34 IAG para el Aula -Parte 1

¿Qué haces cuando alguien sugiere que pruebes una actividad usando una herramienta de IAG? ¿Qué haces cuando tienes una idea para una actividad pero no estás seguro de cómo adaptarla?

Aquí, el objetivo es asistirte en evaluar, elegir y llevar a cabo dichas actividades.

Debido a la velocidad de evolución de esta tecnología y dado cómo los rendimientos cambian con los sujetos y contextos, todas las preguntas que un profesor necesita hacer no pueden ser listadas de antemano. Esperamos solo comenzar a guiarte en líneas de pensamiento recomendadas por guías publicadas y respaldadas por investigación y estudios de caso.

Por favor nota que en este libro solo miramos aquellas actividades donde el profesor, no el estudiante, interactúa con la IAG. Nuestras razones detrás de esto se explican en el enlace proporcionado en el cuadro.

Incluso si no estás convencido de que las herramientas de IAG deban tener un lugar en la educación, te instamos a que pruebes al menos una actividad que use tecnología generativa. Podría ayudarte a:

• Entender lo que alguien puede y no puede hacer con las herramientas proporcionadas por la IAG;
• Reformular o reorganizar elementos del curso, especialmente al decidir qué puede y no puede ser dado para una tarea. Por ejemplo, ChatGPT puede ser efectivo en ayudar a los estudiantes a escribir ensayos¹ y podría ser inútil asignar ensayos estándar como tarea. Puede que tengas que usar una variedad de métodos de evaluación como proyectos grupales, actividades prácticas y presentaciones orales, e ir más allá de simples preguntas de si o no¹;
• Entender las limitaciones de esta tecnología para que puedas usarlas para motivar a los estudiantes a aplicar su imaginación y creatividad²;
• No sentirte rezagado cuando la próxima generación de estas tecnologías, con capacidades más avanzadas, se convierta en realidad;
• Usarlas para reducir tu carga de trabajo y explorar nuevos temas que podrían haber sido demasiado intimidantes o consumidores de tiempo anteriormente;
• Aprovechar nuevas escuelas de pensamiento y enfoques para el aprendizaje que ahora son posibles;
• Ayudar a dar forma a la investigación y desarrollo de aplicaciones educativas de estas herramientas³.

Al mismo tiempo, dada la novedad de la tecnología y los métodos, recomendamos fuertemente que registres en un diario los detalles de cualquier actividad y su evolución. Esto te ayudará a monitorear y evaluar los efectos a corto y largo plazo de cada actividad y a discutir con tus colegas lo que observaste.

Preguntas sobre pedagogía y práctica

Cualquiera puede sugerir una actividad para el aula. Podría suceder que provengan del mundo de la tecnología y tengan poco entendimiento de la situación del aula. O, podría ser una idea que funciona para un estudiante universitario pero no para un adolescente. Incluso si la actividad es adecuada para tu aula, si no está respaldada por una teoría pedagógica confiable y evidencia, podría producir algunas sorpresas a largo plazo. Por lo tanto, te alentamos a acercarte a cualquier actividad con preguntas sobre pedagogía y practicidad.

Preguntas sobre la IAG

En el corazón de una aplicación de IAG hay un modelo de lenguaje grande (large language model [LLM] en inglés) o modelo de imagen (modelo de difusión). Como el lingüista Noam Chomsky lo puso, «Hablando en términos generales, ellos [modelos de lenguaje grandes] toman enormes cantidades de datos, buscan patrones en ellos y se vuelven cada vez más proeficientes en generar salidas estadísticamente probables, como lenguaje y pensamiento aparentemente humano⁴.» BERT, BLOOM, GPT, LLaMA y PaLM son todos modelos de lenguaje grandes. El modelo de aprendizaje profundo correspondiente para imágenes se llama modelo de difusión estable y Midjourney es un ejemplo popular.

Ya sea la compañía matriz o un tercero puede tomar un LLM y entrenarlo aun más (ajustarlo) para tareas específicas como responder a consultas y resumir ensayos. O, podrían tomar un LLM o un chatbot, agregar algunos indicativos o hacer una programación extensiva y lanzar el resultado como un paquete de aplicación (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory).

OpenAI ajustó su GPT3 y GPT4, para producir ChatGPT. Usó muestras de respuesta a indicativos y reglas sobre la aceptabilidad del contenido. Un equipo de investigación de Google entrenó a PaLM con datos científicos y matemáticos para obtener Minerva (extension del procesador de Chrome impulsada por ChatGPT). Este modelo de lenguaje luego logró resultados de vanguardia para una aplicación de modelo de lenguaje que resolvía problemas de razonamiento cuantitativo. Fue capaz de resolver casi un tercio de los problemas a nivel de pregrado en física, biología, química y economía, como en otras ciencias que requieren razonamiento cuantitativo⁵.

Se necesita trabajo continuo, como agregar conocimiento del sujeto y desviación, para ajustar un modelo de lenguaje para usos educativos: Ed-GPT².

Si un modelo de lenguaje ha sido ajustado para una tarea específica afectará su eficacia en esa tarea⁶. Si todo el paquete es proporcionado por una sola compañía (ChatGPT de OpenAI) o si otra compañía desarrolló aun más el modelo, afectará la seguridad y privacidad de los datos. Al explorar qué modelo se usa, es útil mirar tanto los éxitos como las limitaciones del modelo central y quién hizo qué con él.

Preguntas sobre su adecuación para ti y tu aula

Una actividad podría lograr todos sus objetivos y la herramienta de IAG utilizada podría ser la mejor y más ética disponible, igualmente la actividad aun necesitará ser ajustada para adaptarse a tu aula. Como con cualquier herramienta de IA, podrías tener que hacer múltiples ajustes antes de lograr tus objetivos². Podrías necesitar entrenamiento y práctica tanto con técnicas de indicación como con evaluación crítica¹. Además, toda la experiencia debería ser gratificante para ti y en línea con tus valores como profesor.

^{1 Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023). ¿Y si el diablo es mi ángel guardián: ChatGPT como un caso de estudio del uso de chatbots en educación. Smart Learning Environments, 10, artículo 15. https://doi.org/10.1186/s40561-023-00237-x}

^{2 Holmes, W., & Miao, F. (2023). Orientación para la IA generativa en educación e investigación. UNESCO, París. https://unesdoc.unesco.org/ark:/48223/pf0000386946}

^{3 Becker, B., Aiken, B., Bruner, C., & Turner, L. (2023). Programar es difícil – O al menos solía ser: Oportunidades y desafíos educativos de la generación de código por IA. En Actas del 54º Simposio Técnico de la ACM sobre Educación en Ciencias de la Computación (SIGCSE 2023) (Vol. 1, pp. 500–506). Association for Computing Machinery.}

^{4 Chomsky, N., Roberts, I., & Watumull, J. (2023). Noam Chomsky: La falsa promesa de ChatGPT. The New York Times. https://www.nytimes.com/2023/03/08/opinion/noam-chomsky-chatgpt-ai.html}

^{5 Lewkowycz, A., Andreassen, A., Dohan, D., et al. (2022). Resolviendo problemas de razonamiento cuantitativo con modelos de lenguaje. Investigación de Google. https://arxiv.org/abs/2206.14858}

^{6 Enkelejda, K., Seßler, K., Stefan, S., et al. (2023). ¿ChatGPT para bien? Oportunidades y desafíos de los modelos de lenguaje grandes para la educación. EdArXiv. https://osf.io/preprints/edarxiv/5er8f/}