La mayoría de usos actuales de la IA en el aula tienen algo en común: reducen el esfuerzo cognitivo. Y eso tiene consecuencias: textos correctos, pero copiados de la IA, con ideas sin masticar y argumentos enlatados. El problema no es copiar. El problema es no entender lo que uno escribe o copia. Si vamos a introducir la IA en el aula, conviene tener claro para qué. Porque si no lo hacemos, pasa lo que ya está pasando: alumnos que no piensan lo que te entregan.
Un modelo de trabajo con IA en niveles de Bachillerato y estudios superiores es el aprendizaje guiado. No se trata de que la IA haga el trabajo, sino de que acompañe un proceso en el que el alumno piensa, duda, se equivoca, corrige, afina. Y todo ello con ayuda secuenciada en un entorno pautado en el que desaparece el copia y pega, disminuye la delegación ciega y provoca un aprendizaje real.
Esto no debiera empezar en la universidad. Debería entrenarse desde Bachillerato. No es usar IA en clase, es aprender a pensar con ella desde niveles de enseñanza previos. Practicar destrezas cognitivas básicas desde 2º ciclo de ESO, y en Bachillerato aplicarla a contenidos y procesos de trabajo más complejos, que introduzcan habilidades de investigación para estudios superiores, ya sea en Universidad como en FP Superior.
Te propongo crear un proyecto en Chat GPT. En Gemini, está al caer en unos meses la posibilidad de crearlos incluso en cuentas gratuitas. En Chat GPT requiere cuentas de pago, desde la modalidad Go (10€/mes).
¿Por qué crear un director de investigación en un proyecto y no en un asistente? Porque un asistente responde y pasa página, mientras que un proyecto acumula contexto y versiones, recuerda decisiones y flujos de conversación. Recuerda configurar el proyecto para que solo obtenga su memoria de las conversaciones del proyecto, no de lo que haces fuera del proyecto. Esto facilita que la IA recuerde solo el flujo de conversaciones de ese proyecto. Para investigaciones de cierta duración los proyectos son el formato de trabajo con IA más efectivo.
Si no sabes cómo funcionan los proyectos, te recomiendo este tutorial de OpenAI.
El proyecto lo he alimentado con dos textos:
"Prompt": Son las instrucciones básicas que defines en la configuración del proyecto.
"Instrucciones": Es el documento detallado que adjuntas como fuente dentro del proyecto. Ahí está el método completo de trabajo.
Además de esto, te facilito otro pdf, "Evaluación", una rúbrica base para valorar el trabajo sin delegación cognitiva. Se evalúa la tesis, la argumentación, las fuentes, la estructura, la redacción y el uso de IA. Puedes descargar los PDF aquí.
¿Cuál es el flujo secuenciado de este proyecto?
Das el contexto de tu investigación.
La IA te pide más precisión.
Señala debilidades.
Reformulas.
Vuelve a cuestionar.
Y así, en bucle, hasta que el trabajo se sostiene. No hasta que “suena bien”. Hasta que resiste la crítica.
Si lo crees necesario, puedes adaptar o reescribir el prompt de instrucciones base y/o las instrucciones detalladas, para que se ajuste a tu contexto, objetivos y detalles de tu proyecto de investigación.
Si lo deseas, puedes combinar este cuaderno de NotebookLM con el proyecto. Cuando Gemini abra la opción de crear Proyectos en Gemini, podrás enlazar ese proyecto con el cuaderno, lo que puede mejorar la eficacia o añadir más fuentes y recursos adaptados.
La evolución de las tecnologías de inteligencia artificial ha transitado desde sistemas puramente generativos hacia herramientas de recuperación aumentada, donde la prioridad no se sigue centrando es la creación de contenido, sino la mediación, síntesis y organización de fuentes documentales específicas. Es el caso de NotebookLM que además de ser una herramienta de productividad, actúa como un agente que interactúa con las habilidades cognitivas del usuario.
Bajo este principio proponemos analizarla bajo la lente de la teoría de las inteligencias múltiples propuesta por Howard Gardner en 1983 (Marenus, 2025), donde NotebookLM no actúa como desarrollador de estas inteligencias, sino como un entorno que puede activar diferentes prácticas asociadas con ellas, con alcances y límites variados.
La inteligencia, es entendida por Gardner como la capacidad para resolver problemas y para crear productos culturales, por lo que la inteligencia es un concepto plenamente relacionado con la creatividad (UNIR, 2025). NotebookLM es un asistente de investigación con IA orientado a perfeccionar y organizar ideas, apoyándose en cuadernos con fuentes. Su rasgo didácticamente más útil es que el chat incorpora citas directas desde las fuentes del cuaderno; el usuario puede ver el fragmento citado y acceder directamente a la fuente. De este modo transforma una respuesta en un enunciado con evidencia verificable, condición para una lectura crítica y su posterior discusión. La reflexión con las fuentes está mediada por los algoritmos que simulan el razonamiento humano.
El vínculo entre inteligencias múltiples y NotebookLM lo abordamos como una convergencia entre las funcionalidades técnicas y las oportunidades de actividad cognitiva. Esto evita dos errores frecuentes: asumir que una función “desarrolla” una inteligencia por sí sola, o convertir inteligencias múltiples en puros estilos de aprendizaje. (Gardner, 2013) Nos apoyamos en la experiencia de trabajo con este recurso en ámbitos de pregrado y posgrado.
NotebookLM y la convergencia con las inteligencias múltiples.
La mayoría de las inteligencias encajan en este análisis, como es el caso de la lingüística, lógico matemático, espacial, intrapersonal y la interpersonal. Las restantes (naturalista y cinestésica), tienen una conexión débil y pueden ser objeto de análisis en otro comentario. Las inteligencias, lingüística y la lógico-matemática han sido históricamente el centro del sistema educativo formal. NotebookLM, mediante el procesamiento de lenguaje natural (PLN), ofrece una infraestructura que automatiza las tareas de bajo nivel de estas inteligencias, permitiendo al usuario concentrarse en operaciones cognitivas más complejas. La inteligencia lingüística implica una sensibilidad especial al lenguaje hablado y escrito, así como la capacidad de utilizar el lenguaje para lograr objetivos específicos. NotebookLM potencia esta dimensión a través de su capacidad para sintetizar documentos en diferentes formatos, transformando datos heterogéneos en textos coherentes como resúmenes estructurados, guías de estudio e informes.
La producción de textos coherentes a partir de fuentes diversas no es solo una automatización, sino una extensión de la capacidad narrativa del usuario, quien ahora puede estructurar argumentos complejos apoyados en citas precisas y verificables. Este proceso reduce de manera significativa el esfuerzo mental innecesario derivado de una mala organización de la información, al presentar instrucciones claras y eliminar distracciones. (Main, 2026)
NotebookLM gestiona la síntesis de múltiples fuentes de manera simultánea, permitiendo al usuario trabajar en el nivel de evaluación y creación de la taxonomía de Bloom y dejar al sistema los niveles de recordar y comprender. De esta manera el estudiante puede estructurar documentos más complejos apoyados en citas precisas y verificables.
Otras de las inteligencias es la espacial, entendida como la capacidad de observar el mundo y los objetos desde diferentes perspectivas (Torres, 2015) en la que destaca la organización visual de la información y la navegación a través de representaciones gráficas de conceptos. En NotebookLM, este tipo de inteligencia se enriquece mediante la creación de mapas mentales. Estos mapas, a diferencia de una lista de documentos, permiten al usuario captar rápidamente estructuras de información complejas sin necesidad de leer linealmente cada fuente.
Desde el punto de vista pedagógico, esta visualización actúa como una estructura cognitiva. Los estudiantes y profesores pueden hacer zoom, desplazarse y colapsar o expandir ramas, lo que refleja los procesos mentales de rotación y manipulación de objetos propios de la inteligencia espacial (Gisela, 2001) . Al hacer clic en un nodo específico, el sistema genera un resumen de ese subtema, permitiendo una transición fluida entre la visión macro-espacial de un proyecto y el detalle micro-semántico de un dato. Esta capacidad de ver "cómo se conectan los puntos" facilita el descubrimiento de asociaciones que podrían no ser obvias en un formato puramente textual.
Otra las inteligencias definidas por Gardner es la intrapersonal que es la capacidad de construir una percepción precisa de uno mismo y de utilizar ese conocimiento para planificar y dirigir la propia vida (Gisela, 2001) En el contexto del aprendizaje, esta inteligencia es el motor de la metacognición y el aprendizaje autorregulado. La manifestación más evidente de esta inteligencia es el chat de NotebookLM, en la que se generan preguntas abiertas al usuario, que lo ayuda a desglosar un problema complejo. El chat puede ser configurado por el usuario para que responda de diferentes maneras, adaptándolo a las necesidades del estudiante.
En este proceso se distinguen tres fases: la planificación donde se cargan por parte del usuario las fuentes, la de monitoreo en la que se emplean cuestionarios, tarjetas didácticas y la de evaluación y reflexión, donde se puede crear informes, videos, presentaciones, audios e infografías. En esta última el usuario puede nuevamente volver al chat para contrastar las fuentes con los resultados obtenidos.
Otra inteligencia es la interpersonal, definida como la capacidad de entender e interactuar eficazmente con los demás (Gisela, 2001) NotebookLM permite compartir un cuaderno con muchas personas o con un equipo pequeño que tiene la tarea de editar todas las actividades creadas. Un profesor puede crear un cuaderno que se pone a disposición de todos sus estudiantes.
A modo de conclusión.
NotebookLM no es solo una herramienta de recuperación de información, sino un sistema que puede activar diferentes prácticas asociadas con la mayoría de las inteligencias múltiples descritas por Gardner. Su empleo facilita una personalización del aprendizaje, donde cada usuario puede apoyarse en sus inteligencias más fuertes para fortalecer las demás.
Los educadores podemos ver en NotebookLM, el tutor personal del estudiante, enriquecido con la multimodalidad, expresada en diferentes canales sensoriales y por diversos medios. Como cualquier herramienta de IA es obligatoria la verificación de los resultados con las fuentes que añadimos a cada cuaderno.
Bibliografía
Gardner, H. (16 de 10 de 2013). Multiple Intelligences Are Not Learning Styles. Obtenido de Harvard: https://www.gse.harvard.edu/ideas/news/13/10/multiple-intelligences-are-not-learning-styles
Gisela, E. (2001). Revista de Psicología de la PUPC. Obtenido de https://dialnet.unirioja.es/descarga/articulo/4531340.pdf
Main, P. (23 de 3 de 2026). The learning sience behiend AI lesson planning. Obtenido de Structural Learning: https://www.structural-learning.com/post/learning-science-ai-lesson-planning
Marenus, M. (26 de marzo de 2025). Obtenido de SimplyPsychology: https://www.simplypsychology.org/multiple-intelligences.html
Torres, A. (19 de 09 de 2015). Inteligencia espacial: ¿qué es y cómo se puede mejorar? Obtenido de Psicología y mente: https://psicologiaymente.com/inteligencia/inteligencia-espacial
UNIR. (18 de marzo de 2025). Obtenido de https://mexico.unir.net/noticias/educacion/howard-gardner-inteligencias-multiples-creatividad/
El documento elaborado por Clarivate aborda el papel emergente de la inteligencia artificial (IA) en las bibliotecas académicas, destacando un enfoque basado en la integración progresiva y el control humano. Según el informe Pulse of the Library 2025, el 67 % de las bibliotecas ya está explorando o implementando soluciones de IA, aunque la mayoría reconoce encontrarse en fases iniciales. Este interés creciente no se traduce en una adopción impulsiva, sino en una aproximación reflexiva, alineada con los valores profesionales de la biblioteconomía y centrada en la sostenibilidad y la responsabilidad en su aplicación.
Uno de los aspectos clave del texto es la apuesta por integrar la inteligencia artificial en sistemas ya consolidados, como Alma y Primo, en lugar de introducir herramientas externas que incrementen la complejidad. Esta estrategia permite a las bibliotecas incorporar capacidades de IA sin alterar sus flujos de trabajo habituales, reduciendo riesgos y facilitando una adopción gradual. La IA se concibe así como un complemento que potencia la labor profesional, no como un sustituto, permitiendo avanzar de forma progresiva y adaptada a las capacidades de cada institución.
En el ámbito del apoyo a la investigación y al aprendizaje, la IA se presenta como una herramienta clave para mejorar el descubrimiento de contenidos y la experiencia del usuario. El informe señala que el 64 % de los bibliotecarios identifica como prioridad tanto el apoyo al aprendizaje del estudiante como la mejora en la recuperación de información. Herramientas como Primo Research Assistant permiten realizar búsquedas en lenguaje natural, generar resúmenes automáticos basados en fuentes académicas y ofrecer acceso directo a textos completos, todo ello manteniendo el rigor y la trazabilidad de las fuentes, lo que refuerza la integridad académica frente a soluciones genéricas.
Otro ámbito destacado es la mejora de la calidad de los metadatos mediante asistentes de IA que automatizan tareas rutinarias, como la generación de descriptores o resúmenes. No obstante, el control humano sigue siendo central: los bibliotecarios supervisan, validan o corrigen las sugerencias, garantizando la precisión y el cumplimiento de estándares como MARC 21. Este modelo híbrido equilibra eficiencia y criterio profesional, reduciendo la carga de trabajo sin renunciar a la calidad ni a la responsabilidad en la gestión de la información.
El documento también subraya el contexto de limitaciones presupuestarias que afecta a las bibliotecas, donde el 62 % identifica la financiación como su principal desafío. En este escenario, la integración de la IA en sistemas existentes permite maximizar el retorno de la inversión, optimizando recursos sin necesidad de nuevas infraestructuras. La automatización de tareas repetitivas libera tiempo para actividades de mayor valor estratégico, como el desarrollo de colecciones o la colaboración institucional.
Finalmente, se destaca la importancia de la innovación como competencia clave en el futuro de las bibliotecas, señalada por el 49 % de los profesionales. Sin embargo, esta innovación no debe entenderse como adopción acrítica de tecnologías, sino como un proceso deliberado, guiado por necesidades reales y por la experiencia bibliotecaria. La IA, en este sentido, se plantea como una herramienta para evolucionar de forma responsable, manteniendo a las bibliotecas como actores centrales en el ecosistema académico y en la gestión del conocimiento
¿Estamos aprendiendo o solo delegando? El dilema de la IA en nuestras mentes
Hoy quiero reflexionar en voz alta sobre algo que nos está pasando a todos, casi sin darnos cuenta. La Inteligencia Artificial (IA) ha entrado en nuestras vidas y en nuestras aulas como un tsunami. Es fascinante, sí, pero nos pone frente a un espejo incómodo: ¿estamos usando la tecnología para ser mejores o simplemente nos hemos vuelto demasiado perezosos para pensar por nosotros mismos?
El lado brillante: La promesa de la educación personalizada
No podemos negar que la IA tiene un potencial increíble. Durante décadas, la educación ha arrastrado el «Problema de las 2 Sigma» de Bloom: la idea de que un alumno rinde muchísimo mejor con un tutor personal, algo que era imposible de pagar para todo el mundo.
Hoy, la IA parece resolver esto:
Tutoría a gran escala: Sistemas como el «Tutor CoPilot» de Stanford permiten ofrecer apoyo experto por apenas 20 dólares al año.
Resultados reales: Un estudio de Harvard demostró que estudiantes de física aprendieron el doble en menos tiempo usando tutores de IA en comparación con clases tradicionales.
Inclusión: La llamada «Small AI» está permitiendo que en países con menos recursos se acceda a educación de calidad a través de simples teléfonos móviles.
La zona oscura: la «deuda cognitiva» y la pereza mental
Aquí es donde quiero que nos detengamos. El gran peligro de la IA no es que sea «mala», sino lo que nos hace por omisión. Se está hablando ya de la «deuda cognitiva»: al externalizar nuestras tareas mentales a una máquina, nuestras habilidades fundamentales se debilitan. [Te recomiendo que leas esta entrada si no lo has hecho ya y, sobre todo, el documento que incluye, recientemente publicado por Robert Sternberg].
Atrofia cerebral documentada: investigadores del MIT Media Lab han usado escaneos cerebrales (EEG) y los resultados dan miedo: los usuarios de herramientas como ChatGPT muestran una conectividad neuronal significativamente más débil en la banda Alpha, esencial para la creatividad y la memoria (solo 42 conexiones frente a las 79 de quienes piensan por sí mismos).
La ilusión de saber: existe un fenómeno llamado «ilusión de lo aprendido». Nos resulta familiar lo que la IA escribe, pero somos incapaces de explicarlo profundamente. Es como el GPS: nos lleva al sitio, pero si se apaga, no sabemos volver porque no hemos creado un mapa mental de la ruta.
Amnesia inmediata: el 83% de los usuarios de IA no puede recordar el contenido de un ensayo apenas unos minutos después de haberlo generado. Si no hay esfuerzo, no hay huella en la memoria. El aprendizaje sin esfuerzo es una ilusión, no una realidad.
El peligro de la «externalización cognitiva»
Cuando dejamos que la IA haga el resumen, que encuentre la tesis de un texto o que resuelva el problema de matemáticas, estamos cometiendo un error de base: el aprendizaje no es el producto final, es el proceso de hacerlo.
Sesgos invisibles: si delegamos el pensamiento, aceptamos los prejuicios de la máquina. Se ha visto que algoritmos de evaluación penalizan desproporcionadamente a alumnos de entornos humildes o recomiendan menos carreras STEM a mujeres basándose en datos históricos sesgados.
Sedentarismo cognitivo: si no usamos el cerebro para analizar y decidir, perdemos nuestra autonomía intelectual. Nos convertimos en pasajeros de nuestra propia vida mental, en lugar de ser los conductores.
Una reflexión final: sé el piloto, no el pasajero
La IA ha venido para quedarse, y prohibirla es como intentar detener un tsunami con las manos, o ponerle puertas al campo. Pero la clave está en el concepto: «Human in the loop» (el humano en el bucle): la IA debe ser nuestro copiloto, pero tú nunca debes soltar el volante.
Para que no se nos oxide la mente, se podrían proponer tres reglas personales que emergen de algunos informes relevantes sobre el particular:
Reflexiona antes de encender la pantalla: genera tus propias ideas y dudas antes de preguntar a la IA.
Verifica y critica: no uses la IA como un oráculo, sino como un compañero de debate que a veces se equivoca (y mucho). No olvidemos que estamos preguntando a un algoritmo que ni siquiera entiende lo que nos responde, simplemente lo hace basado en su programación, probabilidades, etc. no a una persona.
Hazlo tuyo: no copies y pegues. Reescribe, añade tu voz, tu estilo y tus vivencias personales. Eso es lo único que una máquina no puede replicar.
Decía a los alumnos hace un tiempo al comienzo de curso que el aprendizaje implica sufrimiento y el que no esté dispuesto a sufrir, no aprenderá. Al menos sufrimiento moral. Aprender, sin duda, duele un poco porque requiere esfuerzo, pero es ese esfuerzo el que nos hace humanos y capaces. No deberíamos permitir que la comodidad de un clic nos robe nuestra capacidad de pensar.
Dicho esto, me parece sensato delegar las operaciones que consumen mucho tiempo y tienen un menor valor añadido, para que puedas dedicarte a dominar lo que quieres aprender. Dejadme poner un ejemplo sencillo: hace años (muchos) utilizábamos ficheros en papel para hacer cualquier revisión bibliográfica y búsqueda de fuentes gastando horas y con la ilusión de que lo que necesitábamos estaría en el fichero. Ahora podemos hacer una búsqueda en bases de datos en segundos, sabiendo que nada de lo relevante publicado se quedará fuera de la búsqueda. El procedimiento ha cambiado, el tiempo invertido también, pero permanece la necesidad de saber discernir qué fuentes son relevantes para mí y cuáles no lo son, qué criterios debo aplicar (capacidad de discernimiento o crítica) para seleccionar unas u otras fuentes, etc. ¿Qué hago con los miles de referencias que una búsqueda me devuelve? ¿Cómo las filtro? ¿Cuáles son esenciales y fundamentadas y cuáles son prescindibles o incluso debo evitar para no contaminarme?
A mi juicio, una vez más, no se trata de plantear la pregunta incorrecta y un tanto pueril: «¿IA sí o no?»; mejor preguntémonos: «IA cuándo y para qué».
En mi clase de Econometría que imparto a estudiantes de sexto semestre de economía en la Universidad de Monterrey, incorporé herramientas de Inteligencia Artificial (IA) en la elaboración de proyectos empíricos estudiantiles enfatizando en la integridad académica. Las normas de integridad académica de la institución se describen en el programa de estudios de cada curso y pueden ser resumidas como: no copiar textualmente información de otras publicaciones, acreditar las fuentes de las citas, no copiar el trabajo de otros estudiantes, prescindir de la comunicación entre los equipos para realizar el trabajo propio, y utilizar herramientas de IA solo cuando es autorizado, especificando la forma en la que fue utilizada. En este artículo describo los resultados de una actividad de investigación realizada por los estudiantes con la cual se espera desarrollen competencias para la resolución de problemas prácticos y la comunicación de resultados a través de un proyecto empírico.
«Noté que los estudiantes reforzaron lo aprendido en clase con las herramientas de IA. También, lograron disipar sus dudas que habrían sido difíciles de responder usando herramientas de búsqueda tradicionales. Si le damos seguimiento al uso de herramientas de IA clase, considero que sí es posible que los estudiantes actúen con honradez al usar inteligencia artificial».
Proyectos de modelos predictivos con IA enfatizando en la integridad académica
En economía, un proyecto empírico implica la realización de una investigación con información observable y verificable. Algunos ejemplos de proyectos empíricos pueden ser: 1) La evolución de la contaminación en la ciudad de Monterrey y la Ciudad de México en el periodo 1990-2022; 2) Co-movimientos en el precio del acero y el cobre a través del tiempo; o 3) Predicción del precio de la acción de una empresa en particular, por mencionar algunos. Esta información puede provenir de una base de datos, una encuesta o de un experimento. Dado que el curso implica series temporales, los datos son observaciones de una o más variables a través del tiempo,esta información es de utilidad para estudiar hechos a través del tiempo, hacer predicciones y elaborar políticas públicas a corto, mediano o largo plazo que permitan solucionar un problema en alguna región o país.
El proyecto de la clase consiste en realizar una investigación sobre un tema de economía, finanzas, socio-demografía o cuestiones ambientales en México o en cualquier otro país, que intente responder a una pregunta usando datos reales. La investigación se realiza en tres etapas siguiendo la estructura general descrita por Wooldridge (2015).
Fase 1. Se elige el tema, se define el problema a resolver y se plantea la pregunta de investigación.
Etapa empírica (fases 2 y 3). Las y los estudiantes utilizan un software econométrico para programar y así limpiar las bases de datos, crear variables, hacer estadísticas, así como estimar modelos econométricos o hacer predicciones.
Fase 3. Presentación de resultados.
El trabajo se realiza en equipo usando la metodología de aprendizajes por proyectos. Los estudiantes ponen en práctica conocimientos y técnicas aprendidas durante el semestre, comunicando los avances del proyecto con presentaciones y al cierre del semestre un reporte final de los resultados.
¿Cómo utilizar herramientas de IA en proyectos empíricos de economía?
Dado que el curso involucra aprendizajes para el procesamiento de datos, aplicación de técnicas estadísticas y econométricas, estimación de modelos y predicción de variables, es necesario el uso de programación a través de software econométricos. Durante el curso, se les enseña a los estudiantes a programar en un software específico (Stata). A lo largo del semestre, conocen diferentes códigos de programación que permiten ejecutar tareas como graficar, hacer estadísticas descriptivas, estimar un modelo, predecir variables, entre otros. Sin embargo, en el proceso de investigación los estudiantes se enfrentan a datos reales y encuentran retos que los llevan a necesitar otros códigos. La búsqueda de códigos de programación utilizando buscadores tradicionales podría llevar mucho tiempo y no siempre se encuentra la información requerida.
Quienes han programado en un software econométrico suelen tener dificultades en estas actividades debido a la naturaleza de los datos y la elección del modelo para estimar o predecir variables. Por ello, se pensó que utilizando herramientas de IA generativa podían solventar estas dificultades. IBM Education (2023) muestra los beneficios de usar IA generativa para programar. Observando este potencial y dada la problemática planteada, se sugirieron las siguientes herramientas. Algunas de ellas, proporcionan ventajas en la búsqueda de información, el ahorro de tiempo y la variedad de contenido que ofrecen al momento de editar y generar códigos.
Las herramientas propuestas fueron las siguientes:
Elicit: Es una herramienta de IA que sirve para buscar artículos científicos y analizarlos. Se puede usar para hacer revisión sobre estudios pertinentes al tema de estudio.
Perplexity: Es un chatbot para responder preguntas. Se utiliza para buscar información respecto a temas específicos, hacer resúmenes y códigos de programación.
ChatGPT: Al igual que Perplexity, es una herramienta de IA que sirve para responder preguntas, genera texto y además automatiza ciertas tareas.
AIciclopedya: Es un directorio de herramientas de IA que sugiere que herramientas de IA se pueden utilizar de acuerdo con las necesidades del usuario.
También, podrían utilizar otras herramientas de inteligencia artificial adicionales, siempre y cuando me lo hicieran saber.
Con el fin de observar la adopción de IA generativa de los estudiantes haciendo énfasis en la integridad académica, diseñé para mi clase, un formato de seguimiento de uso de herramientas de IA, ver Tabla 1. Si los estudiantes usaban IA generativa debían llenar el formato al entregar el manuscrito final.
Tabla 1. Resumen del formato de Seguimiento de uso de herramientas de Inteligencia Artificial. Fuente: Elaboración propia (2023).
Además del formato de seguimiento, diseñé tres materiales educativos para indicar a los estudiantes qué se esperaba en cada entregable e introducir el uso de herramientas de inteligencia artificial.
En el primer material educativo, les muestro a los estudiantes cómo plantear una pregunta de investigación con y sin las herramientas. También, doy indicaciones de cómo buscar un tema de investigación. Usando Perplexity ai, se le pregunta “¿Qué se puede investigar en México usando técnicas de series temporales?” La herramienta dio una serie de resultados y a partir de allí, los estudiantes fueron orientando su búsqueda de acuerdo con sus intereses.
En el segundo material educativo, les presento a los estudiantes un ejemplo de cómo se escribe la metodología de un proyecto empírico y adicionalmente, para ampliar su comprensión, buscan en ChatGPT o Perplexity AI cómo escribir la metodología de un proyecto empírico relacionado a series de tiempo.
En el tercer material educativo, les muestro cómo buscar y editar códigos de programación en ChatGPT y Perplexity AI. Esto permitió una minimización en los tiempos de búsqueda y una mejora en el tipo de información requerida.
Resultados
De un total de siete grupos, cinco adoptaron distintas herramientas de IA generativas en al menos una fase del proyecto empírico. Una vez adoptadas las herramientas y al final del curso, las y los estudiantes se mostraron con apertura, pero al mismo tiempo con precaución al uso que daban a las mismas.Ciertos equipos mencionaron que, si bien les ayudaban, tenían que mantener un pensamiento crítico en su uso. Algunos equipos manifestaron que se motivaron a buscar información confiable.
Por otro lado, las herramientas de inteligencia artificial sugirieron a los estudiantes algunos artículos para revisión de la literatura que no se encontraban en herramientas de búsqueda tradicionales.Estas sugerencias, los llevó a buscar los artículos en las bases de datos de la biblioteca de la universidad en la que estudian. Podemos observar que las herramientas de IA pueden motivar a las y los estudiantes a mejorar sus búsquedas de información usando fuentes confiables aumentando de esa forma la calidad de la revisión de la literatura y la discusión de los resultados. De igual forma, manifestaron que no pudieron acceder dentro de las mismas herramientas a los artículos sugeridos porque “muchos papers eran privados” y por lo tanto tuvieron que buscarlos en biblioteca. En cuanto a los códigos de programación, indicaron que el uso de la IA les ahorró tiempo y resolvió varias inquietudes que tenían.
A continuación, les comparto un resumen con las respuestas dadas por los equipos en el formato de seguimiento de uso de herramientas de IA:
Usos de las herramientas de IA por estudiantes
“Perplexity se utilizó para buscar papers con temas similares a lo que nosotros queríamos abordar, en algunos casos, solo nos daba los títulos y nosotros complementamos la búsqueda en la Biblioteca”.
“Usamos ChatGPT para la revisión de literatura, le preguntamos qué elementos nos recomendaría abordar, aunque al final nosotros modificamos su sugerencia y la adaptamos a nuestro proyecto”.
“Para saber qué decían los errores que nos aparecían en el software al momento de correr los comandos”.
“Conocer qué es lo que debe de incluir en una buena introducción, una buena revisión de la literatura y una buena conclusión”.
“La utilizamos para saber cómo redactar una metodología para nuestro trabajo. Su respuesta nos sirvió como guía para poder escribir los datos de nuestro trabajo de forma más ordenada, y brindando una descripción de las variables”.
“Realizamos las siguientes preguntas: 1) ¿cómo escribir la metodología de un proyecto empírico? y 2 ¿dónde puedo obtener datos de la producción industrial de Mex y USA?”.
“La IA nos ayudó a conocer los códigos de programación necesarios para poder elaborar nuestro trabajo en Stata. Por ejemplo, nos indicó cómo crear una variable (Num) que nos permita separar nuestras variables en los dos periodos de tiempo que analizamos”.
Una vez que leí las respuestas en el formato de seguimiento y revisé los proyectos, pude notar la transparencia de los estudiantes al notificar como habían usado las herramientas e incluso reportar herramientas que no habían sido sugeridas. Esto puede indicar que, si le damos seguimiento al uso de las herramientas de IA generativas en clase, es probable que las faltas a la integridad académica sean disminuidas. En los proyectos entregados, no detecté deshonestidad académica, por tanto, considero que sí es posible que los estudiantes actúen con honradez al usar inteligencia artificial. Por otra parte, noté que los estudiantes refuerzan lo aprendido en clase con las herramientas de IA al no conformarse con los materiales y orientaciones dadas en el aula y aprovechar estas herramientas para perfeccionar lo aprendido, es decir, usan las herramientas como complemento al aprendizaje obtenido en clase.
En cuanto a la calidad de la información en la presentación del proyecto fue bastante alta. Las y los estudiantes manifestaron encontrar a través de herramientas de IA nuevas formas de presentar gráficamente la información de sus datos impactando la calidad visual del proyecto. De igual forma, se observó que lograron resolver problemas durante el proceso de elaboración del proyecto, adquiriendo esta competencia.
Lograron solventar sus dudas e inquietudes a través de las herramientas de IA que habrían sido difícil de responder usando herramientas de búsqueda tradicionales. Esto les permitió mejorar la precisión de la información y de las afirmaciones realizadas. En general, más allá de los resultados académicos, es mi percepción que, se disminuyó la ansiedad de las y los estudiantes en la búsqueda de códigos de programación que les permitiese trabajar de forma particular con sus datos. Hubo una disminución en los errores de programación y en los tiempos de búsqueda.
Reflexión
Para finalizar, no dejo de pensar que la adopción de herramientas de IA en las aulas nos presenta muchos retos, pasando desde la integridad académica hasta los cuestionamientos de privacidad de los datos y de la veracidad de la información. Su incorporación en algunas asignaturas debe pasar por la reflexión previa del profesorado, ponderando los riesgos y las ganancias en su adopción. Introducir y permitir el uso de herramientas de IA en la realización de los proyectos empíricos estudiantiles de uno de mis cursos no fue una decisión fácil; sin embargo, luego de analizar cómo podía incorporarlas minimizando la probabilidad de las faltas de honestidad académica y basándome en un enfoque formativo de la integridad, tomé la decisión de que los estudiantes las pudiesen adoptar de forma opcional.
La experiencia narrada tiene por supuesto sus limitaciones, existen oportunidades de mejora en su incorporación y por supuesto riesgos inherentes al uso de las herramientas de IA generativa. Las afirmaciones dadas en este artículo son muy específicas y están referidas a una sola experiencia con el formato y los materiales educativos creados exclusivamente para el proyecto empírico descrito previamente. Considero que debemos seguir investigando sobre las prácticas de aprendizajes con IA y así ponderar retos y beneficios de forma sistemática. La invitación es también a buscar protocolos que permitan afrontar los retos a los que nos enfrentamos cuando se implementa IA generativa en clase.
Acerca de la autora
Rosa María Morales Valera (rosa.moralesv@udem.edu) es académica de la Escuela de Negocios de la Universidad de Monterrey (UDEM), PhD en Economía por Claremont Graduate University (California, USA) y miembro del Sistema Nacional de Investigadores (SNI) de México. La autora es integrante del Consejo de Honor de la UDEM.
Referencias
Currie, G. M. (2023, May). Academic integrity and artificial intelligence: is ChatGPT hype, hero, or heresy? In Seminars in Nuclear Medicine. WB Saunders. https://doi.org/10.1053/j.semnuclmed.2023.04.00
IBM Education (2023). AI code-generation software: What it is and how it works. https://www.ibm.com/blog/ai-code-generation/
Moya, B., Eaton, S. E., Pethrick, H., Hayden, K. A., Brennan, R., Wiens, J., McDermott, B., & Lesage, J. (2023). Academic Integrity and Artificial Intelligence in Higher Education Contexts: A Rapid Scoping Review Protocol. Canadian Perspectives on Academic Integrity, 5(2), 59–75. https://journalhosting.ucalgary.ca/index.php/ai/article/view/75990.
Ta, R & D. West. (2023) Should schools ban or integrate generative AI in the classroom? The Brooking Institution. https://www.brookings.edu/articles/should-schools-ban-or-integrate-generative-ai-in-the-classroom/
Wooldridge, J. M. (2015). Introductory Econometrics: A Modern Approach. 6th ed.
.png)
