Identificación del Perfil de un Programador en el ámbito de la Neurociencia
Montesano, L; Deroche, A; Pollo-Cattaneo, Ma. F.
Grupo de Estudio en Metodologías de Ingeniería de Software (GEMIS). Facultad Regional Buenos
Aires.
Universidad Tecnológica Nacional, Argentina
{leomontesano, arielderoche, flo.pollo}@gmail.com
Resumen
El avance de la actual revolución tecnológica
requerirá de mayor cantidad y calidad de
desarrolladores de sistemas informáticos. Las
habilidades para la formación de los mismos podrían
llegar a ser de vital importancia. En este trabajo se
presenta un camino posible para la identificación,
comprensión e implementación de nuevos conocimientos
para la enseñanza de dicha especialidad creando un
modelo que indique qué sucede en el cerebro de un
desarrollador.
1. Introducción
El siglo XXI ha sido muy importante en materia de
neurociencia. Hoy se puede observar qué es lo que
sucede dentro del cerebro, mediante técnicas de análisis
de imágenes, registrando toda la actividad, identificando
así las regiones que se activan cuando se desarrollan
distintas actividades. Debido a que el cerebro es un
sistema complejo, por la gran cantidad de neuronas que
forman los circuitos que llamamos redes, una de las
estrategias adoptadas es la de realizar modelos
simplificados que ayuden a entender sus funciones en un
ambiente determinado [1].
Según se puede observar en el estudio realizado [2],
las regiones del cerebro que activa la lectura de código
fuente, de una determinada muestra de alumnos, son
similares a las regiones que se activan durante la lectura
de cualquier texto. Esto podría determinar, en principio,
el grado de interrelación que existe entre cualquier
código de programación y un idioma. Tal es así que se
podría aplicar la analogía del lenguaje de programación
con la de un idioma determinado o forma de
comunicación. La muestra del estudio realizado se
obtuvo gracias a los fMRI (registros de resonancia
magnética funcional) que miden en cierta forma qué
zonas del cerebro están más activas.
Dentro del ámbito de la Facultad Regional Buenos
Aires de la Universidad Tecnológica Nacional (UTN-
FRBA) se ha conformado el Grupo GEMIS (Grupo de
Estudios de Metodología para Ingeniería de Software y
Sistemas de Información), un equipo de personas con
interés en la investigación vinculada a la Ingeniería en
Sistemas de Información y Tecnología Aplicada a la
Educación. Así, en Mayo del 2015, se ha puesto en
marcha el Proyecto de Investigación y Desarrollo (PID)
denominado “Intervenciones tecnológicas en dispositivos
didácticos con herramientas de tecnología informática”
cuyo objetivo es analizar y describir el uso de la
tecnología informática en las intervenciones didácticas de
los profesores de las asignaturas de la carrera de
Ingeniería en Sistemas de Información (ISI) de la UTN-
FRBA, desarrollando nuevos artefactos tecnológicos que
favorezcan la mejora en las intervenciones didácticas y
una metodología de implementación.
La relación entre ciencia y educación puede colaborar
para el rediseño de programas educativos orientados a la
optimización del aprendizaje. La inversión en educación
de calidad redunda con creces en el capital mental de una
sociedad [3].
En este contexto, dentro del grupo se ha detectado la
necesidad de considerar oportuno que la Neurociencia
aporte en los procesos de enseñanza del área de
Programación por medio de la aplicación del método de
Montecarlo.
Para ello, el presente trabajo introduce la definición
del problema (sección 2), la propuesta de solución
(sección 3) y la experimentación realizada (sección 4).
Finalmente, se exponen las conclusiones y futuras líneas
de trabajo (sección 5).
2. Definición del problema
La gran cantidad de investigaciones que se han
llevado a cabo en el ámbito de las neurociencias en estos
últimos años ha permitido comprender, con un mayor
detalle, el funcionamiento del cerebro, y cómo la
curiosidad y la emoción resultan esenciales para el
aprendizaje de nuevos conocimientos (considerando al
aprendizaje como aquel proceso que se encuentra
relacionado con los cambios que ocurren en un individuo
a nivel cognitivo y neuronal, como resultado de la
experiencia) [4].
 Por otro lado, la problemática en el proceso de
enseñanza y aprendizaje de la programación ha dado que
hablar en estos últimos años a nivel mundial; tal es así
que diversos trabajos y estudios se han planteado
alternativas que puedan paliar dicha situación [5-6-7-8].
Además, se presenta una alta demanda de programadores
en el mercado laboral, siendo competencia de las
Universidades incorporar en sus carreras (afines a
sistemas de información) el desarrollo de las habilidades
cognitivas de los estudiantes para motivarlos a fin de
incrementar la cantidad de graduados [9-10].
Partiendo de lo enunciado y acompañando las actuales
investigaciones, que tratan los aportes de la neurociencia
en la educación gracias al entendimiento de los procesos
cognitivos para la educación tales como el aprendizaje,
memoria, inteligencia y emoción [11], el Grupo GEMIS
considera que la neurociencia puede aportar en el proceso
de búsqueda de mejora de enseñanza en Programación.
Así, la pregunta de investigación resulta si obteniendo
un mapa neuronal de diferentes perfiles de
programadores se puede definir un patrón común que
requieran las personas con el fin de servir didácticamente
en la formación de tales perfiles. ¿Es posible aportar
información que colabore en el desarrollo de habilidades
para la programación?, ¿Qué posibilidades existen de
alcanzar la formación de los programadores expertos?,
¿Es posible dilucidar dónde se presenta mayor actividad
neuronal para los programadores de sistema software de
más efectivos?, ¿Podría la enseñanza en la materia
desarrollar más y mejores programadores?, ¿Qué
habilidades deberían estimularse?
3. Solución Propuesta
A partir del problema identificado en la sección
anterior y, con el objetivo de determinar el perfil de un
programador, se propone simular su actividad cerebral
cuando se encuentran resolviendo diferentes ejercicios,
generando una muestra representativa de perfiles a fin de
incrementar la calidad de los datos y ser considerados
confiables para obtener posibles conclusiones.
Para dicho fin, resulta esencial la creación de un
modelo conceptual que resulte ser la expresión formal de
las características del sistema para que, luego una
simulación pueda brindar un contexto de situaciones
experimentales [12].
El modelo conceptual creado para el presente trabajo,
el cual se visualiza en la Figura 1 “Aspecto gráfico del
campo vectorial del modelo conceptual”, tiene como
objetivo comprender el comportamiento neuronal de un
programador. Para tal fin se tomaron en cuenta tres
aspectos fundamentales para su comprensión:
“Personalisimos y Profesionales”, “Específicos” y
“Fisiológicos”.
En primer lugar se tienen en cuenta características
propias de las personas como la edad (Ed), género (Gen),
estado civil (EC) y cantidad de idiomas que domina
(CLC), y características relacionadas a la profesión,
como si actualmente trabaja (TraPro), o no (Tra), en el
área de la programación, antigüedad (AnosTraPro),
categoría (CatPro) y cantidad de lenguajes que domina
(CLP). A las variables mencionadas se las denomina
“Personalisimos y Profesionales”.
En segundo lugar, se consideran aspectos
fundamentales que deben poseer los programadores,
Figura 1. Aspecto gráfico del campo vectorial del
modelo conceptual
definidos en el marco de las recomendaciones planteadas
del Plan Estratégico 2004-2014 del Foro de la
Competitividad para el Sector de Software y Servicios
Informáticos, resultando de entrevistas a diferentes
líderes de proyectos, coordinadores de Programación y
Psicólogos [13]. Los mismos fueron identificados como
aspectos “Específicos”, contando con las siguientes
variables: Interpretación del problema a solucionar (IdP),
Planificación del trabajo (PdT), Estrategia de solución
(EdS), Codificación de la solución (CdS), Verificación
del trabajo (VdT), Depuración del trabajo (DdT).
Por último, se consideran aspectos que se denominan
“Fisiológicos”, relacionados al comportamiento neuronal
de cada perfil, para el cual se desarrolló una simulación
en base al posicionamiento del sistema 10-20 para
electroencefalografía, al igual que el dispositivo EGG
EPOC+ 14 canales de Emotiv [14], que reporta la
distribución de 14 puntos del cuero cabelludo de la
persona que lo posea. Dichos puntos se encuentran
distribuidos de tal forma que permiten identificar
diferentes zonas del cerebro (identificadas en las
variables), tal y como se observa en la Figura 2
“Electrodos del EGG EPOC+14 canales”. Dentro de esta
segmentación se puede identificar, la primer área que
trata del área Prefrontal (AF3, AF4) encargada de la
planificación de comportamientos cognitivamente
complejos, procesos de toma de decisiones y del
comportamiento social [15].
En el área Frontal (F3, F4, FC5, FC6, F7, F8), se
encuentra la producción del lenguaje, la memoria
funcional (de trabajo, de corto plazo), funciones motora,
socialización y espontaneidad. El área Temporal (T7, T8,
CMS, DRL), formada por los lóbulos derechos e
izquierdo, son responsables de todo el proceso auditivo,
el habla, la lectura y la memoria (recuerdo de palabras y
nombres de los objetos). El lóbulo temporal no
dominante está implicado en la memoria visual. En dicha
área se encuentra el Hipocampo, cuya función principal
Figura 2. Electrodos del EGG EPOC+14 canales.
está en la correcta formación y actividad de la memoria.
El área Parietal (P7, P8) se encarga del procesamiento de
la información sensorial procedente de varias partes del
cuerpo, el conocimiento de los números y sus relaciones
y en la manipulación de los objetos. El área Occipital
(O1, O2) contiene a la corteza visual (encargada de ver e
interpretar lo que vemos) [16].
En función de las variables presentadas hasta el
momento (“Personalisimos y Profesionales”,
“Específicos” y “Fisiológicos”), y en su comportamiento
aleatorio que determina el comportamiento global del
sistema, se pretende aplicar el método de simulación de
Montecarlo basándose en el modelo conceptual creado
con anterioridad, aplicando las variables mencionadas y,
generando así, un modelo probabilístico a partir de la
combinación de las variables utilizadas [17] identificando
de esta manera el estilo de comportamiento del cerebro
de un programador.
4. Experimentos
En este capítulo se presentan las bases teóricas y
metodológicas en las cuales se sostiene la propuesta del
presente trabajo. En una primera parte, se describen las
características del experimento brindando las
consideraciones que se tuvieron en cuenta para la
realización del mismo (sección 4.1), luego se presentan
gráficas e interpretaciones sobre la experimentación con
variables del componente específico del modelo
conceptual (sección 4.2), para continuar con las referidas
a criterios personalísimos y profesionales (sección 4.3) y
finalizar con el análisis sobre el componente fisiológico
(sección 4.4).
4.1. Definiciones del Experimento
A modo de información para las muestras a realizar, el
dispositivo EGG EPOC+ 14 canales de Emotiv cuenta
con un rango de amplitud por cada lectura de EMOTIV
EPOC +14 es de -4.7 / 4.7 mV [18].
Si bien el dispositivo toma 128 muestras de EGG por
segundo (para digitalizar la entrada analógica de cada
sensor) que resultan 7680 por minuto, para poder
desarrollar la simulación y simplificar el almacenamiento
de la información en registros, se reduce a 18 muestras de
EGG por segundo, resultando 1080 por minuto. En la
misma sintonía, se determina que la simulación se
realizará con 100 perfiles, y como máximo tres ejercicios
cada uno, registrándose muestras de
electroencefalograma (EGG) por segundo, siendo éste
último un registro de la actividad eléctrica de las
neuronas del encéfalo [19], considerando para cada
ejercicio 5 minutos de mínimo y 20 minutos de máximo.
Se presentan los resultados, gráficos e interpretación
sobre la experimentación con variables del componente
específico del modelo conceptual, para continuar con las
variables personalisimos y profesionales y, finalizar con
el análisis sobre el componente fisiológico.
4.2. Componente específico del modelo
conceptual
Teniendo en cuenta las variables del componente
específico del modelo conceptual, podemos observar en
la curva de la Figura 3 "Resultados específicos"
(promedio de a 10 perfiles, promedio de nota final
alcanzada) la representación de la nota evaluativa
alcanzada por la muestra de perfiles de programadores al
realizar los ejercicios de programación planteados en el
experimento. La misma se presenta creciente, entre cotas
mínima y máxima, interpretando a las menores y medio se da en la primera intersección de las variables
mayores calificaciones obtenidas de los ejercicios IdP y PdT, presentándose la mayor diferencia de
realizados por cada perfil, donde se relacionan las amplitud entre las mismas, pudiendo representar el
detrimento en la consideración del problema frente a la
8
importancia de un adecuado plan del trabajo para dar
7 solución. El grupo con altos resultados parciales logra
mantener una simultaneidad y coincidencia entre las
6 componentes de identificación y planificación.
El gráfico de la Figura 5 "Estrategia de solución y
5
codificación de solución" (promedio de a 10 perfiles,
4 promedio de nota parcial alcanzada) presenta y relaciona
los conceptos sobre la elección del camino a seguir y el
3 avance sobre él para alcanzar la meta, es decir, los
2
conceptos Estrategia de solución (EdS) y Codificación de
la solución (CdS). La figura presenta los grupos con
1 resultados parciales: bajo, medio y alto (definidos por los
0 2 4 6 8 10 12 14 límites 2-3, 3-5 y 5-8 respectivamente). Dentro del
Específicos
8
Figura 3. Resultados específicos.
7
variables independientes del modelo conceptual:
Interpretación del problema a solucionar (IdP), 6
Planificación del trabajo (PdT), Estrategia de solución
(EdS), Codificación de la solución (CdS), Verificación 5

del trabajo (VdT), Depuración del trabajo (DdT). 4

Al interpretar los conceptos referidos a la
interpretación del problema (IdP) y planteo del trabajo 3
(PdT), la muestra de perfiles de programador presenta los
grupos con resultados parciales: bajo, medio y alto 2

(definidos por los límites 1-3, 3-5 y 5-7 respectivamente), 1

como puede observar en el gráfico de la Figura 4 0 2 4 6 8 10 12 14
"Identificación del problema y planteo del trabajo" Estrategia de Solución Codificación de Solución
(promedio de a 10 perfiles, promedio de nota parcial
alcanzada). Figura 5. Estrategia de solución y codificación
de solución.
Para el grupo bajo, las variables independientes
mantienen una diferencia de amplitud, lo cual indica que primer grupo, es notorio el pico alcanzado por la curva de
la identificación del problema se realiza con mayor codificación de solución, lo que permite interpretar que la
efectividad que el planteo del trabajo. El inicio del grupo estrategia de algoritmos para dar solución es despreciada
8 ante la escritura de código del programa, representando la
valoración de la construcción por sobre el planeamiento
7 previo. El grupo medio, presenta mayor valoración de la
estrategia de solución en menor escala y por debajo de la
6
codificación (dado que las diferencias de amplitud
5 tienden a reducirse). Este patrón de comportamiento
continúa aún en el grupo con alto resultado del parcial,
4 donde las curvas son semejantes en frecuencia,
presentando leves diferencias de amplitud que podrían
3
expresar que la estrategia de solución y la codificación se
2 aproximan en importancia.
Al interpretar los conceptos referidos a la verificación
1 del trabajo (VdT) y depuración del trabajo (DdT), la
0 2 4 6 8 10 12 14
muestra de perfiles de programador presenta los grupos
Identificación del Problema Planteo del Trabajo con resultados parciales: bajo, medio y alto (definidos
Figura 4. Identificación del problema y planteo por los límites 2-3, 3-5 y 5-8 respectivamente), como
del trabajo. puede observarse en el gráfico de la Figura 6
"Verificación del trabajo y depuración del trabajo"
(promedio de a 10 perfiles, promedio de nota parcial 105

alcanzada). Para el grupo bajo, las variables 100

independientes mantienen una pronunciada diferencia de
amplitud, lo cual indica que el control de los resultados 95

esperados del trabajo se realiza con mayor intensidad que

la depuración de posibles errores y advertencias del 90

programa. El inicio del grupo medio se da en la segunda

85
intersección de las curvas, presentándose la mayor
diferencia de amplitud entre ellas, pudiendo representar 80
el incremento de re-escritura de programa fuente para
alcanzar la depuración por encima de la las pruebas sobre 75

el funcionamiento de mismo. Este patrón de

70
0 2 4 6 8 10 12 14
8
Personalísimo y Profesional
7
Figura 7. Resultados personalísimos y
6
profesionales.
de relacionamiento laboral (Tra), si su trabajo es o no
5
relacionado con la programación (TraPro), cantidad de
4 años relacionados con la programación (AñosTraPro),
categoría de programador (CatPro), cantidad de lenguajes
3 de programación de su domino (CLP) y cantidad de
lenguajes de comunicación dominados (CLC).
2
Al relacionar los conceptos referidos a la edad del
1 programador (Ed) y la experiencia acumulada en años de
0 2 4 6 8 10 12 14 programación (AñosTraPro), la muestra de perfiles
Verificación del Trabajo Depuración del Trabajo presenta los grupos con resultados parciales: bajo, medio
Figura 6. Verificación del trabajo y depuración
y alto, como puede observarse en Figura 8 "Edad y años
del trabajo. de relación con la programación" (promedio de a 10
perfiles, promedio de años). En todos los grupos, las
comportamiento continúa aún en el grupo con alto variables independientes mantienen menor y mayor
resultado parcial, aumentando las diferencias de distancia entre sus picos. Esto podría indicar que, en la
amplitud, valorando la depuración por encima de las media de calificaciones no se presenta influyente la
pruebas sobre de programa. diferencia entre la edad y los años de experiencia en
programación, aunque la suma parcial de las
4.3. Componente personalísimo y profesional del componentes, aumenta levemente a medida que el perfil
modelo conceptual de programador es mayor en edad. Otra interpretación
55
La rama del modelo relacionada a las características
50
individuales de cada perfil de programador y su actividad
profesional se encuentra representada por la Figura 7 45

"Resultados personalísimos y profesionales" (promedio 40

de a 10 perfiles, promedio de suma de términos). Al
35
conservar el ordenamiento de la muestra por los
resultados específicos obtenidos durante las pruebas de 30

programación (presentados en la Figura 3 "Resultados 25

específicos"), la curva resulta fluctuante, entre cotas
20
mínima y máxima, con rasgos distintivos de frecuencia,
pudiendo interpretarse una divergencia de condiciones 15

individuales y profesionales entre las menores y mayores 10

calificaciones alcanzadas. Se relacionan las variables 0 2 4 6 8 10 12 14

independientes del modelo conceptual acera de: edad del Edad Años de Relación con Programación

programador al momento de realizar la prueba (Ed), Figura 8. Edad y años de relación con la
género (Gen), estado civil (EC), si trabaja y con qué tipo programación.
posible, se refiere al hecho en que los años de experiencia 4

en programación no intervienen en la obtención de

mejores calificaciones sobre los ejercicios propuestos en 3,5

la simulación.
La Figura 9 "Género y estado civil" (promedio de a 10 3

perfiles, promedio de condiciones), presenta y relaciona

2,5
los conceptos sobre distinción de género y estado civil de
la muestra de programadores de sistema software. Las
2
curvas podrían interpretarse agrupadas con resultados
parciales: bajo, medio y alto. El primer grupo representa 1,5

3,5
1
0 2 4 6 8 10 12 14

Tipo de Trabajo
3 Trabaja en Programación
Categoría de Programador

Figura 10. Tipo de trabajo, trabaja en

2,5
programación y categoría de programador.

2
conforma de "trabajadores independientes-categoría baja-
no trabaja en programación", como un grupo de
motivados por la libertad laboral y la posible alza de
1,5
creatividad que esto implica.
Al interpretar los conceptos referidos al dominio
1 idiomático y dominio de lenguajes de programación, la
0 2 4 6 8 10 12 14
muestra de perfiles de programador presenta la constante
Género Estado Civil
referida a mayor dominio en cantidad de lenguajes de
Figura 9. Género y estado civil. programación por sobre los idiomáticos, como puede
observarse en la Figura 11 "Dominio idiomático y
al par "femenino-soltero", pudiendo interpretarse que
dominio de lenguajes de programación" (promedio de a
promedian menores aportes en la calificación de los
10 perfiles, promedio de cantidades dominadas). Se
ejercicios propuestos. En cuanto al segmento que alcanza
presenta una importante diferencia de amplitud en la
las mejores calificaciones, se interpreta por los picos
zona media pudiendo indicar que aquellos quienes
máximos de las curvas, siendo el par "masculino-
manejan mayor cantidad de lenguajes de programación
casado". Al disminuir la brecha que dista entre las
dominan menor cantidad de idiomas. Seguidamente al
gráficas, comienza el grupo medio, con similares
pico máximo, se encuentra la menor distancia de
frecuencias sin alcanzar conclusiones relevantes.
amplitud contradiciendo lo anterior y acercando las
Al relacionar los conceptos referidos al tipo de
cantidades promedio en el manejo de leguajes
trabajo, si a la vez se encuentra relacionado con la
programación de sistema software y la posible categoría 7

como programador, la muestra de perfiles presenta 6,5

disparidades que se observan en la Figura 10 "Tipo de
6
trabajo, trabaja en programación y categoría de
5,5
programador" (promedio de a 10 perfiles, promedio
determinaciones laborales). La muestra mantiene el 5

ordenamiento ascendente sobre la nota evaluativa 4,5

alcanzada una vez finalizados los ejercicios de 4

programación. Los aspectos relevantes se observan sobre 3,5

la equidistancia entre curvas al inicio, que representa a la
3
terna: "Relación de dependencia-categoría media-no
2,5
trabaja como programador" explicando aquellos que
alcanzan las notas bajas en la evaluación. Otro aspecto 2
0 2 4 6 8 10 12 14
destacable se interpreta sobre quiénes alcanzaron
Dominio Idiomático Dominio de Lenguajes de Programación
puntuaciones superiores, con picos bajos en el trabajo en
programación y categoría, pero registrando un máximo Figura 11. Dominio idiomático y dominio de
para el tipo de trabajo, indicando que este grupo se lenguajes de programación.
idiomáticos y de programación para quienes lograron
calificaciones medias en la evaluación.
4.4. Componente fisiológico del modelo
conceptual
El ritmo de cada sensor en un electroencefalograma
(EEG) es variable y se relaciona con diferentes conductas
(tales como: actividad o reposo), estados (afectividad,
sueño, vigilia, entre mas) y patologías (convulsión o
coma). Se clasifican según rangos de frecuencia y se
denominan con letras griegas. Los ritmos Beta son los
más rápidos, mayores a 14Hz (Hz: ciclos por segundo) y
marcan la actividad neuronal cortical. El ritmo Alfa se
encuadra entre 8Hz y 13Hz y se asocia a estados de
vigilia y tranquilidad. El ritmo Theta, de 4Hz a 7Hz se
presenta durante el estado de sueño. Las pequeñas
fluctuaciones de voltaje (en micro-voltios de amplitud)
son medidas entre electrodos seleccionados (uno de ellos
corresponde con el polo negativo: CMS o DRL). Se
miden las corrientes eléctricas que se generan durante la
excitación sináptica de grupos de neuronas piramidales
de la corteza cerebral, representando el 80% de la masa
cerebral funcional [20].
Tomando la nomenclatura del sistema 10-20 de
posicionamiento de electrodos para EEG, se simuló el
registro de mediciones de amplitud promedio (denotadas
como Xamp) y promedio de cantidades de frecuencia de
señales Beta por sensor. Los resultados se expresan en
gráficas, donde se ordena la muestra de perfiles de
programador ascendentemente, por promedio de nota
alcanzada, acompañadas de una breve interpretación
sobre las mismas.
La Figura 12 "Cantidad de actividad de señal en
frecuencia Beta en corteza pre-frontal" (promedio de a 10
perfiles, promedio de cantidad de frecuencia Beta
alcanzada por electrodo) presenta y relaciona la actividad
8,00
7,00
6,00
5,00
4,00
3,00
2,00
1,00
0,00
0 2 4 6 8 10 12 14
AF3 Beta AF4 Beta
Figura 12. Cantidad de actividad de señal en
frecuencia Beta en corteza pre-frontal.
bio-eléctrica superior a 14Hz en el área de corteza
cerebral pre-frontal: izquierda (AF3 Beta) y derecha
(AF4 Beta). Entre ambos priman las funciones de
planificación, atención y control ejecutivo, pensamiento
lógico, razonado y de alto nivel entre otras. Un primer
grupo obtiene un promedio de menor calificación
mientras que otro obtiene un promedio superior,
resultando de la evaluación de los ejercicios de
programación propuestos. Para el primer conjunto se
grafica una mayor cantidad de actividad en la corteza
pre-frontal izquierda, invirtiéndose hacia el grupo de
mejores calificaciones, primando la actividad en la zona
derecha. Entre ambos grupos podría estimarse una media
creciente, denotando mayor cantidad de actividad en
frecuencia Beta sobre la corteza cerebral pre-frontal en
quienes alcanzaron notas clasificatorias superiores.
Al evaluar las mediciones de amplitud de señal de
actividad Beta sobre el conjunto neuronal próximo al
sensor, la muestra de perfiles de programador presenta la
constante de mayor registro eléctrico en el hemisferio
cerebral izquierdo (Xamp AF3 Beta), por sobre el
derecho (XAmp AF4 Beta), como se expone en la Figura
13 "Amplitud de señal de actividad Beta en corteza pre-
frontal" (promedio de a 10 perfiles, promedio de
amplitud de señal con frecuencia Beta alcanzada por
electrodo). Al considerar que la intensidad de señal
resultante aumenta cuando se involucra a mayor cantidad
de neuronas, podría interpretarse que la muestra de
perfiles de programador ha registrado mayor actividad en
la región pre-frontal izquierda para todos los casos.
32,00
30,00
28,00
26,00
24,00
22,00
20,00
18,00
16,00
0 2 4 6 8 10 12 14
XAmp AF3 Beta XAmp AF4 Beta
Figura 13. Amplitud de señal de actividad Beta
en corteza pre-frontal.
El área de corteza cerebral parietal dorso-lateral asiste
a funciones de control motor, sociabilización y
espontaneidad entre otras. En la Figura 14 "Cantidad de
actividad de señal en frecuencia Beta en corteza parietal
dorso-lateral" (promedio de a 10 perfiles, promedio de
cantidad de frecuencia Beta alcanzada por electrodo) se
presenta y relaciona la actividad bio-eléctrica superior a
14Hz en el área de corteza cerebral parietal dorso-lateral
izquierda (F7 Beta) y derecha (F8 Beta). Con
independencia de las calificaciones evaluativas
alcanzadas, podría estimarse una media constante,
denotando mayor cantidad de actividad en frecuencia
Beta sobre la corteza cerebral parietal dorso-lateral
derecha en quienes alcanzaron notas clasificatorias
superiores.
8,00
7,00
6,00
5,00
4,00
de perfiles de programador con bajas calificaciones
obtenidas, en la región parietal dorso-lateral derecha.
La Figura 16 "Cantidad de actividad de señal en
frecuencia Beta en corteza frontal medial" (promedio de
a 10 perfiles, promedio de cantidad de frecuencia Beta
alcanzada por electrodo) presenta y relaciona la actividad
bio-eléctrica superior a 14Hz en el área media de la
corteza cerebral frontal: izquierda (F3 Beta) y derecha
(F4 Beta). Entre ambos priman las funciones de
regulación conductual y de personalidad siendo un
espacio asociativo para la memoria de trabajo. Podría
interpretarse un primer grupo con promedio de menor
calificación alcanzada y otro de promedio superior, al
evaluar los ejercicios de programación propuestos. Para
8,00

3,00
7,00

2,00
6,00

1,00
5,00

0,00
4,00
0 2 4 6 8 10 12 14
F7 Beta F8 Beta
3,00
Figura 14. Cantidad de actividad de señal en
frecuencia Beta en corteza frontal dorso-lateral. 2,00

La Figura 15 "Amplitud de señal de actividad Beta en 1,00

corteza parietal dorso-lateral" (promedio de a 10 perfiles,
promedio de amplitud de señal con frecuencia Beta 0,00
0 2 4 6 8 10 12 14
alcanzada por electrodo) presenta las mediciones de F3 Beta F4 Beta

amplitud de señal de actividad Beta sobre el conjunto Figura 16. Cantidad de actividad de señal en
neuronal próximo al sensor para el hemisferio cerebral frecuencia Beta en corteza frontal medial.
izquierdo (Xamp P7 Beta) y derecho (Xamp P8 Beta). La el primer conjunto se grafica una mayor cantidad de
muestra de perfiles de programador presenta curvas
actividad en la corteza frontal medial derecha, igualando
similares en intensidad de señal bio-electrica resultante.
frecuencias Beta para ambos hemisferios hacia el grupo
Se denota un mínimo de actividad Beta para el segmento
de mejores calificaciones. Entre ambos grupos podría
estimarse una media levemente decreciente, denotando
menor cantidad de actividad en frecuencia Beta sobre la
31,00 corteza cerebral frontal medial en quienes alcanzaron
notas superiores.
Al evaluar las mediciones de amplitud de señal de
actividad Beta sobre el conjunto neuronal próximo al
29,00
sensor, la muestra de perfiles de programador presenta
curvas entre cotas similares para el hemisferio cerebral
izquierdo (Xamp F3 Beta) y derecho (Xamp F4 Beta),
27,00
como se expone en la Figura 17 "Amplitud de señal de
actividad Beta en corteza frontal medial" (promedio de a
10 perfiles, promedio de amplitud de señal con
frecuencia Beta alcanzada por electrodo). Al considerar
25,00 que la intensidad de señal resultante aumenta cuando se
0 2 4 6 8 10 12 14
Xamp F7 Beta Xamp F8 Beta involucra a mayor cantidad de neuronas, podría
Figura 15. Amplitud de señal de actividad Beta interpretarse que la muestra de perfiles de programador
en corteza frontal dorso-lateral. ha registrado similar actividad para los perfiles de
calificaciones bajas en las pruebas y mayor actividad en
 promedio de amplitud de señal con frecuencia Beta
alcanzada por electrodo) presenta las mediciones de
amplitud de señal de actividad Beta sobre el conjunto
31,00
neuronal próximo al sensor para el hemisferio cerebral
izquierdo (Xamp FC5 Beta) y derecho (Xamp FC6 Beta).
La muestra de perfiles de programador presenta curvas
29,00 similares en intensidad de señal bio-eléctrica resultante

27,00 31,00

25,00 29,00
0 2 4 6 8 10 12 14
Xamp F3 Beta Xamp F4 Beta

Figura 17. Amplitud de señal de actividad Beta

en corteza frontal medial. 27,00

la corteza frontal medial izquierda para los casos de

calificaciones superiores.
El área de corteza cerebral fronto-central asiste a
funciones de control motor y aporta un espacio de
asociación memorial entre otras. En la Figura 18
"Cantidad de actividad de señal en frecuencia Beta en
corteza parietal fronto-central" (promedio de a 10
perfiles, promedio de cantidad de frecuencia Beta
alcanzada por electrodo) se presenta y relaciona la
actividad bio-eléctrica superior a 14Hz en el área de
corteza cerebral frontal y central izquierda (FC5 Beta) y
8,00
7,00
6,00
5,00
4,00
25,00
0 2 4 6 8 10 12 14
Xamp FC5 Beta Xamp FC6 Beta
Figura 19. Amplitud de señal de actividad Beta
en corteza fronto-central.
entre cotas mínima y máxima para todos los perfiles de
programador evaluados.
El área de corteza cerebral temporal asiste al
procesamiento de información de audio y memoria,
contribuye al equilibrio, regula emociones, gestiona el
olfato, desarrolla la compresión de lectura y retención
temporal entre otras. En la Figura 20 "Cantidad de
actividad de señal en frecuencia Beta en corteza
temporal" (promedio de a 10 perfiles, promedio de
cantidad de frecuencia Beta alcanzada por electrodo) se
presenta y relaciona la actividad bio-eléctrica superior a

8,00
3,00

7,00
2,00

6,00
1,00

5,00
0,00
0 2 4 6 8 10 12 14
FC5 Beta FC6 Beta 4,00

Figura 18. Cantidad de actividad de señal en

3,00
frecuencia Beta en corteza fronto-central.
derecha (FC6 Beta). Con independencia de las 2,00

calificaciones evaluativas alcanzadas, podría estimarse 1,00

una media constante, denotando mayor cantidad de
actividad en frecuencia Beta sobre la corteza cerebral 0,00
0 2 4 6 8 10 12 14
frontal y central derecha en quienes alcanzaron notas T7 Beta T8 Beta
clasificatorias superiores. Figura 20. Cantidad de actividad de señal en
La Figura 19 "Amplitud de señal de actividad Beta en frecuencia Beta en corteza temporal.
corteza fronto-central" (promedio de a 10 perfiles,
14Hz en el área de corteza cerebral temporal izquierda
8,00
(T7 Beta) y derecha (T8 Beta). Con independencia de las
calificaciones evaluativas alcanzadas, podría estimarse 7,00

una media decreciente, denotando mayor cantidad de

6,00
actividad en frecuencia Beta sobre la corteza cerebral
temporal izquierda en quienes alcanzaron notas 5,00
clasificatorias superiores, posiblemente por lectura y
comprensión de código fuente de programa. 4,00

La Figura 21 "Amplitud de señal de actividad Beta en

3,00
corteza temporal" (promedio de a 10 perfiles, promedio
de amplitud de señal con frecuencia Beta alcanzada por 2,00

electrodo) presenta las mediciones de amplitud de señal

de actividad Beta sobre el conjunto neuronal próximo al
sensor para el hemisferio cerebral izquierdo (Xamp T7
Beta) y derecho (Xamp T8 Beta). La muestra de perfiles
de programador presenta curvas similares en intensidad
de señal bio-electrica resultante. Se denota un incremento
31,00
29,00
27,00
25,00
0 2 4 6 8 10 12
Xamp T7 Beta Xamp T8 Beta
Figura 21. Amplitud de señal de actividad Beta
en corteza temporal.
de actividad Beta para el segmento de perfiles de
programador con altas calificaciones obtenidas, en la
región temporal izquierda, por sobre la derecha,
implicando conexiones sinápticas en mayor cantidad de
neuronas debido al esfuerzo de leer y comprender a fin
de escribir código fuente de sistema software.
La Figura 22, "Cantidad de actividad de señal en
frecuencia Beta en corteza parietal" (promedio de a 10
perfiles, promedio de cantidad de frecuencia Beta
alcanzada por electrodo), presenta y relaciona la
actividad bio-eléctrica superior a 14Hz en el área de
1,00
0,00
0 2 4 6 8 10 12 14
P7 Beta P8 Beta
Figura 22. Cantidad de actividad de señal en
frecuencia Beta en corteza parietal.
grafican mínimos absolutos en la cantidad de actividad
en frecuencia Beta en la corteza parietal izquierda y
derecha, invirtiéndose hacia el grupo de mejores
calificaciones, registrando máximos en la zona derecha.
Entre ambos grupos podría estimarse una media
creciente, denotando mayor cantidad de actividad en
frecuencia Beta sobre la corteza cerebral parietal en
quienes alcanzaron notas clasificatorias superiores.
Al evaluar las mediciones de amplitud de señal de
actividad Beta sobre el conjunto neuronal próximo al
sensor, la muestra de perfiles de programador presenta
curvas similares para el hemisferio cerebral izquierdo
(Xamp P7 Beta) y derecho (Xamp P8 Beta), como se
14
expone en la Figura 23 "Amplitud de señal de actividad
Beta en corteza parietal" (promedio de a 10 perfiles,
promedio de amplitud de señal con frecuencia Beta
alcanzada por electrodo). Al considerar que la intensidad
de señal resultante aumenta cuando se involucra a mayor
cantidad de neuronas, podría interpretarse que la muestra
de perfiles de programador ha registrado menor actividad
32,00
30,00
28,00

corteza cerebral parietal: izquierda (P7 Beta) y derecha

(P8 Beta). Entre ambos priman las funciones de
procesamiento de la información sensorial procedente del 26,00

cuerpo (temperatura, presión, tacto y dolor), capacidad de

cálculo matemático y compresión de lenguaje escrito
24,00
entre otras. Podría interpretarse un primer grupo con 0 2 4 6 8 10 12 14
promedio de menor calificación alcanzada y otro de Xamp P7 Beta Xamp P8 Beta

promedio superior, al evaluar los ejercicios de Figura 23. Amplitud de señal de actividad Beta
programación propuestos. Para el primer conjunto se en corteza parietal.
en la región parietal izquierda para los perfiles de
calificaciones bajas en las pruebas y similar actividad en
izquierda y derecha para los casos de calificaciones
superiores.
La Figura 24, "Cantidad de actividad de señal en
frecuencia Beta en corteza occipital" (promedio de a 10
perfiles, promedio de cantidad de frecuencia Beta
alcanzada por electrodo), presenta y relaciona la
actividad bio-eléctrica superior a 14Hz en el área de
8,00
7,00
6,00
5,00
4,00
3,00
2,00
1,00
0,00
0 2 4 6 8 10 12 14
O1 Beta O2 Beta
Figura 24. Cantidad de actividad de señal en
frecuencia Beta en corteza occipital.
corteza cerebral occipital: izquierda (O1 Beta) y derecha
(O2 Beta). Entre ambos priman las funciones de visión e
interpretación, reconocimiento espacial y discriminación
del movimiento. Las curvas presentan similitud de forma
entre cotas, interpretándose como la administración
conjunta de la visión en ambos ojos, con mínimo y
seguido máximo en la actividad del hemisferio derecho,
pudiendo indicar fluctuaciones del funcionamiento
visual. Entre las curvas podría estimarse una media
constante, denotando similar cantidad de actividad en
frecuencia Beta sobre la corteza occipital, con
independencia del logro en las notas clasificatorias
alcanzadas.
Al evaluar las mediciones de amplitud de señal de
actividad Beta sobre el conjunto neuronal próximo al
sensor, la muestra de perfiles de programador presenta
curvas similares para el hemisferio cerebral izquierdo
(Xamp O1 Beta) y derecho (Xamp O2 Beta), como se
expone en la Figura 25, "Amplitud de señal de actividad
Beta en corteza occipital" (promedio de a 10 perfiles,
promedio de amplitud de señal con frecuencia Beta
alcanzada por electrodo). Al considerar que la intensidad
de señal resultante aumenta cuando se involucra a mayor
cantidad de neuronas, podría interpretarse que la muestra
de perfiles de programador ha registrado similar
actividad en la región occipital izquierda y derecha para
todos los casos.
31,00
29,00
27,00
25,00
0 2 4 6 8 10 12 14
Xamp O1 Beta Xamp O2 Beta
Figura 25. Amplitud de señal de actividad Beta
en corteza occipital.
5. Conclusiones
En base a la experimentación se puede inferir la
existencia de al menos dos grupos de perfil de
programador, diferenciados en las calificaciones
obtenidas, sobre los mismos ejercicios de programación
propuestos. Esto podría indicar que un grupo debe
alcanzar conocimiento y desarrollar habilidades que el
otro ya dispone.
Para el caso de perfiles de programador con mejores
resultados en calificación, sobresale la adecuada
identificación y planteo del problema a resolver,
valoración de la estrategia por sobre la codificación y
esfuerzo en la depuración ante las pruebas de validación.
Se destacan características personalísimas de género
masculino y estado civil casado. También es importante
resaltar que los años de experiencia en programación no
intervienen en la obtención de mejores calificaciones
sobre los ejercicios propuestos en la simulación.
En cuanto al registro de actividad encefálica se denota
mayor actividad en corteza pre-frontal (donde priman las
funciones de planificación, atención y control ejecutivo,
pensamiento lógico, razonado y de alto nivel) derecha,
corteza parietal dorso-lateral (posiblemente para el
control motor de precisión) derecha, corteza temporal
izquierda (donde se procesar la lectura y comprensión
idiomática), parietal derecho y similar cantidad de
actividad en frecuencia Beta sobre la corteza occipital
(para el procesamiento bi-ocular de la visión).
Como futuras líneas de trabajo, se plantean dos
caminos: por un lado, la información recopilada y los
patrones de conocimiento obtenidos serán de utilidad
para ser procesados con otras técnicas de explotación de
información a fin de describir nuevas reglas e inferencias,
complementando así los gráficos e interpretaciones de las
variables del modelo conceptual planteado.
 Por otro lado, se buscará revalidar el modelo
conceptual creado en base a muestras fidedignas con
perfiles de programadores sin la necesidad de realizar
una simulación, y desarrollar interpretaciones que
aporten mayor conocimiento sobre la actividad neuronal
registrada, incorporando conocimiento multidisciplinar
sobre la materia, aportando al desarrollo y crecimiento de
la actividad de programación de sistemas de información
por la mejora cualitativa de los estudiantes de carreras a
fines.
6. Referencias
[1] Golombek, D., "Cavernas y palacios: En busca de la
conciencia en el cerebro", 2da edición, Buenos Aires: Siglo
Veintiuno Editores, 2015. ISBN: 978-987-629-193-4.
[2] Siegmund, J., Kästner, C., Apel, S., Bethmann, A., Leich,
T., Saake, G., Brechmann, A., "Understanding Understanding
Source Code with Functional Magnetic Resonance Imaging",
Proceedings of the 36th International Conference on Software
Engineering (ICSE), Universidad de Passau, 2014, pp. 378-389.
[13] CICOMRA - Cámara de Informática y Comunicaciones de
la República Argentina, "Perfil Profesional Técnico en
Programación", http://goo.gl/KTVDa2, Último acceso Julio de
2016.
[14] Emotiv System, "EPOC+", http://emotiv.com/epoc/ Último
acceso Julio de 2016.
[15] Yang, Y., Raine, A., " Prefrontal structural and functional
brain imaging findings in antisocial, violent, and psychopathic
individuals: a meta-analysis", Psychiatry Res, 2009, 174(2), 81–
88.
[16] Bachrach, E., "En Cambio". Editorial Sudamericana. 2014.
ISBN: 978-950-07-4857-5
[17] Kalos, M.H., Whitlock P.A, "Monte Carlo Methods. Vol I.
Basics", Wiley & Sons, 1986.
[18] Emotiv System, "Comparison Chart",
http://emotiv.com/comparison/ Último acceso Julio de 2016.
[19] Universidad de Alcalá, Departamento de Electrónica,
"Electroencefalografía", http://goo.gl/LTEXw8, Último acceso
Julio de 2016.

[3] Manes, F. y Niro, M.,2016. El cerebro argentino, Grupo [20] Vázquez, G., Vieitez, A., Boullosa, O., Hadid, E.
Editorial Planeta, ISBN 978-950-49-4433-1. Neurociencia. Bases y Fundamentos. Editorial Polemos S.A.
2009. ISBN: 978-987-649-041-2.
[4] Bachrach, E., "Ágilmente". Editorial Sudamericana. 2012.
ISBN: 978-950-07-3971-9.
[5] Zuleta Medina, A. Chavez Torres, A., "Use of computer
tools as strategy for teaching computer programming", Revista
Unimar, Número 57, Julio 2011, 23-32. ISSN 0120-4327.
[6] Villalobos, J., "CUPI2-An Active Learning and Problem
Based Learning Approach to Teaching Programming", 8th ALE
International Workshop, Bogotá - Colombia, Junio 2008.
[7] Szpiniak, A., Rojo, G., "Enseñanza de la programación",
Revista Iberoamericana de Tecnología en Educación y
Educación en Tecnología (TE&ET), Universidad Nacional de
Río Cuarto, Río Cuarto, Argentina, 2007.
[8] Karla Olmos, K., Morales, C., Rojas, T., Fernández, L.,
"Objetos de Aprendizaje Enfocados a la Resolución de
Problemas para Facilitar la Enseñanza de la Programación",
Ediciones de la Universidad Autónoma de Yucatán, México,
2009, pp. 591-596. ISBN: 978-607-7573-17-3
[9] Clarin, “Ingenieros e informáticos: los profesionales más
buscados”, http://goo.gl/NFYAjW, Último acceso Julio de
2016.
[10] La Nación, "Los perfiles IT que buscan las empresas",
http://goo.gl/CzBFWL, Último acceso Julio de 2016.
[11] Falco, M., Kuz, A., "Comprendiendo el Aprendizaje a
través de las Neurociencias, con el entrelazado de las TICs en
Educación", Revista Iberoamericana de Educación en
Tecnología y Tecnología en Educación N°17. RedUNCI. ISSN
1850-9959.
[12] Distance Educational Network, "Desarrollo de
Simulaciones como Recursos de Aprendizaje",
http://goo.gl/0yiHtm, Último acceso Julio de 2016.