Archivo de la etiqueta: Prompt thinking

Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda para los próximos tiempos (y V): La IA como herramienta.

Entradas, , , ,

Miguel Zapata Ros
Universidad de Murcia. Murcia. España.

Resumen

Esta es la quinta y última parte de un ensayo teórico donde en general se propone una agenda educativa ante el auge de la inteligencia artificial (IA), postulando el prompting como la competencia fundamental de una nueva alfabetización, análoga al pensamiento computacional. El esquema del artículo se articula en cuatro ejes principales: la evaluación educativa basada en el principio de demostración y el diseño instruccional adaptado a la IA, visto en el primer post; el marco de la cognición generativa de alcance intermedio, que desarrollamos en el segundo; el computational thinking que relacionamos con el engineering prompt, que vimos en el tercero; y la caracterización técnica y cognitiva del prompt engineering, que desarrollamos en el anterior. En éste concluimos planteándonos la IA bajo otra perspectiva, la de herramienta educativa, más en la línea en la que habitualmente venimos trabajando.
En todo caso no debemos perder la visión mantenida en el trabajo en su conjunto: se define la IA como una “prótesis del pensamiento” o exocognición, donde el sujeto humano mantiene siempre la primacía de la participación de las personas en la autoría y la intención en la creación de la obra. Se concluye que la integración efectiva de la IA en la educación superior requiere un enfoque centrado en la autorregulación y la atribución de sentido personal, advirtiendo contra la dependencia excesiva que pueda erosionar las capacidades críticas y metacognitivas de los estudiantes. El trabajo subraya finalmente la necesidad de una nueva pedagogía que transforme la interacción humano-máquina en un diálogo estratégico, iterativo y profundamente reflexivo.

Palabras clave

Inteligencia artificial, Prompting, Prompt engineering, Prompt thinking, Cognición generativa, Alfabetización digital 

DOI: 10.13140/RG.2.2.32918.31045

En el tiempo en que se ha desarrollado la IA y en la práctica de su uso educativo hemos observado principalmente dos tipos de enfoque de uso. Uno para realizar lo que tenemos que hacer —nuestras tareas— de una manera más fácil, con resultados más atractivos y perfectos, pero implicándose mínimamente y sin ir más allá de sus conclusiones. Es el modelo arado romano. Otra es para hacer lo que antes hacíamos en el mundo digital: indagar dónde está la información relevante para nuestro propósito y cuál es su contenido. Averiguar precedentes y métodos de uso para resolver el problema que afrontamos, analizarla, procesarla y sistematizarla. Todo ello como forma previa al asunto principal, que era hacer nuestra obra, u obtener conclusiones de forma deductiva, inductiva etc. en nuestra investigación, para nuestro proyecto o en nuestro diseño.

La diferencia es que ahora:

  1. esta fase, la previa a nuestro trabajo en exclusiva, es más completa y más eficiente que tal como lo hacíamos hasta ahora, aunque no siempre y a veces errónea y con falta de revisión y validación) y
  2. la parte sustancial de nuestro trabajo —la que realizamos a partir del trabajo de la IA e incluso guiándola en esa parte con lo que hemos visto que se conoce como Prompt Ingennering— la hacemos con nuestras ideas, nuestra experiencia, nuestra sensibilidad, nuestra creatividad, y lo que es más importante con nuestra implicación y nuestro compromiso. Es lo que se conoce como atribución de significado y como apropiación. De manera que, de esta forma el, resultado sea reconocido y lo reconozcamos como nuestra obra.

Esta otra forma de utilizar la IA para nuestro objetivo es la que identificaremos a partir de ahora: la IA herramienta o como medio. Haciendo énfasis, como hemos desarrollado en la parte anterior, en que ahora es muy potente y comparte con nosotros aspectos exocognitivos que implican un acognición especial, la que hemos llamado cognición generativa.

Pero, sobre todo, para el resultado y para nuestro objetivo, es que es mucho más eficaz, aunque haya limitaciones y sesgos. Ahora utilizamos todo lo que hay de información y de conocimiento, y lo tenemos a nuestra disposición organizado de forma muy rápida. Hemos pasado del cincel y el martillo de los canteros medievales y de los escultores renacentistas, al rayo láser, a la impresión 3D, … pero siempre para hacer nuestra escultura. Y no es sólo una metáfora. Sólo que antes eran materiales y ahora son materiales cognitivos.

No podemos ignorar, como conclusión de lo estudiado, que se ha impuesto de estas dos formas el uso de la IA generativa, al tiempo que valoramos que la potencia para incrementar el progreso de la ciencia, los servicios y la producción y por ende la felicidad, al aumentar el bienestar, está en la segunda. Debemos favorecerla como la que realmente proporciona un incremento de estos factores y sobre todo debemos incluirla así en la educación.

Igualmente, el tipo de efectos no deseados para el aprendizaje tal como los hemos analizado se vinculan exclusivamente con la primera opción, o con modalidades incompletas o mal planteadas de la segunda, como por ejemplo puede ser atribuir un carácter infalible y taumatúrgico a las conclusiones que los modelos de IA nos presentan como resultados de nuestros prompts, de sus procesos y de sus bases de datos. Éste sería el marco y el panorama de la IA en la educación y en el aprendizaje.

Como reflexión aparte, e igualmente por mi experiencia reciente he observado que muchos estudiantes utilizan actualmente la Inteligencia Artificial Generativa (IAG) en sus cursos (asignaturas), en sus tareas y en otras actividades, pero su disposición a revelar dicho uso sigue siendo baja y arriesgada.

 Sostenemos que la falta de divulgación no debe interpretarse como un fallo de la autorregulación, la monitorización metacognitiva o las violaciones de la integridad académica.

Estas explicaciones que de forma ocasional y no regulada nos dan sitúan el uso de la IAG por parte de los estudiantes dentro del propio alumno y pasan por alto la ecología educativa donde la divulgación adquiere sentido.

Ante ello nos plantamos y argumentaremos defendiendo paladinamente la idea de que la ocultación de la IAG puede funcionar como una forma de regulación contextualizada en respuesta a entornos donde la honestidad puede acarrear costes académicos, relacionales o simbólicos. Proponemos la agencia posdigital de la IAG por los alumnos que igualmente sea objeto de estudio — como una forma de divulgación de la IAG— como una práctica ecológica, relacional y ética fundamentada en la confianza, el cuidado y la responsabilidad negociada. Y no necesariamente como algo sucio, fraudulento o simplemente no deseable.

 

Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda para los próximos tiempos (IV): Prompting, prompt engineering y prompt thinking.

Entradas, , ,

Miguel Zapata Ros
Universidad de Murcia. Murcia. España.

Resumen

Esta es la cuarta parte de un ensayo teórico donde en general se propone una agenda educativa ante el auge de la inteligencia artificial (IA), postulando el prompting como la competencia fundamental de una nueva alfabetización, análoga al pensamiento computacional. El esquema del artículo se articula en cuatro ejes principales: la evaluación educativa basada en el principio de demostración y el diseño instruccional adaptado a la IA, vistos en el primer post; el marco de la cognición generativa de alcance intermedio, que desarrollamos en el segundo; el computational thinking que relacionamos con el engineering prompt, que vimos en el tercero; y la caracterización técnica y cognitiva del prompt engineering, que desarrollamos en éste.
En conjunto se define la IA como una “prótesis del pensamiento” o exocognición, donde el sujeto humano mantiene siempre la agencia, la autoría y la intención en la creación de la obra. Se concluye que la integración efectiva de la IA en la educación superior requiere un enfoque centrado en la autorregulación y la atribución de sentido personal, advirtiendo contra la dependencia excesiva que pueda erosionar las capacidades críticas y metacognitivas de los estudiantes. El trabajo subraya finalmente la necesidad de una nueva pedagogía que transforme la interacción humano-máquina en un diálogo estratégico, iterativo y profundamente reflexivo.

1 Prompting

Hemos dicho que es el proceso para diseñar y proporcionar peticiones (prompts) a un modelo de inteligencia artificial, para obtener una respuesta específica y útil a un objetivo del actor-individuo humano.

La literatura ofrece diversas estrategias que solo recogemos de forma indicativa. Serán necesarias investigaciones posteriores par a averiguar y validar posibles estrategias con sentido pedagógico y su viabilidad.

Ejemplos de estrategias de Prompt Engineering:  

  • Indicación “a pelo” (de disparo cero, Zero-shot Prompting): Solicitar una tarea directamente sin referencias, confiando solo en el las bases de datos de la IA.
  • Pocas Indicaciones, Few-shot Prompting: Incluir sólo algunas referencias sobre el formato y el tono deseados en las indicaciones para guiar al modelo.
  • Cadena de pensamiento (Chain-of-Thought (CoT)): Pedir a la IA que “piense paso a paso”. En este caso el actor tiene que desglosar el razonamiento para llegar a una conclusión más precisa en tareas complejas.
  • Indicación con rol para la IA (Role Prompting): Asignar un rol específico a la IA (ej. “Asume un papel de profesor de matemáticas”) para que adopte su lenguaje y perspectiva.
  • Refinamiento mediante iteraciones (Iterative Refinement): Ajustar y mejorar el mensaje de indicaciones (prompt) basándose en las respuestas anteriores, y hacerlo de forma iterativa hasta lograr el objetivo exacto.
    A simple vista se ve que coinciden estas estrategias con los elementos del PC: Iteración, ensayo error, …

Evidentemente nos centraremos en las más complejas como más eficaces, más personalizadas y donde el papel humano es más predominante.

Otras cuestiones elementales que señala la literatura, según hemos podido constatar, son las posibles estructuras de las que ya se van dotando los prompts que se reconocen como más eficientes.

Así un buen prompt, para ser efectivo, debería contener, como estrategia, cinco elementos clave al menos

Rol: ¿Qué papel debe asumir la IA? ¿Experto, asistente, creativo, …? Esto determinará el lenguaje y la elección de recursos

Tarea: ¿Qué debe hacer exactamente la IA? ¿Un informe, una tabla, un capítulo, un artículo, un apartado de ellos, …? Siempre en la idea de que servirá como base, como cognición generativa

Contexto: Información relevante sobre el tema, notas explicativas, destinatarios, propósito, …

Formato: ¿Cómo quieres que se entregue el resultado, en que plantilla formal?: Texto abierto sin formato, tabla, lista, programa de ordenador.

Restricciones: O filtros. Es el equivalente a los condicionantes de un programa Qué debe contener necesariamente, qué debe evitar, extensión, tipo de lenguaje y dificultad empleadas etc.

 

2. Prompt engineering .- ´

Prompt engineering inicialmente es una técnica o lo fue, pero ahora es algo más, es tanto un arte como una ciencia. Y sirve para diseñar, refinar y optimizar las entradas (indicaciones) que guían a los grandes modelos de lenguaje (LLM) a fin de producir resultados precisos, relevantes y de alta calidad.Es una habilidad fundamental para interactuar con la IA generativa, ya que tiende un puente entre la intención humana y la comprensión de la máquina

Simplificando, “Prompt engineering”, o ingeniería de indicaciones, también se ha presentado como un conjunto de habilidades clave para obtener respuestas específicas de los sistemas de IA, de forma general. En el mundo educativo se piensa que ello puede enriquecer, entre otras cosas, la forma de trabajar de los alumnos promoviendo, entre otras cosas, el pensamiento crítico

La ingeniería de indicaciones, en esencia, implica la creación estratégica de entradas para obtener las respuestas o comportamientos deseados de los sistemas de IA. En entornos educativos, esto se puede traducir en tareas de diseño de indicaciones que no solo involucren a los estudiantes, sino que también los desafíen a pensar de forma crítica y creativa.

Las investigaciones deberían pues centrarse en verificar si este arte, el de la ingeniería de indicaciones, reside en la capacidad para transformar la IA de un simple repositorio de información en una herramienta interactiva que estimula un aprendizaje y una comprensión más profundos (como sostienen Lee et al.(2023 ). De ser así, la relevancia de la ingeniería de indicaciones en la educación es innegable. A medida que la IA se vuelve cada vez más sofisticada y se integra en los entornos de aprendizaje, la capacidad de comunicarse eficazmente con estos sistemas se vuelve crucial.

La ingeniería de indicaciones permitiría a los educadores guiar o enseñar a guiar las interacciones con la IA de manera que mejoren los resultados de aprendizaje. Habría que averiguar si realmente permite la creación de escenarios de aprendizaje personalizados que se adaptan a las necesidades y habilidades de cada estudiante, haciendo que el aprendizaje sea más atractivo y efectivo, como sostienen Eager & Brunton (2023 ).

Uno de los impactos más significativos que se presumen de la ingeniería de indicaciones es su potencial para mejorar el pensamiento crítico. Al diseñar cuidadosamente las indicaciones, los educadores pueden alentar a los estudiantes a abordar los problemas desde diferentes perspectivas, analizar la información de manera crítica y desarrollar soluciones distintas a como se ha hecho tradicionalmente y creativas. Este enfoque no solo profundizaría, de verificarse, su comprensión del tema, sino que también perfeccionaría sus habilidades de pensamiento crítico. En contra a lo que sucedió al principio de la IA educativa que no había experiencias empíricas, ahora sí hemos asistid a una eclosión real de investigaciones de este tipo.  sobre la formulación de indicaciones de IA en contextos instruccionales. Uno de esos estudios en particular (Theophilou et al., 2023 ), estudió cómo aprender a formular indicaciones de manera efectiva en el aula, y como ello puede incluso ayudar a los estudiantes a comprender mejor en general los límites de la IA, lo que inevitablemente fomenta otro objetivo: su alfabetización en IA .

Otro estudio (Chen et al., 2023 ) evidenció que la IA tiene el potencial de generar entornos de enseñanza altamente interactivos y lúdicos, siempre que utilicemos los programas y el diseño instruccional.

 Algunas experiencias ya van indicando cua,es son los elementos metodológicos que ayudan a esa forma de conocimiento y de trabajo, así Morgan (enero 2025) indica que los elementos clave de esta mentalidad incluyen:

  • Enfoque centrado en el problema:Mediante él se parte de una comprensión clara del objetivo y, a continuación, se formulan hipótesis sobre cómo estructurar las instrucciones para alcanzar la solución.
  • Refinamiento iterativo:Consiste en considerar las indicaciones como un diálogo en feed back, donde se prueban los resultados y se ajustan las instrucciones para acercar cada vez más los resultados en cada intento y el resultado ideal.
  • Capacidad de acercamiento/alejamiento:Consiste en alternar entre el refinamiento de detalles específicos (por ejemplo, código o tono) y el establecimiento de un contexto de más alto nivel cognitivo (por ejemplo, lluvia de ideas o estrategias elaboradas).
  • Razonamiento estructural:Consiste en traducir ideas humanas a un lenguaje preciso de manera que la IA pueda analizar eficazmente, a menudo utilizando marcos como la dramatización (creación de personajes), restricciones explícitas y la configuración del contexto.
  • Ingeniería contextual:Consiste en rodear el modelo con información de fondo esencial, ejemplos y requisitos de formato para reducir la ambigüedad.
  • Pensamiento complementario: Consiste en utilizar la IA para superar las deficiencias en la cognición humana, como, por ejemplo, usar una indicación estructurada para equilibrar un enfoque excesivamente creativo, literario y en general disperso. 

Como plasmación práctica pero no constitutivo todavía de investigaciones, este proceso de pensamiento está dando como resultado el diseño de “manuales de instrucciones” o conjuntos de instrucciones integrales que rigen el funcionamiento de un modelo, en lugar de escribir indicaciones únicas y aisladas.

 

3. Prompt Thinking o Prompting thinking. –

Éste es el tema básico, el punto clave. El pensamiento para promtear consiste en hacer, para generar indicaciones a la IA —prompts —lo mismo o parecido que se hace para programar, según el Pensamiento Computacional: análisis ascendente, análisis descendente, ensayo y error, …  pero, en vez de programar o de resolver en general problemas reales en el contexto de sociedad digital, lo hacemos para “promptear” (Prompting lo traduce como “generar indicaciones para la IA”) para obtener informaciones o en general respuestas en el contexto de la IA generativa.

Esto es una primera idea y da las claves del asunto, pero el Prompt Thinking (o pensamiento de prompts) no es solo escribir instrucciones, sino la habilidad cognitiva de pensar con claridad, de dotar la estructura y definir el propósito antes de interactuar con una inteligencia artificial (IA). Es el arte de transformar pensamientos vagos en instrucciones precisas con el objeto de maximizar el valor de las respuestas y la utilidad de la IA, utilizándola como una extensión del propio pensamiento. 

Formalmente el Prompt Thinking  se nos ha presentado de distintas formas, como:

Etapa de planificación donde se definen objetivos, contexto, restricciones y el resultado esperado antes de escribir.

En él la calidad de la respuesta de la IA está en razón directa a la precisión de tu instrucción. Si siembras vaguedad, obtendrás ruido.

Es un pensador, no un elaborador: Implica no aceptar la primera respuesta, sino repreguntar, refinar y desafiar al modelo de IA. 

Al Think Prompting como habilidad clave se han atribuido algunos rasgos, entre los cuales hemos encontrado:

  • Ser metacognitivo: funciona como una affordance para estructurar las ideas del agente humano, facilitando el análisis y el pensamiento crítico.
  • Es iterativo: O de refinamiento. Es un proceso continuo que se retroalimenta con las respuestas parciales o intermedias. 
  • Es interactivo. El prompt thinking pasa de simplemente “pedir cosas” a establecer una comunicación efectiva con la IA, que potencie el razonamiento y la cognición humana con apoyo de la máquina.

En conclusión, hay mucho escrito, bastante de ello de calidad, pero falta una precisión, una elaboración sistemática y holística y sobre todo una investigación que valide tod ello.

Sobre todo, encontramos en la literatura que, en el campo de desarrollo y en el de exegesis teórica y en la difusión, se echa en falta definir, avaladas con una investigación adecuada y con rigor, qué habilidades o elementos deben estar presentes para promptear bien, todo ello dentro de un claro esquema conceptual.

Hoy, en definitiva, en la época y en la encrucijada de la IA generativa en la educación, como incluirla, es precisa una alfabetización que pase por un corpus propio para la “generación de indicaciones para la IA”. El razonamiento es el mismo que hacíamos para la sociedad digital y su alfabetización cuando hablábamos del pensamiento computacional: qué elementos de pensamiento y qué habilidades eran precisas para andar por la vida. Sólo que ahora se trata de andar por la IA

Hasta aquí hemos tratado, en esta propuesta de agenda, las líneas generales que tiene como sujeto, tema principal o epitome, la IA en la educación y en el aprendizaje. Ha sido el actor principal de lo tratado. A partir de ahora consideraremos a la IA como herramienta o como parte de otros corpus como el Pensamiento computacional.

Referencias

Chen, C.-H., Law, V., & Huang, K. (2023). Adaptive scaffolding and engagement in digital game-based learning. Educational Technology Research and Development, 71(4), 1785–1798. https://doi.org/10.1007/s11423-023-10244-x

Eager, B., & Brunton, R. (2023). Prompting Higher Education Towards AI-Augmented Teaching and Learning Practice. Journal of University Teaching & Learning Practice, 20(5). https://doi.org/10.53761/1.20.5.02

Lee, U., Jung, H., Jeon, Y., Sohn, Y., Hwang, W., Moon, J., & Kim, H. (2023). Few-shot is enough: Exploring ChatGPT prompt engineering method for automatic question generation in english education. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12249-8

Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda para los próximos tiempos (I)

Entradas, , , , , ,

un pedazo de papel en un plato con un bolígrafoMiguel Zapata-Ros

Universidad de Murcia. Murcia. España.

mzapata@um.es

Resumen

Este ensayo teórico propone una agenda educativa ante el auge de la inteligencia artificial (IA), postulando el prompting como la competencia fundamental de una nueva alfabetización, análoga al pensamiento computacional. El esquema del artículo se articula en cuatro ejes principales: la evaluación educativa basada en el principio de demostración; el diseño instruccional adaptado a la IA; el marco de la cognición generativa de alcance intermedio; y la caracterización técnica y cognitiva del prompt engineering. El autor define la IA como una “prótesis del pensamiento” o exocognición, donde el sujeto humano mantiene siempre la agencia, la autoría y la intención en la creación de la obra. Se concluye que la integración efectiva de la IA en la educación superior requiere un enfoque centrado en la autorregulación y la atribución de sentido personal, advirtiendo contra la dependencia excesiva que pueda erosionar las capacidades críticas y metacognitivas de los estudiantes. El trabajo subraya finalmente la necesidad de una nueva pedagogía que transforme la interacción humano-máquina en un diálogo estratégico, iterativo y profundamente reflexivo.

Palabras clave

Inteligencia artificial, Prompting, Prompt engineering, Prompt thinking, Pensamiento computacional, Cognición generativa (específicamente de alcance intermedio), Alfabetización digital, Evaluación formativa

DOI: 10.13140/RG.2.2.32918.31045

 

En este trabajo el autor plantea realizar una revisión fundada y argumentada, en clave de ensayo teórico, como investigador y analista, sobre la situación de desarrollo de prácticas educativas contrastadas y documentadas en la literatura existente sobre IA, usos eficientes y prácticas emergentes de alumnos en contextos educativos, tanto de uso como recurso como en evaluación educativa, principalmente utilizando la evaluación formativa por parte de profesores. En base a ello formula como conclusión y una nueva consideración: la IA plantea una nueva alfabetización que tendrá como referencia ahora lo que se denomina Prompting o engineering prompt[1] De forma similar a como se consideró el Pensamiento Computacional (Computational Thinking), de cuyo resultado se hace eco el informe Bocconi (Bocconi et al, 2016) de la Unión europea.


Pensamiento computacional

De forma sucinta, sólo para justificar el planteamiento, diremos que se trata de considerar las habilidades necesarias para el prompting, que se definen y desarrollan inicialmente en este trabajo, de manera análoga a como en su momento se hizo con el pensamiento computacional. Es decir, ahora se trata de determinar y de redefinir aquellos elemento competenciales y conceptuales que responden a la pregunta siguiente: ¿qué formas de proceder, qué constructos conceptuales y prácticos son necesarios, se demandan, para guiar de manera consistente a la IA hacia las respuestas más precisas, relevantes u óptimas de un objetivo predeterminado y cómo formular éste. En el pensamiento computacional nos preguntábamos qué elementos son precisos para andar por el nuevo mundo digital. Ahora nos planteamos cuáles son necesarios para andar por la IA.

En definitiva, ahora nos planteamos con respeto al dialogo con la IA lo mismo que antes hacíamos en el pensamiento computacional con respecto a dialogar con las cosas digitales.

¿Qué habilidades o qué elementos hacen falta para promptear bien? O para guiar de manera consistente a la IA hacia las respuestas más precisas, relevantes u óptimas con nuestros objetivos, para formularlos y para transcribirlos del lenguaje humano al lenguaje especifico de los prompts.

Líneas de desarrollo y emergentes de la IA

En primer lugar, conviene precisar que definimos Inteligencia Artificial (IA) como el término o concepto general a cuya referencia se acogen los sistemas computacionales diseñados para realizar tareas comúnmente asociadas con la inteligencia humana.

Que en nuestro ámbito se centrará en el lenguaje, la cognición y el aprendizaje en contextos de educación superior, por lo que nuestra principal preocupación, es relacionar el aprendizaje autorregulado (AAR)[2] con los sistemas adaptativos informáticos[3], y en este contexto estudiar o reflexionar acerca de cómo puede actuar la Inteligencia Artificial Generativa (IAG) basada en grandes modelos de lenguaje (LLM).
Y las líneas a que hacemos referencia serán

  1. Evaluación educativa e IA

En este apartado resumimos y referenciamos lo ya aportado por el autor sobre este tema en trabajos anteriores asumiendo las conclusiones allí expuestas sobre la utilización de modelos de evaluación formativa.

Así podemos citar el trabajo “Los programas generativos “Transformer” AI, entre los que está “ChatGPT, ¿una oportunidad para la evaluación formativa?” (Zapata-Ros, March 30, 2023), “Inteligencia artificial generativa y aprendizaje inteligente”  (Zapata-Ros, June 26, 2023)

Hemos dado propuestas incluso de actividades concretas para llevar a cabo esa evaluación y hemos dicho algunas formas de demostrar los aprendizajes según el tipo de que se traten.

Así la demostración es un factor de consistencia (Merrill, 2002a, 2002b y 2012): El aprendizaje se valida cuando la demostración, la actividad con que se demuestra, es coherente con el objetivo de aprendizaje, con:

  • ejemplos y contraejemplos para conceptos,
  • demostraciones de ejecución para procedimientos,
  • visualización (evidenciar visualmente) para los procesos, y
  • el modelado (presentación de modelos) para adquisición de valores y conductas

Esto lo señalamos para hacer ver que hemos trabajado el tema, y que incluso en esta línea, y a modo de ejemplo, hemos llegado a proponer actividades concretas de evaluación formativa (Zapata-Ros, March 30, 2023).

  1. El diseño instruccional con IA

El concepto de obra lleva implícito el de diseño. Si esto es importante en general, más lo es en educación, donde se construyen el conocimiento y las habilidades de los individuos. La complejidad del mundo digital —y ahora el de la inteligencia artificial (IA) y su versión generativa— hacen más necesario que nunca ese diseño. Tenemos un corpus enormemente rico y nunca suficientemente utilizado de resultados empíricos, y de constelaciones de ellos, constituyendo teorías universal e intemporalmente válidas que nos pueden arrojar luz sobre problemas emergentes, como son los de la evaluación educativa concurriendo con la IA.

Ahora, el carácter central de la evaluación basada en el principio de demostración es la alternativa a las paradojas y a los retos que plantea la IA frente a los sistemas convencionales de evaluación basados en pruebas de aprendizaje o en proyectos o ensayos.

Lo dicho en el apartado anterior sob re la investigación de Gao et al (2023) Existe un artículo de NPJ digital medicine (Gao et al., 2023) titulado “Comparing scientific abstracts generated by ChatGPT to real abstracts with detectors and blinded human reviewers”, nos pone de manifiesto la insuficiencia de un diseño instruccional clásico basado en un único modelo de evaluación, la sumativa, y ésta en unos supuestos sobre la demostración del dominio basado en pruebas escritas y en informes y ensayos.

Como en otros casos y en otros procesos, ahora con la IA generativa, se están poniendo de relieve hábitos, tradiciones y procesos que estaban pasando desapercibidos y que han manifestado por un lado, su vulnerabilidad y sus insuficiencias, y por el otro, las alternativas que las teorías pedagógicas nos venían suministrando, siendo muchas veces ignoradas, así como el papel que la tecnología y las redes digitales con sus affordances nos ofrecían para la implementación de esos enfoques teóricos y la oportunidad de validarlos con la práctica.

Con respecto a la evaluación, la segunda cuestión clave que se ha de tener en cuenta es que, desde siempre, la evaluación ha sido un proceso que, para ser de calidad, difícilmente se puede desvincular del quehacer cotidiano del alumno. Pues bien, si siempre ha sido así, ahora es más vital ese factor: con la amenaza de la IA generativa, cuando no hay una interacción directa entre alumnos y profesores, es cuando debemos ser conscientes de su importancia, de que esa interacción debe ser especialmente detallada, en su práctica y programación, debe permeabilizar todas las interacciones humanas del proceso formativo. así como frecuente, de forma casi continua, en la medida en que las condiciones físicas de presencia directa mediante entrevistas y supervisiones, o a través de la tecnología, lo permitan.

La evaluación es importante, clave, en el diseño instruccional y para el resto de las componentes, supone un enlace entre cada uno de ellos y los resultados del aprendizaje, no sólo a través de la evaluación formativa. Pero existe una tercera perspectiva: la integración del socio cognitivo en todos los procesos y decidir cuál es la clave de esa integración: el control, la responsabilidad y la atribución de sentido de todo debe de ser humana, en cualquier caso.



[1] Una promt o una indicación  de IA es una instrucción dada a una IA, de forma análoga a como hasta ahora se daba un instrucción, un comando o un programa completo a un ordenador para que hiciese una tarea concreta ou obtuviese un resultado determinado.
Es pertinente pues hacer la comparación entre pensamiento computacional, habilidades para programar, comunicarse e interactuar con un ordenador una red una base de datos o en general un ente computacional, y el prompting, habilidades para comunicarse con una IA al objeto de obtener un elemento. un resultado de información o un ente digital.

La ingeniería de indicaciones o la engeenering promting es el proceso de probar, refinar y estructurar estas entradas (indicaciones más o menos complejas) utilizando para ello técnicas específicas, que es lo que nos queda por determinar. Entre las que se pueden encontrar las tradicionales del Pensamiento Computacional o las más recientes y específicas (como asignar roles a la IA, concatenar mediante operadores lógicos indicaciones o especificar restricciones) para guiar de manera consistente a la IA hacia las respuestas más precisas, relevantes u óptimas.

[2] El aprendizaje autorregulado (AAR) abarca los aspectos cognitivos, metacognitivos, conductuales, motivacionales y emocionales/afectivos del aprendizaje. Constituye, por lo tanto, un marco extraordinario que engloba un número considerable de variables que influyen en el aprendizaje (p. ej., autoeficacia, voluntad, estrategias cognitivas) desde un enfoque integral y holístico. Por este motivo, el AAR se ha convertido en una de las áreas de investigación más importantes dentro de la psicología educativa. (Panadero, 2017)

[3] Los sistemas informáticos adaptativos (ACS) se refieren a estructuras computacionales que modifican dinámicamente su software, hardware, o sus configuraciones operativas en tiempo real para adaptarse a las demandas de trabajo, los requisitos de las aplicaciones o las condiciones ambientales cambiantes, en nuestro caso las instruccionales o de aprendizaje. Mediante el uso de lógica reconfigurable, algoritmos de IA y sensores inteligentes, estos sistemas tienen como característica más notable el que optimizan la eficiencia en las tareas encomendadas (Adaptación de City St George’s, University of London. (s.f.).)

Referencias

Austin, J. L. (1975). How to do things with words. Harvard university press.

Barandiaran, XE, Pérez-Verdugo, M. Cognición media generativa e Inteligencia Artificial: cosar con cosar cosas . Síntesis 205 , 137 (2025). https://doi.org/10.1007/s11229-025-04961-4

Bocconi, S., Chioccariello, A., Dettori, G., Ferrari, A., & Engelhardt, K. (2016). Developing computational thinking in compulsory education-Implications for policy and practice. https://www.academia.edu/download/53301548/jrc104188_computhinkreport.pdf

Chen, C.-H., Law, V., & Huang, K. (2023). Adaptive scaffolding and engagement in digital game-based learning. Educational Technology Research and Development, 71(4), 1785–1798. https://doi.org/10.1007/s11423-023-10244-x

City St George’s, University of London. (s.f.). Research Centre for Adaptive Computing Systems and Machine Learning (ACS-ML). https://researchcentres.citystgeorges.ac.uk/acsml

Eager, B., & Brunton, R. (2023). Prompting Higher Education Towards AI-Augmented Teaching and Learning Practice. Journal of University Teaching & Learning Practice, 20(5). https://doi.org/10.53761/1.20.5.02

Gagne, R. M. (1974). Instruction and the conditions of learning. Psychology of school learning: Views of the learner, 1, 153-175. https://files.eric.ed.gov/fulltext/ED104859.pdf#page=153

Hsu, H. P. (2025). From programming to prompting: developing computational thinking through large language model-based generative artificial intelligence. TechTrends, 69(3), 485-506. https://link.springer.com/article/10.1007/s11528-025-01052-6 Las ideas de la primera parte me han surgido leyéndolo pero no tienen nada que ver con el artículo, a veces son contrarias a él]

Lee, U., Jung, H., Jeon, Y., Sohn, Y., Hwang, W., Moon, J., & Kim, H. (2023). Few-shot is enough: Exploring ChatGPT prompt engineering method for automatic question generation in english education. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12249-8

Merrill, M. D. (2002a). First principles of instruction.Educational technology research and development,50(3), 43-59. http://csapoer.pbworks.com/f/First+Principles+of+Instruction+(Merrill,+2002).pdf

Merrill, M. D. (2002b). First principles of instruction. Educational Technology Research and Development, 50(3), 43-59.Instructional-Design Theories and Models, Volume III: Building a Common Knowledge Base.

Merrill, M. D. (2012).First principles of instruction. John Wiley & Sons.

Morgan, M. (enero 2025) Foro OpenAI Developer Community +3 https://community.openai.com/t/prompt-engineering-a-philosophy-and-mindset-that-takes-practice-to-master/1089176

Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in psychology, 8, 422.

Theophilou, E., Koyutürk, C., Yavari, M., Bursic, S., Donabauer, G., Telari, A., Testa, A., Boiano, R., Hernandez-Leo, D., Ruskov, M., Taibi, D., Gabbiadini, A., & Ognibene, D. (2023). Learning to Prompt in the Classroom to Understand AI Limits: A Pilot Study. In R. Basili, D. Lembo, C. Limongelli, & A. Orlandini (Eds.), AIxIA 2023 – Advances in Artificial Intelligence (pp. 481–496). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-47546-7_33

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de educación a distancia, (46), 1-47.

Zapata-Ros, M. (2018). Pensamiento computacional. Una tercera competencia clave. El pensamiento computacional como una nueva alfabetización en las culturas digitales. Murcia: Universidad de Murcia, 4-87. https://osf.io/download/5hbcn

Zapata-Ros, M. (2019). Pensamiento computacional desenchufado. https://gredos.usal.es/handle/10366/143339

Zapata-Ros, M. (March 30, 2023). Los programas generativos “Transformer” AI, entre los que está ChatGPT,¿ una oportunidad para la evaluación formativa? Universidad de Murcia, 1–45.

Zapata-Ros, M. (2022). El pensamiento computacional, la competencia clave en una nueva alfabetización. New York: Create Space. https://www.amazon.es/pensamiento-computacional-competencia-clave-alfabetizaci%C3%B3n/dp/B0BLFQX17N/ref=tmm_pap_swatch_0

Zapata-Ros, M. (2023). Evaluación educativa, edición cientifica y ChatGPT¿ Qué hacer. Preprint. https://osf.io/squhy https://doi.org/10.35542/osf.io/squhy

Zapata-Ros, M. (June 26, 2023). Inteligencia artificial generativa y aprendizaje inteligente. Preprint en EdArxiv. https://doi. org/10.35542/osf. io/86ykm