35 IAG para el Aula -Parte 2

Algunas ideas para actividades usando IAG

1. Utilizar IAG para la planificación y diseño de cursos y lecciones

¿Te gustaría obtener nuevas ideas sobre cómo rediseñar algunos de tus cursos, introducir nuevos temas, actividades para incluir y una rúbrica sobre cómo evaluar los resultados de estas actividades^1,2? ¿Te gustaría probar un nuevo enfoque pedagógico, utilizando nueva tecnología y materiales³? Los chatbots podrían ayudar potencialmente con todo lo anterior. Podrías dirigir el software para escribir el primer borrador de los planes de lección, objetivos de aprendizaje, instrucciones para actividades, proyectos y experimentos científicos y preguntas para discusión⁴.

Consejo: es una buena idea especificar de antemano qué temas y enfoques cubrir y qué logrará el curso o la lección -si es un concepto o un procedimiento lo que estás apuntando y qué tipo de enseñanza quieres aplicar².

2. Utilizar IAG para preparar contenido atractivo, multimodal e inclusivo sobre un tema

Podrías usar una aplicación de IAG para:

• Agregar contenido relacionado con fenómenos locales, lenguaje y cultura;
• Insertar imágenes y videos explicativos y atractivos³;
• Crear e incluir historias que refuercen el contenido textual;
• Construir mapas conceptuales;
• Resaltar, parafrasear y resumir porciones relevantes de la lección, y aclarar el vocabulario⁶;
• Hacer que las matemáticas y la ciencia sean menos abstractas mostrando simulaciones e incluyendo ejemplos de otras materias. Esto también podría usarse en la educación artesanal donde la visualización puede ayudar con el desarrollo y exploración de ideas⁷;
• Proporcionar traducciones para ayudar a los estudiantes que usan lenguas minoritarias².

Consejo: Midjourney y otras herramientas de creación de imágenes a menudo tienen foros dedicados donde la gente publica su trabajo, consejos, prompts y sugerencias para la creación de prompts⁷. Son útiles para los profesores que están comenzando a explorar esta tecnología.

3. Utilizar IAG para crear ejemplos, ejercicios de práctica y cuestionarios

La IAG puede:

• Generar tablas y otras formas de datos para usar en ejemplos y ejercicios;
• Crear ejercicios de práctica y soluciones, especialmente para reforzar habilidades fundamentales y componentes de bajo conocimiento⁸. Estos pueden servir como referencia para estudiantes que tienen dificultades para resolver problemas de asignaciones⁹;
• Generar explicaciones para soluciones. Esto parece funcionar bien, especialmente para generar explicaciones de códigos de programación⁹;
• Generar múltiples soluciones para el mismo problema en matemáticas o en programación. Esto ayuda a los estudiantes a aprender diferentes enfoques y perspectivas, y a analizar diferentes métodos, sus ventajas y desventajas⁹. Esto incluso podría ayudar cuando las soluciones proporcionadas son incorrectas y cuando están claramente marcadas como tales.

Ejemplo

Fuente: examinando la educación en ciencias en ChatGPT: un estudio exploratorio de la Inteligencia Artificial Generativa⁵.

Actividad: crear una rúbrica para calificar.

Herramienta de IAG: ChatGPT.

Prompt utilizado: crear una rúbrica que los estudiantes de séptimo año puedan usar para autoevaluar su aprendizaje sobre fuentes de energía renovables y no renovables (con la solicitud de seguimiento: hacer que esta rúbrica sea más fácil de copiar a Word en un formato ordenado).

Salida:

Reflexión: el autor encontró que ChatGPT fue capaz de crear una rúbrica con sus propios criterios: comprensión, investigación, pensamiento crítico y participación. Los niveles estaban marcados para cada uno, pero los indicadores eran demasiado vagos para cada criterio.

Ejemplo

Fuente: los robots están llegando: explorando las implicaciones de OpenAI Codex en la programación introductoria¹⁰.

Actividad: generar múltiples soluciones para una pregunta.

Herramienta de IAG: Codex (Codex puede generar código en varios lenguajes de programación en respuesta a prompts).

Prompt utilizado: descripción del problema como se encuentra en varias fuentes y preguntas de examen sobre escritura de código, como se da a los estudiantes.

Salida:

Reflexión: los autores encontraron que Codex dio una gama de diferentes códigos al mismo prompt, «favoreciendo en última instancia los métodos esperados para cada respuesta».

4 Aumentando la accesibilidad

Como ejemplo final, te instamos encarecidamente a explorar la IAG para aumentar la accesibilidad para estudiantes con ciertas discapacidades físicas o de aprendizaje, especialmente aquellos con discapacidades auditivas o visuales. La IAG puede proporcionar subtítulos, leyendas y descripciones de audio. Según la Orientación para la IAG en educación e investigación de la Unesco, «los modelos de GenAI también pueden convertir texto en voz y voz en texto, para permitir que las personas con discapacidades visuales, auditivas o del habla accedan al contenido, hagan preguntas y se comuniquen con sus compañeros»². También puede ayudarte a verificar que el contenido que creas sea inclusivo y accesible⁴.

Cuestionando la salida

Si decides usar IAG, tienes que estar atento a sus fallos y deficiencias y estar listo para corregirlos. Estos incluyen:

• Inexactitudes en el contenido: el modelo de lenguaje no es un banco de conocimiento o un motor de búsqueda. Incluso los modelos más recientes alucinan hechos y citan fuentes ficticias. Los errores se acumulan, especialmente cuando se usan modelos de lenguaje para matemáticas y razonamiento cuantitativo. Incluso cuando se ajustan específicamente para estas materias, el modelo puede producir respuestas incorrectas, errores de cálculo y alucinar «hechos matemáticos»¹¹. Incluso la programación podría ser complicada, porque el código generado puede tener sintaxis incorrecta y problemas de seguridad⁹.
• Sesgos que se introducen porque, entre otras cosas, los datos con los que se entrenaron estos modelos estaban llenos de ellos. Incluso EdGPT, que está corregido para esto, todavía podría contener algunos de ellos².
• Rendimiento que puede variar mucho con el prompt utilizado, el historial del usuario y, a veces, sin razón alguna.

Mientras que la IAG puede reducir la carga de trabajo del profesor y ayudar con ciertas tareas, se basa en modelos estadísticos que han sido construidos a partir de enormes cantidades de datos en línea. Estos datos no pueden reemplazar al mundo real, sus contextos y relaciones. ChatGPT no puede proporcionar contexto o explicar qué está afectando la vida diaria de un estudiante⁴. No puede proporcionar nuevas ideas o soluciones a desafíos del mundo real².

Finalmente, su rendimiento no se acerca a las capacidades de la mente humana, especialmente lo que puede entender y hacer con datos limitados. El «defecto más profundo de la IAG es la ausencia de la capacidad más crítica de cualquier inteligencia: decir no solo lo que es el caso, lo que fue el caso y lo que será el caso –eso es descripción y predicción– sino también lo que no es el caso y lo que podría y no podría ser el caso¹².»

1. Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023). What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education. Smart Learning Environments, 10, 15. https://doi.org/10.1186/s40561-023-00237-x

2. Holmes, W., & Miao, F. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386946

3. Kika, E., Seßler, K., Schmid, U., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. EdArXiv. https://osf.io/preprints/edarxiv/5er8f/

4. Trust, T., Whalen, J., & Mouza, C. (2023). Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education. Contemporary Issues in Technology and Teacher Education, 23(1). https://citejournal.org/volume-23/issue-1-23/editorial/chatgpt-challenges-opportunities-and-implications-for-teacher-education/

5. Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32, 444–452. https://doi.org/10.1007/s10956-023-10017-8

6. Kohnke, L., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for language teaching and learning. RELC Journal, 54(2), 537–550. https://doi.org/10.1177/00336882231177297

7. Vartiainen, H., & Tedre, M. (2023). Using artificial intelligence in craft education: Crafting with text-to-image generative models. Digital Creativity, 34(1), 1–21. https://doi.org/10.1080/14626268.2023.2182158

8. Bhat, S., Shenoy, A., Subramanian, K., Prabhu, M., & Sheshadri, A. (2022). Towards automated generation and evaluation of questions in educational domains. En Proceedings of the 15th International Conference on Educational Data Mining (pp. 701–704). https://educationaldatamining.org/EDM2022/proceedings/EDM2022_paper_70.pdf

9. Becker, B., Aiken, B., Bruner, C., & Turner, L. (2023). Programming is hard – or at least it used to be: Educational opportunities and challenges of AI code generation. En Proceedings of the 54th ACM Technical Symposium on Computer Science Education (SIGCSE 2023) (Vol. 1, pp. 500–506). Association for Computing Machinery. https://doi.org/10.1145/3545945.3569840

10. Finnie-Ansley, J., Denny, P., Becker, B. A., Luxton-Reilly, A., & Tempero, E. (2022). The robots are coming: Exploring the implications of OpenAI Codex on introductory programming. En Proceedings of the 24th Australasian Computing Education Conference (ACE ’22) (pp. 10–19). Association for Computing Machinery. https://doi.org/10.1145/3511861.3511863

11. Lewkowycz, A., Andreassen, A., Dohan, D., et al. (2022). Solving quantitative reasoning problems with language models. arXiv. https://arxiv.org/abs/2206.14858

12. Chomsky, N., Roberts, I., & Watumull, J. (2023, March 8). Noam Chomsky: The false promise of ChatGPT. The New York Times. https://www.nytimes.com/2023/03/08/opinion/noam-chomsky-chatgpt-ai.html