Cinco formas de usar la IA para el aprendizaje
29 de agosto, 2024
Sobre el autor

Mayra Fabiana Ángeles Sánchez

Los modelos de lenguaje de gran tamaño (LLM por sus siglas del inglés Large Language Models) ofrecen un gran potencial para la educación por la capacidad que tienen para procesar y generar lenguaje natural.

Pueden ser empleadas para apoyar el aprendizaje mediante el diseño de instrucciones o prompts que deben incluir los elementos necesarios para generar una interacción constructiva entre el modelo y el estudiante.

Las instrucciones o entradas para la herramienta de IA de este tipo (por ejemplo ChatGPT) para construir los escenarios de interacción para el aprendizaje, deben incluir los siguientes elementos esenciales: a) la descripción de la meta o metas de aprendizaje, b) las instrucciones paso a paso que señalen a la herramienta de IA la secuencia de preguntas y respuestas que generará en su interacción con el estudiante, c) las directivas pedagógicas, es decir las instrucciones que orientarán al modelo de lenguaje de IA sobre cómo puede apoyar al estudiante en su proceso de aprendizaje, indicándole el tipo de rol pedagógico que debe asumir (tutor, profesor, compañero de clase, etc.), el tipo de respuestas, las características de la retroalimentación, así como las indicaciones para mantener la motivación, el involucramiento y la reflexión del estudiante.

Se incluye a continuación cinco escenarios en los que los modelos de lenguaje de la IA pueden ser empleados con fines de aprendizaje, enfatizando los beneficios pedagógicos potenciales y su posible uso como herramientas de apoyo para el profesor y no como su reemplazo, sin dejar a un lado los posibles riesgos asociados a estos modelos de IA.

  1. Para recibir retroalimentación sobre un trabajo escrito para que el estudiante pueda mejorarlo. El escrito puede ser un ensayo, un resumen, un reporte, un trabajo de investigación o un proyecto.  Las investigaciones muestran la importancia de ofrecer retroalimentación efectiva y continua en el proceso de aprendizaje, ya que maximiza el potencial para mejorar el desempeño del estudiante.

    Para que la herramienta de IA pueda ofrecer retroalimentación adecuada en este contexto, es importante indicar en las instrucciones el rol que tendrá, el tema, objetivo u objetivos del escrito, el nivel o público al que está dirigido, así como el tipo de escrito.  En las instrucciones es importante indicar al modelo la utilidad de la retroalimentación y especificar sus características, es decir que debe ser clara y específica para identificar los puntos positivos y las áreas de mejora del escrito.

  2. Para estudiar un tema. La herramienta de IA puede actuar como tutor para estudiar un tema, en una interacción que conduzca a los estudiantes a responder preguntas, a conectar ideas, a recibir retroalimentación y a practicar. Ha sido demostrado que la tutoría uno a uno mejora los resultados de aprendizaje y el progreso gracias al ciclo favorable de atención personalizada, que incluye impulsar el esfuerzo del estudiante realizando cuestionamientos que le ayuden a reflexionar, que fomenten el trabajo activo y ofreciendo retroalimentación inmediata. Las instrucciones o prompt al modelo de lenguaje en este caso deben incluir el rol de tutor que desempeñará, así como los aspectos pedagógicos mencionados que caracterizan una interacción tutor-estudiante, con el mayor detalle posible, además de la información del tema o contenido a estudiar.

  3. Para crear oportunidades de práctica sobre un tema o desarrollo de habilidades. En el aprendizaje, para desarrollar dominio se requiere práctica orientada hacia una meta.  Gracias al potencial de los modelos de lenguaje de IA, se puede crear un escenario en el que la herramienta genere y solicite al estudiante resolver ejercicios de práctica que le ayuden a mejorar su nivel de desempeño sobre un tema o favorezcan el desarrollo de una habilidad, incrementando la complejidad de los ejercicios planteados de acuerdo con el desempeño. Esto permite que el estudiante practique y aprenda de sus errores, en un juego de roles con el modelo que lo acompañe en su proceso de nivel novato hacia un nivel de experto en forma personalizada. Las instrucciones al modelo deben especificar estos detalles pedagógicos para generar una interacción en la que el estudiante realice prácticas diversas sobre cualquier tema que requiera desarrollar dominio.

  4. Para favorecer que el estudiante aprenda a monitorear y regular su propio pensamiento y aprendizaje, es decir, para que desarrolle auto regulación. Estos procesos juegan un rol central en el aprendizaje y se pueden llevar a cabo mediante ejercicios que ayuden al estudiante a lograr generalizaciones y extraer significados de una experiencia o inclusive similares escenarios futuros, fomentando la habilidad de aprender de forma independiente y crítica.

    Las instrucciones al modelo para generar este tipo de interacciones con el estudiante deben solicitar que realice cuestionamientos al estudiante para fomentar la reflexión sobre el propio aprendizaje, la observación continua de su avance y el monitoreo de la efectividad de las estrategias que emplea.

  5. Para generar ejemplos resueltos que muestren a detalle el proceso completo de resolución El modelo de IA tiene el potencial de generar ejercicios resueltos, incluyendo detalles y explicaciones de cada paso que favorezcan la comprensión del estudiante, así como su práctica, en su camino hacia la resolución de ejercicios o problemas en autonomía. Los ejemplos resueltos son un elemento pedagógico valioso que el modelo puede generar, incrementando el nivel paulatinamente o generando variantes que le permitan avanzar en su comprensión y dominio de forma gradual. Es importante indicar en las instrucciones a la herramienta estas características para que la interacción de la herramienta con el estudiante permita aprovechar este recurso pedagógico de forma óptima.

Estos cinco escenarios representan una invitación a la exploración del uso transformador de este tipo de herramientas de IA, sin olvidar sus posibles riesgos, que por los modelos en que se encuentran basadas pueden generar información o respuestas imprecisas o erróneas, pueden generar información sesgada o interactuar de forma errática.