4 Brechas, riesgos y el desafío de la equidad
4.1 Oportunidades para una implementación más equitativa
Los hallazgos de Yeyati et al. (2025) en plataformas educativas uruguayas identifican patrones que representan oportunidades de mejora continua: mientras el acceso es universal, las trayectorias pueden diversificarse según intereses y perfiles.
Las chicas participan tanto o más que los varones en etapas iniciales, y en evaluaciones estandarizadas de pensamiento computacional muestran desempeños equivalentes. El desafío está en consolidar su confianza para que exploren con la misma libertad en actividades abiertas y creativas.
Este patrón, documentado internacionalmente, señala la importancia del diseño intencional. La evidencia muestra que cuando se construye confianza junto con competencia técnica, la persistencia en trayectorias STEM aumenta significativamente. Shapiro y Sax (2011) muestran que la confianza inicial en matemática y ciencia en primer año universitario predice persistencia en carreras STEM mejor que el desempeño objetivo. Es decir: si llegás con competencia técnica pero sin confianza, te vas. Si llegás con confianza, te quedás incluso cuando tenés dificultades.
El programa micro:bit puede reproducir esto o puede interrumpirlo. Pero no va a pasar por default. Requiere diseño intencional.
4.2 Intervenciones que funcionan (según evidencia internacional)
La Raspberry Pi Foundation ha documentado estrategias efectivas para mitigar brechas de género en educación en computación:
Diversificar proyectos ejemplares: Si todos los tutoriales son robots de combate, estás mandando un mensaje sobre quién debería estar interesado. Incluir proyectos de arte interactivo, wearables, monitoreo ambiental, accesibilidad diversifica la entrada.
Normalizar el error: Las chicas tienden a interpretar errores como evidencia de falta de aptitud. Los varones como parte del proceso. Los docentes pueden interrumpir esto explicitando: “En programación, todo el mundo tiene bugs. El debugging es la habilidad real.”
Estructurar la colaboración: No dejar que los grupos se auto-organicen libremente. Rotar roles deliberadamente. Usar rúbricas que evalúan contribuciones individuales identificables.
Visibilizar modelos: Traer mujeres programadoras, ingenieras, científicas de datos a las aulas. No como “inspiración” abstracta sino como personas que cuentan cómo fue su trayectoria, incluyendo las dudas.
Medir y retroalimentar: Si no medís autoeficacia desagregada por género, no sabés si hay problema. Si no retroalimentás a los docentes sobre sus propios sesgos (sutiles, inconscientes), no van a cambiar sus prácticas.
Nada de esto es rocket science, y representa una oportunidad de fortalecimiento institucional sistemático.
4.3 Fortalecimiento de la gobernanza local
Ostrom demostró que los bienes comunes pueden gestionarse exitosamente sin privatización ni control estatal centralizado, pero solo bajo condiciones institucionales específicas. Las comunidades exitosas tienen:
Límites claros: Quién tiene derecho a usar el recurso
Congruencia: Las reglas se ajustan a condiciones locales
Participación: Las y los afectados participan en modificar las reglas
Monitoreo: Alguien vigila el cumplimiento
Sanciones graduadas: Las violaciones tienen consecuencias proporcionadas
Resolución de conflictos: Mecanismos accesibles y rápidos
Autonomía: El sistema externo reconoce legitimidad de las reglas locales
¿Cuántos centros educativos uruguayos tienen esto para las placas micro:bit? Probablemente muy pocos. La mayoría opera en uno de dos modos: anarquía (quien las agarra primero las usa) o monopolio de facto (el/la docente entusiasta las controla).
Ninguno es sostenible. El primero genera la tragedia de los bienes comunes: nadie cuida las placas porque son de todos y de nadie. El segundo genera dependencia frágil: cuando la/el docente se va, colapsa todo.
El programa necesita proveer marcos de referencia institucionales: modelos de reglamento interno, sistemas simples de reserva, protocolos de mantenimiento. Pero lo crítico es que cada centro adapte esto a su realidad. Lo que funciona en una escuela de 500 estudiantes en Montevideo no funciona en una rural de 20.
4.4 La integración de la IA generativa
Desde 2023, la irrupción de grandes modelos de lenguaje (LLMs) cambia radicalmente el panorama de la programación. Una estudiante puede pedirle a ChatGPT “escribime código para hacer un semáforo con micro:bit” y obtener código funcional en segundos.
Esto puede ser una bendición o una maldición.
Bendición si: Las y los estudiantes usan IA como tutor que explica, sugiere mejoras, ayuda a debuggear. Es decir, si amplifica la capacidad de aprendizaje.
Maldición si: Las y los estudiantes copian y pegan código sin entenderlo, completando formalmente las consignas pero sin desarrollar capacidades. Es decir, si permite “hacer trampa” en el desarrollo de capital humano.
La diferencia no está en la tecnología. Está en el diseño pedagógico. Si las evaluaciones premian “código que funciona” sin preguntar “¿entendés por qué funciona?”, los incentivos apuntan al copy-paste. Si las evaluaciones incluyen explicaciones, modificaciones, transferencia a problemas nuevos, la IA se vuelve herramienta de aprendizaje.
Y aquí vuelve la brecha de género. Si los varones usan IA como asistente exploratorio y las chicas como reemplazo (porque tienen menos confianza en sus capacidades), la tecnología que prometía democratizar el acceso a la programación termina ampliando las brechas.
El programa micro:bit necesita posicionarse explícitamente sobre esto. Ignorar la IA no es opción -las y los estudiantes ya la están usando. La pregunta es: ¿bajo qué pedagogía?