Resumen. El infierno de los tutoriales es lo que ocurre cuando un método adecuado para principiantes se mantiene más allá del punto en que funciona. Los ejemplos resueltos ayudan a los novatos (un metaanálisis de 2023 de 55 estudios de matemáticas situó el efecto medio en g = 0.48), pero la ventaja se desvanece y luego se invierte a medida que crece el conocimiento. La sensación de progreso no se desvanece con ella. En un experimento de física en Harvard, los estudiantes de las clases activas obtuvieron 0,46 desviaciones estándar más y sintieron que habían aprendido 0,56 desviaciones estándar menos (Deslauriers y colegas, 2019). Los estudiantes que releyeron un texto unas 14 veces recordaban el 40 por ciento una semana después, frente al 61 por ciento de quienes lo leyeron unas 3 veces y se pusieron a prueba (Roediger y Karpicke, 2006). El error contrario, saltar directamente a un proyecto sin guía, tampoco tiene respaldo: los programas basados en proyectos con resultados positivos en ensayos estaban muy estructurados y dirigidos por docentes. La IA añade una versión más rápida de la misma trampa. Los estudiantes que recibieron un chatbot básico mejoraron sus puntuaciones de práctica en un 48 por ciento y luego rindieron un 17 por ciento peor en un examen sin ayuda (Bastani y colegas, 2025), y los desarrolladores que aprendían una biblioteca nueva con ayuda de la IA promediaron un 50 por ciento en un cuestionario de comprensión, frente al 67 por ciento sin ella (Shen y Tamkin, 2026). La escalera del aprendizaje basado en proyectos, un marco de CEOtudent, convierte esta evidencia en seis peldaños con una prueba de salida para cada uno: estudiar un ejemplo, completar uno, modificar uno, reconstruirlo de memoria, ampliarlo según una nueva especificación y, por último, lanzar tu propio proyecto y recibir retroalimentación. La jugada del CEO es limitar a uno los tutoriales que tienes en curso. La jugada del estudiante es tratar cada prueba de salida como la lección.
Este artículo es el complemento práctico de la práctica deliberada en la era de la IA. Aquel texto pregunta a qué deberías dedicar tus repeticiones de práctica. Este ofrece la escalera que te lleva de seguir instrucciones a construir por tu cuenta.
¿Qué es el infierno de los tutoriales y por qué se siente como progreso?
El “infierno de los tutoriales” (tutorial hell, en inglés) es un término de la comunidad, no de la investigación. Describe a quien termina un tutorial tras otro, es capaz de seguir cada uno con éxito y aun así no puede construir nada sin uno. El término viene de la programación, pero el patrón es el mismo en diseño, análisis de datos, idiomas o música: fluidez mientras hay guía, bloqueo cuando la guía desaparece.
Persiste porque la experiencia se siente como aprendizaje. Tres experimentos muestran lo poco fiable que es esa sensación.
Una exposición fluida aumenta la confianza, no el recuerdo. Carpenter, Wilford, Kornell y Mullaney (2013, Psychonomic Bulletin and Review) mostraron a estudiantes la misma clase breve, impartida por el mismo ponente de forma fluida o entrecortada. En el primer experimento (42 estudiantes), quienes vieron la versión fluida predijeron que recordarían mucho más (d = 1.03), pero el recuerdo real no difirió, de modo que el exceso de confianza fue de .22 tras el vídeo fluido frente a .03 tras el entrecortado. Un segundo experimento con 70 estudiantes tampoco halló diferencias significativas en las puntuaciones de la prueba (.44 frente a .40).
El esfuerzo se interpreta erróneamente como fracaso. Deslauriers y colegas (2019, PNAS) enseñaron el mismo material a 149 estudiantes de física de Harvard de dos maneras, y cada estudiante pasó por ambas. Tras las sesiones activas, los estudiantes obtuvieron 0,46 desviaciones estándar más en una prueba de aprendizaje, pero valoraron su sensación de aprendizaje 0,56 desviaciones estándar por debajo de la que tuvieron tras unas clases magistrales pasivas y bien pulidas. La explicación de los autores es que la confusión y el esfuerzo del trabajo activo se toman como señal de mal aprendizaje cuando indican lo contrario.
Releer gana hoy y pierde la semana que viene. Roediger y Karpicke (2006, Psychological Science) pidieron a estudiantes que estudiaran un pasaje repetidamente o que lo estudiaran una vez y luego lo recordaran. Cinco minutos después, el estudio repetido iba por delante (83 por ciento frente a 71 por ciento). Una semana después el orden se había invertido: 40 por ciento para el estudio repetido frente a 61 por ciento para el estudio seguido de tres pruebas de recuerdo. El grupo de estudio repetido había leído el pasaje una media de 14,2 veces y el grupo de pruebas 3,4 veces, y el grupo de estudio repetido era el más confiado de los dos.
Un tutorial es un ejemplo resuelto bien producido con un presentador fluido. En los tres aspectos está hecho para parecer eficaz.
¿Es un error ver tutoriales?
No. Para un principiante es el primer paso correcto, y saltárselo es un error en sí mismo.
Kirschner, Sweller y Clark (2006, Educational Psychologist) revisaron la evidencia sobre la enseñanza con guía mínima y concluyeron que los novatos aprenden menos con ella, y de forma menos eficiente, que con una enseñanza muy guiada. Los principiantes aún no tienen en la memoria a largo plazo el conocimiento que hace productiva la resolución de problemas abiertos. La forma de guía mejor estudiada es el ejemplo resuelto. Un metaanálisis de 2023 de 55 estudios y 181 tamaños del efecto en matemáticas (Barbieri y colegas, Educational Psychology Review) halló un efecto promedio moderado de g = 0.48 para el aprendizaje a partir de ejemplos resueltos. El mismo análisis halló que los ejemplos de soluciones correctas funcionaban mejor que los incorrectos o mixtos, y que añadir indicaciones de autoexplicación reducía el efecto en promedio. Solo tuvimos acceso a su resumen.
La salvedad está en la segunda mitad del mismo programa de investigación. Kirschner y colegas señalan que la ventaja de la guía retrocede cuando los aprendices tienen suficiente conocimiento previo para guiarse solos, y que el efecto del ejemplo resuelto primero desaparece y después se invierte a medida que aumenta la pericia. Kalyuga, Ayres, Chandler y Sweller (2003) lo denominaron efecto de inversión de la pericia: los métodos que funcionan bien con aprendices sin experiencia pueden dejar de funcionar, e incluso resultar contraproducentes, cuando los aprendices saben más. Renkl y Atkinson (2003) extrajeron la conclusión práctica: ejemplos al principio, resolución de problemas después y, entre ambos, un procedimiento de desvanecimiento de la guía en el que el aprendiz va asumiendo paso a paso una parte mayor de cada solución.
Visto así, el infierno de los tutoriales no es un defecto de carácter. Es un problema de inversión de la pericia (nuestra lectura de la investigación, no un término que usen los autores): el aprendiz ha superado el formato y ha seguido usándolo.
El formato es, además, la opción por defecto. En la encuesta para desarrolladores de Stack Overflow de 2025 (49.009 respuestas; 33.454 contestaron esta pregunta), los encuestados que aprendieron a programar en el último año mencionaron con más frecuencia la documentación técnica (67,8 por ciento), otros recursos en línea (58,7 por ciento), el propio Stack Overflow (51,4 por ciento), los vídeos (50 por ciento) y las herramientas de IA (44 por ciento). Entre los encuestados de 18 a 24 años, los vídeos alcanzaron el 55,2 por ciento. La muestra es autoseleccionada y está formada sobre todo por desarrolladores en activo (el 76,2 por ciento son profesionales; el 5,2 por ciento dice estar aprendiendo a programar), así que describe cómo siguen aprendiendo los desarrolladores más que cómo empiezan los principiantes.
¿Qué dice la evidencia sobre hacer frente a mirar?
Dos grandes conjuntos de datos apuntan en la misma dirección, con distinta solidez.
En un curso de psicología de Coursera con ejercicios interactivos integrados, Koedinger y colegas (2015) modelaron qué predecía las puntuaciones de los cuestionarios entre los 939 estudiantes que hicieron el examen final. Un aumento de una desviación estándar en los ejercicios realizados se asoció con una ganancia de 0,44 desviaciones estándar; el mismo aumento en vídeos vistos o páginas leídas se asoció con alrededor de .065 en cada caso, lo que los autores resumen como un beneficio más de seis veces mayor para el hacer. Los datos son correlacionales y proceden de estudiantes que eligieron cómo estudiar, y solo el 4 por ciento de las 27.720 personas inscritas llegó a hacer el examen final.
La evidencia experimental procede de las aulas. Freeman y colegas (2014, PNAS) agruparon 225 estudios de cursos universitarios de grado en ciencias, ingeniería y matemáticas. El aprendizaje activo elevó el rendimiento en los exámenes en 0,47 desviaciones estándar, y la tasa media de estudiantes que no aprobaban fue del 21,8 por ciento con aprendizaje activo frente al 33,8 por ciento con la clase magistral tradicional, una brecha de 12 puntos porcentuales.
Y la recuperación supera a la reexposición incluso frente a una técnica de estudio respetable. Karpicke y Blunt (2011, Science) compararon recordar de memoria un texto de ciencias con dibujar mapas conceptuales sobre él. Una semana después, el grupo de recuperación obtuvo 0,67 frente a 0,45. En el segundo experimento, 101 de 120 estudiantes (84 por ciento) rindieron mejor tras la práctica de recuperación, aunque 90 de los 120 (75 por ciento) habían predicho que los mapas conceptuales serían al menos igual de buenos.
La trampa de la fluidez: qué se sintió mejor y qué rindió mejor en la prueba
La tabla es una síntesis de CEOtudent. Alinea seis experimentos, cuatro anteriores a la IA generativa y dos con ella, según las mismas dos preguntas: qué condición parecía o se sentía mejor en el momento y cuál rindió mejor en una prueba posterior sin ayuda.
| Experimento | Parecía o se sentía mejor en el momento | Rindió mejor en la prueba posterior |
|---|---|---|
| Carpenter y colegas, 2013 (42 estudiantes) | Clase fluida: recuerdo previsto mucho mayor (d = 1.03) | Ninguna; el recuerdo real no difirió |
| Deslauriers y colegas, 2019 (149 estudiantes) | Clase magistral pasiva: sensación de aprendizaje 0,56 DE mayor | Clase activa: 0,46 DE más |
| Roediger y Karpicke, 2006 (180 estudiantes) | Estudio repetido: 83 por ciento frente a 71 por ciento tras 5 minutos, y mayor confianza | Pruebas repetidas: 61 por ciento frente a 40 por ciento tras 1 semana |
| Karpicke y Blunt, 2011 (120 estudiantes) | Mapas conceptuales: el 75 por ciento esperaba que fueran igual de buenos o mejores | Práctica de recuperación: el 84 por ciento de los estudiantes rindió mejor con ella |
| Bastani y colegas, 2025 (casi 1.000 estudiantes) | Chatbot básico: puntuaciones de práctica un 48 por ciento más altas | Grupo de control: los estudiantes con chatbot rindieron un 17 por ciento peor |
| Shen y Tamkin, 2026 (52 desarrolladores) | Asistencia de IA: tarea terminada unos dos minutos antes (no significativo) | Programación a mano: 67 por ciento frente a 50 por ciento en el cuestionario |
En todas las filas, la condición que se sentía o parecía mejor en el momento no fue la que produjo más aprendizaje. El grupo de estudio repetido del experimento de 2006 es la ilustración más limpia: unas cuatro veces más exposición (14,2 lecturas frente a 3,4) para aproximadamente dos tercios de la retención (40 por ciento frente a 61 por ciento). Esa es la aritmética del infierno de los tutoriales.
¿Por qué “simplemente construye un proyecto” también falla con los principiantes?
Porque la investigación que respalda los proyectos no puso a prueba los proyectos sin guía.
El argumento más sólido a favor de esforzarse primero es la literatura sobre la resolución de problemas antes de la instrucción. Sinha y Kapur (2021, Review of Educational Research) agruparon 53 estudios con 166 comparaciones y hallaron una ventaja moderada de intentar los problemas antes de recibir la enseñanza (g = 0.36, intervalo de confianza del 95 por ciento de 0.20 a 0.51), que subía a entre 0.37 y 0.58 cuando el diseño se aplicaba fielmente. Importan dos condiciones. El esfuerzo siempre iba seguido de instrucción, y el patrón se invertía en los aprendices más jóvenes (de segundo a quinto grado) y en las habilidades de dominio general, donde dar primero la instrucción funcionó mejor.
Los ensayos aleatorizados sobre el aprendizaje basado en proyectos cuentan la misma historia sobre la estructura. En 46 escuelas de Míchigan con 2.371 alumnos de tercer grado, un currículo de ciencias basado en proyectos elevó las puntuaciones de una prueba estandarizada en 0,277 desviaciones estándar (Krajcik y colegas, 2023); la intervención incluía cuatro unidades diseñadas, materiales, formación profesional para los docentes y evaluaciones tras cada unidad. En un estudio con 3.645 estudiantes de 68 escuelas aleatorizadas, una versión basada en proyectos de dos cursos de Advanced Placement elevó en 4 puntos porcentuales la proporción de estudiantes que obtenía una puntuación aprobatoria en el examen en conjunto, y en 7,6 puntos entre quienes se presentaron al examen, del 37,2 al 44,8 por ciento (Saavedra y colegas, 2021). Los docentes de ese programa recibieron un instituto de verano de cuatro días, otros cuatro días completos durante el curso y acompañamiento a demanda. Los autores advierten además de que el abandono de escuelas tras la aleatorización debilita la afirmación causal.
Los proyectos funcionan cuando se apoyan en un andamiaje. A un principiante al que se le dice “simplemente construye algo” se le ha entregado el último peldaño de una escalera a la que le han quitado los peldaños inferiores.
¿Qué cambia cuando la IA entra en el proceso?
La IA puede ser el tutorial más rápido jamás creado, o un tutor. La evidencia separa ambos casos con nitidez.
Como máquina de respuestas, agrava la trampa. Bastani y colegas (2025, PNAS) realizaron un experimento de campo con casi 1.000 estudiantes de los grados 9 a 11 de una escuela secundaria de Turquía, a lo largo de cuatro sesiones de matemáticas de 90 minutos. Un chatbot básico con GPT-4 elevó las puntuaciones en los problemas de práctica en un 48 por ciento; una versión instruida para dar pistas en lugar de respuestas las elevó en un 127 por ciento. En el examen posterior sin IA, el grupo del chatbot básico rindió un 17 por ciento peor que los estudiantes que habían practicado solo con libros de texto, mientras que el tutor que daba pistas eliminó el daño sin producir una mejora. Los estudiantes del grupo del chatbot básico no percibieron que les había ido peor. El propio chatbot dio una respuesta correcta solo el 51 por ciento de las veces.
Lo mismo vale para los desarrolladores en activo. Shen y Tamkin (2026, una prepublicación de Anthropic) pidieron a 52 ingenieros de software, en su mayoría júnior, que aprendieran una biblioteca de Python desconocida, asignados al azar a trabajar con o sin un asistente de IA. El grupo con IA promedió un 50 por ciento en un cuestionario de comprensión frente al 67 por ciento del grupo que programó a mano (d = 0.738, p = 0.010), una brecha de 17 puntos, con las mayores diferencias en las preguntas de depuración. El grupo con IA terminó unos dos minutos antes, una diferencia que no fue estadísticamente significativa. Importó cómo se usó el asistente: los participantes que delegaron el código, que se apoyaron más en el asistente a medida que avanzaba la tarea o que lo usaron para depurar por iteración promediaron menos del 40 por ciento, mientras que quienes hicieron preguntas conceptuales, pidieron explicaciones junto con el código o generaron código y luego se esforzaron por entenderlo promediaron un 65 por ciento o más. Estos grupos tienen de 2 a 7 personas cada uno, así que el patrón es descriptivo.
Como tutor estructurado, puede ayudar. En un ensayo aleatorizado con 194 estudiantes de física de Harvard (Kestin y colegas, 2025, Scientific Reports), un tutor de IA cuidadosamente diseñado produjo una puntuación mediana en la prueba posterior de 4,5 frente a 3,5 en una clase de aprendizaje activo, en una mediana de 49 minutos. Los mismos autores advierten contra el uso de la IA allí donde es probable que los estudiantes la traten como una muleta.
La regla que se desprende: en la escalera, la IA puede explicar, dar pistas, hacerte preguntas y revisar. No puede producir aquello que el peldaño existe para hacerte producir a ti. Para la evidencia más amplia, consulta si la IA te está volviendo peor a la hora de pensar.
La escalera del aprendizaje basado en proyectos
La escalera es un marco editorial de CEOtudent. Ordena los hallazgos anteriores en seis peldaños de guía decreciente. No se ha puesto a prueba como conjunto; cada peldaño nombra la investigación de la que toma prestado, y cada uno tiene una prueba de salida que debes superar sin ayuda antes de subir.
| Peldaño | Qué haces | Evidencia de la que toma prestado | Prueba de salida | Uso permitido de la IA |
|---|---|---|---|---|
| 1. Estudiar | Recorre un ejemplo completo y etiqueta para qué sirve cada paso | Ejemplos resueltos (g = 0.48 en matemáticas); guía para novatos | Puedes decir con palabras sencillas qué hace cada paso y por qué | Explicar pasos |
| 2. Completar | Termina una versión parcialmente construida: rellena huecos u ordena pasos desordenados | Los problemas de completar llevaron un tercio menos de tiempo que escribir desde cero con un aprendizaje similar; desvanecimiento de la guía | Lo completas con el ejemplo cerrado | Pistas, no soluciones |
| 3. Modificar | Cambia una versión que funciona y predice el resultado antes de ejecutarla | Enseñanza basada en predecir, ejecutar y modificar en 13 escuelas | Tus predicciones suelen acertar | Comprobar una predicción después de hacerla |
| 4. Reconstruir | Recrea de memoria el ejemplo completo, días después | Práctica de recuperación: 61 por ciento frente a 40 por ciento tras una semana | Funciona con todas las referencias cerradas | Ninguno hasta que termines; después, revisión |
| 5. Ampliar | Añade una función que el ejemplo nunca cubrió, intentándolo antes de consultar nada | Resolución de problemas antes de la instrucción (g = 0.36), seguida de instrucción | La ampliación funciona y puedes explicar la parte que tuviste que consultar | Explicación después de tu propio intento |
| 6. Lanzar | Construye algo propio para un usuario real y recoge retroalimentación específica | Proyectos estructurados (0,277 DE; 4 puntos); retroalimentación rica en información (d = 0.99) | Un usuario o revisor ha respondido y has lanzado una revisión | Revisión y crítica de tu trabajo |
Peldaño 1, estudiar. Un buen ejemplo vale más que cinco vistos por encima. Margulieux, Morrison y Decker (2020) dieron a la mitad de 265 estudiantes de un curso introductorio de Java ejemplos resueltos cuyos pasos estaban etiquetados con su propósito. En el primer cuestionario, el 68 por ciento de ese grupo alcanzó los dos niveles más altos al explicar código en inglés sencillo, frente al 37 por ciento del grupo de control. El grupo con etiquetas rindió mejor en los cuestionarios pero no en los exámenes, y menos de sus integrantes abandonaron o no aprobaron el curso. Etiqueta tú los pasos si el tutorial no lo hace.
Peldaño 2, completar. Ericson, Margulieux y Rick (2017) hicieron que 135 estudiantes de un primer curso de Python practicaran ordenando líneas de código desordenadas hasta formar un programa correcto, arreglando código defectuoso o escribiendo el código desde cero. Los cuatro problemas de práctica llevaron una media de 473 segundos como problemas de ordenación, 679 segundos como problemas de corrección y 714 segundos como problemas de escritura, y no hubo diferencias significativas de aprendizaje ni de inmediato ni una semana después entre los 82 que regresaron. Las cifras de tiempo proceden del capítulo de la tesis doctoral de Ericson sobre el mismo estudio, y los autores señalan que la equivalencia necesita replicarse.
Peldaño 3, modificar. El enfoque PRIMM (predecir, ejecutar, investigar, modificar y crear, por sus siglas en inglés) se evaluó en 13 escuelas con 493 alumnos de 11 a 14 años durante 8 a 12 semanas junto a un grupo de control (Sentance, Waite y Kallia, 2019). El resumen informa de mejores resultados del grupo PRIMM en la prueba posterior sin dar un tamaño del efecto, y los aprendices eran escolares, así que considera este peldaño el de respaldo menos firme.
Peldaño 4, reconstruir. Este es el peldaño que el infierno de los tutoriales se salta, y el que tiene el respaldo experimental más sólido. Cierra todo y recrea el proyecto. Se sentirá peor que volver a ver el tutorial. Los datos de retención anteriores dicen que vale más.
Peldaño 5, ampliar. Primero inténtalo y después busca exactamente lo que te bloqueó. El orden importa: en la investigación, el beneficio corresponde a los intentos que van seguidos de instrucción, no al esfuerzo que queda sin resolver.
Peldaño 6, lanzar. La retroalimentación es la razón de ser del lanzamiento. Wisniewski, Zierer y Hattie (2020) agruparon 435 estudios y hallaron un efecto medio de d = 0.48 de la retroalimentación sobre el aprendizaje, pero el tipo importó más que la media: la retroalimentación rica en información alcanzó 0.99, el simple refuerzo o castigo 0.24, y el 17 por ciento de todos los efectos fue negativo. Ericsson, Krampe y Tesch-Romer (1993) hicieron de la retroalimentación inmediata e informativa una condición definitoria de la práctica deliberada. Pregunta a los revisores qué está mal y cómo arreglarlo, no si les gusta. Hay más sobre lo que la práctica consigue y lo que no en el mito de las 10.000 horas.
¿Cómo encuentras tu peldaño y recorres la escalera cada semana?
Encuentra tu peldaño con una sola prueba. Toma el último tutorial que completaste e intenta el peldaño 4: reconstrúyelo con todo cerrado. Si puedes, empieza en el peldaño 5. Si no puedes, baja al peldaño 2 o 3 con el mismo material en lugar de empezar un tutorial nuevo.
La jugada del CEO: gestiona el trabajo en curso.
- Un solo tutorial en curso. No empieces otro hasta que el actual haya superado el peldaño 4. Esta única restricción convierte el consumo en un inventario que de verdad puedes usar.
- Elige el proyecto antes que el tutorial. Decide cuál será el peldaño 6 y luego elige la guía que le sirva. Para elegir la habilidad en sí, usa la matriz de decisión de 4 factores.
- Cuenta salidas, no horas. Registra cuántos peldaños superaste esta semana, no cuánto tiempo estuviste mirando. Los plazos realistas para habilidades concretas están en el tiempo hasta la competencia de 20 habilidades.
- Asegura la retroalimentación pronto. Ten localizado desde el principio al usuario, al revisor o a la comunidad del peldaño 6, para que el lanzamiento tenga un destino.
La jugada del estudiante: convierte la prueba en la lección.
- Predice antes de ejecutar. Anota lo que esperas antes de ejecutar, compilar, renderizar o enviar cualquier cosa.
- Lleva un registro de errores. Una línea por error: qué esperabas, qué ocurrió, qué sabes ahora. Es tu propia retroalimentación rica en información.
- Reconstruye con retraso. Repite el peldaño 4 una semana después con todo lo que quieras conservar. El calendario que evita el olvido está en la pérdida de habilidades y su mantenimiento, y la clasificación de las técnicas en que se apoya está en 12 técnicas de estudio clasificadas.
- Usa la IA como tutor, no como autor. Pídele que explique, que te haga preguntas y que critique lo que has construido. Tienes un método para ello en el protocolo de 20 horas con tutor de IA.
¿Cuándo es la escalera la herramienta equivocada?
- Cuando estás en el comienzo absoluto. Sin vocabulario alguno, quédate más tiempo en los peldaños 1 y 2. Necesitar guía en esta etapa es lo que predice la investigación, no una debilidad.
- Cuando los errores son costosos o irreversibles. En el trabajo clínico, financiero o crítico para la seguridad, los peldaños superiores deben recorrerse bajo supervisión, no en un proyecto en solitario.
- Cuando la habilidad es de dominio general o el aprendiz es joven. La evidencia a favor de esforzarse primero se invirtió en los primeros grados escolares y en las habilidades generales.
- Cuando necesitas el resultado, no la habilidad. Si una tarea es puntual, seguir un tutorial o delegarla es una decisión razonable. Tómala de forma deliberada y no la cuentes como práctica.
¿Qué dicen los datos verificados? Los estudios clave de un vistazo
| Estudio | Diseño y muestra | Resultado comunicado |
|---|---|---|
| Barbieri y colegas, 2023 | Metaanálisis, 55 estudios, 181 tamaños del efecto, matemáticas | Ejemplos resueltos g = 0.48; las indicaciones de autoexplicación redujeron el efecto |
| Deslauriers y colegas, 2019 | Diseño cruzado aleatorizado, 149 estudiantes de física | Clases activas 0,46 DE más en la prueba, 0,56 DE menos en sensación de aprendizaje |
| Roediger y Karpicke, 2006 | Dos experimentos, 120 y 180 estudiantes | Tras 1 semana, 56 frente a 42 por ciento (una prueba frente a reestudio) y 61 frente a 40 por ciento (tres pruebas frente a estudio repetido) |
| Karpicke y Blunt, 2011 | Dos experimentos, 80 y 120 estudiantes | Recuperación 0,67 frente a mapas conceptuales 0,45; el 84 por ciento rindió mejor con la recuperación |
| Freeman y colegas, 2014 | Metaanálisis, 225 estudios | Rendimiento en exámenes 0,47 DE más; no aprobados 21,8 frente a 33,8 por ciento |
| Ericson, Margulieux y Rick, 2017 | Experimento, 135 estudiantes | Tiempo de práctica 473 segundos (ordenar) frente a 714 (escribir); sin diferencia significativa de aprendizaje |
| Sinha y Kapur, 2021 | Metaanálisis, 53 estudios, 166 comparaciones | g = 0.36 para la resolución de problemas antes de la instrucción; se invirtió en los grados 2 a 5 |
| Krajcik y colegas, 2023 | Ensayo aleatorizado por conglomerados, 46 escuelas, 2.371 alumnos | 0,277 DE en una prueba estandarizada de ciencias |
| Saavedra y colegas, 2021 | Escuelas aleatorizadas, 3.645 estudiantes | 4 puntos más con puntuación aprobatoria; 7,6 puntos entre quienes se presentaron al examen |
| Wisniewski, Zierer y Hattie, 2020 | Metaanálisis, 435 estudios | Retroalimentación d = 0.48; rica en información 0.99; refuerzo o castigo 0.24 |
| Bastani y colegas, 2025 | Experimento de campo, casi 1.000 estudiantes | Práctica un 48 y un 127 por ciento más alta; examen sin ayuda un 17 por ciento peor con el chatbot básico |
| Shen y Tamkin, 2026 | Experimento aleatorizado, 52 desarrolladores | Cuestionario 50 frente a 67 por ciento (d = 0.738); sin ahorro de tiempo significativo |
Preguntas frecuentes
¿Qué es el infierno de los tutoriales?
Es el estado de completar tutoriales con éxito sin ser capaz de construir sin uno. Es un término de la comunidad. La investigación que hay detrás trata de las ilusiones de fluidez y del efecto de inversión de la pericia.
¿Son malos los tutoriales para aprender?
No. Los ejemplos guiados son el comienzo más eficiente para un novato, con un efecto medio de g = 0.48 en matemáticas. Dejan de rendir cuando puedes seguirlos con facilidad, que es el momento de pasar a completar, modificar y reconstruir.
¿Cuántos tutoriales debería terminar antes de empezar un proyecto?
La investigación no ofrece ninguna cifra. Usa una prueba en su lugar: si puedes reconstruir de memoria el proyecto del último tutorial, estás listo para ampliarlo y después empezar el tuyo.
¿Funciona de verdad el aprendizaje basado en proyectos?
Las versiones estructuradas sí. Los ensayos aleatorizados hallaron mejoras de 0,277 desviaciones estándar en ciencias de primaria y de 4 puntos porcentuales en las puntuaciones aprobatorias de examen en dos cursos de secundaria. Ambos programas incluían materiales diseñados y un amplio apoyo a los docentes.
¿Está bien usar la IA mientras aprendes a programar?
Depende del uso. Los estudiantes con un chatbot básico rindieron un 17 por ciento peor en un examen posterior sin él, y los desarrolladores que delegaron el código en un asistente promediaron menos del 40 por ciento en un cuestionario de comprensión. Pedir explicaciones y pistas se asoció con puntuaciones del 65 por ciento o más.
¿Por qué reconstruir de memoria se siente mucho peor que volver a ver el tutorial?
Porque es fácil confundir el esfuerzo con el fracaso. En los experimentos de retención, el método que parecía menos eficaz produjo más aprendizaje una semana después.
Fuentes
- Carpenter SK, Wilford MM, Kornell N, Mullaney KM. Appearances can be deceiving: instructor fluency increases perceptions of learning without increasing actual learning. Psychonomic Bulletin and Review. 2013;20:1350-1356.
- Deslauriers L, McCarty LS, Miller K, Callaghan K, Kestin G. Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. PNAS. 2019;116(39):19251-19257.
- Roediger HL, Karpicke JD. Test-enhanced learning: taking memory tests improves long-term retention. Psychological Science. 2006;17(3):249-255.
- Karpicke JD, Blunt JR. Retrieval practice produces more learning than elaborative studying with concept mapping. Science. 2011;331(6018):772-775.
- Kirschner PA, Sweller J, Clark RE. Why minimal guidance during instruction does not work. Educational Psychologist. 2006;41(2):75-86.
- Barbieri CA, Miller-Cotto D, Clerjuste SN, Chawla K. A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review. 2023;35:11. Resumen.
- Kalyuga S, Ayres P, Chandler P, Sweller J. The expertise reversal effect. Educational Psychologist. 2003;38(1):23-31. Resumen.
- Renkl A, Atkinson RK. Structuring the transition from example study to problem solving in cognitive skill acquisition. Educational Psychologist. 2003;38(1):15-22. Resumen.
- Stack Overflow. 2025 Developer Survey, resultados oficiales (páginas Developers y Methodology).
- Koedinger KR, Kim J, Jia JZ, McLaughlin EA, Bier NL. Learning is not a spectator sport: doing is better than watching for learning from a MOOC. Proceedings of the Second ACM Conference on Learning at Scale. 2015:111-120.
- Freeman S, Eddy SL, McDonough M, Smith MK, Okoroafor N, Jordt H, Wenderoth MP. Active learning increases student performance in science, engineering, and mathematics. PNAS. 2014;111(23):8410-8415.
- Sinha T, Kapur M. When problem solving followed by instruction works: evidence for productive failure. Review of Educational Research. 2021;91(5):761-798. Resumen.
- Krajcik J, Schneider B, Miller EA, Chen I-C, Bradford L, Baker Q, Bartz K, Miller C, Li T, Codere S, Peek-Brown D. Assessing the effect of project-based learning on science learning in elementary schools. American Educational Research Journal. 2023;60(1):70-102. Resumen.
- Saavedra AR, Liu Y, Haderlein SK, Rapaport A, Garland M, Hoepfner D, Morgan KL, Hu A. Knowledge in Action efficacy study over two years. USC Dornsife Center for Economic and Social Research. 2021.
- Bastani H, Bastani O, Sungu A, Ge H, Kabakci O, Mariman R. Generative AI without guardrails can harm learning: evidence from high school mathematics. PNAS. 2025;122(26):e2422633122.
- Shen JH, Tamkin A. How AI impacts skill formation. Prepublicación, Anthropic, 2026.
- Kestin G, Miller K, Klales A, Milbourne T, Ponti G. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. 2025;15:17458.
- Margulieux LE, Morrison BB, Decker A. Reducing withdrawal and failure rates in introductory programming with subgoal labeled worked examples. International Journal of STEM Education. 2020;7:19.
- Ericson BJ, Margulieux LE, Rick J. Solving Parsons problems versus fixing and writing code. Proceedings of the 17th Koli Calling International Conference on Computing Education Research. 2017:20-29. Resumen, con datos de tiempo de Ericson BJ, tesis doctoral, Georgia Institute of Technology, 2018.
- Sentance S, Waite J, Kallia M. Teaching computer programming with PRIMM: a sociocultural perspective. Computer Science Education. 2019;29(2-3):136-176. Resumen.
- Wisniewski B, Zierer K, Hattie J. The power of feedback revisited: a meta-analysis of educational feedback research. Frontiers in Psychology. 2020;10:3087.
- Ericsson KA, Krampe RT, Tesch-Romer C. The role of deliberate practice in the acquisition of expert performance. Psychological Review. 1993;100(3):363-406.
La tabla de la trampa de la fluidez y la escalera del aprendizaje basado en proyectos son análisis de CEOtudent elaborados a partir de las fuentes anteriores. Todas las demás cifras se recogen tal como aparecen en esas fuentes.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
