Blog sobre educación

Mes: mayo 2023

Diagramas MERMAID en educación y su aplicación al DUA a través de ChatGPT

Índice

Creado con ChatGPT + Mermaid

Introducción

Mermaid es una herramienta visual que ayuda a estructurar y organizar información de manera que sea más fácil de entender y recordar, permite crear gráficos y diagramas de manera sencilla y rápida. Funciona con JavaScript y lo único que se necesita es escribir texto en un formato específico. Esta herramienta convierte ese texto en un diagrama visual que se puede modificar fácilmente. Es como dibujar un diagrama, pero en lugar de usar un lápiz, se usan palabras y frases. Por este motivo es ideal para ser usado junto con ChatGPT.

Mermaid se utiliza en programación para explicar los conceptos relacionados con el desarrollo de programas y dispone de varios tipos de gráficos adaptados a esta tarea. No obstante, la facilidad con la que se pueden generar los diagramas lo hace aplicable y recomendable en el mundo educativo, ya sea para explicar conceptos o crear organigramas de distinto tipo, como mapas conceptuales, mapas mentales o gráficos de flujo, entre otros.

Mapa conceptual de la introducción producido con mermaid por ChatGPT. Pulsar encima para ver el código mermaid.

Diagramas gráficos

De los diferentes tipos que hace Mermaid, nos centraremos en el diagrama de flujo (graph o flowchart en la terminología mermaid), ya que es el que tiene un uso más inmediato para el mundo educativo por su versatilidad y porque con él se puede representar una gran cantidad de diagramas como los mapas mentales o conceptuales, entre otros.

Diagramas con ChatGPT y DUA

La creación de mapas conceptuales se vuelve un asunto trivial si utilizamos ChatGPT para que los elabore de forma automática.

El diseño universal para el aprendizaje (DUA) nos enseña a crear múltiples representaciones para los materiales que elaboramos. Por ejemplo, hacer una actividad, pegarla en ChatGPT y conseguir una representación gráfica de las instrucciones nunca ha sido tan sencillo. Otro ejemplo podría ser como apoyo con textos explicativos que pueden tener dificultad para ciertas personas.

En cualquier caso, basta con que peguemos un texto y le pidamos que nos haga un diagrama de mermaid.

Le hemos pedido un diagrama del texto de esta sección Diagramas con ChatGPT y DUA) utilizando el siguiente prompt:

Crea un diagrama de mermaid con el siguiente texto. Encierra los textos entre comillas:

Diagramas con ChatGPT y DUA

La creación de mapas conceptuales se vuelve un asunto trivial si utilizamos ChatGPT para que los elabore de forma automática. 

El diseño universal para el aprendizaje (DUA) nos enseña a crear múltiples representaciones para los materiales que elaboramos. Hacer una actividad, por ejemplo, pegarla en ChatGPT y conseguir una representación gráfica de las instrucciones nunca ha sido tan sencillo.

Basta con que peguemos un texto y le pidamos que nos haga un diagrama de mermaid.

Hemos indicado que encierre los textos entre comillas porque si hay determinados tipos de caracteres, el gráfico puede dar un error.

El resultado ha sido:

Como vemos nos lo da en una caja de código, solo tenemos que pulsar el botón Copy code y pegarlo en la parte izquierda de la web: https://mermaid.live:

Pulsando sobre Actions podremos elegir lo que queremos hacer con el gráfico:

Por ejemplo, podemos elegir COPY IMAGE TO CLIPBOARD, para pegarla en algún sitio o las opciones de PNG (bajar archivo o abrirlo en una ventana nueva).

Si el gráfico de ChatGPT no es de nuestro agrado debemos decirle cómo lo queremos.

Si queremos guardar el gráfico podemos guardar el texto con el que se ha hecho (por ejemplo en un documento de texto). Pero es más interesante guardar únicamente el enlace que tiene el gráfico en mermaid.live, ya que este contiene todas las especificaciones del gráfico.

La suma ChatGPT + Mermaid es una combinación perfecta que viene en ayuda del DUA.

¿Para qué usamos los diagramas mermaid?

Los diagramas Mermaid son una herramienta útil en el ámbito educativo. Aquí se presentan algunos de sus usos principales:

  1. Ilustración de Conceptos: Permiten representar visualmente conceptos complejos, facilitando su comprensión.
  2. Representación de Procesos: Son útiles para mostrar secuencias de pasos o procesos como las instrucciones de los trabajos.
  3. Creación de Mapas Mentales: Ayudan al alumnado a organizar y conectar ideas o conceptos.
  4. Resolución de Problemas: Los diagramas de flujo pueden ser utilizados para enseñar cómo abordar y resolver problemas de manera sistemática.
  5. Representación gráfica del texto. Ya se comentó anteriormente su uso en el DUA, como apoyo visual al texto.

Modificar o crear gráficos

Si nos queremos animar a crear nuestros propios gráficos o editar los que hace ChatGPT debemos conocer los aspectos básicos de Mermaid.

Trabajaremos siempre en https://mermaid.live.

Un gráfico de este tipo consta básicamente de conceptos (nodos) que son los que están recuadrados y de relaciones entre los conceptos, que son las líneas que los unen. Las relaciones pueden tener texto o no.

Para unir dos conceptos se utiliza, la flecha: -->

 graph
 A --> B

Si no queremos flecha pondremos A --- B

graph 
    A ---B

Podemos escribir lo que queramos en cada concepto y para referirnos a ellos fácilmente, se identifican con letras o letras y números:

 graph
 A[Célula]
 B[Núcleo]
 A --> B

Podemos escribir tantos conceptos como queramos y después unir su identificador (letras en este caso) por las flechas:

 graph
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --> B
 A --> C 
 B --> D

Si queremos podemos añadir palabras enlace que son típicas de los mapas conceptuales:

 graph
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D

Tipos de conectores

También podemos usar líneas de puntos (-.->):

 graph 
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D
 C -.-> D

Si queremos flechas más gruesas pondremos: ==>. En este ejemplo hacemos más gruesa la conexión A ==> C

graph 
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A ==> C 
 B --el más importante--> D
 C -.-> D

Orientación del gráfico

El gráfico por defecto se dibuja de arriba abajo (equivale a poner: graph TB), pero podemos cambiar el orden poniendo al lado de graph: BT (de abajo a arriba), LR (de izquierda a derecha) y RL (de derecha a izquierda).

Por ejemplo, para hacerlo de izquierda a derecha pondríamos:

 graph LR
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D
 C -.-> D

Formas de las cajas de los nodos

Hay más opciones, como crear subgráficos, cambiar el color de los conceptos, las líneas o la forma de la caja de los conceptos:

  • [...] rectángulos,
  • (...) esquinas redondeadas,
  • [(...)] óvalos,
  • ((...)) círculos,
  • (((...))) dobles círculos,
  • {...} rombos,
  • {{…}} hexágonos,
  • [/...\] trapecios,
  • [\.../] trapecios invertidos.
  • [\...\] paralelogramo,
  • [/.../] otro paralelogramo.

En este ejemplo se ven algunos de ellos:

 graph LR
 A((Célula))
 B([orgánulos])
 C[/citoplasma\]
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

Colores

Podemos modificar el color de fondo de un solo nodo, podemos añadir style A fill:pink. En este caso sería para modificar el nodo A y ponerle color rosa. También podemos poner el color en hexadecimal, por ejemplo: style A fill:#ffb7c6:

 graph LR
 A((Célula))
 style A fill:pink
 B([orgánulos])
 C[/citoplasma\]
 style C fill:lightgreen
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

Para cambiar el color del texto deberemos usar class. Además, esto nos permitirá cambiar el color de varios nodos simultáneos. Ver el siguiente ejemplo, donde mi_estilo es el identificador del estilo, fill es el fondo y color es el color del texto. Primero se define el estilo con classDef y después se aplica a uno o más nodos con class. En este ejemplo se define el fondo azul y texto blanco para B, C, y D.

 graph LR
 A((Célula))
 style A fill:pink
 B([orgánulos])
 C[/citoplasma\]
 style C fill:lightgreen
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

 classDef mi_estilo fill:blue, color:white;
 class B,C,D mi_estilo

Recomendamos consultar la documentación de mermaid

Formato de texto

Se puede utilizar la sintaxis HTML. Por ejemplo;

  • Negrita: <b>...</b>
  • Cursiva: <i>...</i>
  • Subíndice: <sub>...</sub>
  • Superíndice: <sup>...</sup>
  • Subrayado: <u>...</u>
  • Salto de línea: <br>

Ver el siguiente ejemplo:

graph 
    A["Texto en <b>negrita</b>"]
    B["Texto en <i>cursiva</i>"]
    C["Subíndice: O<sub>2</sub>"]
    D["Superíndice: x<sup>3</sup>"]
    E["Subrayado: <u>importante</u>"]
    F["Salto de <br> línea"]
    A--> B --> C --> D --> E --> F

Renderizado

Puede cambiarse el renderizado por defecto y para gráficos complejos quizás sea mejor la alternativa: elk.

Mapa conceptual sobre DUA, renderizado por defecto (pulsar sobre la imagen para ver el código fuente).

Para cambiar el renderizado añadir en la primera línea, antes de graph:

%%{init: {"flowchart": {"defaultRenderer": "elk"}} }%%

El mismo mapa conceptual anterior con el renderizado elk (pulsar sobre la imagen para ver el código fuente).

Lo aconsejado es probar con los dos tipos y quedarnos con el mejor.

Conclusiones

  1. Mermaid, combinado con ChatGPT, es una herramienta destacada para la educación. Permite la creación rápida y sencilla de diagramas y gráficos que pueden ayudar a alumnado a entender y recordar conceptos complejos.
  2. Los diagramas Mermaid son versátiles y pueden ser utilizados para ilustrar conceptos, representar procesos, crear mapas mentales y resolver problemas. Esto los hace especialmente útiles en el ámbito educativo.
  3. La capacidad de ChatGPT, junto con Mermaid, para convertir texto en diagramas visuales es particularmente útil en el contexto del Diseño Universal para el Aprendizaje (DUA), que aboga por la creación de múltiples representaciones de los materiales de aprendizaje.
  4. Finalmente, la combinación de Mermaid y ChatGPT puede ser una valiosa adición a las herramientas disponibles para los educadores y los estudiantes. Esta combinación puede ayudar a facilitar el aprendizaje y a hacer que los conceptos complejos sean más accesibles y comprensibles.

Referencias

Mermaid

Análisis de la Riqueza y Complejidad Léxica de los Recursos de Texto

Entropía, Redundancia y Densidad Léxica

La riqueza y complejidad léxica de un texto son medidas importantes que pueden ayudar a los profesionales de la educación a adaptar y personalizar contenidos según las necesidades de los estudiantes. En este artículo, discutiremos las fórmulas utilizadas en nuestra herramienta de análisis de textos para calcular la entropía, redundancia y densidad léxica, así como su interpretación.

En este artículo presentamos la justificación de la herramienta:

Análisis de la riqueza y complejidad léxica de los recursos de texto: Calculadora de Entropía, Redundancia y Densidad del Léxico

Entropía (H)

La entropía es un concepto de la teoría de la información, que fue introducido por Claude Shannon en su artículo de 1948, «Una teoría matemática de la comunicación«. La entropía de Shannon es una medida cuantitativa de la incertidumbre o aleatoriedad en un conjunto de datos. En términos simples, describe la cantidad de información promedio que se necesita para identificar un resultado en un conjunto de posibles resultados.

En el contexto de la teoría de la información, la entropía se utiliza ampliamente para analizar y evaluar sistemas de comunicación, compresión de datos y criptografía. La entropía de Shannon se basa en la probabilidad de los diferentes símbolos (por ejemplo, palabras) en un mensaje o conjunto de datos. Cuanto más impredecible es la aparición de un símbolo, mayor es la entropía.

La fórmula para calcular la entropía es:

\( H = -\sum P_i \log_2(P_i) \)

Donde \( P_i \) es la probabilidad de cada palabra en el texto. Para calcular \( P_i \), se divide la frecuencia de cada palabra por el número total de palabras en el texto. La unidad de la entropía es el bit.

La entropía, en este contexto, mide la incertidumbre en el uso de palabras, reflejando la complejidad y riqueza del lenguaje en un texto. Valores altos de entropía indican mayor diversidad léxica y menor previsibilidad en las palabras, lo que sugiere un contenido más complejo y rico. Valores bajos señalan un contenido más simple y limitado, con mayor repetición y menor variabilidad en el vocabulario.

Redundancia (R)

La redundancia es una medida de la repetitividad en un texto. Cuanto mayor sea la redundancia, más repetitivas y menos informativas serán las palabras. La fórmula para calcular la redundancia es:

\( R = H_{max} – H \)

La entropía máxima \(( H_{max} )\) se calcula utilizando la fórmula:

\( H_{max} = \log_2(N) \)

Donde N es el número de palabras únicas en el texto. La unidad de R es el bit.

Densidad Léxica (DL)

La densidad léxica es una medida de la diversidad de palabras en un texto y también recibe el nombre de TTR (Type Token Ratio). Se calcula dividiendo el número de palabras distintas por el número total de palabras en el texto:

\(DL = \frac{Número \ de \ palabras \ distintas}{Número \ total \ de \ palabras} \)

No tiene unidades, ya que se trata de una proporción.

Densidad Léxica Estandarizada (DLE)

El método utilizado para calcular la Densidad Léxica Estandarizada proviene de la rarefacción, que es un método estadístico que se origina en la biología, donde se utiliza para evaluar la diversidad de especies en un ecosistema. En el estudio de la biodiversidad, la rarefacción es un método que permite comparar la riqueza de especies entre diferentes hábitats o comunidades, normalizando el tamaño de las muestras. De esta manera, es posible comparar la diversidad de especies en diferentes entornos sin que los resultados se vean afectados por el tamaño de la muestra.

En el análisis del lenguaje, la Densidad Léxica Estandarizada es una medida que hemos utilizado para evaluar la riqueza y diversidad léxica en un texto. Al igual que en la biología, el objetivo es obtener una medida de la diversidad léxica que sea comparable entre diferentes textos, independientemente de la cantidad de palabras en cada uno de ellos. Hemos usado la DLE como un método alternativo para hallar la densidad léxica.

La densidad léxica estandarizada es una medida que tiene en cuenta el tamaño del texto y proporciona una estimación de la densidad (diversidad) de palabras en una muestra de tamaño fijo.

El método para hallar la densidad léxica estandarizada se lleva a cabo de la siguiente manera:

  1. Se realizan 1000 muestreos, cada uno con 100 palabras seleccionadas al azar. Cada uno de estos 1000 muestreos es independiente de los demás, lo que significa que algunas palabras podrían aparecer en diferentes muestreos. No obstante, dentro de cada muestra individual de 100 palabras, no hay repeticiones.
  2. Para calcular la Densidad Léxica Estandarizada, se divide el número de palabras diferentes (únicas) en cada muestra por el total de palabras en esa muestra, que en este caso es 100. Al hacer esto, se obtiene un porcentaje que representa la diversidad léxica en una muestra específica.
  3. Después de calcular la DLE para cada una de las 1000 muestras, se hace la media de todas las DLE individuales. Este promedio representa la densidad léxica general en el texto, considerando la variación entre las diferentes muestras. Esta medida proporciona una estimación más precisa de cuán variado y enriquecido es el lenguaje utilizado en el texto completo.

La fórmula utilizada para calcular la densidad léxica estandarizada es la siguiente:

\( DLE = \frac{\displaystyle\sum_{i=1}^{1000} \frac{\text{Palabras Distintas en Muestra}_{i}}{100}}{1000} \)

Donde: \(\text{Palabra Distinta de Muestra}_{i}\) es el número de palabras distintas en cada muestra que está formada por 100 palabras

Este proceso permite estandarizar la diversidad léxica entre textos de diferentes longitudes y proporciona una medida más robusta de la densidad.

Dado que se toman muestras de 100 palabras, cuando el texto introducido tiene 100 o menos palabras, la DLE coincide con la densidad léxica. No tiene unidades, ya que se trata de una proporción.

Interpretación de los resultados

Los rangos seleccionados en la tabla de interpretación de entropía, densidad léxica estandarizada y redundancia están basados en observaciones generales y patrones identificados en diferentes tipos de textos y niveles educativos. Estos rangos tienen como objetivo proporcionar un marco de referencia para la interpretación de los resultados obtenidos al analizar un texto.

Para la entropía y la densidad léxica estandarizada, los rangos se han establecido teniendo en cuenta la complejidad del contenido y el vocabulario utilizado en textos de nivel primaria, secundaria y bachillerato o superiores. Estos rangos pueden variar según el tema y el estilo de escritura de cada autor, pero proporcionan una referencia aproximada para evaluar la complejidad y diversidad del contenido en función del nivel educativo.

En cuanto a la redundancia, los rangos se han determinado para ayudar a identificar el grado en el cual un texto presenta información nueva o conocimientos adicionales. Un porcentaje más bajo de redundancia indica una mayor cantidad de información nueva, mientras que un porcentaje más alto sugiere una mayor repetición de conceptos y menor cantidad de información nueva.

Estos rangos no son absolutos y pueden variar según el tema y el estilo de escritura de cada persona, así como el tipo de texto (por ejemplo, literatura, ensayos científicos, textos divulgativos, etc.). Además, proporcionan una referencia aproximada para la interpretación de las métricas y no deben ser considerados como límites estrictos.

Interpretación de la entropía y la densidad léxica estandarizada según niveles educativos

Redundancia

Interpretación de las métricas

Ejemplos con diferentes fuentes

Fuentes consultadas

© 2024 Bilateria

Tema por Anders NorenArriba ↑