Ir al contenido
Atrás

Aprender a programar: el "gen del programador" que su autor retiró

Ilustración de código y primeros pasos en la programación

En 2006 Dehnadi y Bornat publicaron un artículo con un título memorable: The Camel Has Two Humps. Sostenían haber encontrado un test capaz de predecir, antes de cualquier clase, quién conseguiría aprender a programar y quién no. La idea se difundió rápidamente con el nombre de “gen geek”: o lo tienes, o déjalo.

En 2014 Richard Bornat publicó una retractación, explicando que el resultado no se había replicado y que el artículo original no debería haberse interpretado como se hizo. La retractación tuvo una fracción de la difusión del original, y el mito sobrevivió a la evidencia que lo sostenía.

Esta es la premisa necesaria para hablar de cómo se aprende a programar de adulto, porque casi toda la investigación restante apunta en la misma dirección.

El dato sobre las distribuciones de notas

Si existiera una predisposición binaria, las notas en los cursos introductorios de informática deberían distribuirse en dos picos: quien lo entiende y quien no. Es una afirmación verificable, y alguien la verificó.

Patitsas, Berlin, Craig y Easterbrook (ICER, 2016) analizaron 778 distribuciones de notas de cursos universitarios de informática en una universidad de investigación. El resultado: solo el 5,8% era multimodal. La inmensa mayoría tenía la distribución normal que se encuentra en cualquier otra asignatura.

El estudio tiene una segunda parte, más incómoda: cuando a esos mismos docentes de informática se les mostraba una distribución ambigua, la clasificaban como bimodal con más frecuencia si estaba etiquetada como un curso de informática. La creencia producía la percepción.

No existe la “curva de dos jorobas” de los programadores. Existe una asignatura con alta tasa de abandono por razones didácticas, leída a través de una creencia que se autoconfirma.

Cómo se aprende de verdad: tres resultados sólidos

La buena noticia es que aprender a programar no necesita una teoría propia. Vale lo que vale para el aprendizaje de habilidades complejas en general, y esa literatura es sólida.

1. Recuperar gana a releer. Roediger y Karpicke (Psychological Science, 2006) mostraron que evaluar la memoria produce una retención a largo plazo sensiblemente superior a releer el mismo material, incluso cuando los estudiantes creen lo contrario. Aplicado al código: cerrar el tutorial y reescribir la función de memoria vale más que releerla tres veces.

2. Distribuir gana a concentrar. Cepeda y colegas (Psychological Bulletin, 2006) metaanalizaron más de 250 estudios sobre el efecto de espaciamiento: los intervalos distribuidos en el tiempo producen mejor retención que las sesiones concentradas, a igualdad de tiempo total. Una hora al día durante seis días gana a seis horas el sábado.

3. Los ejemplos resueltos ganan al descubrimiento libre, al principio. Sweller y Cooper (Cognition and Instruction, 1985) documentaron el worked example effect: para quien empieza de cero, estudiar soluciones ya resueltas y después abordar problemas análogos es más eficiente que atacar los problemas directamente. Kirschner, Sweller y Clark (Educational Psychologist, 2006) ampliaron el argumento: la instrucción con guía mínima es especialmente ineficaz para principiantes, porque la carga cognitiva consume los recursos que necesitaría el aprendizaje.

El tercer punto contradice el consejo más difundido en internet —“aprende construyendo proyectos”— y hay que matizarlo: el consejo es correcto, pero no en la primera fase. El efecto se invierte con la experiencia.

Leer código antes de escribirlo

Hay una línea específica de la investigación en educación informática que merece citarse porque produce un consejo operativo poco común.

Lister y colegas (ITiCSE Working Group Report, 2004), en un estudio multinacional con estudiantes principiantes, documentaron que muchos no lograban predecir la salida de fragmentos breves de código. Venables, Tan y Lister (ICER, 2009) profundizaron en la relación entre trazar, explicar y escribir código, y encontraron que la capacidad de seguir la ejecución de un programa es un prerrequisito práctico de la capacidad de escribir uno.

La consecuencia operativa: si no puedes decir qué imprime un bucle antes de ejecutarlo, escribir más código no resuelve el problema. Hay que trazar.

FaseQué funciona según la investigación
Primeros pasosEjemplos resueltos, trazado manual del código
ConsolidaciónRecuperación activa, práctica distribuida
AutonomíaProyectos reales, guía mínima
SiempreFeedback rápido sobre errores concretos

La IA cambia la ecuación, pero no como crees

Peng, Kalliamvakou, Cihon y Demirer (2023) realizaron un experimento controlado con 95 desarrolladores divididos entre quienes usaban GitHub Copilot y quienes no, sobre la implementación de un servidor HTTP en JavaScript. El grupo con asistente completó la tarea alrededor de un 56% más rápido.

La cifra impresiona, pero hay que leerla por lo que es: desarrolladores ya competentes, en una tarea bien definida. No es un dato sobre aprendizaje.

Para quien aprende vale la advertencia que emerge de toda la literatura sobre carga cognitiva: si el asistente produce la solución, la recuperación activa —el mecanismo que genera la retención— no ocurre. La herramienta acelera la producción y puede frenar el aprendizaje, que son dos objetivos distintos.

Un recorrido para los primeros meses

1. Elige un lenguaje y deja de elegir. Python o JavaScript sirven igual para empezar. El tiempo dedicado a compararlos es tiempo que no dedicas al primero, y las construcciones básicas se transfieren de todos modos.

2. Traza antes de escribir. Coge diez fragmentos de cinco líneas, escribe en papel qué imprimirán y después ejecútalos. Es el ejercicio que Lister usó para medir el problema, y funciona también como remedio.

3. Cierra el tutorial y reescribe. Después de cada lección, reproduce de memoria lo que acabas de ver, sin mirar. Te equivocarás: ahí es exactamente donde se forma la retención.

4. Una hora al día, no un fin de semana al mes. Es el resultado más replicado de toda la psicología del aprendizaje y el más ignorado. Recogimos el método en aprender una competencia en 30 días.

5. Pasa a los proyectos cuando las construcciones sean automáticas, no antes. El worked example effect se invierte con la experiencia: la guía mínima es excelente para quien ya tiene las bases, contraproducente para quien no.

6. Usa el asistente para explicar, no para producir. “¿Por qué este código da error?” es una pregunta que enseña. “Escríbeme la función” es una pregunta que entrega. Cómo plantear las peticiones está en cómo usar ChatGPT en el trabajo.

7. Comprueba antes qué pide el mercado. Si el objetivo es laboral, el lenguaje cuenta menos que el puesto: los datos sobre los trabajos más demandados y la lógica de las certificaciones son el filtro que hay que aplicar antes de invertir meses.

Lo que pienso: el “gen del programador” le conviene a todos

Creo que el “gen geek” sobrevivió a su propio desmentido porque resulta cómodo para todos: justifica el abandono de quien lo deja y explica el éxito como talento para quien se queda.

Creo que lo que marca la diferencia, más que la inteligencia, es la tolerancia a estar bloqueado veinte minutos sin cerrar el editor. Sospecho que es simplemente la carga cognitiva de Sweller vista desde fuera: quien ya ha automatizado la sintaxis tiene recursos libres para el problema, quien no la ha automatizado los agota. No se ha medido, así que lo etiqueto por lo que es: una hipótesis, no un resultado.

Preguntas frecuentes

¿Soy demasiado mayor para empezar? Nada en la investigación citada aquí identifica un límite de edad. El estudio que sostenía la existencia de una predisposición fija fue retirado por su autor, y las distribuciones de notas en los cursos introductorios no son bimodales.

¿Mejor un bootcamp o autodidacta? No existen estudios experimentales independientes sólidos sobre bootcamps, y conviene decirlo en lugar de fingir lo contrario. Lo que la investigación sí respalda es la estructura: plazos externos y feedback rápido mejoran la finalización, con independencia del formato.

¿Cuánto tiempo hace falta de verdad? Depende del objetivo, y las cifras que circulan no tienen base experimental. El dato utilizable se refiere a la distribución: a igualdad de horas totales, repartirlas en el tiempo produce más retención que concentrarlas.

¿Tengo que aprender matemáticas antes? Para la programación de aplicaciones, no. Para áreas concretas —gráficos, criptografía, aprendizaje automático— sí, y es un prerrequisito real, no un filtro cultural.

¿La IA hará inútil saber programar? Los datos disponibles miden la aceleración de la producción por parte de desarrolladores competentes, no la sustitución. La parte que sigue siendo humana, en todos los estudios sobre el tema, es reconocer cuándo el resultado es erróneo, algo que exige saber leer código.

Fuentes

Fundador de UpSkillLab, con un Máster en Marketing Digital por la Universidad de Florencia. Cada artículo parte de fuentes públicas citadas en el texto y se redacta con la ayuda de herramientas de inteligencia artificial, bajo mi revisión y responsabilidad editorial: sin contenido comprado, nada publicado sin control humano. Lee el método editorial o señálame un error.


Comparte este artículo:

Ver todos los artículos de Competencias y Habilidades

Artículo anterior
Certificaciones online: el 3% que termina y el experimento con reclutadores
Artículo siguiente
Cómo dejar de procrastinar: qué dicen los datos (no es el perfeccionismo)