Bilateria

Blog sobre educación

Categoría: Inteligencia Artificial (Página 12 de 14)

Análisis de los Resultados de las Calificaciones de Una Prueba con ChatGPT-4

26 de julio de 2023 / / 3 comentarios

En este artículo describimos los prompts necesarios para hacer el análisis de los resultados académicos de unas calificaciones de clase: examen, ejercicios, deberes, etc. Es importante recalcar que solo sirve para analizar las notas de un único examen o ejercicio. Más adelante publicaremos otro trabajo para analizar un conjunto de calificaciones pertenecientes a varias pruebas.

ChatGPT se encarga de todo, eso incluye los cálculos y, lo más importante, qué significan y qué conclusiones se extraen. Es igual que tener una persona experta en estadística que nos hace los cálculos y nos explica lo que quieren decir.

Este análisis utiliza estadística básica (como los estadísticos de dispersión y centralización) y también métodos de aprendizaje automático sin supervisión (método k-means y de aglomeración jerárquica).

Requerimientos

  1. Para poder hacer este análisis necesitamos de la versión 4 de ChatGPT con el modelo Code Interpreter activado.
  2. Un único conjunto de notas.

Descripción de los resultados

El proceso descrito acaba generando un documento de tipo DOCX que contiene las interpretaciones y conclusiones del estudio realizado. En él se incluyen:

Análisis general de las notas:

  • Media: Es la medida que proporciona un valor central representativo del conjunto de datos.
  • Mediana: Es la nota que tiene al 50 % de los alumnos a cada lado.
  • Rango: Diferencia entre la calificación más alta y más baja.
  • Desviación estándar: Es la medida de la variabilidad de las notas.
  • Histograma: Es un gráfico donde se representa cuántos alumnos obtuvieron cada nota.
  • Boxplot: Es un gráfico que representa la mediana, entre qué notas se encuentra el 50 % de los alumnos, la nota mínima y la nota máxima.

Análisis de los alumnos según su rendimiento

  • Grupos de rendimiento: ChatGPT divide a los alumnos en grupos naturales, es decir, los grupos que se pueden observar en las notas. A cada uno le asigna un nombre y nos proporciona su media, así como los alumnos que contiene.
  • Dendrograma: es un gráfico que agrupa a los alumnos de forma visual. Con él podremos ver las relaciones entre los alumnos según su rendimiento y también podremos visualizar los grupos de rendimiento que se han creado. Es un gráfico muy útil para comprender la tipología del alumnado en nuestra clase.

Preparación de los datos

  1. Necesitamos tener una hoja de cálculo con dos columnas, en la primera los nombres de los alumnos, en la segunda las notas que queremos analizar.
  2. Este archivo lo descargaremos en formato CSV, que ChatGPT maneja bien y lo subiremos en el primer prompt.

Prompt 1

En este prompt debemos cargar el archivo CSV con los datos.

Este prompt se ocupa de cargar los datos, analizarlos, calcular las estadísticas del examen y crear el histograma y el boxplot. Aquí debemos indicar en qué valor se encuentra el aprobado (se ha supuesto que está en 5) y podemos añadir la asignatura y el tema o formato de la prueba en el espacio entre corchetes, por ejemplo:

Actúa como un profesor experto en estadística que acaba de calificar un formulario online sobre los orgánulos celulares donde el aprobado está en 5

Esto proporciona un contexto que ayudará a ChatGPT en su análisis.

Actúa como un profesor experto en estadística que acaba de calificar un [examen] donde el aprobado está en 5. Me gustaría obtener un análisis completo de las calificaciones de los alumnos. Aquí están las calificaciones en un archivo CSV. Por favor, realiza lo siguiente:

1. Carga los datos y realiza un análisis exploratorio inicial para entender la estructura de los datos.

2. Limpia y preprocesa los datos si es necesario, por ejemplo, convirtiendo las calificaciones a formato numérico. Si falta algún valor, elimina ese alumno.

3. Calcula estadísticas descriptivas de las calificaciones, incluyendo la media, mediana y desviación estándar. Haz una interpretación académica de los resultados.

4. Crea un histograma y un boxplot para visualizar la distribución de las calificaciones e interpreta académicamente los resultados.

Realiza estas tareas y las que te diré más tarde sin interrupciones. Como eres un profesor experto en estadística, si hay que tomar alguna decisión lo harás tú en el momento.

Prompt 2

Este prompt crea los grupos de rendimiento del alumnado.

Ahora vas a analizar el rendimiento de los alumnos:

1. Utiliza el algoritmo de k-means para agrupar a los estudiantes en varios grupos según su rendimiento. Utiliza el método Silhouette Score para crear los grupos. Analiza los datos de los grupos de rendimiento que acabas de hacer y asígnales un nombre diferente a cada uno de ellos con significado educativo que describa el rendimiento. Interpreta y explica el significado académico de cada grupo. Asegúrate también que los nombres de los grupos son coherentes con sus medias, es decir, los de rendimiento bajo no pueden tener una media superior a los de rendimiento medio, etc.

2. Escribe los grupos de rendimiento, ordenados de mejor a peor, la media de las notas de cada grupo, así como la media total de cada grupo y la lista completa de alumnos que tiene cada grupo en forma de TABLA Markdown.

3. Utiliza el agrupamiento jerárquico aglomerativo con el método de Ward. Crea un dendrograma con los nombres de los alumnos en el eje VERTICAL para visualizar la agrupación jerárquica de los estudiantes según su rendimiento.

Antes de mostrar los resultados comprueba que el número de alumnos coincide exactamente con los que hay en el archivo de datos original.

Prompt 3

Se extraen conclusiones sobre los resultados del examen.

Extrae conclusiones sobre el rendimiento de los alumnos en general como clase en el examen basándote en los análisis anteriores y comenta los alumnos que necesiten algún comentario adicional (por rendimiento deficiente, excelente, etc.). Estas conclusiones deben servir al profesor para mejorar su práctica docente y detectar problemas

Prompt 4

Se realiza un informe, esta es la parte más importante.

A continuación harás un informe con conclusiones. Estas conclusiones deben servir al profesor para MEJORAR SU PRÁCTICA DOCENTE Y RESOLVER PROBLEMAS. El informe está destinado a personas que no saben estadística, por lo tanto, usa un lenguaje sencillo y claro de entender, hazlo en forma de lista. Escribe un informe que contenga lo siguiente:

1. Todos los resultados, explicaciones y conclusiones de tu estudio, incluyendo las medidas de centralización y dispersión con sus interpretaciones académicas. No olvides incluir los alumnos pertenecientes a cada grupo, así como una interpretación de lo que son estos grupos con la media que tiene cada uno.

2. Incluye las imágenes de los gráficos creados anteriormente, también el dendrograma.
Añade una interpretación para cada uno de ellos, de forma que el lector
sepa lo que está viendo.

3. Escribe las conclusiones generales que has escrito antes destinadas a la mejora docente. Haz mención expresa de los nombres de los alumnos que necesitan más ayuda con algunas recomendaciones.

Céntrate en las interpretaciones, resultados, rendimientos, conclusiones y consejos.

Prompt opcional

Si deseamos un informe en formato Word usaremos este prompt adicional. Esta tarea a veces le lleva mucho trabajo, ya que comete errores con frecuencia y lo repite una y otra vez. Pulsar el botón Regenerate puede dar buenos resultados.

Haz un documento DOCX con lo que acabas de escribir, adaptando el formato del texto y tablas a este tipo de archivo, añade también las imágenes del histograma, boxplot y dendrograma

Ejemplo

Hemos realizado un ejemplo con notas reales correspondientes a notas de matemáticas de 1° de Bachillerato. El archivo CSV se encuentra a continuación:

notas1Descarga

Los gráficos que se obtienen son los siguientes:

Y el informe con la interpretación de estos gráficos, estadísticas, así como los grupos formados, está a continuación.

Informe_rendimiento_estudiantesDescarga

La conversación completa puede leerse a través de este enlace que no muestra ni los gráficos ni los enlaces que contiene.

Conclusiones

Con estos 4 prompts podemos realizar un análisis exhaustivo de las notas de clase que de otro modo sería prohibitivo por el tiempo y los recursos necesarios como son los programas de estadística multivariante.

Más adelante se publicará otro artículo donde se analicen un conjunto de notas.

Creación de equipos cooperativos con ChatGPT-4

24 de julio de 2023 / / 1 comentario

Antecedentes

No hace mucho tiempo hice un programa, con ayuda de ChatGPT, que permite crear grupos cooperativos, llamado Geco. Con este programa partimos de una división de los alumnos en tres categorías: «alumnos autónomos que no necesitan ayuda», «alumnos semiautónomos que necesitan alguna ayuda» y «alumnos no autónomos que necesitan ayuda». Esta división debe ser hecha por el profesorado y el programa distribuye los alumnos de la forma que se le indique: de manera heterogénea, de forma homogénea o de manera aleatoria.

Introducción

En este artículo se explicará cómo clasificar a los alumnos en distintas categorías según su rendimiento académico. Estas categorías pueden coincidir con las mencionadas anteriormente, pero no es obligatorio, ya que hemos pensado que es mejor que sea el propio ChatGPT el que decida el número de grupos segun el rendimiento académico. Además, se abordará la formación de equipos cooperativos, tomando como referencia la clasificación previamente mencionada.

Proceso a seguir

Deberemos seguir los siguientes pasos, que se describen en detalle más adelante:

  1. Preparar los datos con un código para cada alumno, con el fin de preservar su anonimato, y sus notas en un archivo CSV.
  2. Pedirle a ChatGPT que cree grupos de alumnos según su rendimiento académico (prompt 1).
  3. Pedirle a ChatGPT que genere los grupos cooperativos basándose en los grupos del punto anterior (prompt 2).
  4. Por último, podemos pedirle un informe con lo que ha hecho (prompt 3).

Creación del archivo de datos para subir a ChatGPT

Debemos tener los datos en una hoja de cálculo (por ejemplo, se pueden exportar directamente de Google Classroom). En la primera columna tendremos los nombres de los alumnos y en las demás columnas, a partir de la segunda, las notas correspondientes a cada uno. En el caso de que en la primera fila tengamos los nombres del tipo de notas, deberemos asegurarnos que no tienen espacios, eso nos ahorrará tiempo y problemas para ChatGPT.

Después de tener la hoja de cálculo con los nombres y notas, la bajaremos en formato CSV, ya que es fácil de manejar para ChatGPT.

Deberemos subir el archivo CSV a ChatGPT en el prompt 1.

Creación de grupos de alumnos según su rendimiento académico

En primer lugar, le indicaremos a ChatGPT-4, usando el modelo Code Interpreter, que busque agrupaciones naturales de alumnos según su rendimiento académico, es decir, no le pediremos que cree 3 grupos exactamente, sino que, utilizando un método de aprendizaje automático sin supervisión usado frecuentemente en la inteligencia artificial, busqué él mismo los grupos. Esto se hará mediante la técnica llamada k-medias (k-means) y la selección de grupos se hará mediante el método del codo (elbow Method).

Esto lo llevaremos a cabo mediante el prompt 1 (en este prompt es donde debemos subir nuestro archivo CSV, pulsando sobre el botón + ).

PROMPT 1:

Eres un profesor experto en estadística y quiero que me ayudes a dividir la clase en grupos según su rendimiento académico. Al ser un experto puedes tomar todas las decisiones necesarias para el análisis. Para ello te doy un archivo con sus notas y quiero que utilices k-means para formar los grupos. Cuando acabes, escribe la lista de TODOS los alumnos de cada grupo, así como la interpretación que le das en cuanto a rendimiento académico para cada uno de los grupos. Además, ten en cuenta lo siguiente:
a) Para los valores que faltan calcula la media de la misma columna.
b) Para realizar k-means utiliza el método del codo.
c) Cuando escribas la lista de nombres de cada grupo, debe ser exhaustiva, sin dejarte alumnos sin clasificar.

Cuando acabe nos dará los alumnos agrupados por rendimiento académico, que estarán al final de la respuesta (esta respuesta llevará numerosos comentarios, así como los problemas con los que ChatGPT se encuentra con nuestros datos).

Creación de los grupos cooperativos

Podemos pedirle grupos heterogéneos u homogéneos.

Grupos heterogéneos

Esta opción es para crear grupos con alumnos de diferente tipología. Los grupos heterogéneos favorecen el aprendizaje de nuevos conocimientos y se generan haciendo que en cada equipo estén representadas las tres tipologías.

Esta parte es la más complicada para ChatGPT, ya que a veces pasa un buen rato intentando cumplir las restricciones que le damos y modifica el método que usa una y otra vez, otras veces, sin embargo, nos da el resultado en la primera tentativa.

El prompt 2 para hacer equipos de 4 alumnos sería el indicado a continuación.

PROMPT 2:

Ahora quiero hacer grupos cooperativos heterogéneos con 4 alumnos en cada uno de los grupos. Ten en cuenta lo siguiente:
a) Cada grupo cooperativo debe tener obligatoriamente 4 o 5 alumnos.
b) Crea los grupos de forma que sean aleatorios y diversos en cuanto a su nivel académico, intentando que estén representados todos los grupos de k-means en cada grupo cooperativo (aunque debes tener en cuenta que no siempre es posible hacerlo) y escribe la lista de grupos que has creado.
c) En esta lista añade también a qué grupo, de los que has hecho con k-means, pertenece cada uno de los alumnos, con el formato: (G0, G1, etc.)
d) Antes de imprimir los resultados, comprueba que:
d.1) no hay alumnos repetidos
d.2) no falta ningún alumno por asignar a un grupo.
d.3) los grupos son todos de 4 o 5 alumnos.

Si en vez de 4 alumnos, son grupos de 3 o de 5 alumnos habría que cambiar los números que están subrayados por los valores correctos, teniendo en cuenta que en el punto a) y d.3) hay que poner 3 o 4 si los grupos son de 3, o bien, 5 o 6, si los grupos son de 5.

En este prompt la salida puede ser muy larga, ya que va explicando lo que hace y los problemas con los que se encuentra, los grupos cooperativos estarán al final de la respuesta.

Grupos homogéneos

Están formados por miembros con características similares y son adecuados para reforzar conocimientos ya adquiridos. Estos grupos se crean intentando que sean todos de la misma tipología.

Si deseamos que los grupos estén formados, en la medida de lo posible, por alumnos del mismo nivel, usaremos el prompt 2, en este caso también para grupos de 4 alumnos.

PROMPT 2:

Ahora quiero hacer grupos cooperativos homogéneos con 4 alumnos en cada uno de los grupos. Ten en cuenta lo siguiente:
a) Cada grupo cooperativo debe tener obligatoriamente 4 o 5 alumnos.
b) Crea los grupos de forma que sean aleatorios y homogéneos en cuanto a su nivel académico, intentando que los grupos sean del mismo nivel académico (aunque debes tener en cuenta que no siempre es posible hacerlo) y escribe la lista de grupos que has creado.
c) En esta lista añade también a qué grupo, de los que has hecho con k-means, pertenece cada uno de los alumnos, con el formato: (G0, G1, etc.)
d) Antes de imprimir los resultados, comprueba que:
d.1) no hay alumnos repetidos
d.2) no falta ningún alumno por asignar a un grupo.
d.3) los grupos son todos de 4 o 5 alumnos.

Si los grupos son diferentes de 4, seguiremos las indicaciones dadas para los grupos heterogéneos.

Informe del trabajo realizado

Podemos pedirle la creación de un documento de Word con lo que ha hecho. El prompt 3 será el siguiente.

PROMPT 3:

Por último, crea un archivo DOCX que pueda descargar con el informe completo de todo lo que has hecho desde el principio de nuestra conversación. Una vez creado, asegúrate que incluye:
a) los grupos iniciales de rendimiento académico con todos sus alumnos y la interpretación de lo que significa cada grupo.
b) los grupos cooperativos con todos sus alumnos.

Ejemplo

En el enlace siguiente puedes encontrar un ejemplo de formación de grupos heterogéneos en el que los nombres de los alumnos son ficticios: Formación de grupos. En el modo Code Interpreter no pueden verse las imágenes ni los enlaces cuando se comparte la conversación, pero podrás ver la conversación mantenida. Los datos utilizados para este ejemplo se encuentran disponibles en el enlace siguiente:

notasDescarga

El informe generado, una vez convertido en PDF, es el siguiente:

Informe_Agrupamiento_EstudiantesDescarga

Para terminar

Este procedimiento nos permite la creación de grupos heterogéneos u homogéneos de una forma relativamente sencilla, aunque en realidad utiliza conceptos estadísticos de alto nivel, hasta, hace muy poco, prácticamente inaccesibles y de aplicación mucho más complicada.

Estos prompts han sido probados y modificados numerosas veces hasta obtener el resultado deseado.

Cómo detectar textos escritos por ChatGPT

6 de junio de 2023 / / Sin comentarios

Las herramientas antiplagio tradicionales no funcionan con las herramientas de inteligencia artificial, por el sencillo motivo de que no repiten de forma sistemática lo mismo, sino que sus respuestas varían completamente de una vez a otra. Las que existen actualmente ofrecen ciertos resultados en inglés pero no en otros idiomas.

No obstante, podemos reconocer ciertos tics, estructuras y expresiones que se repiten regularmente y nos ponen en la pista de que aquello lo ha escrito ChatGPT.

Listas

Cuando le pedimos alguna cosa en forma de lista, ChatGPT suele encabezar cada punto con un título seguido de dos puntos.

Fin de la explicación

Normalmente, cuando acaba una explicación, termina diciendo: «En resumen,» y, a veces, «En conclusión,» (con coma incluida). Comprobar en el último párrafo de este ejemplo.

Repeticiones

Son palabras o expresiones que usa con frecuencia.

  • Repetición de la misma palabra o concepto. Cuando se le pide algún concepto concreto, lo repite continuamente a lo largo de todo el texto, de forma que llama la atención. Por ejemplo: Escribe un texto de 200 palabras sobre el ferrocarril. El texto generado repite la palabra ferrocarril 9 veces y, aunque dice que el ferrocarril es un tren, no usa esta última palabra ni una sola vez. Normalmente, emplea, una y otra vez, la misma expresión que nosotros le hemos dado.
  • Estudiantes. Para referirse al alumnado lo hace siempre hablando de estudiantes, nunca utiliza otra expresión. En este ejemplo usa 7 veces la palabra estudiantes y ningún sinónimo.
  • Tema controvertido, objeto de debate. Cuando hay diversidad de opiniones suele emplear esta expresión.
  • Es importante (recordar, saber, matizar, tener en cuenta, etc.) Esta expresión la usa mucho, siempre para avisar sobre algo que matiza lo que acaba de decir. En este ejemplo aparece dos veces, una vez en cada uno de los dos últimos párrafos.

Estructura del texto

El texto escrito por ChatGPT siempre comienza con una introducción, un desarrollo y una conclusión o resumen (el famoso, En resumen, y En conclusión, del que ya hemos hablado).

Si trata aspectos negativos, intenta dar siempre una solución (algo que he aprendido de él) y cuando es necesario pone siempre ejemplos.

Esto más que para detectar ChatGPT, nos puede servir para descartarlo. Ya que un texto que no esté estructurado de esta forma difícilmente viene de él.

Resumen

Este resumen se lo he pedido yo a ChatGPT. ¿A que lo hubieses sabido sin necesidad de decírtelo?

  1. Listas: Cuando se le pide a ChatGPT que genere una lista, suele encabezar cada punto con un título seguido de dos puntos.
  2. Fin de la explicación: Normalmente, cuando ChatGPT termina una explicación, suele concluir con frases como «En resumen,» o «En conclusión,».
  3. Repeticiones: ChatGPT tiende a repetir ciertas palabras o expresiones con frecuencia. Por ejemplo, si se le pide que escriba sobre un concepto específico, lo repetirá varias veces a lo largo del texto.
  4. Uso de la misma palabra o concepto: Cuando se le pide algún concepto concreto, lo repite continuamente a lo largo de todo el texto, de forma que llama la atención.
  5. Referencia al alumnado como «estudiantes»: Para referirse al alumnado lo hace siempre hablando de estudiantes, nunca utiliza otra expresión.
  6. Uso de la frase «tema controvertido, objeto de debate»: Cuando hay diversidad de opiniones suele emplear esta expresión.
  7. Uso frecuente de la frase «Es importante»: ChatGPT utiliza muy a menudo esta frase para matizar o destacar algo que acaba de mencionar.
  8. Estructura del texto: Los textos generados por ChatGPT suelen tener una estructura definida que incluye una introducción, un desarrollo y una conclusión o resumen.
  9. Soluciones a aspectos negativos: Si ChatGPT trata aspectos negativos, intenta siempre proporcionar una solución.
  10. Uso de ejemplos: Cuando es necesario, ChatGPT suele proporcionar ejemplos para ilustrar sus puntos.

Todo lo que se ha dicho aquí es aplicable también a otros idiomas como el catalán.

¿Conoces más comportamientos predecibles que alertan enseguida a quien lo lee de que en realidad ha sido escrito por una IA y no por un humano?

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

24 de mayo de 2023 / / 1 comentario

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

1 de mayo de 2023 / / Sin comentarios

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

« Entradas anteriores Entradas siguientes »

Licencia de uso del sitio

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.

© 2026 Bilateria

Tema por Anders Noren — Arriba ↑