Bilateria

Blog sobre educación

Página 4 de 12

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 los nombres de los alumnos 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.

Disseny de Situacions d’Aprenentatge a Educació Bàsica i Batxillerat amb ChatGPT

15 de junio de 2023 / / 8 comentarios

En aquest article us oferim les instruccions que cal donar al ChatGPT per dissenyar totalment una situació d’aprenentatge (SA).

La creació d’una Situació d’Aprenentatge té dues parts:

  1. El disseny, on es fan els objectius, criteris d’avaluació, una versió inicial de les activitats, etc. En aquest cas es fa servir la plantilla 1A o la plantilla 1B. El resultat es posarà a les plantilles del Departament d’Educació que teniu una mica més avall.
  2. El desenvolupament i concreció de les activitats, on es detallen totes les activitats que es faran. S’utilitza la plantilla 2. El resultat es donarà als alumnes perquè facin les activitats de la SA.

Important: S’ha desenvolupat una aplicació web que incorpora aquestes plantilles, si ho prefereixes les pot utilitzar en aquest enllaç: Generador de Prompts per Crear Situacions d’Aprenentatge

Per al disseny contemplem 3 casos:

  1. Partint dels sabers. Seleccionem els sabers i els posarem a la plantilla 1A
  2. Partint d’una activitat que ja tenim feta i que desitgem convertir en una situació d’aprenentatge. Posarem la descripció de la SA en la plantilla 1B.
  3. Partint d’una idea que tenim al cap sense gaire concreció. Posarem la descripció en la plantilla 1B.

Seguim amb fidelitat els models de plantilles per a les Situacions d’Aprenentatge proporcionats pel Departament d’Educació de Catalunya, que són els que al final haurem de completar:

1. Disseny de la Situació d’Aprenentatge:

Preparació de la informació necessària

Abans de començar hem de tenir a mà els sabers, les competències específiques i els seus criteris d’avaluació. El millor és tenir-los en un document propi per poder accedir-hi fàcilment cada vegada que desitgem crear una SA.  Vegeu un exemple d’aquest document.

Aquest document ha de tenir:

  1. Sabers.
  2. Competències específiques (CE). Les podeu trobar una mica abans dels sabers. És important que estiguin correctament numerades. Les CE que es treballaran seran seleccionades per ChatGPT a partir de les nostres indicacions.
  3. Criteris d’avaluació de les CE (incloses les CE). Estan juntament amb les CE. És important que estiguin correctament numerades.

Per tant, tindrem una llista de sabers i dues llistes de competències, una d’elles inclourà també els criteris d’avaluació.

Fer el disseny d’una situació d’aprenentatge a partir dels sabers

Aquest cas ens permet seleccionar uns quants sabers per fer una SA. A continuació teniu la plantilla amb totes les instruccions (prompts) necessaris, així com les dades que necessita cada una. El primer pas ser serà la selecció de sabers que volem treballar i ChatGPT farà la resta.

Plantilla (1A) per al disseny d’una situació d’aprenentatge amb ChatGPT a partir dels sabers.

  1. Heu de fer una còpia per poder treballar i substituir el text blau per les vostres dades, els sabers, competències específiques i criteris de les CE i aneu seguint les instruccions que trobareu a la mateixa plantilla.
  2. Aneu copiant i enganxant a ChatGPT els prompts de la plantilla.
  3. En finalitzar es recullen les respostes i ja es poden omplir una de les plantilles del Departament d’Educació i que teniu al principi de l’article.

Exemple

Hem fet un exemple amb el disseny d’una situació d’aprenentatge de Biologia de 1r de Batxillerat, amb les 3 parts que necessita: preparació del material, conversa amb ChatGPT i omplir les plantilles del Departament.

  1. Plantilla del disseny amb els prompts.
  2. Conversa amb ChatGPT.
  3. Situació d’aprenentatge completada. Aquí trobareu també, en vermell, de quin prompt exactament surt cada una de les informacions i us pot servir de guia per a les vostres SA.

Fer el disseny una situació d’aprenentatge aprofitant una activitat que ja tenim feta

En el cas que ja tinguem una activitat feta que vulguem aprofitar, farem servir la plantilla que tenim a continuació. Partirem del resum de l’activitat.

Plantilla (1B) per al disseny d’una situació d’aprenentatge amb ChatGPT a partir de la seva descripció.

Procedim igual que abans, fem una còpia de la plantilla i l’omplim.

En el prompt 1, enganxeu al ChatGPT el resum l’activitat que ja teniu feta d’abans. Heu de procurar que estiguin totes les tasques perquè ChatGPT es faci una idea útil de la SA.

Aconsellem l’ús d’un servei com ChatPDF, basat també en intel·ligència artificial, que pot fer resums i anàlisis de documents en PDF.

Per fer un resum amb ChatPDF, seguiu els següents passos:

1. Feu un PDF amb la vostra activitat.

2. El pugeu al ChatPDF i escriviu el següent prompt:

Escriu una llista amb els objectius del treball i altra llista amb les activitats proposades amb la seva temporització, matèria i nivell educatiu

3. La seva resposta serà el que escriureu en el prompt 1.

4. Per a la resta de prompts heu d’anar seguint les instruccions que trobareu a la plantilla.

5. Finalment, farem servir les plantilles del Departament per ficar allà tota la informació. Les teniu al principi d’aquest article.

Exemple

Podeu consultar un exemple fet amb una activitat, que no va ser dissenyada com una SA, anomenada Biodiversitat del parc del Turó de la Peira de Biologia a 1r d’ESO:

  1. Activitat original que inicialment no va dissenyada com situació d’aprenentatge. El contingut d’aquesta web s’ha exportat a PDF i s’ha fet un resum amb ChatPDF.
  2. Plantilla amb els prompts completada.
  3. Conversa amb ChatGPT
  4. Situació d’aprenentatge completada. Aquí hi trobareu també en vermell de quin prompt prové cada una de les informacions.

Fer el disseny d’una situació d’aprenentatge en el cas que tinguem una idea

Potser tenim una idea d’una situació d’aprenentatge que podríem fer, però la tenim sense concretar massa. En aquest cas ChatGPT ens pot ajudar a desenvolupar les idees. Partirem de la descripció de la SA que ens agradaria fer.

Farem servir la mateixa plantilla del punt anterior (Plantilla (1B) per al disseny d’una situació d’aprenentatge amb ChatGPT a partir de la seva descripció), ja que l’únic que haurem de fer és descriure l’activitat amb el màxim de detall en el prompt 1, després deixarem que ChatGPT ens guiï en el procés de creació.

En el prompt 1 haurem de posar:

  1. Descripció de la SA.
  2. Matèria i nivell.
  3. Tipus d’agrupaments i durada de la SA.
  4. Qualsevol altra informació que pugui ser útil.

Exemple 1:

Situació d’aprenentatge sobre probabilitat en la matèria de matemàtiques aplicades a les CCSS de 2n de Batxillerat. La SA inclou l’ús del full de càlcul. Es faran grups de 4 i el treball serà cooperatiu. La durada serà de 5 hores.

Exemple 2:

Situació d’aprenentatge sobre l’impacte de la Revolució Industrial en la història contemporània, en la matèria d’Història de 4t d’ESO. La SA inclourà una recerca de fonts històriques, l’anàlisi crítica d’aquestes i la creació d’una presentació de diapositives. Es formaran grups de 3 i el treball serà col·laboratiu.

Exemple 3:

Situació d’aprenentatge sobre salut i malalties en Biologia i Geologia de 1r d’ESO. La SA se centra en la investigació i presentació de diferents aspectes com ara malalties, ús de medicaments, vacunació i trasplantaments. Els estudiants treballaran en grups de 3-4 i durarà quatre setmanes.

Després continuem amb els següents prompts, tal com es va fer en el punt anterior.

2. Desenvolupar i concretar les activitats d’una situació d’aprenentatge

Una vegada tenim fet el disseny i hem completat la plantilla del Departament, utilitzant la plantilla 1A o 1B amb els sabers, objectius, tractament dels vectors, etc, arriba el moment de desenvolupar i concretar el que hem posat a la taula ACTIVITATS D’APRENENTATGE I D’AVALUACIÓ, és a dir fer el guió per als alumnes.

Per això farem servir la plantilla 2 i ens caldran algunes de les dades que hem fet anteriorment, com el contingut de les activitats d’aprenentatge, la descripció de la SA o els objectius d’aprenentatge i els seus criteris.

Plantilla (2) per al Desenvolupament i Concreció d’una Situació d’Aprenentatge amb ChatGPT

En aquesta fase és molt important revisar bé tot el que escriu ChatGPT, ja que aquesta informació són les activitats que faran els alumnes i ha d’estar tot ben detallat, ser coherent i factible. Si una activitat no està prou explicada o no es pot realitzar per manca de material o temps, o qualsevol altre impediment, haurem de modificar el que escriu ChatGPT o demanar-li que ho arregli.

Una vegada estigui correcte el resultat serà el que donarem als alumnes per fer les activitats.

Resum

Esquema del disseny d’una SA amb ChatGPT (fet amb mermaid).

Consideracions finals

Lògicament, podem fer servir els prompts de forma parcial, per exemple, potser només ens interessa el tractament de les competències transversals o els objectius d’aprenentatge d’una situació d’aprenentatge que ja tenim feta. En aquests casos bastarà amb donar-li la informació necessària a ChatGPT abans d’escriure el prompt corresponent.

Els prompts han estat reescrits nombroses vegades fins a aconseguir el resultat desitjat en cada cas. Veureu que algunes paraules estan en majúscules, són necessàries per evitar que ChatGPT ignori algunes instruccions.

Els exemples que us proporcionem aquí estan sense modificar, és a dir, no s’ha fet cap retoc ni millora. Però si volem una SA de qualitat, és necessari revisar-ho tot i, si s’escau, demanar al ChatGPT més informació sobre els aspectes que no són clars, una reescriptura del que ha escrit en determinats prompts, així com verificar que el que surt és el que desitgem per als nostres alumnes. Hem de fer nostra cada SA feta amb IA.

No cal dir que les situacions d’aprenentatge són responsabilitat del professorat i no de la IA. ChatGPT només és l’eina que fem servir per optimitzar el temps i l’esforç i poder dedicar-nos així al que de veritat importa, l’aprenentatge dels nostres alumnes, més que als papers. La burocràcia cada vegada ofega més als docents i tot es deixa a les nostres mans, llavors permetem-nos millorar la nostra feina amb l’ús de la intel·ligència artificial.

Per a qualsevol qüestió deixeu un missatge al peu de l’article, s’agrairà molt la retroalimentació.

Si voleu saber més sobre la intel·ligència artificial aplicada a l’educació, esteu convidats al grup de Telegram: @ChatGPTedu on ja som més de 600.

Fonts consultades

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 / / Sin comentarios

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.

© 2024 Bilateria

Tema por Anders Noren — Arriba ↑