Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda personal para los próximos tiempos. (III): Prompting y engineering prompt. Prompt thinking
Ésta es la tercera entrega de una serie de posts que, con el nombre genérico de "Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda personal para los próximos tiempos" comenzamos a publicar el 26 de julio.
4. Prompting y engineering prompt
Introducción
Sería
conveniente fijar conceptos previos
1.
Computational thinking Pensamiento computacional
Hemos hablado y escrito mucho sobre ello:
Resumiendo muchísimo el Pensamiento Computacional es pensar como los programadores
para resolver problemas en la vida cotidiana, científica, profesional o
personal. Todo ello en el ámbito de la nueva sociedad digital, donde la lógica
de los procesos está determinada por la naturaleza digital de la información y
de su circulación.
Se puede ver todo lo dicho en cómo proceder con el PC, cuáles
son sus habilidades y qué elementos lo componen --- recursividad, análisis
ascendente, análisis descendente, pensamiento divergente,… --- en:
El
pensamiento computacional, la competencia clave en una nueva alfabetización
(Zapata-Ros, 2022)
Pensamiento computacional:
Una nueva alfabetización digital. En RED. Revista de educación a
distancia, (46), 1-47. (Zapata-Ros, 2015).
Pensamiento
computacional desenchufado. Zapata-Ros, M. (2019).
Pensamiento
computacional. Una tercera competencia clave. El pensamiento
computacional como una nueva alfabetización en las culturas digitales.
Zapata-Ros, M. (2018).
Finalmente llegamos a una diferenciación de 15 elementos de
pensamiento computacional. Sobre ellos el documento de la UE de Bocconi et al (2016)
dijo en el contexto de la evolución del Pensamiento Computacional globalmente
En 2006, el Parlamento Europeo y el Consejo de la Unión Europea publicaron
recomendaciones sobre competencias clave para el aprendizaje permanente. La
competencia digital es una de las ocho competencias identificadas en el
documento (Parlamento Europeo, 2006).
Ese mismo año, Jeanette Wing propuso el término
pensamiento computacional como una forma abreviada de referirse a pensar como
un informático, centrando así la atención no en el uso seguro de la tecnología,
sino en la comprensión de sus conceptos fundamentales.
La tendencia actual de integrar el pensamiento
computacional en la educación obligatoria hace que la exploración de su
relación con el término competencia digital sea aún más relevante.
La investigación documental identificó solo un pequeño
número de referencias que abordaban explícitamente este aspecto; en
comparación, se encontraron más referencias a los términos alfabetización
digital, alfabetización en TIC y alfabetización tecnológica[1].
Esto puede explicarse por las variaciones en el vocabulario: como término, la
competencia digital es utilizada principalmente por la Comisión Europea y por
académicos noruegos, mientras que en el mundo anglosajón existe una tendencia a
hablar de habilidades digitales o alfabetización digital. En una reflexión
amplia sobre la introducción de las competencias de pensamiento computacional
(PC) en la educación obligatoria, Yadav (2014) señala cómo el PC lleva a los
estudiantes más allá de las habilidades operativas y técnicas, formando
solucionadores de problemas en lugar de simples usuarios de software,
fomentando la creatividad y la resolución de problemas y mejorando muchas de
las técnicas de resolución de problemas que los docentes ya conocen y enseñan.
Zapata-Ros (2015) también defiende el PC como una competencia en sí misma, que
comprende 14 elementos interconectados que incluyen, entre otros, la
creatividad y la metacognición, junto con la abstracción y la recursión.
Gretter y Yadav (2016) presentan dos enfoques de las competencias del siglo XXI
que combinan el PC con el concepto de Alfabetización Mediática e Informacional
(AMI) de la UNESCO para apoyar las competencias y la ciudadanía del siglo XXI
de los estudiantes.
Asimismo, analizan cómo el PC y la AMI, en conjunto,
pueden dotar a los estudiantes de las competencias complementarias necesarias
para convertirse en participantes activos y reflexivos de su cultura digital.
Concluyen que «la relación complementaria entre el pensamiento computacional y
la alfabetización mediática e informacional puede proporcionar a los docentes
un conjunto integral de habilidades que permitan a los estudiantes navegar de
forma crítica y producir contenido digital de manera creativa» (p. 6).
Utilizaremos pues algunas de estas 14 competencias para
analizar sus posibilidades igualmente en el prompting (después se convirtieron
en 15 al añadir el pensamiento bayesiano):.
2. Prompting.
Hemos dicho
que el prompting 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. Más que una simple orden, se
considera una forma de "programar con palabras", de manera que la
claridad y la estructura de la petición determinen directamente la calidad del
resultado.
El enunciado
es muy parecido al de PC para producir programas (códigos) de ordenador.
3. 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.
Ahora desarrollaremos los términos.
1 Promting
Hemos dicho
que el prompting 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
cosas elementales que ya señala la literatura son las posibles estructuras de
las que ya se van dotando los prompts que se reconocen como más eficientes.
Hará falta como antes perfilarlo y validarlo con investigaciones.
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 cosa, 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
se ha presentado como muchas cosas:
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 principales
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.
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 hace falta validar con rigor qué habilidades o
elementos hacen falta para promptear bien. Hoy en la época de la IA
generativa la alfabetización pasa 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 como parte de otros
corpus como el Pensamiento computacional
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. (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
[1] Analizar
las diferencias y las similitudes entre estos términos queda fuera del alcance
de este informe.
Comentarios
Publicar un comentario