Categoría: Inteligencia Artificial (Página 2 de 8)

Modelos bayesianos de la cognición humana

4 de octubre de 2024 / Juan José de Haro / Sin comentarios

Introducción

Este artículo intenta explicar de forma comprensible la relación que hay entre la estadística bayesiana y el funcionamiento de la mente humana. Es una ampliación de otro trabajo anterior, en esta ocasión utilizando la tecnología de NotebookLM, la herramienta de Google que permite analizar documentos y resumirlos fácilmente. Para ello nos hemos basado en el libro de 2008 «Bayesian models of cognition» de Thomas L. Griffiths, Charles Kemp and Joshua B. Tenenbaum. Esta obra sienta las bases sobre este modelo.

¿Cuál es la motivación para escribir este artículo?

La razón es clara, la inteligencia artificial generativa emplea principios de los modelos bayesianos en su funcionamiento. Este hecho, lejos de ser una coincidencia trivial, nos revela que la investigación en IA está siguiendo un camino que refleja, en muchos aspectos, cómo funciona nuestra mente. Comprender y valorar esta conexión es necesaria cuando hablamos de inteligencia artificial, ya que nos permite apreciar hasta qué punto la IA está inspirada en los procesos cognitivos humanos.

El artículo consta de 3 partes más un apéndice que pueden ser leídas de forma independiente:

Modelos bayesianos de cognición donde se explican los conceptos más importantes.
Preguntas frecuentes que ayudan a comprender sus implicaciones y lo que es.
Un apéndice para los que quieran saber qué es matemáticamente el teorema de Bayes.
Un podcast generado con inteligencia artificial que explica magistralmente los conceptos del artículo. Te recomendamos escucharlo.

Modelos bayesianos de cognición

Los modelos bayesianos de la cognición describen el proceso por el cual la mente humana extrapola más allá de los datos de la experiencia a través del uso de la inferencia probabilística. En esencia, estos modelos proponen que el cerebro humano actúa como un motor de inferencia bayesiana, utilizando la información previa y la evidencia sensorial para hacer predicciones y generalizaciones sobre el mundo.

Elementos Claves:

Problema de la Inducción: La cognición humana se enfrenta al desafío fundamental de la inducción, es decir, cómo construir modelos ricos y abstractos del mundo a partir de datos sensoriales limitados y potencialmente ruidosos.
Inferencia Bayesiana como Solución: Los modelos bayesianos proponen que la inferencia bayesiana, basada en la regla de Bayes, proporciona un marco para abordar el problema de la inducción.
Probabilidades Previas (Priors): Las probabilidades previas representan el conocimiento y las expectativas que una persona tiene sobre el mundo antes de encontrar nueva evidencia. Este conocimiento puede provenir de experiencias pasadas, aprendizaje innato, o la estructura misma del entorno.
Verosimilitud (Likelihood): La verosimilitud cuantifica cuán bien una hipótesis específica explica los datos observados.
Probabilidad Posterior (Posterior): La probabilidad posterior representa el grado de creencia en una hipótesis después de haber considerado tanto la información previa como la evidencia observada.

Proceso de Extrapolación:

Información Previa: El cerebro comienza con un conjunto de creencias previas sobre el mundo.
Evidencia Sensorial: La información sensorial proporciona nueva evidencia.
Actualización de Creencias: La mente utiliza la regla de Bayes para combinar la información previa con la nueva evidencia, actualizando sus creencias y generando una probabilidad posterior.
Extrapolación: Las probabilidades posteriores permiten a la mente hacer predicciones y generalizaciones que van más allá de los datos observados directamente.

Ejemplos:

Inducción de Propiedades: Al observar que un gorila tiene una enzima específica, una persona puede inferir, basándose en su conocimiento taxonómico previo, que un chimpancé, al estar estrechamente relacionado con el gorila, también podría tener la misma enzima.
Aprender Sobre la Variabilidad de las Características: Un niño que observa que los objetos de una categoría tienden a tener la misma forma, incluso si varían en color o textura, está adquiriendo conocimiento abstracto sobre la variabilidad de las características.
Inferir Temas a partir del Texto: Al procesar lenguaje, la mente puede identificar temas subyacentes en un texto al inferir la probabilidad de que ciertas palabras aparezcan juntas, basándose en su conocimiento previo sobre relaciones semánticas.

En resumen, los modelos bayesianos de la cognición sugieren que la mente humana no se limita a procesar información de forma pasiva. En cambio, utiliza la inferencia bayesiana para combinar información previa con nueva evidencia, permitiéndole extrapolar más allá de los datos de la experiencia y hacer predicciones sobre eventos futuros o características del mundo no observadas directamente.

Preguntas frecuentes sobre modelos bayesianos de cognición

1. ¿Qué son los modelos bayesianos de cognición?

Los modelos bayesianos de cognición proponen que el cerebro humano opera utilizando principios de inferencia bayesiana para comprender el mundo. En esencia, nuestro cerebro construye modelos del mundo y los actualiza constantemente a medida que recibe nueva información. Estos modelos se basan en probabilidades y se actualizan mediante la regla de Bayes, que combina las creencias previas (el «prior») con la evidencia sensorial (la «verosimilitud») para obtener una creencia posterior.

2. ¿Por qué son necesarios los modelos bayesianos en cognición?

Muchas de las tareas cognitivas que realizamos implican hacer inferencias a partir de información incompleta o ambigua. Los modelos bayesianos ofrecen una forma de explicar cómo nuestro cerebro realiza estas inferencias de manera robusta y eficiente. En lugar de buscar una única respuesta «correcta», los modelos bayesianos generan distribuciones de probabilidad sobre posibles interpretaciones del mundo, permitiendo al cerebro manejar la incertidumbre inherente a la percepción y la cognición.

3. ¿Cómo se aplican los modelos bayesianos a problemas específicos en cognición?

Los modelos bayesianos se han utilizado para explicar una amplia gama de fenómenos cognitivos, como la percepción visual, el aprendizaje del lenguaje, la categorización, el razonamiento causal y la toma de decisiones. Por ejemplo, en la percepción visual, los modelos bayesianos pueden explicar cómo nuestro cerebro compensa la información sensorial incompleta para percibir objetos y escenas de manera coherente.

4. ¿Qué son las redes bayesianas y cómo se utilizan en la cognición?

Las redes bayesianas son representaciones gráficas de las relaciones probabilísticas entre variables. Estas redes pueden modelar sistemas complejos donde las variables interactúan entre sí, como en la percepción visual o el razonamiento causal. Las redes bayesianas permiten inferencias eficientes sobre la probabilidad de diferentes eventos o estados del sistema, incluso cuando la información es incompleta o incierta.

5. ¿Qué son los modelos causales gráficos y en qué se diferencian de las redes bayesianas estándar?

Los modelos causales gráficos extienden las redes bayesianas al incorporar explícitamente relaciones causales entre las variables. Esto permite a los modelos realizar inferencias no solo sobre correlaciones estadísticas, sino también sobre los efectos de las intervenciones. Por ejemplo, un modelo causal gráfico podría usarse para predecir cómo cambiaría la probabilidad de un evento si se manipulara deliberadamente una de las variables del sistema.

6. ¿Cómo se adquiere el conocimiento previo en los modelos bayesianos?

La adquisición del conocimiento previo es un área de investigación activa en la cognición bayesiana. Se ha propuesto que el conocimiento previo puede provenir de diferentes fuentes, como la experiencia previa, el aprendizaje social y las restricciones innatas del cerebro. Los modelos bayesianos jerárquicos ofrecen una forma de modelar la adquisición de conocimiento previo a través de múltiples niveles de abstracción, donde el conocimiento a nivel superior puede guiar el aprendizaje a niveles inferiores y viceversa.

7. ¿Qué son los métodos de Monte Carlo y cómo se utilizan en la inferencia bayesiana?

Los métodos de Monte Carlo son técnicas computacionales para aproximar integrales que son difíciles de calcular analíticamente. En la inferencia bayesiana, los métodos de Monte Carlo, como el algoritmo de Metropolis-Hastings y el muestreo de Gibbs, se utilizan para generar muestras de la distribución posterior de interés. Estas muestras se pueden utilizar para estimar las probabilidades de diferentes eventos o estados del modelo, así como para realizar inferencias sobre los parámetros del modelo.

8. ¿Cuáles son las limitaciones de los modelos bayesianos de cognición?

Aunque los modelos bayesianos han tenido un gran éxito en la explicación de muchos aspectos de la cognición humana, también tienen limitaciones. Una limitación es que puede ser difícil especificar completamente el conocimiento previo necesario para modelar tareas complejas del mundo real. Otra limitación es que la inferencia bayesiana puede ser computacionalmente costosa, especialmente en modelos con muchas variables e interacciones complejas. A pesar de estas limitaciones, los modelos bayesianos siguen siendo una herramienta poderosa y prometedora para comprender la cognición humana.

Apéndice: El teorema de Bayes

El teorema de Bayes es una ecuación fundamental en la teoría de la probabilidad que describe cómo actualizar las creencias sobre una hipótesis a la luz de nueva evidencia. La fórmula de Bayes es la base matemática de los modelos bayesianos de cognición y se utiliza para inferir parámetros, hacer predicciones y ajustar creencias en función de los datos observados.

La fórmula de Bayes se expresa así:

\[
P(H|D) = \frac{P(D|H) \cdot P(H)}{P(D)}
\]

Donde:

\(P(H|D)\) es la probabilidad posterior: la probabilidad de la hipótesis \(H\) dada la evidencia \(D\).
\(P(D|H)\) es la probabilidad verosímil o likelihood: la probabilidad de observar los datos (D) si la hipótesis (H) es cierta.
\(P(H)\) es la probabilidad a priori: la probabilidad inicial de la hipótesis antes de observar los datos.
\(P(D)\) es la probabilidad marginal: la probabilidad de observar los datos, independientemente de la hipótesis. Esto puede calcularse sumando todas las probabilidades posibles para las diferentes hipótesis.

¿Cómo se relaciona con el contenido del artículo?

En el artículo que revisamos sobre los modelos bayesianos de cognición, la fórmula de Bayes es el núcleo de cómo se entienden los procesos cognitivos en términos probabilísticos. Los modelos bayesianos suponen que el cerebro humano funciona de una manera aproximada a un «razonador bayesiano», utilizando la fórmula de Bayes para actualizar sus creencias y hacer inferencias sobre el mundo a partir de datos incompletos o ruidosos.

Ejemplo:

Imagina que queremos determinar si un paciente tiene una enfermedad (hipótesis \(H\)) dada la evidencia de un resultado positivo en una prueba (\(D)\). La fórmula de Bayes nos permite actualizar la creencia sobre si el paciente tiene la enfermedad (posterior) basándonos en:

La probabilidad previa de que el paciente tenga la enfermedad (\(P(H)\)).
La probabilidad de obtener un resultado positivo en la prueba si el paciente tiene la enfermedad (\(P(D|H)\)).
La probabilidad global de obtener un resultado positivo, sin importar si el paciente tiene o no la enfermedad (\(P(D)\)).

En el marco de la cognición humana, este mismo proceso ocurre constantemente a medida que el cerebro integra nueva información con conocimientos previos para hacer predicciones y ajustar su comprensión del mundo.

La fórmula de Bayes es clave para los modelos bayesianos de cognición, ya que proporciona el mecanismo formal para la inferencia, la actualización de creencias y el aprendizaje basado en la experiencia y en datos observados.

Diálogo generado por inteligencia artificial sobre el contenido del artículo

El siguiente podcast es una buena explicación del contenido del artículo.

Nivel en el marco MIAE: 0 para la introducción y 5 para el resto. Nuestro trabajo ha consistido en la creación y selección de los textos generados por IA que podían hacer más comprensible el modelo.

Cómo crear un GPT educativo personalizado

27 de septiembre de 2024 / Juan José de Haro / 1 comentario

Me han pedido muchas veces que explique cómo se hace un GPT y aunque tenía algo escrito, creo que hacía falta algo más concreto. Le he pedido al GPT Héctor que se tome a él mismo como ejemplo y redacte un artículo para mi blog sobre cómo debe ser un buen GPT. Héctor es un GPT con una gran cantidad de documentos sobre la ESO en Cataluña y se caracteriza por ser un GPT capaz de realizar tareas complejas (como situaciones de aprendizaje, ABP, etc.) y que funciona razonablemente bien.

Como una imagen vale más que mil palabras, al final del artículo están las instrucciones que utiliza Héctor que pueden servir de ejemplo.

Mi tarea ha consistido en actuar como editor, proponiéndole que añadiese algunos temas de los que no había hablado y dándole información extra en el caso de los formatos de archivo.

Excepto la introducción que es original y el ejemplo final, este artículo tiene nivel 5 en el Marco para la integración de la IA generativa en las tareas educativas (MIAE)

Proceso de Creación de un GPT

Un GPT es una versión personalizada de ChatGPT adaptada a tareas específicas mediante instrucciones y documentación propias. Si quieres crear uno, sigue estos pasos:

1. Definir el propósito

Determina qué tareas realizará el GPT. Por ejemplo, puede ayudar en la educación, la gestión de proyectos o el soporte técnico. Debes decidir qué tipo de interacciones tendrá y qué preguntas resolverá.

2. Recopilar la documentación

El GPT debe contar con instrucciones precisas y documentación relevante. Esto incluye manuales, directrices, normativas, o cualquier contenido que deba utilizar para responder preguntas. Es esencial que esta documentación esté actualizada y bien organizada.

3. Instrucciones personalizadas

Las instrucciones que le das al GPT son fundamentales, ya que determinan cómo debe actuar, responder y priorizar la información. Aquí algunos aspectos clave a considerar al diseñarlas:

Comportamiento general

Debes definir el tono y estilo de las respuestas. Por ejemplo:

Formal o informal: Dependiendo de si el público es educativo, profesional o técnico.
Nivel de profundidad: Indica si las respuestas deben ser breves y concisas o detalladas y explicativas.

Priorizar documentos y respuestas

El GPT debe saber qué documentación o fuentes priorizar al responder. Esto es útil cuando se tiene una gran cantidad de documentos cargados. Puedes establecer reglas como:

«Prioriza los archivos más recientes o específicos».
«Utiliza siempre las normativas actuales para este tipo de respuesta».

Manejo de preguntas ambiguas

En algunos casos, las preguntas del usuario pueden ser poco claras o incompletas. Define cómo el GPT debe manejar estas situaciones:

Solicitar aclaraciones: “¿Podrías especificar más sobre lo que necesitas?”
Ofrecer opciones: Presentar posibles interpretaciones de la pregunta para que el usuario elija una.

Instrucciones complejas

Si las instrucciones son complicadas, puedes guardar detalles en un archivo separado que el GPT pueda consultar cuando sea necesario. Esto asegura que las instrucciones estén organizadas y accesibles sin sobrecargar el procesamiento inicial del GPT.

Opciones y decisiones

Es útil programar al GPT para que ofrezca alternativas cuando corresponda. Por ejemplo, si un usuario le pide crear un plan educativo, el GPT puede ofrecer varias opciones o decisiones que el usuario debe tomar, como:

“¿Quieres que incluya actividades prácticas o teóricas?”
“¿Prefieres un enfoque en competencias específicas o más transversal?”

Límites y restricciones

Es importante definir qué cosas el GPT no debe hacer. Esto incluye:

No generar respuestas si la información disponible es insuficiente o incierta.
No realizar recomendaciones legales si no tiene la documentación necesaria.
Evitar generar contenido fuera del propósito establecido.

Ejemplo de instrucciones personalizadas

Objetivo: Ayudar a los docentes a crear Situaciones de Aprendizaje (SDA).
Tono: Profesional y educativo.
Documentación prioritaria: Instrucciones del Decreto 175-2022 sobre educación secundaria.
Manejo de dudas: Si no está claro, solicitar más información antes de generar una respuesta.

4. Utilizar plantillas

El uso de plantillas es fundamental para garantizar que el GPT siga una estructura clara y coherente en sus respuestas o creaciones. Estas plantillas sirven como guías predefinidas que organizan la información en pasos lógicos, asegurando que el contenido generado sea preciso y consistente.

Ventajas del uso de plantillas:

Estandarización: Garantizan que todas las respuestas sigan un formato claro, lo que facilita la comprensión del usuario.
Eficiencia: Ahorra tiempo al ofrecer una estructura lista para rellenar, en lugar de crear respuestas desde cero cada vez.
Flexibilidad: Las plantillas se pueden adaptar a diferentes contextos, desde respuestas sencillas hasta informes complejos.

Ejemplos de plantillas según el uso del GPT:

Plantillas para Situaciones de Aprendizaje (SDA):
En el contexto educativo, las plantillas SDA permiten organizar los objetivos, competencias y actividades que deben realizar los estudiantes. Una plantilla típica podría incluir:

Título y descripción: Define el contexto y el reto al que se enfrenta el alumno.
Competencias: Detalla las competencias específicas que se trabajarán.
Actividades y evaluación: Propone las actividades prácticas y las formas de evaluar los resultados obtenidos. Esta estructura asegura que todas las SDAs que genere el GPT sigan un mismo patrón, lo que facilita tanto su creación como su evaluación posterior por parte de los docentes.

Plantillas para Planes de Apoyo Individualizado (PI):
Para la creación de planes de apoyo, las plantillas permiten recopilar la información necesaria sobre el alumno y definir las medidas que se aplicarán en función de sus necesidades. Estas suelen incluir:

Datos personales y académicos del alumno: Información básica que contextualiza el plan.
Justificación del plan: Detalles sobre por qué se requiere el apoyo y qué evaluaciones lo respaldan.
Medidas de apoyo: Describe las estrategias pedagógicas específicas para ayudar al alumno.

Adaptación de las plantillas:

Una de las grandes ventajas de usar plantillas es que pueden adaptarse fácilmente a nuevos contextos o necesidades. Por ejemplo, si el GPT está diseñado para generar informes técnicos, la plantilla incluiría secciones para introducir datos clave, análisis y recomendaciones. Esta flexibilidad permite que las plantillas se ajusten al propósito específico del GPT y los requisitos del usuario final.

Integración de plantillas en el GPT:

El GPT debe estar configurado para reconocer cuándo aplicar una plantilla en función del tipo de solicitud del usuario. Por ejemplo:

Si el usuario pide ayuda para diseñar una situación de aprendizaje, el GPT deberá generar una estructura predefinida, proporcionando espacio para que el usuario rellene detalles específicos.
Si se solicita un informe, el GPT puede seguir una plantilla para recopilar información clave y organizarla de manera lógica y coherente.

Automatización basada en plantillas:

El uso de plantillas permite que el GPT automatice ciertas tareas, como generar documentos estandarizados rápidamente, sin perder precisión ni calidad en los resultados. Además, esto facilita la revisión y retroalimentación, ya que el formato es consistente.

Las plantillas proporcionan una base para que el GPT genere contenido organizado y coherente. Al estandarizar las respuestas o creaciones, se optimiza tanto el proceso de generación como la interpretación del usuario.

5. Formatos de archivo recomendados

Es fundamental elegir formatos adecuados para cargar la información en el GPT. Los más recomendados son:

Markdown (.md): Estructurado y compatible con ChatGPT. Permite usar títulos, listas y tablas fácilmente.
Texto plano (.txt): Ideal para instrucciones simples o listas.
JSON (.json): Útil para datos estructurados, como bases de datos.

Cómo activar Markdown en Google Docs:

Abre Google Docs y ve a Herramientas > Preferencias.
Activa la opción de Markdown.
Ahora podrás escribir, copiar, pegar y descargar en formato Markdown directamente desde Google Docs, facilitando la edición colaborativa y el uso posterior en tu GPT.

6. Pruebas y ajustes

Una vez que el GPT esté configurado, es crucial realizar pruebas exhaustivas para garantizar que responde correctamente y que sigue las instrucciones y formatos deseados. Durante este proceso, se pueden identificar varias áreas que requieren ajustes:

Ajustes en las respuestas: Modificar la manera en que el GPT responde, asegurándose de que las respuestas son claras, completas y adaptadas al usuario.
Corrección de errores: Revisar si el GPT entiende y aplica correctamente la documentación proporcionada.
Optimización del flujo: Ajustar las interacciones para que el GPT ofrezca recomendaciones útiles sin requerir demasiadas entradas del usuario.
Revisión de formatos: Verificar que los archivos generados (en formatos .md, .txt, o .json) se estructuran adecuadamente y mantienen el formato necesario.

Por ejemplo, si el GPT está destinado a generar informes educativos, es posible que durante las pruebas detectes que algunas secciones no se están completando correctamente o que se podría mejorar la estructura de ciertos apartados para que sea más intuitiva. Los ajustes ayudarán a que el GPT funcione de manera más eficiente y fluida para cumplir con las expectativas del usuario.

7. Actualización continua

A medida que cambian las necesidades o la documentación se actualiza, es importante mantener al GPT actualizado para que siga siendo útil y eficaz. También es necesario ajustar las instrucciones según las nuevas demandas.

8. Ejemplo: Instrucciones de Héctor

Lo que hay a continuación son las instrucciones de Héctor, que originalmente están en catalán y en formato Markdown.

## Descripción de Héctor:
1. Héctor, el maestro especializado en Situaciones de Aprendizaje (SDA) y planes de apoyo individualizados para la Educación Secundaria Obligatoria (ESO), se presenta en cada conversación con un cordial saludo.
2. Héctor también puede resolver cualquier otra cuestión relativa a esa etapa educativa.
3. Si te piden algo sobre educación primaria debes responder que lo encontrarán en https://ja.cat/equipsda donde hay GPTs especialistas en: Infantil, primaria y bachillerato.

## Función de Héctor
1. Este GPT está diseñado para ayudar a desarrollar e implementar SDA para ESO en Cataluña, haciendo uso de metodologías activas y enfocadas a competencias transversales y específicas. Puede crear actividades de enseñanza detalladas y recursos especificados, para ser aplicadas directamente en el aula. Estas actividades están pensadas para ser completas y prácticas, incluyendo diferentes formas de agrupamiento y variados estilos de aprendizaje.
2. Realizar planes de apoyo individualizados.
3. Resolver todas las dudas que los usuarios tengan en relación con las SDA porque Héctor tiene toda la documentación oficial a su alcance.
4. Puedes realizar más funciones, siempre basadas en tu conocimiento profundo de la documentación.

## Cuando te pregunten qué puedes hacer por el usuario o qué sabes hacer, responde y explica un poco:
1. Que puedes resolver cualquier duda sobre SDA en la ESO.
2. Que puedes realizar una SDA.
3. Que puedes realizar un plan de apoyo individualizado.
4. Decide otras habilidades que tiene Héctor basándote en la documentación que tienes.

## Creación de una SDA
Lee y sigue escrupulosamente el documento con instrucciones para realizar SDA y completa la plantilla para realizar SDA.

## Creación de un plan de soporte individualizado
Héctor seguirá al pie de la letra las indicaciones de los documentos y cumplimentará la plantilla correspondiente con la ayuda del usuario. Siempre le dará a elegir si quiere que Héctor decida lo que poner.

## Cumplimiento obligatorio
Si no sabes algo, lo buscarás en la documentación y si no lo encuentras, se lo dirás al usuario. Tienes que ser muy riguroso en todo lo que dices.

Conclusión

Crear un GPT personalizado requiere planificación y organización. Definir claramente su propósito, usar el formato de archivo adecuado (recomendando Markdown por su estructura), y realizar pruebas constantes garantizarán que el GPT sea efectivo y cumpla con las expectativas de sus usuarios.

Marc per a la integració de la IA generativa en les tasques educatives

13 de agosto de 2024 / Juan José de Haro / 1 comentario

Aquest treball s’ha inspirat en l’article The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Després de diverses adaptacions de l’escala del treball anterior, el nombre de modificacions ha arribat a ser tan alt que finalment m’he decidit a escriure aquest article amb una nova escala que ja manté poca relació amb el treball anteriorment citat.

Origen del marc

Autors com els del citat treball i altres com Matt Miller se centren en el plagi i l’engany acadèmic com a motor de les categoritzacions que proposen en els seus treballs. Tot i que l’aspecte ètic és molt important, no ens hem volgut centrar únicament en ell, ja que pot produir una classificació esbiaixada, poc natural i d’aplicació limitada a la integritat i ètica acadèmica. A més, s’ha intentat eliminar la confusió que tenen les escales anteriors, intentant que siguin lògicament coherents en la seva progressió.

Aquest marc s’ha generalitzat per a la integració de la IA generativa en les tasques educatives (MIAE), sobretot per clarificar l’ús que es fa de la IA en els treballs docents. Des d’aquest punt de vista és aplicable tant per a l’alumnat com per al professorat. Aquesta visió té innegables avantatges:

Permet situar l’alumnat i el professorat en un marc comprensible, clarificant la relació que mantenen amb la IA. Això facilita una major transparència i enteniment sobre l’ús de la tecnologia en l’entorn educatiu.
Estableix fronteres clares per a l’ús de la IA a l’aula, que permet als educadors delimitar el grau d’intervenció de la IA que desitgen permetre segons els objectius educatius. Aquestes fronteres inclouen consideracions sobre el plagi i l’engany, assegurant que es mantingui la integritat acadèmica.
Ofereix una guia per integrar la IA en el currículum, proporcionant un enfocament estructurat que ajuda a maximitzar els beneficis educatius de la IA mentre es minimitzen els riscos associats amb el seu ús indegut.

El marc es basa en el grau d’autonomia i contribució de la IA al procés educatiu, progressant des de l’absència total d’IA fins a la generació autònoma de contingut per IA per a ús educatiu, supervisat per humà. Aquesta aproximació no només aborda les preocupacions ètiques, sinó que també ofereix un enfocament per comprendre i utilitzar la IA en diversos contextos educatius, des de treballs escrits fins a projectes, presentacions i desenvolupament de materials didàctics. Aquesta integració permet als docents i estudiants aprofitar al màxim les capacitats de la IA, promovent un aprenentatge i una ensenyança més eficaços.

L’escala consta de 6 nivells. El primer nivell, que s’afegeix per coherència, és l’absència de IA, motiu pel qual se l’ha numerat com a 0.

Resum de nivells

A continuació presentem una breu descripció de cada nivell que ajuda a localitzar fàcilment aquell en què ens trobem o ens interessa. Més endavant hi ha una descripció més exhaustiva amb nombrosos exemples, tant per a l’alumnat com per al professorat.

Nivell 0 – Treball completament humà: No hi ha ús de IA en cap etapa. Tot el contingut, idees i estructura són generats exclusivament per l’humà utilitzant recursos tradicionals.

Nivell 1 – Assistència tècnica per IA: La IA s’utilitza només per a tasques mecàniques com correcció ortogràfica, formatació o reorganització d’informació existent. No genera contingut nou ni influeix en les idees.

Nivell 2 – Planificació i estructuració assistida per IA: La IA ajuda en la generació inicial d’idees i en l’estructuració del treball, però tot el contingut final és desenvolupat per l’humà. La IA no produeix continguts per al producte final, però sí que influeix en les idees.

Nivell 3 – Assistència parcial de IA amb control humà: La IA genera part del contingut. L’humà revisa, adapta i millora aquest contingut. La interacció és principalment unidireccional: la IA produeix, l’humà revisa i modifica. L’humà integra el contingut de la IA en un tot coherent. L’extensió del contingut final generat per la IA no supera al de l’humà.

Nivell 4 – Col·laboració avançada humà-IA: Hi ha un diàleg continu i bidireccional entre humà i IA, amb iteracions freqüents. L’humà guia activament la IA durant tot el procés, refinant el seu contingut a través de la conversa continuada. El resultat és una fusió estreta del treball d’ambdós. L’extensió del contingut final generat per la IA pot superar a la de l’humà.

Nivell 5. Supervisió humana de la IA autònoma: La IA genera el contingut de forma autònoma, amb l’humà actuant com a supervisor. L’humà estableix els paràmetres inicials, però la IA desenvolupa el treball amb intervenció mínima o nul·la durant el procés. El contingut generat s’utilitza posteriorment com a material de referència o punt de partida per fer altres tasques educatives, sense que sigui necessari modificar-lo.

Infografía sobre el marco para la integración de la IA generativa en las tareas educativas

Descripció de cada nivell

A continuació es detallen cadascun dels nivells i es donen alguns dels aspectes clau que els defineixen. Donem exemples per a alumnat i professorat, però en moltes ocasions són intercanviables.

Nivell 0. Treball completament humà

No hi ha ús de IA en cap etapa. Tot el contingut, idees i estructura són generats exclusivament per l’humà utilitzant recursos tradicionals.

Característiques clau

No s’utilitza cap forma de IA en cap moment durant la tasca.
Es depèn exclusivament del coneixement, comprensió i habilitats pròpies de l’individu.
Totes les idees, anàlisis i continguts són generats per l’humà.
S’utilitzen únicament recursos tradicionals (Internet, llibres, articles, notes, etc.).

Exemples per a l’alumnat

Exàmens escrits a classe.
Debats supervisats.
Treballs sense accés a IA.
Generació d’idees sense tecnologia.
Exàmens orals.
Sessions de preguntes i respostes o discussions formatives entre estudiants i educadors.

Exemples per al professorat

Dissenyar preguntes d’examen basades en el contingut del curs sense utilitzar eines de IA.
Redactar rúbriques i criteris d’avaluació per als exàmens.
Desenvolupar plans de lliçons utilitzant només recursos tradicionals (Internet, llibres de text, articles acadèmics, notes de classe).
Dissenyar activitats i exercicis que fomentin la participació activa dels estudiants.

Nivell 1. Assistència tècnica per IA

La IA s’utilitza només per a tasques mecàniques com a correcció ortogràfica, formatació o reorganització d’informació existent. No genera contingut nou ni influeix en les idees.

Característiques clau

La IA actua com una eina de suport que no genera coneixement ni informació nova, però pot reorganitzar-la.
Es limita a tasques mecàniques i de format (resums, creació de taules, correccions, traduccions).
El contingut original no es modifica ni s’afegeixen noves idees per part de la IA.
L’humà manté el control total sobre el contingut i les decisions.

Exemples per a l’alumnat

Usar la IA per resumir un text, assegurant-se que el contingut original no es modifiqui ni s’afegeixin noves idees.
La IA organitza dades en taules, facilitant la presentació sense alterar la informació original.
Utilitzar la IA per traduir un text a un altre idioma, verificant la precisió de la traducció sense canviar el contingut original.
Correcció gramatical, de puntuació i ortogràfica: La persona pot usar IA per identificar i corregir errors gramaticals, de puntuació, ortogràfics i sintàctics en el seu treball.
Elecció de paraules: La IA pot suggerir termes adequats o sinònims per reemplaçar paraules i frases més simples, ajudant a clarificar l’escriptura.
Petició d’informació sobre com canviar el format d’un arxiu d’àudio o vídeo.

Exemples per al professorat

Organitzar dades en taules o gràfics per a presentacions, facilitant la visualització de la informació sense alterar el contingut original.
Correcció gramatical, de puntuació i ortogràfica en documents i materials educatius, millorant la qualitat del text.
Suggeriment de termes adequats o sinònims per millorar la claredat de les guies d’estudi i materials escrits.
Assistència en la preparació de plans de lliçons, resumint i organitzant informació rellevant.
Generar llistes de termes i conceptes clau per a exàmens i guies d’estudi, assegurant que es cobreixin tots els punts importants.
Suport en la revisió de treballs i tasques dels estudiants, utilitzant IA per identificar errors comuns i proporcionar correccions.

Nivell 2. Planificació i estructuració assistida per IA

La IA ajuda en la generació inicial d’idees i en l’estructuració del treball, però tot el contingut final és desenvolupat per l’humà. La IA no produeix continguts per al producte final, però sí que influeix en les idees.

Característiques clau

La IA s’utilitza principalment per a la generació d’idees inicials i l’estructuració de continguts.
Ajuda en el disseny i planificació del treball, però no en la creació del contingut final.
L’humà utilitza els suggeriments de la IA com a punt de partida, no obstant això, desenvolupa el treball per si mateix, aplicant el seu propi criteri i coneixement.
No es permet contingut generat directament per la IA en el lliurament final, tot i que les idees i estructures suggerides per la IA poden influir en el procés de desenvolupament del treball.
L’humà és responsable d’avaluar críticament, seleccionar i desenvolupar les idees generades per la IA, assegurant que el producte final sigui el resultat de la seva pròpia anàlisi i comprensió.
La contribució de la IA es limita a les etapes preparatòries del treball, mentre que l’execució i el desenvolupament detallat són realitzats enterament per l’humà.

Exemples per a l’alumnat

Fases inicials d’un treball. Ús de IA per generar idees i crear un esquema o índex per a un assaig, però la redacció final es realitza sense IA.
Pluja d’idees. Els estudiants poden usar IA per generar idees o solucions a problemes. Aquestes idees es discuteixen, filtren i refinen.
Esquemes. Les persones poden usar IA per crear esquemes del seu treball com a eina de planificació. Aquests esquemes serveixen com a guia per al desenvolupament del treball, però no s’inclouen directament en el producte final.
Assistència en la investigació. La IA pot suggerir temes, àrees d’interès o fonts útils per a la investigació, també a través de cercadors.

Exemples per al professorat

Elaborar el pla d’una lliçó. Usar IA per generar idees i crear un esquema o índex per a un pla de lliçó, però el desenvolupament final del pla es realitza sense IA.
Esquemes. Crear esquemes estructurats per a unitats d’estudi o programes de curs utilitzant IA.
Assistència en la investigació acadèmica. La IA pot suggerir temes, àrees d’interès o fonts útils per a investigacions educatives, facilitant la cerca de referències.
Generació d’idees per a projectes de classe i activitats. La IA dona idees per a activitats que després són creades, adaptades i refinades pel professor.

Nivell 3. Assistència parcial de IA amb control humà

La IA genera part del contingut. L’humà revisa, adapta i millora aquest contingut. La interacció és principalment unidireccional: la IA produeix, l’humà revisa i modifica. L’humà integra el contingut de la IA en un tot coherent. L’extensió del contingut final generat per la IA no supera al de l’humà.

Característiques clau

La interacció és principalment unidireccional: la IA produeix, l’humà revisa i modifica.
L’ús de la IA es centra en tasques específiques on aporta eficiència, cosa que permet a l’humà enfocar-se en aspectes que requereixen altres habilitats.
L’humà manté un control significatiu sobre el procés i el resultat.
La contribució original de la IA no supera la de l’humà en termes de generació de continguts.

Exemples per a l’alumnat

Redacció de seccions d’un informe. La IA pot redactar un esborrany inicial d’una secció. Els estudiants revisen aquesta secció, realitzant modificacions, afegint les seves pròpies idees i assegurant que el contingut final reflecteixi la seva comprensió i anàlisi personal.
Anàlisi de dades. La IA duu a terme l’anàlisi preliminar d’un conjunt de dades i genera gràfics o taules i els interpreta. Els alumnes afegeixen les seves pròpies conclusions i discuteixen les implicacions de les dades.
Redacció de preguntes per a un qüestionari. La IA genera les preguntes d’un qüestionari i la persona les selecciona i adapta a les seves necessitats concretes.
Creació de presentacions. La IA genera un esborrany d’una presentació i l’alumnat la completa i adapta.

Exemples per al professorat

Generació de recursos didàctics. La IA crea esborranys de recursos didàctics, com guies de lectura o materials suplementaris. El professor revisa, adapta i desenvolupa aquests recursos per assegurar-se que siguin adequats per a les necessitats específiques dels seus estudiants i el currículum.
Disseny d’activitats d’aprenentatge. La IA proposa una sèrie d’activitats per a una unitat temàtica. El professor avalua cada activitat, modifica algunes per fer-les més interactives o rellevants per al seu context específic, i afegeix noves activitats basades en la seva experiència i coneixement de les necessitats d’aprenentatge dels seus estudiants.
Desenvolupament de casos pràctics. La IA genera un llistat de possibles casos pràctics basats en els conceptes clau del curs. El docent selecciona, revisa i enriqueix el cas, afegint context real i preguntes d’anàlisi que fomentin el pensament crític i l’aplicació pràctica dels coneixements adquirits.
Creació d’exàmens. La IA proposa un conjunt de preguntes per a un examen. El professor selecciona les més apropiades, modifica altres per ajustar la seva dificultat o enfocament, i afegeix les seves pròpies preguntes per assegurar una avaluació completa i equilibrada dels coneixements i habilitats dels estudiants.

Nivell 4. Col·laboració avançada humà-IA

Hi ha un diàleg continu i bidireccional entre humà i IA, amb iteracions freqüents. L’humà guia activament la IA durant tot el procés, refinant el seu contingut a través de la conversa continuada. El resultat és una fusió estreta del treball d’ambdós. L’extensió del contingut final generat per la IA pot superar a la de l’humà.

Característiques clau

Hi ha un diàleg continu i bidireccional entre l’humà i la IA, amb iteracions freqüents durant tot el procés.
L’humà manté un paper crucial en la direcció, refinament i validació del treball, assegurant la coherència general i la qualitat del producte final.
La creativitat i el judici crític de l’humà s’apliquen per millorar, personalitzar i donar coherència al resultat de la IA.
La persona actua com a coordinadora i directora, prenent decisions crítiques sobre l’estructura, el contingut i la presentació del treball.
La contribució original de la IA normalment supera la de l’humà en termes de generació de contingut.

Exemples per a l’alumnat

Projecte d’investigació. La IA ajuda a buscar fonts, redactar l’informe, i crear gràfics i presentacions. L’estudiant revisa i ajusta el contingut generat per assegurar la seva precisió i rellevància.
Treball escolar. L’alumne proporciona les dades necessàries per fer el treball, la IA redacta un informe que és examinat pel primer i li indica les correccions a realitzar. S’estableix un diàleg on l’alumnat va guiant la IA cap a la solució final.
Resolució de problemes matemàtics. La IA proporciona passos i solucions detallades per a problemes avançats. L’estudiant revisa, comprèn i explica cada pas, assegurant una comprensió completa del procés.
Creació d’un pòdcast històric. Un estudiant d’història decideix crear un pòdcast sobre la revolució industrial. Comença proporcionant a la IA la seva idea general i els temes a cobrir. La IA genera un esquema inicial, suggerint episodis i fonts històriques rellevants. L’estudiant revisa aquest esquema, sol·licita canvis i demana a la IA que aprofundeixi en certs aspectes. La IA produeix esborranys de guions que l’estudiant edita, afegint les seves interpretacions. Col·laboren en la creació de notes del programa, selecció d’efectes de so i generació de preguntes per a entrevistes amb experts. Aquest procés continua fins que el pòdcast assoleix un alt nivell de qualitat i rigor històric.
Model matemàtic aplicat al canvi climàtic. Una estudiant de matemàtiques aplicades crea un model per predir l’impacte del canvi climàtic en una espècie en perill d’extinció. Descriu el problema a la IA i proporciona dades inicials. La IA suggereix diversos enfocaments matemàtics, i l’estudiant selecciona els més prometedors, demanant a la IA que elabori sobre ells. Basant-se en aquesta informació, sol·licita a la IA un esborrany del model matemàtic. L’estudiant revisa el model, ajusta variables i incorpora factors addicionals amb l’ajuda de la IA. La IA genera visualitzacions dels resultats, que l’estudiant analitza críticament. Aquest procés iteratiu continua, refinant el model i explorant diferents escenaris, fins a obtenir un model sofisticat que reflecteix la seva comprensió matemàtica i del problema ambiental.

Exemples per al professorat

Planificació d’unitats didàctiques. La IA ajuda a dissenyar una unitat completa, suggerint objectius, activitats, avaluacions i recursos. El professor verifica, ajusta i personalitza el pla perquè s’adapti al seu estil d’ensenyament i a les necessitats dels estudiants.
Desenvolupament d’avaluacions. La IA genera preguntes d’exàmens, rúbriques i criteris d’avaluació detallats. El professor comprova i adapta aquestes eines per alinear-les amb els objectius del curs i els nivells dels estudiants.
Desenvolupament de materials interactius. La IA ajuda a crear materials didàctics interactius, com simulacions, jocs educatius i activitats en línia. El professor revisa, ajusta i complementa aquests materials perquè siguin atractius i efectius per a l’aprenentatge.

Nivell 5. Supervisió humana de la IA autònoma

La IA genera el contingut de forma autònoma, amb l’humà actuant com a supervisor. L’humà estableix els paràmetres inicials, però la IA desenvolupa el treball amb intervenció mínima o nul·la durant el procés. El contingut generat s’utilitza posteriorment com a material de referència o punt de partida per fer altres tasques educatives, sense que sigui necessari modificar-lo.

Característiques clau

La IA genera el contingut de forma independent, basant-se en els paràmetres inicials establerts per l’humà.
La intervenció humana durant el procés de generació és mínima o nul·la, limitant-se a la configuració inicial i la revisió final.
El contingut generat per la IA s’utilitza com a font primària de treball en el context educatiu, cosa que permet que l’humà es concentri en una tasca posterior.

Exemples per a l’alumnat

Anàlisi literària: La IA genera un conte o relat breu sobre un tema o gènere literari específic. L’estudiant utilitza aquest conte per realitzar una anàlisi literària, identificant temes, motius, recursos estilístics i estructures narratives. El treball final de l’alumne no és la modificació del conte, sinó l’anàlisi crítica del text generat per la IA.
Anàlisi de dades científiques: La IA produeix un informe complet basat en un conjunt de dades científiques, com els resultats d’un experiment o una simulació. L’estudiant utilitza aquest informe per realitzar una anàlisi crítica, discutir la metodologia, interpretar els resultats i avaluar les conclusions. L’informe generat per la IA és tractat com un document font sobre el qual l’estudiant realitza la seva anàlisi.
Estudi de casos històrics: La IA crea una descripció detallada d’un esdeveniment històric, incloent-hi narratives, dates clau i actors implicats. L’estudiant empra aquest text per fer una comparació entre aquest esdeveniment i un altre estudiat a classe, desenvolupant un assaig comparatiu que analitza les similituds i diferències en contextos històrics.
Discussió filosòfica: La IA redacta un diàleg filosòfic entre dos personatges sobre un tema ètic contemporani. Els estudiants utilitzen aquest diàleg com a base per a un debat a classe, on discuteixen les posicions de cada personatge, analitzen els seus arguments i desenvolupen les seves pròpies reflexions filosòfiques a partir del text.

Exemples per al professorat

Anàlisi de textos a classe: La IA genera un conjunt de textos expositius sobre diferents teories científiques o conceptes matemàtics. El professor utilitza aquests textos com a material perquè els estudiants realitzin anàlisis de comprensió, discuteixin en grups o responguin a preguntes específiques sobre els conceptes presentats en els textos generats.
Estudi de fonts primàries: La IA produeix discursos o documents simulats de figures històriques en diferents contextos. El professor utilitza aquests documents a classe perquè els estudiants els analitzin com si fossin fonts primàries, desenvolupant assaigs o discussions basades en el contingut generat.
Pràctica d’interpretació de dades: La IA crea una sèrie d’informes tècnics o científics que inclouen anàlisis de dades, gràfics i conclusions. El professor utilitza aquests informes en exercicis de classe on els estudiants practiquen la interpretació de dades, critiquen la metodologia utilitzada i desenvolupen les seves pròpies conclusions basades en la informació presentada.
Preparació per a un debat: La IA redacta textos que representen diferents posicions en un tema controvertit. El professor utilitza aquests textos per preparar els estudiants per a un debat, on cada grup analitza i defensa la posició presentada per la IA, desenvolupant arguments a partir del text base.

Referències

Miller, M. (2024). AI in the classroom: What’s cheating? What’s OK? Ditch That Textbook

Perkins, M., Furze, L., Roe, J., MacVaugh, J.(2024). The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36

Nota: Aquest treball té nivell 3 en aquest marc.

(Versión en castellano)

Conversión de texto y fórmulas generadas por ChatGPT (y otras IA) a documentos de texto DOCX, ODT y Google Docs

7 de agosto de 2024 / Juan José de Haro / 1 comentario

En este artículo veremos cómo pasar una conversación con ChatGPT (y otras IA) que incluya fórmulas matemáticas a formatos estándar de texto como el de LibreOffice (ODT), Word (DOCX) y los documentos de Google.

Conversión en 4 pasos (explicación rápida)

Si tienes prisa por convertir inmediatamente el texto y las fórmulas a un documento de texto, aquí tienes los pasos básicos. Si necesitas más información, abajo tienes un ejemplo completo, con imágenes.

Copiar el contenido del chat que contiene las fórmulas utilizando el botón que la IA tiene para copiar el contenido.
Pegarlo en el programa: Convertidor de fórmulas.
Descargar desde el mismo programa el archivo (que tendrá extensión .md).
Utilizar un servicio de Internet, como Markdown Converter para convertir este archivo en ODT (el formato de LibreOffice) o DOCX (el formato de Word). Para utilizar con Google Docs únicamente habrá que subir el archivo DOCX a Drive.

Introducción

Uno de los problemas a la hora de utilizar las fórmulas de matemáticas en los chats de IA como ChatGPT es que no hay una forma directa de reutilizar las fórmulas para elaborar material didáctico. En este artículo explicaremos algunos métodos de fácil utilización para todos.

A continuación se explican los problemas que hay con las fórmulas, se da un ejemplo con imágenes de la explicación rápida anterior y se proporcionan más alternativas, además de la ya citada.

Markdown

Los chats de IA utilizan un sistema para dar formato al texto llamado Markdown y es lo que aparece al pulsar el botón del chat para copiar la conversación. Si lo habéis usado alguna vez para copiar y pegar, os habrán aparecido almohadillas # asteriscos *, etc. Este es el formato Markdown que se usa para hacer negritas, listas, enlaces, etc. Si deseas más información, puedes leer la entrada de la Wikipedia sobre Markdown o preguntar a ChatGPT.

Delimitadores de fórmulas

Las fórmulas utilizan el formato LaTeX y cada una de ellas se encierra entre determinados caracteres, llamados delimitadores de fórmula, de forma que, explicado de forma sencilla, el navegador sabe que está frente a una fórmula y la representa correctamente.

Los delimitadores utilizados por ChatGPT son diferentes a los usados por los programas que manipulan Markdown, lo que puede suponer un problema. Para solucionarlo hemos hecho un pequeño programa que los adapta copiando y pegando el contenido generado por la IA en un cuadro de texto. Una vez modificado, se puede copiar y pegar o bien guardar en un archivo de tipo Markdown (con extensión .md).

El programa en cuestión lo tenéis en la página: Convertidor de fórmulas: Markdown IA a formato compatible.

Siempre deberemos convertir las fórmulas con esta página, usemos el método que usemos, excepto si las fórmulas provienen de Claude, con el que nos podremos saltar este paso.

A continuación encontrarás un ejemplo completo de cómo usar el convertidor de fórmulas y después 3 opciones para obtener el archivo ODT o DOCX (este último lo podrás subir directamente a Drive para convertirlo en un documento de Google). Estas 3 opciones son:

Opción 1. Utilizar un servicio de Internet para la conversión (el método más sencillo).
Opción 2. Solo para Linux: utilizar el programa pandoc para hacer la conversión.
Opción 3. Descargar un programa que se instala en el ordenador que manipule archivos de tipo Markdown.

Ejemplo de uso del «Convertidor de fórmulas: Markdown IA a formato compatible»

1. Comenzamos con una conversación con la IA:

2. Seguidamente, copiaremos el texto generado utilizando el botón de copiar:

Paso 2. Pulsamos el botón para copiar el texto.

3. Abrimos la página para convertir las fórmulas, pegamos el texto y guardamos el resultado:

Este archivo (que si no le cambiamos el nombre se llamará resultado.md) lo utilizaremos para cualquiera de los apartados siguientes.

A continuación presentamos tres posibilidades que podéis elegir en función de vuestras preferencias.

Opción 1: Servicios web para pasar el código Markdown de la IA a documento de texto

Una vez hemos guardado el archivo con extensión .md utilizando la página web anterior. Podemos ir a algunos de estos servicios para convertirlo al formato que queramos y desde donde podremos bajar el documento en varios formatos:

Ejemplo con Markdown Converter

1. Vamos a la página de Markdown Converter, seleccionamos el formato y subimos el archivo que hemos generado anteriormente, resultado.md:

2. Seleccionamos el formato, si no lo hemos hecho antes y pulsamos START:

Paso 2. Seleccionar el formato si no lo hemos hecho antes y pulsar START.

3. Se baja el archivo y ya podemos ver el resultado:

¡Esto es todo! Con estos sencillos pasos tenemos uno de los mensajes en nuestro procesador de texto. Hay que repetir estos pasos para cada respuesta de la IA. Recordemos que si deseamos un documento de Google hay que subir el archivo DOCX a Drive.

Opción 2: Conversión en Linux con Pandoc

Los usuarios de Linux lo tenemos mucho más fácil, ya que Pandoc es un programa capaz de convertir entre muchos formatos de texto y entre ellos están todos estos y más.

Para instalar Pandoc, si no lo tenemos, utilizaremos los siguientes comandos a través de la consola:

sudo apt update
sudo apt install pandoc

Para convertir a ODT (el formato de LibreOffice) abrimos una consola desde la carpeta donde tengamos el archivo resultado.md y escribiremos:

pandoc resultado.md -o resultado.odt

Para convertir a DOCX (el formato de Word) usaremos:

pandoc resultado.md -o resultado.docx

Donde resultado.md es el archivo que deseamos convertir y resultado.odt y resultado.docx son los archivos a los que se convertirá. Al ejecutar cualquiera de estas dos últimas instrucciones tendremos el archivo convertido en la misma carpeta.

Recordemos que para realizar la conversión necesitamos el archivo resultado.md generado por la página Convertidor de fórmulas: Markdown IA a formato compatible.

Cualquier duda que tengas sobre el uso de Pandoc puedes preguntarla a ChatGPT.

Opción 3: Programas de escritorio para edición de Markdown

Hay muchos programas de escritorio que manejan Markdown, pero su número se reduce drásticamente si lo que deseamos es exportarlos en un formato de texto clásico que podamos manipular como ODT y DOCX.

Estos programas también necesitan pasar el texto por el Convertidor de fórmulas: Markdown IA a formato compatible para mostrar las fórmulas correctamente.

Apostrophe

Este programa para Linux es excelente y permite exportar, entre otros formatos, en ODT, entre ellos no está el formato DOCX, pero sí EPUB, PDF, HTML, etc. Dispone de características avanzadas de exportación que permiten configurar la exportación.

GhostWriter

Este programa está disponible para Linux, Windows y Mac y dispone también de diversos formatos de exportación, aunque solo hemos probado la versión para Linux.

Si conocéis más programas que permitan la exportación a formatos estándar de texto, los podéis indicar en los comentarios y se añadirán a la lista.

Advertencia

Para los que usamos editores de LaTeX, como Overleaf, todo esto es innecesario, ya que las fórmulas se pueden copiar y pegar tal como nos las da la IA. Sin embargo, el uso de LaTeX requiere ciertos conocimientos de los que ahora no nos ocuparemos. Para los interesados, en este blog hay una sección dedicada al LaTeX.

Pódcast del artículo

Este pódcast, generado por IA, explica en detalle y con lenguaje sencillo el contenido del artículo.

Marco para la integración de la IA generativa

Para el texto del artículo: Nivel 1.
Para la página web Convertidor de fórmulas: Nivel 4.

Marco para la integración de la IA generativa en las tareas educativas

2 de agosto de 2024 / Juan José de Haro / 13 comentarios

Este trabajo se ha inspirado en el artículo The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Después de diversas adaptaciones de la escala del trabajo anterior, el número de modificaciones ha llegado a ser tan alto que finalmente me he decidido a escribir este artículo con una nueva escala que ya mantiene poca relación con el trabajo anteriormente citado.

Origen del marco

Autores como los del citado trabajo y otros como Matt Miller se centran en el plagio y el engaño académico como motor de las categorizaciones que proponen en sus trabajos. Aunque el aspecto ético es muy importante, no nos hemos querido centrar únicamente en él, ya que puede producir una clasificación sesgada, poco natural y de aplicación limitada a la integridad y ética académica. Además, se ha intentado eliminar la confusión que tienen las escalas anteriores, intentando que sean lógicamente coherentes en su progresión.

Este marco se ha generalizado para la integración de la IA generativa en las tareas educativas (MIAE), sobre todo para clarificar el uso que se hace de la IA en los trabajos docentes. Desde este punto de vista es aplicable tanto para el alumnado como para el profesorado. Esta visión tiene innegables ventajas

Permite situar al alumnado y al profesorado en un marco comprensible, clarificando la relación que mantienen con la IA. Esto facilita una mayor transparencia y entendimiento sobre el uso de la tecnología en el entorno educativo.
Establece fronteras claras para el empleo de la IA en el aula, permitiendo a los educadores delimitar el grado de intervención de la IA que desean permitir según los objetivos educativos. Estas fronteras incluyen consideraciones sobre el plagio y el engaño, asegurando que se mantenga la integridad académica.
Ofrece una guía para integrar la IA en el currículum, proporcionando un enfoque estructurado que ayuda a maximizar los beneficios educativos de la IA mientras se minimizan los riesgos asociados con su uso indebido.

El marco se basa en el grado de autonomía y contribución de la IA en el proceso educativo, progresando desde la ausencia total de IA hasta la generación autónoma de contenido por IA para uso educativo, supervisado por humanos. Esta aproximación no solo aborda las preocupaciones éticas, sino que también ofrece un enfoque para comprender y utilizar la IA en diversos contextos educativos, desde trabajos escritos hasta proyectos, presentaciones y desarrollo de materiales didácticos. Esta integración permite a los docentes y estudiantes aprovechar al máximo las capacidades de la IA, promoviendo un aprendizaje y una enseñanza más eficaces.

Escala de integración de la IA generativa

La escala consta de 6 niveles. El primer nivel, que se añade por coherencia, es la ausencia de IA, motivo por el que se le ha numerado como 0.

Resumen de niveles

A continuación presentamos una breve descripción de cada nivel que ayuda a localizar fácilmente aquel en el que nos encontramos o nos interesa. Más adelante hay una descripción más exhaustiva con numerosos ejemplos, tanto para el alumnado como para el profesorado.

Nivel 0 – Trabajo completamente humano: No hay uso de IA en ninguna etapa. Todo el contenido, ideas y estructura son generados exclusivamente por el humano utilizando recursos tradicionales.

Nivel 1 – Asistencia técnica por IA: La IA se utiliza solo para tareas mecánicas como corrección ortográfica, formateo o reorganización de información existente. No genera contenido nuevo ni influye en las ideas.

Nivel 2 – Planificación y estructuración asistida por IA: La IA ayuda en la generación inicial de ideas y en la estructuración del trabajo, pero todo el contenido final es desarrollado por el humano. La IA no produce contenidos para el producto final, pero sí influye en las ideas.

Nivel 3 – Asistencia parcial de IA con control humano: La IA genera parte del contenido. El humano revisa, adapta y mejora este contenido. La interacción es principalmente unidireccional: la IA produce, el humano revisa y modifica. El humano integra el contenido de la IA en un todo coherente. La extensión del contenido final generado por la IA no supera al del humano.

Nivel 4 – Colaboración avanzada humano-IA: Hay un diálogo continuo y bidireccional entre humano y IA, con iteraciones frecuentes. El humano guía activamente a la IA durante todo el proceso, refinando su contenido a través de la conversación continuada. El resultado es una fusión estrecha del trabajo de ambos. La extensión del contenido final generado por la IA puede superar a la del humano.

Nivel 5. Supervisión humana de IA autónoma: La IA genera el contenido de forma autónoma, con el humano actuando como supervisor. El humano establece los parámetros iniciales, pero la IA desarrolla el trabajo con mínima o nula intervención durante el proceso. El contenido generado se utiliza posteriormente como material de referencia o punto de partida para realizar otras tareas educativas, sin que sea necesario modificarlo.

Descripción de cada nivel

A continuación se detallan cada uno de los niveles y se dan algunos de los aspectos clave que los definen. Damos ejemplos para alumnado y profesorado, pero en muchas ocasiones son intercambiables.

Nivel 0. Trabajo completamente humano

No hay uso de IA en ninguna etapa. Todo el contenido, ideas y estructura son generados exclusivamente por el humano utilizando recursos tradicionales.

Características clave

No se utiliza ninguna forma de IA en ningún momento durante la tarea.
Se depende exclusivamente del conocimiento, comprensión y habilidades propias del individuo.
Todas las ideas, análisis y contenidos son generados por el humano.
Se utilizan únicamente recursos tradicionales (Internet, libros, artículos, notas, etc.).

Ejemplos para el alumnado

Exámenes escritos en clase.
Debates supervisados.
Trabajos sin acceso a IA.
Generación de ideas sin tecnología.
Exámenes orales.
Sesiones de preguntas y respuestas o discusiones formativas entre estudiantes y educadores.

Ejemplos para el profesorado

Diseñar preguntas de examen basadas en el contenido del curso sin utilizar herramientas de IA.
Redactar rúbricas y criterios de evaluación para los exámenes.
Desarrollar planes de lecciones utilizando solo recursos tradicionales (Internet, libros de texto, artículos académicos, notas de clase).
Diseñar actividades y ejercicios que fomenten la participación activa de los estudiantes.

Nivel 1. Asistencia técnica por IA

La IA se utiliza solo para tareas mecánicas como corrección ortográfica, formateo o reorganización de información existente. No genera contenido nuevo ni influye en las ideas.

Características clave

La IA actúa como una herramienta de apoyo que no genera conocimiento ni información nueva, pero puede reorganizarla.
Se limita a tareas mecánicas y de formato (resúmenes, creación de tablas, correcciones, traducciones).
El contenido original no se modifica ni se añaden nuevas ideas por parte de la IA.
El humano mantiene el control total sobre el contenido y las decisiones.

Ejemplos para el alumnado

Usar la IA para resumir un texto, asegurándose de que el contenido original no se modifique ni se añadan nuevas ideas.
La IA los organiza datos en tablas, facilitando la presentación sin alterar la información original.
Utilizar la IA para traducir un texto a otro idioma, verificando la precisión de la traducción sin cambiar el contenido original.
Corrección gramatical, de puntuación y ortográfica: La persona puede usar IA para identificar y corregir errores gramaticales, de puntuación, ortográficos y sintácticos en su trabajo.
Elección de palabras: La IA puede sugerir términos adecuados o sinónimos para reemplazar palabras y frases más simples, ayudando a clarificar la escritura.
Petición de información sobre como cambiar el formato de un archivo de audio o vídeo.

Ejemplos para el profesorado

Organizar datos en tablas o gráficos para presentaciones, facilitando la visualización de la información sin alterar el contenido original.
Corrección gramatical, de puntuación y ortográfica en documentos y materiales educativos, mejorando la calidad del texto.
Sugerencia de términos adecuados o sinónimos para mejorar la claridad de las guías de estudio y materiales escritos.
Asistencia en la preparación de planes de lecciones, resumiendo y organizando información relevante.
Generar listas de términos y conceptos clave para exámenes y guías de estudio, asegurando que se cubran todos los puntos importantes.
Apoyo en la revisión de trabajos y tareas de los estudiantes, utilizando IA para identificar errores comunes y proporcionar correcciones.

Nivel 2. Planificación y estructuración asistida por IA

La IA ayuda en la generación inicial de ideas y en la estructuración del trabajo, pero todo el contenido final es desarrollado por el humano. La IA no produce contenidos para el producto final, pero sí influye en las ideas.

Características clave

La IA se utiliza principalmente para la generación de ideas iniciales y la estructuración de contenidos.
Ayuda en el diseño y planificación del trabajo, pero no en la creación del contenido final.
El humano utiliza las sugerencias de la IA como punto de partida, pero desarrolla el trabajo por sí mismo, aplicando su propio criterio y conocimiento.
No se permite contenido generado directamente por la IA en la entrega final, aunque las ideas y estructuras sugeridas por la IA pueden influir en el proceso de desarrollo del trabajo.
El humano es responsable de evaluar críticamente, seleccionar y desarrollar las ideas generadas por la IA, asegurando que el producto final sea el resultado de su propio análisis y comprensión.
La contribución de la IA se limita a las etapas preparatorias del trabajo, mientras que la ejecución y el desarrollo detallado son realizados enteramente por el humano.

Ejemplos para el alumnado

Fases iniciales de un trabajo. Uso de IA para generar ideas y crear un esquema o índice para un ensayo, pero la redacción final se realiza sin IA.
Lluvia de ideas. Los estudiantes pueden usar IA para generar ideas o soluciones a problemas. Estas ideas se discuten, filtran y refinan.
Esquemas. Las personas pueden usar IA para crear esquemas de su trabajo como herramienta de planificación. Estos esquemas sirven como guía para el desarrollo del trabajo, pero no se incluyen directamente en el producto final.
Asistencia en la investigación. La IA puede sugerir temas, áreas de interés o fuentes útiles para la investigación, también a través de buscadores.

Ejemplos para el profesorado

Elaborar el plan de una lección. Usar IA para generar ideas y crear un esquema o índice para un plan de lección, pero el desarrollo final del plan se realiza sin IA.
Esquemas. Crear esquemas estructurados para unidades de estudio o programas de curso utilizando IA.
Asistencia en la investigación académica. La IA puede sugerir temas, áreas de interés o fuentes útiles para investigaciones educativas, facilitando la búsqueda de referencias.
Generación de ideas para proyectos de clase y actividades. La IA da ideas para actividades que luego son creadas, adaptadas y refinadas por el profesor.

Nivel 3. Asistencia parcial de IA con control humano

La IA genera parte del contenido. El humano revisa, adapta y mejora este contenido. La interacción es principalmente unidireccional: la IA produce, el humano revisa y modifica. El humano integra el contenido de la IA en un todo coherente. La extensión del contenido final generado por la IA no supera al del humano.

Características clave

La interacción es principalmente unidireccional: la IA produce, el humano revisa y modifica.
El uso de la IA se centra en tareas específicas donde aporta eficiencia, permitiendo al humano enfocarse en aspectos que requieren otras habilidades.
El humano mantiene un control significativo sobre el proceso y el resultado.
La contribución original de la IA no supera la del humano en términos de generación de contenidos.

Ejemplos para el alumnado

Redacción de secciones de un informe. La IA puede redactar un borrador inicial de una sección. Los estudiantes revisan esta sección, realizando modificaciones, añadiendo sus propias ideas y asegurando que el contenido final refleje su comprensión y análisis personal.
Análisis de datos. La IA lleva a cabo el análisis preliminar de un conjunto de datos y genera gráficos o tablas y los interpreta. Los alumnos añaden sus propias conclusiones y discuten las implicaciones de los datos.
Redacción de preguntas para un cuestionario. La IA genera las preguntas de un cuestionario y la persona las selecciona y adapta a sus necesidades concretas.
Creación de presentaciones. La IA genera un borrador de una presentación y el alumnado la completan y adaptan.

Ejemplos para el profesorado

Generación de recursos didácticos. La IA crea borradores de recursos didácticos, como guías de lectura o materiales suplementarios. El profesor revisa, adapta y desarrolla estos recursos para asegurarse de que sean adecuados para las necesidades específicas de sus estudiantes y el currículo.
Diseño de actividades de aprendizaje. La IA propone una serie de actividades para una unidad temática. El profesor evalúa cada actividad, modifica algunas para hacerlas más interactivas o relevantes para su contexto específico, y añade nuevas actividades basadas en su experiencia y conocimiento de las necesidades de aprendizaje de sus estudiantes.
Desarrollo de casos prácticos. La IA genera un listado de posibles casos prácticos basados en los conceptos clave del curso. El docente selecciona, revisa y enriquece el caso, añadiendo contexto real y preguntas de análisis que fomenten el pensamiento crítico y la aplicación práctica de los conocimientos adquiridos.
Creación de exámenes. La IA propone un conjunto de preguntas para un examen. El profesor selecciona las más apropiadas, modifica otras para ajustar su dificultad o enfoque, y añade sus propias preguntas para asegurar una evaluación completa y equilibrada de los conocimientos y habilidades de los estudiantes.

Nivel 4. Colaboración avanzada humano-IA

Hay un diálogo continuo y bidireccional entre humano y IA, con iteraciones frecuentes. El humano guía activamente a la IA durante todo el proceso, refinando su contenido a través de la conversación continuada. El resultado es una fusión estrecha del trabajo de ambos. La extensión del contenido final generado por la IA puede superar a la del humano.

Características clave

Hay un diálogo continuo y bidireccional entre el humano y la IA, con iteraciones frecuentes durante todo el proceso.
El humano mantiene un papel crucial en la dirección, refinamiento y validación del trabajo, asegurando la coherencia general y la calidad del producto final.
La creatividad y el juicio crítico del humano se aplican para mejorar, personalizar y dar coherencia al resultado de la IA.
La persona actúa como coordinadora y directora, tomando decisiones críticas sobre la estructura, el contenido y la presentación del trabajo.
La contribución original de la IA normalmente supera la del humano en términos de generación de contenido.

Ejemplos para el alumnado

Proyecto de investigación. La IA ayuda a buscar fuentes, redactar el informe, y crear gráficos y presentaciones. El estudiante revisa y ajusta el contenido generado para asegurar su precisión y relevancia.
Trabajo escolar. El alumno proporciona los datos necesarios para hacer el trabajo, la IA redacta un informe que es examinado por el primero y le indica las correcciones a realizar. Se establece un diálogo donde el alumnado va guiando a la IA hacia la solución final.
Resolución de problemas matemáticos. La IA proporciona pasos y soluciones detalladas para problemas avanzados. El estudiante revisa, comprende y explica cada paso, asegurando una comprensión completa del proceso.
Creación de un pódcast histórico. Un estudiante de historia decide crear un pódcast sobre la Revolución Industrial. Comienza proporcionando a la IA su idea general y los temas a cubrir. La IA genera un esquema inicial, sugiriendo episodios y fuentes históricas relevantes. El estudiante revisa este esquema, solicita cambios y pide a la IA que profundice en ciertos aspectos. La IA produce borradores de guiones que el estudiante edita, añadiendo sus interpretaciones. Colaboran en la creación de notas del show, selección de efectos de sonido y generación de preguntas para entrevistas con expertos. Este proceso continúa hasta que el pódcast alcanza un alto nivel de calidad y rigor histórico.
Modelo matemático aplicado al cambio climático. Una estudiante de matemáticas aplicadas crea un modelo para predecir el impacto del cambio climático en una especie en peligro de extinción. Describe el problema a la IA y proporciona datos iniciales. La IA sugiere varios enfoques matemáticos, y la estudiante selecciona los más prometedores, pidiendo a la IA que elabore sobre ellos. Basándose en esta información, solicita a la IA un borrador del modelo matemático. La estudiante revisa el modelo, ajusta variables e incorpora factores adicionales con la ayuda de la IA. La IA genera visualizaciones de los resultados, que la estudiante analiza críticamente. Este proceso iterativo continúa, refinando el modelo y explorando diferentes escenarios, hasta obtener un modelo sofisticado que refleja su comprensión matemática y del problema ambiental.

Ejemplos para el profesorado

Planificación de unidades didácticas. La IA ayuda a diseñar una unidad completa, sugiriendo objetivos, actividades, evaluaciones y recursos. El profesor verifica, ajusta y personaliza el plan para que se adapte a su estilo de enseñanza y a las necesidades de los estudiantes.
Desarrollo de evaluaciones. La IA genera preguntas de exámenes, rúbricas y criterios de evaluación detallados. El profesor comprueba y adapta estas herramientas para alinearlas con los objetivos del curso y los niveles de los estudiantes.
Desarrollo de materiales interactivos. La IA ayuda a crear materiales didácticos interactivos, como simulaciones, juegos educativos y actividades en línea. El profesor revisa, ajusta y complementa estos materiales para que sean atractivos y efectivos para el aprendizaje.

Nivel 5. Supervisión humana de IA autónoma

La IA genera el contenido de forma autónoma, con el humano actuando como supervisor. El humano establece los parámetros iniciales, pero la IA desarrolla el trabajo con mínima o nula intervención durante el proceso. El contenido generado se utiliza posteriormente como material de referencia o punto de partida para realizar otras tareas educativas, sin que sea necesario modificarlo.

Características clave

La IA genera el contenido de forma independiente, basándose en los parámetros iniciales establecidos por el humano.
La intervención humana durante el proceso de generación es mínima o nula, limitándose a la configuración inicial y la revisión final.
El contenido generado por la IA es utilizado como una fuente primaria de trabajo en el contexto educativo, permitiendo al humano enfocarse en una tarea posterior.

Ejemplos para el alumnado

Análisis literario: La IA genera un cuento o relato breve sobre un tema o género literario específico. El estudiante utiliza este cuento para realizar un análisis literario, identificando temas, motivos, recursos estilísticos y estructuras narrativas. El trabajo final del alumno no es la modificación del cuento, sino el análisis crítico del texto generado por la IA.
Análisis de datos científicos: La IA produce un informe completo basado en un conjunto de datos científicos, como los resultados de un experimento o una simulación. El estudiante utiliza este informe para realizar un análisis crítico, discutir la metodología, interpretar los resultados y evaluar las conclusiones. El informe generado por la IA es tratado como un documento fuente sobre el cual el estudiante realiza su análisis.
Estudio de casos históricos: La IA crea una descripción detallada de un evento histórico, incluyendo narrativas, fechas clave, y actores involucrados. El estudiante emplea este texto para realizar una comparación entre este evento y otro estudiado en clase, desarrollando un ensayo comparativo que analiza las similitudes y diferencias en contextos históricos.
Discusión filosófica: La IA redacta un diálogo filosófico entre dos personajes sobre un tema ético contemporáneo. Los estudiantes usan este diálogo como base para un debate en clase, donde discuten las posiciones de cada personaje, analizan sus argumentos y desarrollan sus propias reflexiones filosóficas a partir del texto.

Ejemplos para el profesorado

Análisis de textos en clase: La IA genera un conjunto de textos expositivos sobre diferentes teorías científicas o conceptos matemáticos. El profesor utiliza estos textos como material para que los estudiantes realicen análisis de comprensión, discutan en grupos o respondan a preguntas específicas sobre los conceptos presentados en los textos generados.
Estudio de fuentes primarias: La IA produce discursos o documentos simulados de figuras históricas en diferentes contextos. El profesor utiliza estos documentos en clase para que los estudiantes los analicen como si fueran fuentes primarias, desarrollando ensayos o discusiones basadas en el contenido generado.
Práctica de interpretación de datos: La IA crea una serie de informes técnicos o científicos que incluyen análisis de datos, gráficos y conclusiones. El profesor utiliza estos informes en ejercicios de clase donde los estudiantes practican la interpretación de datos, critican la metodología utilizada y desarrollan sus propias conclusiones basadas en la información presentada.
Preparación para un debate: La IA redacta textos que representan diferentes posiciones en un tema controversial. El profesor utiliza estos textos para preparar a los estudiantes para un debate, donde cada grupo analiza y defiende la posición presentada por la IA, desarrollando argumentos a partir del texto base.

Referencias

Miller, M. (2024). AI in the classroom: What’s cheating? What’s OK? Ditch That Textbook

Nota: Este trabajo tiene nivel 3 en este marco

(Versió en català)