Archivo de la etiqueta: Prompting

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 (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