PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 895
Propuesta para Medir las Buenas Prácticas de Programación en
la Calidad del Software Desarrollado por los Estudiantes de
Ingeniería en Sistemas Computacionales
Proposal for Measuring Programming best Practices Regarding the Quality of
Software Developed by Computer Systems Engineering Students
Sindya Yadira Castillo Ortiz
sindya.castillo@iguala.tecnm.mx
https://orcid.org/0009-0007-6065-6764
Tecnológico Nacional de México / Instituto Tecnológico de Iguala
México
Lydia Cuevas Bracamontes
lydia.cuevas@iguala.tecnm.mx
https://orcid.org/0000-0003-1624-7377
Tecnológico Nacional de México / Instituto Tecnológico de Iguala
México
Enrique Mena Salgado
enrique.mena@iguala.tecnm.mx
https://orcid.org/0000-0002-8862-7355
Tecnológico Nacional de México / Instituto Tecnológico de Iguala
México
José Carlos Díaz García
jcarlos.diaz@iguala.tecnm.mx
https://orcid.org/0009-0003-9363-0377
Tecnológico Nacional de México / Instituto Tecnológico de Iguala
México
María del Carmen Urióstegui Peralta
carmen.uriostegui@iguala.tecnm.mx
https://orcid.org/0009-0007-6661-9403
Tecnológico Nacional de México / Instituto Tecnológico de Iguala
México
Artículo recibido: 10/08/2026
Aceptado para publicación: 14/09/2026
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 896
RESUMEN
En las aulas donde se enseña a programar sucede algo curioso: casi todos los planes de
estudio insisten en que el estudiante debe “aplicar buenas prácticas de programación”, pero
muy pocos programas educativos dicen cómo se comprueba que eso realmente ocurrió. El
docente termina evaluando lo que ve (si el programa corre, si entrega el resultado esperado), y
deja fuera lo que no se ve a simple vista: si el código es legible, si está documentado, si otra
persona podría darle mantenimiento sin sufrir. Este artículo de revisión bibliográfica reúne lo
que la literatura especializada dice sobre la relación entre buenas prácticas de programación y
calidad del software, con énfasis en el contexto de la formación de ingenieros en sistemas
computacionales en instituciones como el Tecnológico Nacional de México (TecNM). A partir
de esa revisión se plantea una propuesta de instrumento de medición, organizada en cinco
dimensiones (legibilidad y estilo, modularidad y diseño, pruebas, documentación y control de
versiones, y mantenibilidad medida con métricas objetivas), pensada para integrarse a la
evaluación de proyectos en las asignaturas de programación y de ingeniería de software. La
propuesta no busca sustituir el criterio del profesor, sino darle un lenguaje común y datos
verificables para justificar sus decisiones de evaluación y para que el estudiante entienda, con
evidencia, en qué está fallando.
Palabras clave: buenas prácticas de programación, calidad del software, educación en
ingeniería, métricas de código, ingeniería en sistemas computacionales
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 897
ABSTRACT
Something curious happens in programming classrooms: nearly every curriculum
insists that students must “apply good programming practices,” yet few academic programs
specify how that claim can actually be verified. Instructors end up grading what is visible
(whether the program runs, whether it produces the expected output), while leaving aside what
is not immediately apparent: whether the code is readable, documented, or maintainable by
someone else. This bibliographic review article gathers what the specialized literature says
about the relationship between programming best practices and software quality, focusing on
the training of computer systems engineers at institutions such as Mexico's National
Technological Institute (TecNM). Based on that review, the article proposes a measurement
instrument organized into five dimensions ( readability and style, modularity and design,
testing, documentation and version control, and maintainability measured through objective
metrics), intended to be integrated into project evaluation in programming and software
engineering courses. The proposal does not aim to replace the instructor's judgment; rather, it
offers a shared vocabulary and verifiable data to justify grading decisions and to help students
understand, with evidence, exactly where they are falling short.
Keywords: programming best practices, software quality, engineering education, code
metrics, computer systems engineering
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 898
INTRODUCCIÓN
Cualquiera que haya evaluado un proyecto final de Programación Orientada a Objetos, o
revisado el repositorio de un equipo en la asignatura de Ingeniería de Software, o cualquier otra
asignatura que genere proyectos de algún sistema de software, reconoce el escenario: el
programa “funciona” —cumple los casos de prueba que el propio estudiante decidió mostrar—
pero por dentro es un amasijo de variables llamadas a, b, x1, funciones de doscientas líneas y
ni un solo comentario documentando dichas funciones. El estudiante aprobó la asignatura, pero,
la pregunta que casi nunca nos hacemos con suficiente rigor es si ese estudiante egresará
sabiendo programar bien, o solamente sabiendo que su programa corrió el día de la entrega.
La literatura sobre ingeniería de software lleva más de cuatro décadas insistiendo en que la
calidad de un producto de software no depende únicamente de que funcione, sino de un
conjunto más amplio de atributos: qué tan fácil es mantenerlo, qué tan portable es, qué tan
seguro, qué tan eficiente (Callejas Cuervo et al., 2017). La norma ISO/IEC 25010, heredera de
la vieja ISO/IEC 9126, formaliza esto en ocho características de calidad de producto —entre
ellas la mantenibilidad, la fiabilidad y la usabilidad— que sirven de referencia obligada para
quien quiera hablar de calidad de software con algo más que impresiones (ISO/IEC, 2011). El
problema es que estos modelos se diseñaron pensando en productos industriales, evaluados por
equipos de aseguramiento de calidad con herramientas y tiempo que un aula de licenciatura
simplemente no tiene.
Y sin embargo, la formación en buenas prácticas de programación no debería esperar hasta el
trabajo profesional para empezar. Diversos estudios documentan que los hábitos de
codificación que un estudiante adquiere durante la carrera —o que no adquiere, por falta de
exigencia— se trasladan casi intactos a su ejercicio profesional (Niño Membrillo et al., 2020).
Si en el aula nunca se exige nombrar variables de forma descriptiva, dividir el problema en
funciones con una sola responsabilidad, o escribir al menos una prueba unitaria, es poco realista
esperar que ese hábito aparezca espontáneamente en la empresa.
Si bien existen esfuerzos coordinados por la academia de sistemas computacionales en generar
mejores prácticas en nuestros estudiantes en los procesos de desarrollo de software, a partir de
líneas de código producido de calidad, es común encontrar al final de la formación a estudiantes
con prácticas deficientes e inclusive con dificultades para escribir código que otra persona
pueda leer.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 899
A partir del presente artículo, se pretende el alcance de dos objetivos: en primera instancia el
poder realizar una revisión de literatura sobre buenas prácticas de programación y su relación
con la calidad del software, aterrizando con un análisis de prácticas del día a día en el aula, y
en segundo lugar y aportación central, proponer un instrumento de medición que un docente
pueda aplicar mediante herramientas gratuitas y sin necesitar un doctorado en ingeniería de
software, que permitan evaluar, con evidencia y no solo con intuición, si un estudiante está
aplicando buenas prácticas al construir software.
METODOLOGÍA
Este trabajo se desarrolló como una revisión bibliográfica de tipo narrativo con criterios de
búsqueda sistemática, no como una revisión sistemática exhaustiva en el sentido estricto de
PRISMA. Se consultaron bases de datos y repositorios de acceso abierto como Redalyc,
Dialnet, SciELO, ResearchGate y Google Académico, utilizando combinaciones de los
términos “buenas prácticas de programación”, “calidad del software”, “métricas de código”,
“enseñanza de la programación” y “modelos de calidad de software”, tanto en español como
sus equivalentes en inglés. Se privilegiaron artículos publicados entre 2011 y 2026, con la
excepción deliberada del trabajo seminal de McCabe (1976) sobre complejidad ciclomática,
que sigue siendo la base de buena parte de las métricas de mantenibilidad usadas hoy en día.
Se dio prioridad a estudios realizados en contextos latinoamericanos y, particularmente,
mexicanos, dado que el objeto de esta propuesta es un programa educativo del TecNM. De la
revisión inicial se descartaron los textos centrados exclusivamente en calidad de software
educativo (es decir, calidad de los programas usados para enseñar, no la calidad del código que
producen los estudiantes), por no ser el foco de este trabajo, aunque se mencionan cuando
aportan contraste.
DESARROLLO
La calidad del software: qué medimos cuando decimos “calidad”
Antes de hablar de buenas prácticas conviene aclarar de qué estamos hablando cuando decimos
“calidad de software”, porque es un término que se usa con demasiada libertad. Callejas Cuervo
et al. (2017) hacen un repaso útil de los distintos modelos que ha propuesto la disciplina desde
los años setenta, y muestran que la mayoría comparte una idea de fondo: la calidad no es una
propiedad única sino un conjunto de características que se pueden (y se deben) medir por
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 900
separado. Villalta y Carvallo (2015), en su revisión sistemática sobre modelos de calidad
publicados entre 2007 y 2014, llegan a una conclusión parecida: existe una proliferación de
modelos, pero casi todos terminan de una u otra forma anclados en las mismas categorías que
ya proponía la norma ISO/IEC 9126 y que hoy continúa la ISO/IEC 25010.
Esta última norma es probablemente la referencia más citada en la actualidad. Define ocho
características de calidad de producto: adecuación funcional, eficiencia de desempeño,
compatibilidad, usabilidad, fiabilidad, seguridad, mantenibilidad y portabilidad (ISO/IEC,
2011). De estas ocho, la mantenibilidad es la que más directamente conecta con las buenas
prácticas de programación, porque incluye subcaracterísticas como la modularidad, la
reusabilidad, la analizabilidad (qué tan fácil es entender el código para diagnosticar un
problema) y la capacidad de modificación. Un programa puede ser funcionalmente correcto —
hace lo que debe hacer— y al mismo tiempo tener una mantenibilidad pésima, si nadie más
que su autor puede entenderlo o cambiarlo sin romper algo.
Ese matiz es clave para este artículo. En un aula, lo que corresponde a las asignaturas donde se
generan proyectos de programación, casi toda la evaluación tradicional se concentra en la
adecuación funcional: ¿el programa hace lo que pedía el enunciado?, para ello los docentes
recurren a una serie de casos de pruebas para poder evaluar si el programa funciona o no de
una manera sistematizada, considerando además que se atienden grupos numerosos lo que hace
que el número de programas a revisar se multiplique (39) y por consiguiente, el tiempo que se
tiene destinado a la revisión se prolongue (11) lo que conlleva el riesgo de calificaciones
inconsistentes, ya que los últimos programas que se revisen, es más probable que no se haga
con la misma exhaustividad que los primeros y ya no habría, o tal vez sí, una baja calidad de
la retroalimentación.
Adicional a lo ya mencionado, rara vez se evalúa con el mismo rigor la mantenibilidad, aunque
sea la característica que más predice si ese código sobrevivirá seis meses después de entregado,
ya que la mantenibilidad se refiere a qué tan bien se ha implementado el código, en términos
de diseño y complejidad (Messer et al., 2024), para que el código sea fácil de mantener tanto
para realizar correcciones como para modificaciones y que las funciones y procedimientos que
se definan puedan ser reutilizados en contextos similares con el paso del tiempo.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 901
Buenas prácticas de programación como determinante de calidad
Entendemos por buenas prácticas de programación el conjunto de convenciones, técnicas y
hábitos de trabajo que, sin ser exigidos por ningún lenguaje de programación en particular,
mejoran de forma consistente la legibilidad, mantenibilidad y confiabilidad del código que se
produce, estas no son reglas de sintaxis; son reglas de oficio, generadas por la experiencia
colectiva de la industria desarrolladora de software durante décadas.
Diferentes autores coinciden en algunos ejes recurrentes. En el primer eje está el estilo y las
convenciones de codificación, por ejemplo: nombres de variables y de funciones que describen
su propósito en lugar de abreviarlo hasta volverlo ilegible, la identación consistente, los límites
razonables en la longitud de las líneas y de las funciones, y comentarios que expliquen el
porqué de una decisión de diseño y no simplemente repitan lo que el código ya dice. Estas
convenciones no son solo estética: facilitan que otra persona —un compañero de equipo, un
revisor, incluso que el propio autor seis meses después— entienda el código con facilidad, sin
tener que reconstruir mentalmente todo el razonamiento original.
En el segundo eje está el diseño modular: consiste en dividir un problema grande en partes más
pequeñas, cada una con una función clara y única, en lugar de escribir funciones que hacen de
todo un poco. Soraluz Soraluz et al. (2021), el estudio del desarrollo guiado por
comportamiento (BDD) como práctica de calidad, documenta cómo organizar el trabajo
alrededor de escenarios bien delimitados —y no con una lógica monolítica— reduciendo
errores y facilitando las pruebas. Aunque el estudio se sitúa en un contexto de desarrollo ágil y
profesional, el principio aplica igual de bien a un estudiante que está construyendo su primer
sistema de gestión escolar: dividir el problema ayuda tanto a programar como a depurar.
En el tercer eje, quizás el menos considerado en la formación universitaria mexicana, es la
práctica de las pruebas. Niño Membrillo et al. (2020), en un estudio donde se entrevistó a
docentes de programación en distintas universidades del país, se documenta un panorama poco
alentador: los estudiantes muestran dificultad para entender el problema antes de programarlo,
desinterés por seguir una metodología que guíe su desarrollo, y una ausencia casi total de
buenas prácticas, lo que deriva en programas que no cumplen su propósito o que lo cumplen
solo de manera parcial. Diversos autores señalan que buena parte de ese problema no es de
talento sino de hábito: a los estudiantes casi nunca se les exige realizar una prueba antes o
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 902
después de su código, y por lo tanto nunca desarrollan el reflejo de verificar su propio trabajo
más allá de “correrlo y ver qué pasa”.
En el cuarto eje está el control de versiones y la revisión de código entre pares. En estas
revisiones de código —el ejercicio de que un compañero de equipo lea el trabajo de otro antes
de integrarlo— no solo detectan errores; si no que también son, según la literatura, una de las
formas más efectivas de transmitir conocimiento tácito dentro de un equipo. En la mayoría de
los cursos de programación que se imparten en el TecNM, sin embargo, el uso de Git se limita
a subir el proyecto final a un repositorio, sin historial de commits significativo y sin que nadie
más que el propio autor haya revisado una sola línea.
En el quinto eje, y el más medible en términos cuantitativos, son las métricas objetivas de
código. La complejidad ciclomática, propuesta originalmente por McCabe (1976), cuantifica
el número de caminos independientes que puede tomar un programa y, por extensión, qué tan
difícil será probarlo y mantenerlo exhaustivamente. Se considera generalmente aceptable un
valor por debajo de diez para una función o método individual; tener valores más altos son
señal de que conviene refactorizar (Auditoría de Código, 2023). A esta métrica se suman otras
relacionadas con la llamada deuda técnica: como el costo acumulado, casi siempre invisible en
el corto plazo, hacer decisiones de diseño apresuradas que se toman para entregas rápidas y
que después hay que “pagar” en forma de tiempo de mantenimiento (Adictos al Trabajo, 2025).
Herramientas para hacer visible lo invisible
Si bien las métricas citadas, resultan de gran utilidad, en el aula resulta mucho más complicada
la aplicación de las métricas, derivado de los altos volúmenes de trabajo cuando se deben
revisar los códigos de hasta 30 estudiantes o múltiples proyectos finales complejos al cierre de
semestre, representa un gran obstáculo el tiempo, siendo demasiado tedioso: medir complejidad
ciclomática o cobertura de pruebas a mano, línea por línea. Aquí es donde entran las
herramientas de análisis estático de código, que automatizan buena parte de ese trabajo.
En un análisis de herramientas, se encontró que SonarQube es probablemente la más conocida
y accesible: la cual es una plataforma de código abierto que analiza más de veinte lenguajes de
programación y da soporte para calcular automáticamente métricas como complejidad
ciclomática, duplicación de código, cobertura de pruebas y densidad de “code smells” (patrones
que suelen anticipar errores o dificultades de mantenimiento), el procesamiento de la
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 903
herramienta está reforzada por analizadores más específicos como Checkstyle, PMD o
FindBugs según los diferentes lenguajes que soporta (Sentrio, 2024). De acuerdo a la
investigación, ya existen experiencias documentadas de su uso en cursos universitarios de
programación y pruebas de software en instituciones mexicanas, lo que sugiere que su adopción
en el salón de clase no debiera estar fuera del alcance ni requiere infraestructura costosa de
acuerdo con Studocu (2022). Otras herramientas equivalentes como Code Climate, ESLint con
reglas de estilo, o los propios linters integrados en entornos como Visual Studio o PyCharm,
estas últimas cumplen funciones similares y muchas son igualmente gratuitas para uso
educativo, lo cual facilita su aplicación en las prácticas docentes de educación pública en
México.
El poder sistematizar el análisis estático de acuerdo con AlOmar et al., (2023), ayuda a que los
docentes pueden identificar de forma rápida y ágil, patrones recurrentes de deficiencia técnica
y priorizar la corrección de defectos lo cual resulta fundamental para evitar desgastes mayores
en procesos de alto costo de mantenimiento durante las etapas finales del desarrollo.
La aplicación de estas herramientas con informes detallados dirigidos a los estudiantes permite
que aumenten su madurez en sus criterios de análisis y utilicen las recomendaciones de
refactorización como un medio de aprendizaje interactivo, repercutiendo de forma significativa
al medir el impacto real de sus ajustes en la calidad del producto final.
Este enfoque pedagógico transforma la evaluación en un ejercicio de mejora continua que
trasciende más allá de la corrección funcional, donde los estudiantes desarrollan una
comprensión de mayor impacto sobre los procesos necesarios de mantenimiento, soporte y la
integridad técnica de sus sistemas (Horváth et al., 2025; Nikolić et al., 2024), todo los anterior,
resulta prioritario para hacer cociente a los estudiantes de no olvidar en ningún momento al
usuario final y objetivo de un código.
De forma adicional, el uso automatizado de estas herramientas permite al profesorado evaluar
de manera simultánea la calidad de las entregas de código, accediendo de forma ágil a una
revisión rápida que detecta de forma inmediata los errores comunes existentes en la mayoría
de los códigos del grupo (Molnar et al., 2020), Facilitando en gran manera el ajuste de la
práctica y la mejora progresiva de los procesos de aprendizaje y gestión de errores. Dicha visión
agregada no solo optimiza la gestión del tiempo docente, de igual forma permite que a la par
se realice la comparación y visibilización de la evolución del rigor técnico entre diferentes
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 904
semestres generando ciclos de mejora continua a partir de la aplicación de las estrategias de
enseñanza a las necesidades observadas (Kaszab & Cserép, 2023), alcanzando un desarrollo de
alto nivel al finalizar la formación profesional en áreas de desarrollo computacional, y no
solamente como programadores.
Esta transición hacia indicadores objetivos no solo estandariza la evaluación académica, sino
que permite integrar métricas de esfuerzo y calidad en el ciclo de vida de desarrollo de los
estudiantes, facilitando un seguimiento detallado con un menor esfuerzo docente (Trinidad et
al., 2012), lo cual es altamente apreciado en contextos de educación pública donde los recursos
son limitados tanto de tiempo como de infraestructura con altas cargas de trabajo.
Adicionalmente, es posible a partir de estas revisiones sistemáticas, la generación de análisis
que induzcan a la identificación de soluciones similares, permitiendo a su vez, la emisión de
retroalimentación colectiva y personalizada a los autores (Fernandez‐Gauna et al., 2023),
siendo igualmente útil en los proyectos integradores, los cuales son propios del modelo del
TecNM. No obstante, es crucial considerar que la implementación de estos analizadores en
entornos educativos debe gestionarse con cautela, dado que la alta incidencia de falsos
positivos en los linters puede generar frustración en el alumnado y dificultar su proceso de
aprendizaje si no se acompaña de una correcta interpretación de las reglas (AlOmar et al.,
2023). Por tanto, resulta de gran importancia que los docentes contextualicen las alertas de
calidad, integrando estos reportes dentro de una guía de buenas prácticas que fomente el
pensamiento crítico y la autonomía técnica en el estudiante, en lugar de una mera corrección
mecánica (Ferreira et al., 2024; Pérez et al., 2004), siendo importante contribuir de forma
constante a la consolidación de buenas prácticas que perseveren en el quehacer del campo
laboral. En este sentido, el análisis automatizado se convierte en una herramienta pedagógica
que trasciende la simple revisión de sintaxis, fomentando una comprensión profunda de los
estándares de ingeniería de software mediante la inspección directa del código fuente
(Delgado‐Pérez & Medina‐Bulo, 2017; Gomes et al., 2017), evitando romper las grandes fallas
de los primeros años de desarrollo de software donde un gran número de software, nunca fueron
concluidos, derivado de una mala planeación.
Lo importante no es qué herramienta específica se adopte, sino el cambio de lógica que permite:
pasar de “yo, como profesor, tengo la impresión de que este código está desordenado” a “este
archivo tiene una complejidad ciclomática promedio de 14 y un 22% de líneas duplicadas”. La
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 905
segunda afirmación es discutible, mejorable, pero verificable. La primera depende enteramente
del estado de ánimo y la paciencia del revisor ese día.
El contexto de la Ingeniería en Sistemas Computacionales en el TecNM
La formación de profesionales en Ingeniería en Sistemas Computacionales requiere que los
egresados desarrollen competencias relacionadas con el diseño, desarrollo, implementación y
evaluación de soluciones tecnológicas que respondan a criterios de calidad. En este sentido, el
Tecnológico Nacional de México (TecNM) establece en el perfil de egreso de la carrera que
los futuros ingenieros deben ser capaces de optimizar recursos y procesos mediante la
aplicación de metodologías, estándares y buenas prácticas de ingeniería de software. Con ello,
se busca favorecer la calidad de los productos desarrollados y el cumplimiento de normativas
nacionales e internacionales (Tecnológico Nacional de México, 2023).
Este planteamiento es consistente con las recomendaciones internacionales relacionadas con la
formación de profesionales en software y ciencias computacionales. Organizaciones como la
Association for Computing Machinery (ACM) y la IEEE Computer Society consideran que la
calidad del software es una competencia fundamental para el ejercicio profesional, debido a
que el desarrollo de sistemas debe apoyarse en principios como la mantenibilidad,
confiabilidad, seguridad, eficiencia y capacidad de evolución (ACM & IEEE Computer
Society, 2020). De igual manera, el estándar ISO/IEC 25010 establece un modelo de calidad
que permite evaluar características como la mantenibilidad, seguridad, compatibilidad,
eficiencia del desempeño y usabilidad del software (ISO/IEC, 2011).
A pesar de lo anterior, en el contexto académico del TecNM todavía existe una brecha entre
las competencias establecidas en el currículo y los mecanismos empleados para evaluarlas. En
la práctica cotidiana de las academias de Ingeniería en Sistemas Computacionales, la
valoración de los proyectos de programación suele enfocarse en aspectos como el
cumplimiento de los requerimientos funcionales, la entrega en los tiempos establecidos y, en
algunos casos, en criterios generales relacionados con el denominado "código limpio" o las
"buenas prácticas de programación". Aunque estos aspectos son importantes, con frecuencia
se valoran de manera subjetiva y no siempre se cuenta con indicadores específicos que permitan
determinar objetivamente en qué medida se cumplen (Pressman & Maxim, 2020).
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 906
Esta situación plantea retos importantes para el proceso de enseñanza-aprendizaje. Desde la
perspectiva del docente, puede ser relativamente fácil detectar un programa que presenta
problemas de diseño, documentación o mantenibilidad; sin embargo, explicar y respaldar estas
observaciones mediante evidencias objetivas puede ser más complicado cuando no se cuenta
con instrumentos de evaluación claramente establecidos. Para el estudiante, la
retroalimentación también puede perder parte de su utilidad cuando las observaciones no están
sustentadas en criterios claros y medibles. Esto limita la posibilidad de identificar con precisión
sus áreas de mejora y avanzar de manera gradual en el desarrollo de sus competencias
profesionales (Sommerville, 2020).
Diversos estudios relacionados con la evaluación educativa señalan que los instrumentos
utilizados deben ser válidos, confiables y transparentes, de manera que contribuyan al
aprendizaje significativo y proporcionen mayor objetividad al proceso de evaluación (Biggs &
Tang, 2011). Por esta razón, evaluar la calidad del código fuente implica ir más allá de las
apreciaciones personales e incorporar indicadores que puedan verificarse. Entre estos pueden
considerarse aspectos como la modularidad, complejidad, documentación, reutilización,
legibilidad, manejo de errores y cumplimiento de estándares de codificación.
En este contexto, la presente propuesta busca atender un problema concreto dentro de la
formación en Ingeniería en Sistemas Computacionales: la falta de un instrumento de evaluación
estandarizado que permita valorar de manera objetiva la calidad del código desarrollado por
los estudiantes. Más que insistir únicamente en la importancia de las buenas prácticas —un
aspecto ampliamente reconocido en la literatura especializada—, se busca ofrecer una
herramienta metodológica que permita convertir estos principios en criterios observables,
medibles y aplicables de manera consistente. De esta forma, se espera fortalecer la objetividad
de la evaluación, mejorar la retroalimentación que recibe el estudiante y generar evidencias que
contribuyan al desarrollo de las competencias profesionales establecidas en el perfil de egreso
del Tecnológico Nacional de México.
Propuesta de instrumento de medición
De acuerdo con lo anteriormente expuesto, se elaboró un instrumento como propuesta, el cual
está estructurado en cinco dimensiones. En la siguiente tabla se describe cada dimensión
propuesta, la cual va acompañada de herramientas de análisis estático, quienes permiten
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 907
métricas objetivas, evaluando de forma cualitativa, permitiendo que esta propuesta no dependa
de una sola fuente de evidencia.
Tabla 1. Dimensiones
DIMENSIÓN
QUÉ EVALÚA
TÉCNICA O
HERRAMIENTA
SUGERIDA
EVIDENCIA QUE
GENERA
Legibilidad y
estilo
Nombres descriptivos,
consistencia de
formato, comentarios
pertinentes
Linter automático
(ESLint, Pylint,
Checkstyle) + lista de
cotejo docente
Reporte de
advertencias de estilo;
conteo de violaciones
por cada 100 líneas
Modularidad y
diseño
División en
funciones/clases con
responsabilidad única,
ausencia de
duplicación excesiva
SonarQube o Code
Climate (duplicación,
funciones largas)
Porcentaje de código
duplicado; número de
funciones que exceden
el umbral de líneas
definido
Pruebas
Existencia y cobertura
de pruebas unitarias,
casos límite
considerados
Framework de pruebas
del lenguaje (JUnit,
pytest, etc.) + reporte de
cobertura
Porcentaje de cobertura
de líneas y ramas;
número de pruebas por
módulo
Documentación
y control de
versiones
Historial de commits
significativo,
README funcional,
documentación
mínima del proyecto
Revisión del repositorio
Git (mensajes de
commit, frecuencia,
ramas)
Número de commits
con mensajes
descriptivos; presencia
de documentación
mínima viable
Mantenibilidad
(métrica
compuesta)
Complejidad
ciclomática, índice de
mantenibilidad
general del proyecto
SonarQube
(complejidad
ciclomática,
maintainability index)
Complejidad
ciclomática promedio
por función;
calificación de
mantenibilidad de la
herramienta
Fuente: elaboración propia.
Cada rubro propuesto se califica con la siguiente escala: 1=insuficiente, 2=en desarrollo,
3=satisfactorio y 4=sobresaliente. El valor que se proporcione a cada dimensión y la valoración
final será según el criterio de la academia. Queda como sugerencia que al menos en las materias
de Programación Orientada a Objetos e Ingeniería de Software, la mantenibilidad y las pruebas
tengan un peso comparable al de la funcionabilidad, y no al papel decorativo.
Es importante resaltar tres condiciones importantes para que el instrumento funcione de la
mejor manera:
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 908
La automatización: de las cinco dimensiones, mínimo tres se pueden calcular con herramientas
gratuitas, en las dimensiones de legibilidad, modularidad y mantenibilidad. Con dichas
herramientas se consumirá poco tiempo en la valoración.
La gradualidad: es conveniente tomar en cuenta que no se puede ser riguroso en valorar las
cinco dimensiones en proyectos de cursos introductorios, que en proyectos integradores de
semestres avanzados. El instrumento está pensado para escalar su exigencia de acuerdo como
el estudiante avanza en la retícula.
La retroalimentación formativa: el valor pedagógico del instrumento no está en la valoración
final, sino que el estudiante reciba una retroalimentación con sugerencias y observaciones, con
las que pueda analizar detenidamente, que parte de su programación tiene elevada complejidad
o cual método o función deberá dividir.
DISCUSIÓN
Un instrumento de este tipo no resuelve por sí solo el problema que documentan Niño
Membrillo et al. (2020): el desinterés de muchos estudiantes por seguir una disciplina de
trabajo, o la dificultad para comprender el problema antes de programarlo. Ninguna
herramienta de análisis estático mide comprensión de un problema; mide únicamente las
huellas que esa comprensión (o su ausencia) deja en el código. En ese sentido, el instrumento
propuesto es un complemento, no un sustituto, de estrategias didácticas más amplias como el
aprendizaje basado en proyectos o la programación en pares, que la revisión de Jiménez-Toledo
et al. (2019) sobre cursos introductorios de programación identifica como más efectivas para
atender las dificultades de comprensión desde su origen.
Tampoco es un instrumento neutral. Adoptar métricas de SonarQube como criterio de
evaluación implica, de facto, enseñar a programar dentro de los supuestos y convenciones de
esa herramienta, que en su mayoría provienen de la práctica profesional en la industria del
software. Esto puede ser una virtud —acerca al estudiante a lo que se espera de él en un entorno
laboral real— o un riesgo, si el docente termina “enseñando para la herramienta” en lugar de
enseñar los principios que la herramienta simplemente automatiza. La recomendación, en ese
sentido, es que el reporte de la herramienta se use siempre como punto de partida de una
conversación pedagógica, y no como un veredicto automático e inapelable.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 909
Queda pendiente, y se reconoce como una limitación de este trabajo, la validación empírica del
instrumento: lo que aquí se presenta es una propuesta fundamentada en la literatura, no todavía
una medición piloto en un grupo real de estudiantes del TecNM. Ese es, de hecho, el siguiente
paso natural: aplicar el instrumento durante uno o dos semestres en alguna de las asignaturas
de la academia, comparar los resultados con las calificaciones tradicionales, y ajustar los
umbrales de cada dimensión según lo que la experiencia real muestre.
CONCLUSIONES
A lo largo de la experiencia como docentes y derivado de la investigación realizada se puede
constatar que la calidad del software no es un atributo que aparezca por accidente al final de
una carrera de ingeniería; se construye, o se deja de construir, práctica por práctica, semestre
por semestre, en cada proyecto que un estudiante entrega y que un docente revisa. La literatura
es clara en que existe una relación estrecha entre la aplicación sistemática de buenas prácticas
de programación como estilo consistente, diseño modular, pruebas, control de versiones y
atención a métricas objetivas como la complejidad ciclomática y la calidad final del producto
de software, entendida en el sentido amplio que propone la norma ISO/IEC 25010.
El problema en la formación de ingenieros en sistemas computacionales no es, entonces, la
falta de consciencia sobre esa relación, que los planes de estudio ya reconocen explícitamente
en sus perfiles de egreso y es el fundamento de profesionistas del área, sino la falta de un
mecanismo operativo para medirla dentro del aula. Este artículo propuso un instrumento de
cinco dimensiones que incluyen legibilidad, modularidad, pruebas, documentación y
mantenibilidad, apoyado en herramientas de análisis estático de acceso gratuito, con el
propósito de que la evaluación de “buenas prácticas” deje de ser una impresión subjetiva del
docente y se convierta en un ejercicio de evidencia compartida entre docente y estudiante.
Queda como tarea de la academia de Sistemas Computacionales, y de cualquier programa
educativo interesado en esta propuesta, llevarla al terreno del aula, medir sus resultados y
ajustarla con la evidencia que solo la práctica cotidiana puede ofrecer, para fortalecer nuestra
actividad diaria en aula y laboratorios para consolidar un desarrollo de software con mayor
éxito de calidad y buenas prácticas.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 910
REFERENCIAS
ACM, & IEEE Computer Society. (2020). Computing Curricula 2020: Paradigms for
global computing education. Association for Computing Machinery; IEEE
Computer Society. https://doi.org/10.1145/3456287
AlOmar, E. A., AlOmar, S. A., & Mkaouer, M. W. (2023). On the use of static analysis to
engage students with software quality improvement: An experience with PMD.
En 2023 IEEE/ACM 45th International Conference on Software Engineering:
Software Engineering Education and Training (ICSE-SEET) (pp. 179–191).
IEEE. https://doi.org/10.1109/icse-seet58685.2023.00023
Biggs, J., & Tang, C. (2011). Teaching for quality learning at university (4.ª ed.). Open
University Press.
Callejas Cuervo, M., Alarcón Aldana, A. C., & Álvarez-Carreño, A. M. (2017). Modelos
de calidad del software, un estado del arte. Entramado, 13(1), 236–250.
https://doi.org/10.18041/entramado.2017v13n1.25125
Delgado-Pérez, P., & Medina-Bulo, I. (2017). Análisis automático del código en
prácticas de programación en orientación a objetos. En Actas del I Congreso
Internacional de Innovación Docente e Investigación en Educación Superior (pp.
61–71). Adaya Press. https://doi.org/10.58909/ad17102678
Fernandez-Gauna, B., Rojo, N., & Graña, M. (2023). Automatic feedback and
assessment of team-coding assignments in a DevOps context. International
Journal of Educational Technology in Higher Education, 20(1), Artículo 64.
https://doi.org/10.1186/s41239-023-00386-6
Ferreira, A., Brito, M. A., & Lima, J. de. (2024). Software quality in an automotive
project: Continuous inspection. International Journal of Automotive Technology,
25, 1–12. https://doi.org/10.1007/s12239-024-00132-5
Gomes, P. H. de A., Garcia, R. E., Spadon, G., Eler, D. M., Olivete, C., & Correia, R. C.
M. (2017). Teaching software quality via source code inspection tool. En 2017
IEEE Frontiers in Education Conference (FIE) (pp. 1–8). IEEE.
https://doi.org/10.1109/fie.2017.8190658
Horváth, M., Pietriková, E., & Gurbáľ, F. (2025). Personalized learning analytics
through static code analysis in Computer Science Education. Acta Informatica
Pragensia, 15(1), 54–71. https://doi.org/10.18267/j.aip.283
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 911
International Organization for Standardization. (2011). Systems and software
engineering — Systems and software Quality Requirements and Evaluation
(SQuaRE) — System and software quality models (ISO/IEC Estándar N.º
25010:2011). https://www.iso.org/standard/35733.html
Jiménez-Toledo, J. A., Collazos, C., & Revelo-Sánchez, O. (2019). Consideraciones en
los procesos de enseñanza-aprendizaje para un primer curso de programación
de computadores: una revisión sistemática de la literatura. TecnoLógicas,
22(edición especial), 83–117. https://doi.org/10.22430/22565337.1520
Kaszab, P., & Cserép, M. (2023). Detecting programming flaws in student submissions
with static source code analysis. Studia Universitatis Babeș-Bolyai Informatica,
68(1), 37–54. https://doi.org/10.24193/subbi.2023.1.03
Krusche, S., von Frankenberg, N., Reimer, L. M., & Bruegge, B. (2020). An interactive
learning method to engage students in modeling. En Proceedings of the 42nd
International Conference on Software Engineering: Software Engineering
Education and Training (pp. 12–22). Association for Computing Machinery.
https://doi.org/10.1145/3377814.3381702
McCabe, T. J. (1976). A complexity measure. IEEE Transactions on Software
Engineering, SE-2(4), 308–320. https://doi.org/10.1109/TSE.1976.233837
Messer, M., Brown, N. C. C., Kölling, M., & Shi, M. (2024). Automated grading and
feedback tools for programming education: A systematic review. ACM
Transactions on Computing Education, 24(1), 1–35.
https://doi.org/10.1145/3636515
Molnar, A.-J., Motogna, S., & Cristina, V. (2020). Using static analysis tools to assist
student project evaluation. En Proceedings of the 13th International Conference
on Computer Supported Education (pp. 7–12). Association for Computing
Machinery. https://doi.org/10.1145/3412453.3423195
Nikolić, D., Stefanović, D., Nikolić, M., Dakić, D., Stefanović, M., & Koprivica, S. (2024).
Uncovering determinants of code quality in education via static code analysis.
IEEE Access, 12, 102450–102462. https://doi.org/10.1109/access.2024.3426299
Niño Membrillo, Y. E., Morales Salgado, M. G. R., Vázquez Reyes, S., & Sánchez Rinza,
B. (2020). Mejores prácticas y criterios de calidad en el proceso de desarrollo
de código en los cursos de programación en la enseñanza superior. Revista
Tecnología, Ciencia y Educación, (17), 97–126.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 912
Pérez, J. R. P., Fernández, D. R., & González-Rodríguez, M. (2004). ¿Es posible la
eliminación de los errores de los programas? En Informática educativa: Nuevos
retos (p. 99). Universidad de Oviedo.
https://dialnet.unirioja.es/servlet/articulo?codigo=6795510
Pressman, R. S., & Maxim, B. R. (2020). Software engineering: A practitioner's approach
(9.ª ed.). McGraw-Hill Education.
Sommerville, I. (2020). Engineering software products: An introduction to modern
software engineering. Pearson.
Soraluz Soraluz, A. E., Valles Coral, M. Á., & Lévano Rodríguez, D. (2021). Desarrollo
guiado por comportamiento: Buenas prácticas para la calidad de software.
Ingeniería y Desarrollo, 39(1), 190–204.
https://doi.org/10.14482/inde.39.1.620.101
Tecnológico Nacional de México. (2023). Programa educativo de Ingeniería en Sistemas
Computacionales: Perfil de egreso y competencias específicas. Tecnológico
Nacional de México.
Trinidad, P., Resinas, M., Segura, S., & Ruiz-Cortés, A. (2012). Evaluación y
seguimiento de trabajos en equipo de desarrollo de software a través de la
calidad del código fuente. UPCommons Institutional Repository (Universitat
Politècnica de Catalunya). https://hdl.handle.net/2099/15038
Villalta, A., & Carvallo, J. P. (2015). Modelos de calidad de software: Una revisión
sistemática de la literatura. Maskana, 6(1), 107–117.
https://doi.org/10.18537/mskn.06.01.09
Williams, J., Kane, D., & Cappuccini-Ansfield, G. (2008). Student satisfaction surveys:
The value of taking a historical perspective. Quality in Higher Education, 14(2),
135–155. https://doi.org/10.1080/13538320802278347
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 3 - Año 2026
Página | 913
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v5.i3.339
Cómo citar este artículo (APA 7ª edición):
Castillo Ortiz, S. Y., Cuevas Bracamontes, L., Mena Salgado, E., Díaz García, J. C., &
Urióstegui Peralta, M. del C. (2026). Propuesta para Medir las Buenas Prácticas de
Programación en la Calidad del Software Desarrollado por los Estudiantes de Ingeniería en
Sistemas Computacionales
Prisma ODS: Revista Multidisciplinaria Sobre Desarrollo Sostenible, 5(3), 895-
913. https://doi.org/10.65011/prismaods.v5.i3.339
