Una precisión sobre la fecha: los resultados que la OCDE publicó el 8 de septiembre de 2026 corresponden al ciclo PISA 2025, cuya área principal fue ciencias. Esta nota resume esa publicación, explica qué evalúa la prueba y revisa qué dice —y qué no dice— la investigación sobre robótica educativa en matemáticas y ciencias.
Cada tres años, PISA evalúa a estudiantes de 15 años en lectura, matemáticas y ciencias. No mide cuánto memorizaron: mide si pueden usar lo aprendido frente a una situación nueva. En la aplicación 2025 participaron más de 760 mil estudiantes de 91 países y economías; en México, 7,843 estudiantes de 297 escuelas, una muestra que representa a cerca de 1.58 millones de jóvenes de esa edad.
Ese detalle —usar lo aprendido en una situación nueva— es justo donde una clase de robótica bien planteada puede aportar algo, y también donde conviene ser honestos: la evidencia disponible es prometedora en algunos puntos, débil en otros y en ningún caso permite prometer que un kit suba los resultados de un país.
Cómo le fue a México
México obtuvo 388 puntos en matemáticas, 408 en lectura y 414 en ciencias. Los promedios de la OCDE fueron 463, 461 y 482. Frente a 2022, matemáticas bajó siete puntos (de 395 a 388), lectura bajó siete (de 415 a 408) y ciencias subió cuatro (de 410 a 414), un cambio que no es estadísticamente significativo. México quedó en el lugar 64 entre los países evaluados.
Más revelador que el puntaje es el nivel 2, que PISA define como el umbral básico de competencia: por debajo de él, un estudiante difícilmente puede usar lo que sabe fuera del salón. En matemáticas lo alcanza 30 de cada 100 estudiantes mexicanos, contra 65 en la OCDE. En ciencias lo alcanza el 50.4%, contra 74% en la OCDE.
| Área | México | OCDE | Al menos nivel 2 (México / OCDE) |
|---|---|---|---|
| Matemáticas | 388 | 463 | 30% / 65% |
| Lectura | 408 | 461 | 50% / 69% |
| Ciencias | 414 | 482 | 50% / 74% |
Fuente: OCDE (2026), PISA 2025 Results (Volume I) y nota de país de México. Son resultados de una población escolar completa, no la evaluación de un método de enseñanza ni de Qubiko.
El contexto internacional también importa: la OCDE reportó caídas marcadas en lectura y matemáticas en el promedio de sus países, mientras que ciencias se mantuvo estable entre 2022 y 2025. México no es un caso aislado, aunque parte de mucho más abajo.
Qué evalúa PISA en ciencias
El marco de ciencias de PISA 2025 se organiza en tres competencias. Vale la pena leerlas con calma, porque describen tareas muy concretas:
- Explicar fenómenos científicamente: reconocer, construir y evaluar explicaciones y modelos de fenómenos naturales y tecnológicos.
- Construir y evaluar diseños de indagación e interpretar datos y evidencia de forma crítica: juzgar si una pregunta se investigó bien y leer datos sin tragarse la conclusión fácil.
- Investigar, evaluar y usar información científica para decidir y actuar: buscar información, valorar qué tan confiable es y usarla para tomar decisiones.
Además, PISA 2025 estrenó un área nueva, Aprender en el mundo digital, que observa cómo un estudiante construye conocimiento con herramientas computacionales: explorar un sistema, representar una idea con lógica computacional, probar, equivocarse y ajustar. Es, casi palabra por palabra, lo que ocurre cuando un equipo programa un robot y no funciona a la primera.
Dónde se parecen la robótica y lo que mide PISA
Un robot no enseña ciencias por sí solo. Lo que puede aportar es una situación donde esas tres competencias aparecen de forma natural, porque el robot da una respuesta objetiva: avanza o no avanza, frena a tiempo o choca.
- Explicar un fenómeno: el equipo predice qué hará el robot y por qué. Si falla, la explicación se corrige. Eso es construir y evaluar un modelo.
- Diseñar una indagación: para saber si el robot frena antes con menos velocidad hay que cambiar una sola variable, repetir la prueba y anotar. El control de variables deja de ser una definición del libro.
- Interpretar datos: un sensor nunca da dos lecturas idénticas. Promediar, ver el rango y decidir un umbral obliga a distinguir el dato del ruido.
- Iterar con herramientas digitales: programar, probar, encontrar el error y volver a intentar es exactamente el proceso que describe el área nueva de PISA.
Qué dice la investigación, y con qué límites
Aquí conviene separar lo que está bien documentado de lo que todavía no. Estos son los trabajos más sólidos disponibles:
El metaanálisis de Ouyang y Xu (2024), publicado en International Journal of STEM Education, integró 21 estudios y 30 tamaños de efecto de educación K–16. Encontró un efecto moderado de la robótica educativa sobre el aprendizaje STEM (g = 0.488), tanto en desempeño como en actitudes, pero no encontró un efecto significativo sobre pensamiento computacional. Un hallazgo clave: la disciplina modera el resultado, es decir, el beneficio no es igual en todas las materias.
La revisión con metaanálisis de Trapero-González y colegas (2024), en Frontiers in Education, se centró en primaria: 13 estudios, 8 de ellos con datos suficientes para combinar, y 1,082 estudiantes. El efecto sobre competencia STEM fue moderado y positivo (d = 0.54; IC 95%: 0.33–0.74; p < 0.001). El mismo trabajo deja ver un vacío importante: matemáticas fue el área más estudiada (10 estudios) y ciencias la menos estudiada (4).
En matemáticas, la revisión sistemática de Zhong y Xia (2018/2020) reunió 20 estudios empíricos, sobre todo de geometría, gráficas y álgebra. Su conclusión es útil y prudente a la vez: la robótica suele jugar un papel activo, pero predominan las muestras pequeñas y la mitad de los trabajos no tenía diseño experimental.
Un ejemplo concreto es el estudio cuasiexperimental de Sáez-López, Sevillano-García y Vázquez-Cano (2019), con 93 alumnos de sexto de primaria que trabajaron con mBot y programación visual. Reportó mejoras significativas en la comprensión de conceptos matemáticos y de programación. Sus resultados corresponden a ese diseño y a ese alumnado; no prueban por separado el efecto del hardware.
Del lado de ciencias, el trabajo de Sullivan (2008), en Journal of Research in Science Teaching, documentó que estudiantes de 11 y 12 años que resolvían un reto de robótica con indagación abierta usaban habilidades propias de la alfabetización científica y mejoraban su comprensión de sistemas. Es una evidencia valiosa sobre el cómo, pero con límites serios: 26 participantes de un campamento para alumnado académicamente avanzado y sin grupo de comparación.
Por último, conviene recordar el punto de partida de esta discusión. La revisión de Benitti (2012), en Computers & Education, encontró que la robótica ayuda a comprender conceptos STEM, pero también que faltaban evaluaciones cuantitativas del aprendizaje y que los resultados eran mixtos: no todos los estudios mostraban mejoras. Catorce años después, el panorama mejoró en cantidad de estudios, no tanto en calidad de los diseños.
Nada de lo anterior demuestra que usar robots suba los puntajes PISA de una escuela o de un país. Lo que sostiene la evidencia es más modesto y más útil: con objetivos claros y buena mediación docente, la robótica es un contexto razonable para trabajar razonamiento matemático e indagación científica.
Tres actividades para matemáticas
1. Un rover para entender la proporcionalidad
Marca una salida y registra la distancia recorrida a los dos, cuatro y seis segundos. Pide la tabla y la gráfica antes de introducir la fórmula. Si el rover mantiene 20 centímetros por segundo, recorrería 80 centímetros en cuatro segundos: compara esa predicción con tres mediciones reales. La pregunta que importa no es el resultado, sino cuándo tiene sentido usar d = v × t y por qué la rapidez real no es constante.
2. Trayectorias para comprender los ángulos
Propón recorrer un cuadrado y un triángulo equilátero. Antes de programar, cada equipo dibuja el recorrido y distingue el ángulo interior del giro exterior. El cuadrado requiere giros de 90°; el triángulo equilátero, de 120°. Cuando alguien programa 60° y la figura no cierra, aparece la conversación que buscamos.
3. Datos, promedio y error
Coloca un objeto a una distancia conocida y toma diez lecturas del sensor. Calcula promedio y rango, y compara con la regla. Cambia una sola condición —luz, color, superficie— y repite. El reto es explicar qué representa cada número y qué conclusión permiten los datos.
Tres actividades para ciencias
1. Una sola variable a la vez
Pregunta: ¿a qué velocidad debe ir el robot para frenar antes de la línea? Cada equipo cambia únicamente la velocidad, mantiene todo lo demás igual y registra tres intentos por valor. Están diseñando una indagación, la primera competencia científica de PISA, sin llamarla así.
2. Del modelo a la realidad
Primero simulan el recorrido en la computadora y anotan la predicción; después lo prueban en el piso del salón. La diferencia entre ambos es el tema de la clase: fricción, carga de la batería, holgura de las ruedas. Explicar esa diferencia es construir y evaluar un modelo.
3. Decidir con datos
Con las lecturas del sensor ultrasónico, cada equipo decide el umbral al que el robot debe detenerse y lo justifica con sus propios datos. Luego prueban el umbral del equipo vecino. Evaluar evidencia ajena, y aceptar que puede ser mejor que la propia, es una competencia científica y también una lección de convivencia.
Cómo saber si de verdad hubo aprendizaje
Que el robot complete el recorrido no prueba que cada integrante del equipo entendió. Para una primera implementación proponemos algo sencillo y honesto:
- Una evaluación breve antes y después, con problemas equivalentes.
- Una tarea de transferencia sin robot: por ejemplo, interpretar la gráfica de un ciclista después de haber trabajado con el rover.
- Revisar por separado cálculo, unidades, representación y justificación, en lugar de una sola calificación.
- Registrar tiempo de práctica y apoyos recibidos, y volver a evaluar algunas semanas después.
Comparar dos grupos con contenidos y tiempos similares mejora la evidencia, aunque las diferencias previas entre grupos todavía pueden explicar parte del resultado. Presenta esos datos como lo que son: evidencia de tu implementación, no una prueba causal.
Qué necesita una escuela para empezar
Menos de lo que suele pensarse: un kit por equipo de cuatro o cinco estudiantes, un lugar donde el robot pueda moverse, entre ocho y doce sesiones para cerrar un proyecto y, sobre todo, un docente que pregunte «¿por qué crees que pasó eso?» en lugar de dar la respuesta. El hardware es la parte fácil de conseguir; el hábito de pedir explicaciones es lo que hace la diferencia.
Bibliografía y fuentes
- OCDE (2026). PISA 2025 Results (Volume I) y nota de país de México. Publicación del 8 de septiembre de 2026. Informe · Nota de México
- OCDE (2025). PISA 2025 Science Framework. Define las tres competencias científicas citadas. Marco de ciencias
- OCDE (2025). PISA 2025 Learning in the Digital World. Área innovadora sobre aprendizaje con herramientas computacionales. Descripción del área
- Ouyang, F. y Xu, W. (2024). The effects of educational robotics in STEM education: a multilevel meta-analysis. International Journal of STEM Education, 11, 7. doi.org/10.1186/s40594-024-00469-4
- Trapero-González, I., Hinojo-Lucena, F. J., Romero-Rodríguez, J. M. y Martínez-Menéndez, A. (2024). Didactic impact of educational robotics on the development of STEM competence in primary education. Frontiers in Education, 9, 1480908. doi.org/10.3389/feduc.2024.1480908
- Zhong, B. y Xia, L. (2020). A Systematic Review on Exploring the Potential of Educational Robotics in Mathematics Education. International Journal of Science and Mathematics Education, 18, 79–101 (en línea, 2018). doi.org/10.1007/s10763-018-09939-y
- Sáez-López, J. M., Sevillano-García, M. L. y Vázquez-Cano, E. (2019). The effect of programming on primary school students' mathematical and scientific understanding: educational use of mBot. Educational Technology Research and Development, 67, 1405–1425. doi.org/10.1007/s11423-019-09648-5
- Sullivan, F. R. (2008). Robotics and science literacy: Thinking skills, science process skills and systems understanding. Journal of Research in Science Teaching, 45(3), 373–394. doi.org/10.1002/tea.20238
- Benitti, F. B. V. (2012). Exploring the educational potential of robotics in schools: A systematic review. Computers & Education, 58(3), 978–988. doi.org/10.1016/j.compedu.2011.10.006
Fuentes consultadas el 11 de septiembre de 2026. Esta nota de divulgación distingue resultados oficiales, estudios publicados y propuestas didácticas propias. Qubiko comercializa software, kits y cursos de robótica; las fotografías ilustran actividades propias y no acreditan los efectos medidos por la investigación citada.