Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda personal para los próximos tiempos. (I)

 

Miguel Zapata-Ros, 2026

DOI: 10.13140/RG.2.2.32918.31045

 

Resumen

Este documento propone una agenda educativa centrada en la IA, destacando el "prompting" como la competencia clave de una nueva alfabetización, análoga al pensamiento computacional. Se introduce la "cognición generativa de alcance intermedio", donde la IA actúa como parte de una nueva cognición exógena manteniendo siempre la agencia e intención humana. El autor analiza técnicas como la cadena de pensamiento y el role prompting para optimizar la interacción con modelos de lenguaje. En pedagogía, defiende la evaluación formativa frente a los retos de la IA y advierte sobre el riesgo de degradar capacidades como la autorregulación por dependencia excesiva. Finalmente, promueve el uso de la IA como una herramienta para potenciar la creatividad y la atribución de sentido personal en la obra.

Introducción

Hace unos meses, a mi vuelta de Latinoamérica y de Estambul, cobré conciencia de mis limitaciones y decidí reducir mi producción en tecnología educativa sólo a unos pocos temas, y hacerlo a través exclusivamente de preprints, como éste o los que habitualmente escribo en EdArXiv y en ResearchGate, y de artículos en blogs académicos, como los de RED de Hypotheses. Posteriormente no descarto revisar con ello alguno de los libros publicados como es “El pensamiento computacional, la competencia clave en una nueva alfabetización” o el de “El diseño instruccional de la educación universitaria apoyada en la tecnología y la Inteligencia Artificial “, o incluso publicar uno nuevo dedicado a alguna de las tres o cuatro líneas sobre IA y Educación /aprendizaje/conocimiento que más abajo explico.

El primero de los libros citados ¿cómo no? irá destinado a Pensamiento computacional e IA. Tras un tiempo de revisión e interacción en los preprints y posts, un material seleccionado y reescrito pasará a constituir una nueva sección en la cuarta edición de mi libro de pensamiento computacional, que ahora se llamará algo así como "El pensamiento computacional, la competencia clave en una nueva alfabetización y en la era de la IA"(*)

El contenido previsto se basará en una nueva consideración, y es que la IA exige una nueva alfabetización que tendrá como referencia ahora lo que se denomina Prompting o engineering prompt[1]. Dicho de forma rápida para justificar este punto y este propósito. De manera que ello no menoscabe las líneas de desarrollo generales que más abajo describo. Se trata pues de considerar las habilidades necesarias para el prompting `definición con una nota], 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 el 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.

Dicho esto como adelanto pasaré a enumerar las líneas, no de investigación, sino de elaboración. Ya estoy retirado casi completamente de todo lo que es el diseño y la práctica en actividades investigativas, sólo colaboro en algunos proyectos que  han recabado mi asesoramiento muy escueto y limitado a aportaciones y puntuales sobre su trabajo, en el caso de que le sean de utilidad.

Líneas de IA propiamente dicha

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 partimos de lo expuesto en sobre la utilización de modelos de evaluación formativa
Sobre la evaluación ya hemos hablado mucho acerca de que la solución es la evaluación formativa, lo hemos visto en

Los programas generativos “Transformer” AI, entre los que está ChatGPT, ¿una oportunidad para la evaluación formativa? https://osf.io/preprints/edarxiv/k2eps_v1

Los programas generativos “Transformer” AI, entre los que está ChatGPT, ¿una oportunidad para la evaluación formativa? March 2023 DOI: 10.13140/RG.2.2.18669.46565

Inteligencia artificial generativa y aprendizaje inteligente https://osf.io/preprints/edarxiv/86ykm_v1

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 sólo 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, 2023).

 

2. 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: Ahora, 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, en el resto de 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 cual 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] Un promt o una indicación  de IA es una instrucción dada a una IA, de forma análoga a como hasta ahora se daba una 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 egeneral 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 carcateristica más notable el que optimizan la eficiencia en las tareas encomendadas (Adaptación de City St George’s, University of London. (s.f.).)

Referencias.-

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

Gao, C. A., Howard, F. M., Markov, N. S., Dyer, E. C., Ramesh, S., Luo, Y., & Pearson, A. T. (2023). Comparing scientific abstracts generated by ChatGPT to real abstracts with detectors and blinded human reviewers. NPJ digital medicine, 6(1), 75.

Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in psychology, 8, 422.

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