academic performance and decision-making process. Barreto-Cabrera, Yenia del Sol, Suárez-Perdomo, Arminda, Castilla-Vallejo, José Luis 7 35 63 97 131 169 195 227 255 287 Píxel-Bit. Revista de Medios y Educación. 2024 - ISSN: 1133-8482. e-ISSN: 2171-7966. Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 Análisis del nivel de pensamiento computacional de los futuros maestros: una propuesta diagnóstica para el diseño de acciones formativas Analysis of the level of computational thinking of future teachers: a diagnostic proposal for the design of training actions Dra. Lourdes Villalustre-Martínez Profesora Titular de Universidad. Universidad de Oviedo, España Recibido: 2023/07/27; Revisado: 2023/09/05; Aceptado: 2023/11/23; Preprint: 2023/12/01; Publicado: 2024/01/07 RESUMEN El pensamiento computacional supone una forma de alfabetización emergente que busca fomentar el aprendizaje de la programación de forma progresiva utilizando principios básicos de codificación informática. En este estudio se evaluó el pensamiento computacional de 164 estudiantes universitarios de los grados de maestro/a en educación infantil y primaria. Se examinaron las diferencias según el género y la experiencia previa en programación robótica. Para ello, se empleó el Test de Pensamiento Computacional (TPC). Los resultados revelan que los hombres obtuvieron mejores resultados y que la experiencia previa en programación influyó en el nivel de desarrollo del pensamiento computacional. Además, se identificaron tres perfiles de estudiantes mediante un análisis de clúster. Las mujeres con experiencia previa en programación robótica y el uso de lenguajes de programación mostraron los mejores resultados en el TPC. Estos hallazgos resaltan la importancia de realizar evaluaciones diagnósticas para conocer el nivel de competencia de los estudiantes en este ámbito, ya que puede ayudar a identificar áreas de mejora y adaptar las acciones formativas de acuerdo a las necesidades de cada grupo de estudiantes. ABSTRACT Computational thinking is an emerging form of literacy that seeks to foster the learning of programming in a progressive manner using basic principles of computer coding. This study assessed the computational thinking of 164 undergraduate students in early childhood and elementary education teaching degrees. Differences according to gender and previous experience in robotic programming were examined. For this purpose, the Test of Computational Thinking (TPC) was used. The results reveal that males obtained better results and that previous programming experience influenced the level of development of computational thinking. In addition, three student profiles were identified through a cluster analysis. Females with prior experience in robotic programming and the use of programming languages showed the best results on the TPC. These findings highlight the importance of performing diagnostic evaluations to know the level of competence of students in this area, as it can help identify areas for improvement and adapt training actions according to the needs of each group of students. PALABRAS CLAVES · KEYWORDS Pensamiento computacional, lógica programación; educación superior; género; experiencia previa. Computational thinking, programming logic; higher education; gender; previous experience Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 170 1. Introducción El pensamiento computacional implica un proceso de resolución de problemas aplicando conocimientos básicos de ciencia, tecnología, lógica y matemáticas (Tsarava et al., 2022; Wing, 2006). El término emergió del trabajo de Papert (1980) sobre ambientes de programación construccionistas basados en el diseño y la resolución de problemas según algoritmos. Se trata de una forma de alfabetización emergente que busca fomentar el aprendizaje de la programación de forma progresiva utilizando principios básicos de codificación informática. En este enfoque, los estudiantes de diferentes niveles educativos crean secuencias de instrucciones y algoritmos para controlar las acciones de un objeto en un espacio virtual o físico. Para Wang et al. (2022) el desarrollo del pensamiento computacional involucra diversas capacidades y habilidades, como la organización y análisis lógico de la información, la identificación, investigación e implementación de posibles soluciones, etc. al tiempo que se fortalece el pensamiento algorítmico. El pensamiento algorítmico es una habilidad fundamental en la resolución de problemas, que implica concebir una solución paso a paso para abordar un determinado problema. Bers et al. (2014) establecen que, a diferencia de la codificación, que se refiere a las habilidades técnicas necesarias para escribir código en un lenguaje de programación específico, el pensamiento algorítmico se centra en el proceso conceptual de diseñar un algoritmo. En esta línea, para Selby (2012), el pensamiento algorítmico se distingue de la codificación y se considera una habilidad independiente y previa a ella. Implica la capacidad de planificar y organizar las acciones necesarias para resolver un problema de manera secuencial y efectiva. Estas habilidades son consideradas elementos importantes del pensamiento computacional y son fundamentales en el desarrollo de habilidades de programación y resolución de problemas computacionales (Majeed et al., 2022). Existe un amplio consenso acerca de la estrecha relación entre las habilidades de pensamiento computacional y la programación. Diferentes autores (Tikva y Tambouris, 2021) sostienen que el pensamiento computacional ha brindado un nuevo marco lógico para la enseñanza de la programación. El pensamiento computacional implica una serie de habilidades cognitivas y de resolución de problemas que son fundamentales en el ámbito de la programación robótica. Estas habilidades incluyen el desglose de problemas complejos en pasos más simples, la identificación de patrones y regularidades, el diseño de algoritmos para resolver problemas y la capacidad de pensar de manera lógica y estructurada. La programación, por su parte, proporciona una plataforma práctica para que los estudiantes ejerciten y apliquen estas habilidades del pensamiento computacional en la resolución de problemas concretos. Los estudios existentes han evidenciado que el aprendizaje y la práctica de la programación robótica contribuyen significativamente al desarrollo del pensamiento computacional en los estudiantes (Lu et.al, 2022). Al participar en actividades de programación, los discentes son desafiados a analizar y comprender el funcionamiento de los sistemas informáticos, a identificar y resolver errores, y a mejorar sus soluciones. Estas experiencias fomentan habilidades como el razonamiento lógico, la abstracción, la creatividad y la colaboración, que son fundamentales tanto en el pensamiento computacional como en el ámbito de la programación (Popat y Starkey, 2019). El desarrollo y mejora del pensamiento computacional asociado a la programación robótica ha experimento una evolución creciente en los últimos años. Si bien, es cierto que Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 171 este avance no ha tenido la misma repercusión en hombres que en mujeres, y que existe una cierta disparidad en el interés hacia la programación robótica entre ambos grupos (Chan, 2022). Es importante reconocer que esta situación puede estar influenciada por factores culturales y procesos de socialización que se experimentan desde la infancia y que pueden motivar más a los hombres que a las mujeres a involucrarse en estos campos (Angeli y Valanides, 2020). No obstante, Charlesworth y Banaji (2019) abogan por fomentar una educación inclusiva y equitativa que amplíen los intereses y habilidades en estos campos, independientemente del género. Poseer habilidades sólidas de pensamiento computacional puede ser un factor motivador para que los estudiantes se interesen por carreras científicas. Sin embargo, la falta de un currículo específico que siente las bases del pensamiento computacional desde edades tempranas representa un desafío en la educación. Existen pocos modelos o enfoques que destaquen el pensamiento computacional en las prácticas educativas actuales (Repenning et al., 2010). A pesar de la importancia del pensamiento computacional, se ha prestado poca atención a su desarrollo en la formación de los futuros maestros y maestras. La mayoría de los trabajos de investigación priorizan su enseñanza en la etapa de educación secundaria obligatoria (Maya et al., 2015), dejando un vacío en la formación de los futuros docentes. Para abordar esta situación, es necesario promover una mayor integración del pensamiento computacional en la formación de los futuros maestros y maestras. Esto implica la incorporación de contenidos y metodologías relacionadas con el pensamiento computacional en los programas de formación docente, así como el desarrollo de recursos y materiales adecuados para su enseñanza (Ung et al., 2022). Asimismo, es relevante tener en cuenta el nivel de pensamiento computacional que poseen los estudiantes. Realizar evaluaciones diagnósticas para conocer su nivel de competencia en este ámbito puede ayudar a identificar áreas de mejora y adaptar las acciones formativas de acuerdo a las necesidades de cada grupo de estudiantes. Además, es importante considerar variables como el género y la experiencia previa en programación robótica, ya que pueden influir en el desarrollo del pensamiento computacional (Sun et al., 2022). Esto permitirá ofrecer acciones formativas más adaptadas e inclusivas. En esta línea, varios estudios han abordado la relación entre las habilidades de pensamiento computacional de los estudiantes y el género, así como con la experiencia previa en programación robótica. Así, el trabajo realizado por Atmatzidou y Demetriadis (2016) demostró que no hay diferencias significativas en función del género en el desarrollo de habilidades de pensamiento computacional entre estudiantes de 15 a 18 años que participaron en un programa de Robótica Educativa. Al igual que el estudio llevado a cabo por Bati (2022) con estudiantes de educación infantil. Estos hallazgos sugieren que el género no influye de manera significativa en el desarrollo de estas habilidades en esos contextos. Por su parte, Master et al. (2017) encontraron que aquellos estudiantes de educación primaria con experiencia en programación reportaron un mayor interés técnico y una mayor autoeficacia en comparación con aquellos que no tenían experiencia en programación robótica. En definitiva, la mayoría de los estudios actuales que se han centrado en el análisis del género y la experiencia en programación en relación con el pensamiento computacional lo han realizado en estudiantes de niveles no universitarios. Sin embargo, no se ha explorado a fondo cómo estos factores pueden influir en los futuros docentes. Por lo tanto, se pone en Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 178 Tabla 5 Comparaciones múltiples post hoc de “Nivel de pensamiento computacional” en función del tipo de perfil M DT CM DM P IC 95% IPR 7.80 1.41 IPR-NPR .538 .15 [-.12, 1.20] NPR 7.26 1.45 IPR-EPR .738 .03* [.05, 1.42] EPR 7.06 1.47 NPREPR .199 1.0 [-.46, .86] Nota: IPR = Iniciados en programación robótica, NPR = Noveles en programación robótica, EPR = Exploradores en programación robótica. *p < .001 En todos los casos, el clúster “Iniciados en programación robótica” (IPR), formado por aquellos estudiantes que han tenido experiencias y han utilizado la programación en algún momento obtienen mejores puntuaciones que el perfil de estudiantes denominado “exploradores en programación robótica” (EPR), formado por aquellos discentes que han empezado a indagar sobre los lenguajes de programación, y que declaran poseer cierto nivel de conocimientos en lenguajes de programación. Es destacable señalar que aquellos que no poseen experiencia previa en lenguajes de programación obtienen peores resultados en el TPC. Este resultado viene a confirmar la necesidad de abordar este tipo de conocimientos en la formación de los futuros maestros y maestras. 4. Discusión y conclusiones El pensamiento computacional se caracteriza por una determina forma de pensar que propicia el análisis y la relación de ideas, para la organización y representación lógica de la información. En los últimos años, se ha detectado una necesidad creciente de desarrollarlo en el ámbito educativo para dar respuesta a las necesidades de una sociedad cada vez más tecnológica. Así, surge una nueva alfabetización que intentar favorecer el aprendizaje de la programación de forma progresiva utilizando principios básicos de codificación informática mediante la utilización de algoritmos. Por ello, el objetivo general del presente estudio pretende analizar el nivel de pensamiento computacional de los universitarios para determinar el estado inicial de los estudiantes de nuevo ingreso a los grados Maestro/a en Educación Infantil y Primaria. Concretamente se plantearon dos objetivos específicos: 1) estudiar la existencia de diferencias en el nivel de pensamiento computacional en función del género y la experiencia previa de los estudiantes universitarios con diferentes lenguajes de programación robótica; 2) identificar la existencia de perfiles que permitan analizar las diferencias entre dichos perfiles con las dimensiones del pensamiento computacional. En relación con el primer objetivo, se pudo constatar la existencia de diferencias en función del género siendo los hombres quienes obtuvieron mejores puntuaciones en la dimensión algoritmos simples. Estos resultados están en la línea con los obtenidos por otros estudios (Fennema et al., 2016; Angeli y Valanides, 2020; entre otros) quienes detectaron Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 179 que los hombres reflejaron mayor compresión conceptual, utilizando estrategias y algoritmos más avanzados que las mujeres en los procesos de programación robótica. E incluso algunos estudios han determinado que, aun teniendo un alto nivel de pensamiento, las mujeres carecen de interés por la programación (Zhong et al., 2016), señalando que quizás carezcan de la motivación necesaria. Es, por tanto, imprescindible atender a estas diferencias a la hora de diseñar los procesos de enseñanza-aprendizaje, ya que conociendo los intereses de los estudiantes se pueden desarrollar actividades que aumenten su motivación y repercutan en la mejora de los resultados académicos. En este sentido, tal y como apuntan Kanny et al. (2014), al promover la igualdad de género, desafiar los estereotipos y brindar oportunidades equitativas, podemos fomentar la participación de las mujeres, aprovechar el talento y la creatividad, sin importar su género. De igual modo, se hallaron diferencias en función de la experiencia previa que poseían los estudiantes en lenguajes de programación robótica, siendo aquellos que la tenían los que obtuvieron mejores resultados en las dimensiones algoritmos simples y de bucle. Sun et al. (2022) determinaron que aquellos alumnos que aprendieron a programar en edades tempranas poseían un nivel más alto en pensamiento computacional. Por ello, es muy necesario adoptar estrategias de enseñanza adecuadas en las diferentes etapas de aprendizaje. Asimismo, el pensamiento computacional y la programación están estrechamente vinculados, y su enseñanza conjunta puede proporcionar a los estudiantes herramientas poderosas para comprender y abordar los desafíos de la era digital. En la misma línea, el segundo objetivo, trato de identificar la existencia de perfiles y de analizar las diferencias entre ellos en función de las dimensiones del pensamiento computacional. Los resultados del estudio reflejan la existencia de tres perfiles de estudiantes. Un clúster denominado IRR donde el 48,1% declaran poseer un nivel bajo en conocimientos sobre lenguajes de programación, el 67,3% tenía experiencia previa en lenguajes de programación, el 63,5% son mujeres y su nivel medio de desempeño en la asignatura es de 7,06. Este clúster posee los niveles más altos de pensamiento computacional. El segundo clúster denominado NPR se caracteriza porque todos los estudiantes declaran poseer un nivel muy bajo en conocimientos sobre lenguajes de programación, no tienen experiencia previa en lenguajes de programación, son mujeres y su nivel medio de desempeño en la asignatura es de 7,13. Este clúster posee un nivel medio de pensamiento computacional. Y, por último, el denominado EPR, caracterizado por aquellos estudiantes que poseen un bajo nivel de conocimientos sobre lenguajes de programación, no tienen experiencia previa en lenguajes de programación, son mujeres y su nivel medio de desempeño en la asignatura es de 6,98. Este grupo presenta el nivel más bajo de pensamiento computacional. Estos resultados ponen de relieve la complejidad de la interacción entre las variables analizadas. Sin embargo, encontramos un grupo de estudiantes, formado en su mayor parte por mujeres con experiencia previa en lenguajes de programación que obtienen niveles altos en pensamiento computacional, sobre todo, en las dimensiones algoritmos simples y de bucle. Este resultado respalda la idea propuesta por Kelleher y Pausch (2005) de que, en la planificación de las acciones formativas, el diseño instruccional basado en el andamiaje es el centro de la enseñanza de la programación. En esta línea, el diseño de acciones formativas que tengan en cuenta los perfiles de partida de los estudiantes, puede ser la clave para desarrollar el pensamiento computacional, cultivar el talento entre el profesorado en formación y potenciar las competencias en este ámbito. De este modo, se Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 180 propone adaptar el programa TangibleK (Bers, 2010) que utiliza como instrumento la programación robótica a través de algoritmos, para estimular el pensamiento computacional entre los estudiantes universitarios. Así, el programa se basa en cuatros principios básicos (Bers, 2010): 1) hacer patente el proceso de diseño y el pensamiento computacional necesario para programar el robot, es decir: plantear un problema, investigar, planificar, desarrollar un prototipo, ponerlo a prueba, rediseñarlo y analizar las soluciones; 2) potenciar la colaboración mediante la creación de equipos que compartan recursos y materiales; 3) generar grupos de conversación tecnológica, para poner en común los proyectos de programación robótica desarrollados por los diferentes grupos de estudiantes, lo que brinda la oportunidad de corregir errores como comunidad; 4) transferir los proyectos más allá del aula para hacer visible el aprendizaje, poniéndolo a prueba a través de demostraciones, exposiciones, etc. o aplicándolo en las aulas de educación infantil y/o primaria como futuros maestros y maestras. De este modo, a través de una secuenciación sencilla, centrada en identificar los conocimientos de partida, introducir el proyecto a través del juego, proponer una tarea de programación, poner en común mediante los grupos de conversación tecnológica y evaluar la tarea, se proporciona a los futuros docentes las herramientas y habilidades necesarias para fomentar el pensamiento computacional en el aula. Sin duda, los estudios sobre pensamiento computacional se están desarrollando y merecen más investigación, sobre todo, entre el profesorado en formación pues son la base para potenciar el pensamiento computacional en las aulas de educación infantil y primaria. Aunque esta investigación ha proporcionado algunos resultados importantes sobre los niveles que poseen los estudiantes universitarios en relación con el pensamiento computacional y las variables que pueden condicionar dichos niveles, hay que tener en cuenta algunas limitaciones. El primer lugar, el tamaño de la muestra y haber optado por un diseño transversal. En futuras investigaciones se puede realizar un seguimiento dinámico de la evolución del pensamiento computacional de los estudiantes utilizando datos longitudinales y ampliando la muestra de estudio para hacer inferencias causales más sólidas. En segundo lugar, la naturaleza de la muestra, perteneciendo ésta a dos contextos muy específicos. Para verificar mejores resultados se pretende dirigir el estudio hacia estudiantes de otras titulaciones afines a la educación. Por último, este estudio ha utilizado principalmente datos cuantitativos para el análisis, y la investigación futura puede añadir datos cualitativos como entrevistas para complementar los resultados de la investigación. Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 181 Analysis of the level of computational thinking of future teachers: a diagnostic proposal for the design of training actions 1. Introduction Computational thinking involves a process of problem solving by applying basic knowledge of science, technology, logic and mathematics (Wing, 2006). The term emerged from Papert’s (1980) work on constructionist programming environments based on design and algorithm-based problem solving. It is a form of emergent literacy that seeks to foster the learning of programming progressively using basic computer coding principles. In this approach, students at different educational levels create sequences of instructions and algorithms to control the actions of an object in a virtual or physical space. For Want et al. (2022) the development of computational thinking involves various skills and abilities, such as organising and logically analysing information, identifying, investigating and implementing possible solutions, etc. while strengthening algorithmic thinking. Algorithmic thinking is a fundamental problem-solving skill, which involves devising a step-by-step solution to address a given problem. Bers et al. (2014) state that, unlike coding, which refers to the technical skills needed to write code in a specific programming language, algorithmic thinking focuses on the conceptual process of designing an algorithm. Along these lines, for Selby (2012), algorithmic thinking is distinguished from coding and is considered an independent skill prior to coding. It involves the ability to plan and organise the actions needed to solve a problem sequentially and effectively. These skills are considered important elements of computational thinking and are fundamental in the development of programming and computational problem-solving skills (Lu and Fletcher, 2009). There is a broad consensus about the close relationship between computational thinking skills and programming. Different authors (Tikva & Tambouris, 2021; Berland & Wilensky, 2015) argue that computational thinking has provided a new logical framework for teaching programming. Computational thinking involves a set of cognitive and problemsolving skills that are fundamental to the field of robotic programming. These skills include breaking down complex problems into simpler steps, identifying patterns and regularities, designing algorithms to solve problems, and the ability to think in a logical and structured way. Programming, in turn, provides a practical platform for students to exercise and apply these computational thinking skills in solving specific problems. Existing studies have shown that learning and practising robotic programming contributes significantly to the development of computational thinking in students (Angeli & Valanides, 2020; Israel et al., 2015). By participating in programming activities, learners are challenged to analyse and understand how computer systems work, to identify and resolve bugs, and to improve their solutions. These experiences foster skills such as logical reasoning, abstraction, creativity and collaboration, which are fundamental to both computational thinking and programming (Popat & Starkey, 2019). Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 182 The development and improvement of computational thinking associated with robotic programming has undergone a growing evolution in recent years. However, it is true that this progress has not had the same impact on women as on men, and that there is a certain disparity in interest in robotic programming between the two groups. It is important to recognise that this situation may be influenced by cultural factors and socialisation processes experienced from childhood that may motivate men more than women to get involved in these fields (Angeli & Valanides, 2020). Along these lines, gender stereotypes may have been constructed by associating science, technology, engineering and mathematics (STEM) with masculine characteristics. For Chan (2022) these stereotypes may create barriers and disincentives for women to explore and actively participate in these sectors. Furthermore, as Charlesworth (2019) points out, the gender roles and expectations that are transmitted in society can also influence people’s choices and preferences from an early age. It is therefore essential to promote gender equality in science and technology fields, as well as in the development of robotics programming. This implies fostering inclusive and equitable education that provides opportunities and resources for all people to expand their interests and skills in these fields, regardless of their gender (Krommer, 2006). Strong computational thinking skills can be a motivating factor for students to be interested in STEM-related careers. However, it is not currently integrated into curricula in a broad and systematic way like other subjects such as mathematics or science (Sneider et al., 2014). The lack of a specific curriculum that lays the foundations for computational thinking from an early age represents a challenge in education. There are few models or approaches that highlight computational thinking in current educational practices (Repenning et al., 2015). Despite the importance of computational thinking, little attention has been paid to its development in the training of future teachers. Most research and experiences prioritise its teaching at the compulsory secondary education stage (Maya et al., 2015), leaving a gap in the training of future teachers. To address this situation, it is necessary to promote greater integration of computational thinking in the training of future teachers. This implies the incorporation of content and methodologies related to computational thinking in teacher training programmes, as well as the development of appropriate resources and materials for its teaching. It is also important to take into account the level of computational thinking that students possess. Carrying out diagnostic assessments to find out their level of competence in this area can help to identify areas for improvement and adapt training actions according to the needs of each group of students. In addition, it is important to consider variables such as gender and previous experience in robotics programming, as they can influence the development of computational thinking (Sun, et al. 2022). This will allow for more tailored and inclusive training actions. Along these lines, several studies have addressed the relationship between students’ computational thinking skills and gender, as well as with previous experience in robotics programming. Thus, the work carried out by Atmatzidou et al. (2016) showed that there are no significant gender differences in the development of computational thinking skills among students aged 15-18 years who participated in an Educational Robotics programme. The same holds for the study conducted by Bati (2022) with early childhood education students. These findings suggest that gender does not significantly influence the development of these skills in these contexts. Master et al. (2017) found that elementary school students with Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 183 programming experience reported higher technical interest and self-efficacy compared to those without robotic programming experience. In short, most of the current studies that have focused on analysing gender and programming experience in relation to computational thinking have been conducted on students at non-university levels. However, the way in which these factors may influence future teachers has not been explored in depth. Therefore, the present work was undertaken in order to characterise the students in the sample in terms of the level of computational thinking based on four dimensions of study (simple, looping, conditional and advanced conditional algorithms). The second purpose was to analyse whether there are statistically significant differences between the level of computational thinking according to gender and the previous experience in robotic programming languages that university students have. And the third purpose was to identify the existence of profiles that allow us to analyse the differences between them with the dimensions of computational thinking in order to obtain a more solid understanding of how these factors may influence students’ computational thinking. 2. Method 2.1. Participants A total of 164 university students from the Master’s Degrees in Early Childhood and Primary Education participated in the study, 145 of them female (88.4%) and 19 male. The age of the participants was mostly (72.3%) between 18 and 21, followed by those aged between 22 and 25 (23.1%), and those between 26 and 29 years, with 4.6%. The choice of the sample followed a non-probabilistic paradigm, following criteria of convenience and accessibility (Etikan et al., 2016). 2.2. Analysis instrument The Computational Thinking Test (CTT), validated by Román-González (2015), was used in terms of its content, reliability and criterion and concurrent validity. The purpose of this instrument is to measure the computational thinking of the subjects. It consists of 28 questions with four answer options, only one of which is correct. The questions present different scenarios in which logical-mathematical thinking skills must be applied in order to solve them correctly. The CTT has been translated into several languages and used by the international scientific community in multiple investigations (Chan et al., 2021; Guggemos et al., 2022). Although the instrument had been validated, an analysis of its psychometric properties was carried out. Thus, the corrected item-total correlation (ri-t) was positive for all items, indicating that they all contributed to measuring the general construct measured by the instrument and in the same direction. Cronbach’s Alpha was adequate (.705) with a mean item score of .76. The Kaiser-Meyer-Olkin measure of sampling adequacy was .599 and Barlett’s test of sphericity was significant (p < .001), with a chi-square value of .599, with 231 degrees of freedom. Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 184 To achieve the stated objectives, three additional data were collected. Firstly, we determined the level of prior programming knowledge that students considered they had, using a Likert-type scale from 1 to 5 (where 1 equals Very Low and 5 equals Very High). Secondly, students were asked whether they had previous experience in robotics programming through a dichotomous question (Yes or No). Finally, the performance level of the university students was used as a reference measure. This level of performance was based on the grade obtained by the students in the subject of Information and Communication Technologies (ICT) applied to Education of the Master’s Degrees in Early Childhood and Primary Education, since several authors consider the grades obtained as a valid indicator to measure academic performance (Álvaro Paje, 1990; Ben et al., 2022), in this case, in the field of technologies. 2.3. Procedure The study was conducted in accordance with the World Medical Association Code of Ethics (Declaration of Helsinki), which reflects the ethical principles for research involving human subjects (Morris, 2013). Prior to conducting the CTT, students were informed that their participation was voluntary. Participants were required to give informed consent prior to completing the questionnaire. The students completed the CTT digitally, accessing it through the link sent to their corporate emails at the University before carrying out the training actions on robotics programming within the framework of the aforementioned subject. Therefore, an exploratory study was carried out in order to determine the initial state of the incoming students to the Master’s Degrees in Early Childhood and Primary Education in order to generate training actions that support their academic performance in the field of STEM competences. Once the answers had been collected, those that were answered incorrectly were assigned a value of 0, and those that were correct were assigned a value of 1. Subsequently, the items were grouped according to the type of skills required for their correct resolution, giving rise to four dimensions, as follows: 1) Simple algorithms (SA), made up of seven linear programming scenarios; 2) Loop algorithms (LA), made up of seven practical scenarios where the programming sequence is repeated several times; 3) Conditional algorithms (CA), made up of seven scenarios based on stipulating certain basic conditions for the programming blocks to be executed; and 4) Advanced conditional algorithms (ACA), made up of seven scenarios and, like the previous one, focused on establishing advanced conditions for solving the problems posed. Finally, the scores in each of the four dimensions were weighted, obtaining scores from 0 to 10 in each of them. 2.4. Data analysis Firstly, to analyse the existence of differences in the four dimensions that make up computational thinking according to gender and students’ previous experience in programming languages, t-tests for independent samples were carried out. A two-stage cluster analysis was used to obtain the student profiles. This analysis provided an automatic procedure of the optimal number of clusters, allowing clusters with categorical and continuous variables (Rubio & Vilá, 2017). The variables included in the Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 185 cluster were “gender", “previous experience in robotic programming languages”, “level of knowledge that students consider possessing about programming” and “level of performance”, measured from 0 to 10, and calculated from the final grade obtained in the subject. The model complies with the assumptions of independence between its variables, the continuous variables follow a normal distribution, and the categorical qualitative variables follow a multinomial distribution. Even if these assumptions were not met, Rubio and Vilá (2017) indicate that this procedure is robust enough to be applied. To analyse the distance between clusters, the log-likelihood measure was used. The Bayesian Schwartz criterion (BIC) was used to determine the number of clusters. To minimise order effects, the cases were randomly ordered. The results yielded a satisfactory model consisting of three clusters. Finally, once the students’ profiles were obtained, a one-factor ANOVA with post hoc tests was used to analyse each of the four dimensions of computational thinking (simple algorithms, loop algorithms, conditional algorithms and advanced conditional algorithms) in terms of these profiles. The data obtained were analysed using SPSS 27, with a p-value < .05 as a reference for significance. Effect sizes were assessed using partial eta squared, considering that the effect size is small when ηp2 = 0.01, medium when ηp2 = 0.059 and large when ηp2 = 0.080 (Cohen, 1988). 3. Analysis and results Table 1 presents the descriptive statistics of the variables, as well as the Pearson correlation matrix. The values of skewness and kurtosis lie within the limits indicating a normal distribution (values of less than 3 for skewness and less than 10 for kurtosis; Kline, 2011). Table 1 Descriptive statistics and correlation (r) between the variables that make up computational thinking SA LA CA ACA SA - - - - BA .333* - - - CA .329* .374* - - ACA .205* .461* .413* - Skewness -1.618 -0.692 -0.188 -0.269 Kurtosis 2,242 0.163 -0.800 -0.698 Mean 9.268 8.049 6.171 5.988 Standard Deviation 1.170 1.647 2.400 2.771 Note: SA = Simple Algorithms, LA = Loop Algorithms, CA = Conditional Algorithms, ACA = Advanced Conditional Algorithms. *p < .001 Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 186 Regarding the scores, the highest means are found for simple and loop algorithms, the questions on applying mathematical-logical knowledge of conditionals and advanced conditionals obtaining the lowest scores. Regarding correlations, the results showed statistically significant and positive correlations between the variables under study in all cases. Table 2 Descriptive statistics in relation to previous experience in programming languages, the level of programming that the students believe they possess, the students’ level of performance in the subject, and the result in the CTT YES NO PE 21.3% 78.7% Very Low Low Medium High Very High PKL 38.4% 51.2% 10.4% - - MI MA M SD PL 2.8 9.3 7.05 1.332 CTT 3.6 10 7.36 1.471 Note: PE= Previous experience in programming languages. PKL = Level of programming knowledge that students believe they possess. PL= Students' level of performance in the subject. CTT= Overall score obtained by the students in the Computational Thinking Test. MI= Minimum. MA= Maximum. M= Mean. SD= Standard deviation On the other hand, as shown in table 2, only 21.3% of the study sample has previous experience in programming languages, considering that more than half of them have a low level in this type of knowledge. However, the average level of academic performance in the subject and the level of computational thinking skills derived from the CTT are of around 7. To determine the differences in the dimensions that make up computational thinking based on gender and students’ previous experience in programming languages, t-tests were performed for independent samples. The results showed that the differences were statistically significant between the scores obtained in the simple algorithms dimension and that of gender (t162=-1.87, p < .001, np2 = 1.16), with a large effect size. The results indicated that males (MD=9.73; SD=.624) scored higher than females (MD=9.20; SD=1.21). Similarly, statistically significant results are obtained between the scores obtained in the simple algorithms dimension (t162=2.30, p < .001, np2 = 1.15) according to the students’ previous experience in programming languages, with a large effect size. The results indicated that students with prior experience (MD=9.66; SD=.97) scored higher than those without (MD=9.16; SD=1.19). Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 187 Significant results were also obtained in the loop algorithms dimension (t162=2.34, p= .04, np2 = 1.62) according to students’ prior experience in programming languages, with a large effect size. The results indicated that students with prior experience (MD=8.61; SD=1.24) scored higher than those without (MD=7.89; SD=1.71). In terms of obtaining student profiles from a cluster, three groupings were obtained with the four variables with a “good” result, indicating, in line with Kaufman and Rousseeuw (2009), that the data reflect reasonable and strong evidence of a cluster structure. The variable that carries the most weight is the level that students believe to possess in programming (with a predictor significance of 1 out of 1), followed by previous experience in programming languages (with a significance of .59 out of 1), gender (with a significance of .29 out of 1) and lastly, level of performance in the subject (with a significance of .01 out of 1). The characteristics of the three clusters are as follows: Cluster 1: made up of 31.7% of the sample. 48.1% declare that they have a low level of knowledge of programming languages, 67.3% declare that they have previous experience in programming languages, 63.5% are women and their average level of performance in the subject is 7.06. We will call this cluster “initiates in robotics programming” (IRP), and it is made up of those students who have had experience and have used programming at some point. Cluster 2: made up of 32.3% of the sample. All of them (100%) declare that they have a very low level of knowledge of programming languages, they have no previous experience in programming languages, they are all women and their average level of performance in the subject is 7.13. We will call this cluster “novices in robotics programming” (NRP), made up of those students who have had very little contact with programming. Cluster 3: a group formed by 36% of the sample with the following characteristics: all (100%) have a low level of knowledge about programming languages, have no previous experience in programming languages, all are female and their average level of performance in the subject is 6.98. We will call this cluster “explorers in robotic programming” (ERP), and it is composed of those students who have started to investigate programming languages. To analyse the differences between the profiles obtained with the students’ knowledge in the dimensions that make up computational thinking, a one-factor ANOVA analysis was carried out using Welch's procedure. There, statistically significant differences were found in “Simple algorithms” according to the cluster type (F w 3, 726 = 3.92, p < .022), with a mean effect size (np2 = 0.46). This was also the case in “Loop algorithms” (F w 3, 952 = 4.34, p < .015), with a medium effect size (np2 = 0.51). Similarly, the overall level of computational thinking possessed by university students was analysed. Significant differences were obtained according to the type of cluster (F w 3, 699 = 3.65, p < .028), with a medium effect size (np2 = 0.43). Pixel-Bit. Revista de Medios y Educación, 69, 169-194 | 2024 | https://doi.org/10.12795/pixelbit.101205 PÁGINA | 194 Cómo citar: Villalustre-Martínez, L. (2024). Análisis del nivel de pensamiento computacional de los futuros maestros: una propuesta diagnóstica para el diseño de acciones formativas [Analysis of the level of computational thinking of future teachers: a diagnostic proposal for the design of training actions]. Pixel-Bit. Revista de Medios y Educación, 69, 169-194. https://doi.org/10.12795/pixelbit.101205