DOI:
https://doi.org/10.14483/22487638.24566Publicado:
30-09-2026Número:
Vol. 30 Núm. 89 (2026): Julio - SeptiembreSección:
InvestigaciónIntegrating Visual Serial Reaction Time and Binary Decision Trees for the Evaluation of Implicit Learning: A Methodological Proof of Concept
Integración del tiempo de reacción serial visual y árboles de decisión binaria para la evaluación del aprendizaje implícito: una prueba de concepto metodológica
Palabras clave:
implicit learning, unconscious learning, binary trees, Visual Serial Reaction Time (VSRT), Java (en).Palabras clave:
aprendizaje implícito, aprendizaje inconsciente, arboles binarios, tiempo de reacción visual serial (VSRT), Java (es).Descargas
Resumen (en)
Context: This investigation assessed whether repeated exposure to visual-spatial patterns and guided micro-interactions could lead high school and first-year engineering students to internalize formal rules. By combining implicit learning tools (e.g., VSRT) with explicit tools, such as a binary tree calculator.
Objective: This study aims to determine whether stable patterns and low-friction actions increase implicit learning, structured reasoning, and algebraic manipulation compared with historical baseline performance.
Methodology: A concurrent mixed-methods design was used to recruit 40 participants from a purposive historical sample of 153 students. Quantitative (VSRT accuracy, interaction statistics) and qualitative (28 interviews until theoretical saturation) analyses were performed using thematic analysis and decision trees.
Results: The participants achieved an accuracy of 84% in recognizing VSRT patterns, exceeding the previous average of 70% and showing clear improvement. Repetition and familiarity with tasks were found to be important factors that influenced progress.
Conclusions: Implicit VSRT training combined with explicit visualization is an efficient method for teaching hierarchical content. Such dual approaches enhance academic performance as well as structural understanding and can be evidenced by repetition and familiarity as pivotal techniques. This study provides a strong model for STEM education interventions that link implicit and explicit cognitive systems.
Resumen (es)
Contexto: Esta investigación evaluó si la exposición repetida a patrones visuoespaciales y micro interacciones guiadas podría llevar a estudiantes de secundaria y de primer año de ingeniería a internalizar reglas formales. Para ello, se combinaron herramientas de aprendizaje implícito (por ejemplo, Visual Serial Reaction Time – VSRT) e instrumentos explícitos (como una calculadora de árboles binarios).
Objetivo: Identificar si patrones estables y acciones de baja fricción permiten un aumento en el aprendizaje implícito, el razonamiento estructurado y la manipulación algebraica en comparación con un desempeño histórico de referencia.
Metodología: Mediante un diseño mixto concurrente, se evaluó a 40 participantes de una muestra intencional de un grupo histórico de 153 estudiantes. Se analizaron datos cuantitativos (precisión en VSRT, estadísticas de interacción) y cualitativos (28 entrevistas hasta saturación teórica) a través del análisis temático y árboles de decisión.
Resultados: Los estudiantes lograron un reconocimiento de patrones con un 84 % de aciertos, superando el promedio histórico del 70 %, lo que representa una mejora notable. Se encontró que la repetición y la familiaridad con las tareas fueron factores determinantes para este progreso.
Conclusiones: El entrenamiento implícito mediante VSRT combinado con visualización explícita representa un método de enseñanza eficiente para contenidos jerárquicos. Tales enfoques duales mejoran el rendimiento académico y el entendimiento estructural, evidenciado por la repetición y familiaridad como técnicas clave. Este estudio ofrece un modelo sólido para intervenciones educativas en STEM que vinculan los sistemas cognitivos implícitos y explícitos.
Referencias
[1] A. S. Reber, Implicit Learning and Tacit Knowledge: An Essay on the Cognitive Unconscious. Oxford, U.K.: Oxford University Press, 1993.
[2] M. Barth, C. Stahl, and H. Haider, “How implicit sequence learning and explicit sequence knowledge are expressed in a serial reaction time task,” Journal of Cognition, vol. 8, no. 1, p. 30, 2025, https://doi.org/10.5334/joc.439
[3] Y. Song, B. Millidge, T. Salvatori et al., “Inferring neural activity before plasticity as a foundation for learning beyond backpropagation,” Nature Neuroscience, vol. 27, pp. 348–358, 2024, https://doi.org/10.1038/s41593-023-01514-1
[4] F. Mora Teruel, El cerebro del niño explicado a los padres. Madrid, Spain: Alianza Editorial, 2021.
[5] M. J. Nissen and P. Bullemer, “Attentional requirements of learning: Evidence from performance measures,” Cognitive Psychology, vol. 19, no. 1, pp. 1–32, 1987, https://doi.org/10.1016/0010-0285(87)90002-8
[6] M. T. Goodrich, “Teaching the analysis of algorithms with visual proofs,” Computer Science Education, vol. 20, no. 1, pp. 31–41, Mar. 2010.
[7] A. Destrebecqz and A. Cleeremans, “Learning serial visual sequences: Evidence for an implicit learning process,” Journal of Experimental Psychology: Learning, Memory, and Cognition, vol. 31, no. 1, pp. 83–94, 2005.
[8] K. M. H. Kim and A. Godfroid, “Learning without awareness: Variables that facilitate adult implicit learning,” Language Learning, vol. 73, suppl. 2, pp. 1–27, 2023, https://doi.org/10.1111/lang.12616
[9] K. Janacsek and D. Nemeth, “Implicit sequence learning and its development across the lifespan: A review,” Cortex, vol. 150, pp. 72–89, 2022, https://doi.org/10.1016/j.cortex.2022.01.004
[10] A. S. Reber, “Implicit learning: Background, history, theory,” in The Cognitive Unconscious: The First Half Century, A. S. Reber and R. Allen, Eds. Oxford, U.K.: Oxford University Press, 2022, pp. 19–23, https://doi.org/10.1093/oso/9780197501573.003.0001
[11] L. Chen, Y. Zhang, and J. Sweller, “Visual cognitive load in instructional design: The role of visual-spatial reasoning in learning complex content,” Journal of Educational Psychology, vol. 115, no. 1, pp. 68–84, 2023
[12] T. H. Cormen, C. E. Leiserson, R. L. Rivest, and C. Stein, Introduction to Algorithms, 4th ed. Cambridge, MA, USA: MIT Press, 2022.
[13] A. P. Boone and W. A. Cunningham, “Spatial cognition and unconscious learning: Integrating visuo-spatial reasoning training into cognitive development,” Trends in Cognitive Sciences, vol. 25, no. 3, pp. 215–228, 2021,
[14] S. A. Park, D. S. Miller, H. Nili, C. Ranganath, and E. D. Boorman, “Map making: Constructing, combining, and inferring on abstract cognitive maps,” Neuron, vol. 107, no. 6, pp. 1226–1238.e8, 2020, https://doi.org/10.1016/j.neuron.2020.06.030
[15] A. B. Levina, P. G. Chernenko, and S. V. Boyko, “Binary code compression based on decision trees,” in Communications in Computer and Information Science, vol. 2603. Cham, Switzerland: Springer, 2026, pp. 155-167, https://doi.org/10.1007/978-3-032-04758-8_12
[16] L. Sun, M. A. Rodriguez, and P. Kumar, “Teaching Huffman coding through interactive binary tree visualizations: An educational framework,” Computer Science Education, vol. 35, no. 1, pp. 45–67, 2025
[17] R. E. Mayer and L. Fiorella, Eds., The Cambridge Handbook of Multimedia Learning, 2nd ed. Cambridge, U.K.: Cambridge University Press, 2022 https://doi.org/10.1017/9781108894333
[18] G. Yildiz, C. O. Güzeller, and Z. Özmen, “The effect of multisensory instructional approach on the academic achievement and retention of students,” Journal of Education and Practice, vol. 11, no. 9, pp. 148–159, 2020
[19] E. Doğan, B. Yıldız, and Ö. Kızılkaya, “Visualizing algorithms to enhance understanding in data structures,” International Journal of Computer Science Education, vol. 11, no. 2, pp. 45–56, 2022.
[20] H. Lee, S. Kim, and J. Park, “Graphical programming for algorithm education,” Computers & Education, vol. 165, p. 104151, 2021 https://doi.org/10.1016/j.compedu.2021.104151
[21] R. Gómez-Pablos, M. del Pozo, and A. Muñoz-Repiso, “Using digital resources for active learning in computer science,” Education and Information Technologies, vol. 25, no. 3, pp. 2113–2133, 2020
[22] M. T. Goodrich, R. Tamassia, and M. H. Goldwasser, Data Structures and Algorithms in Python, 2nd ed. Hoboken, NJ, USA: Wiley, 2022.
[23] A. Goujon, J.-F. Hérold, and N. Grimault, “Complex procedural knowledge in computing: An analytical framework for studying learning in programming,” Revue Française de Pédagogie, no. 212, pp. 53–72, 2021
[24] E. R. Hilgard, Personality and Hypnosis: A Study of Imaginative Involvement. Chicago, IL, USA: University of Chicago Press, 1979
[25] B. Kaufman, C. G. DeYoung, J. R. Gray, L. Jiménez, J. Brown, and N. Mackintosh, “Implicit learning as an ability,” Cognition, vol. 116, no. 3, pp. 321–340, 2010 https://doi.org/10.1016/j.cognition.2010.05.011
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2026 Iván Fernando Iván Fernando, Henry Montaña Quintero, Eduardo Avendaño Fernández
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
