A.

Fundamentos, orígenes y características de la IA

Breve historia de la Inteligencia Artificial

Los orígenes de la IA se remontan a la década de 1930, pero no fue hasta los
años 40 y 50 que comenzó a desarrollarse como campo de estudio. Algunos
hitos clave incluyen:

 1950: Alan Turing publica "Computing Machinery and Intelligence",

proponiendo la prueba de Turing para evaluar la inteligencia de una
máquina. Aunque controvertido, esta prueba o test sentó las bases para
el estudio de la IA.
 1956: En la Conferencia de Dartmouth John McCarthy acuñó el término
"inteligencia artificial" y se reunieron pioneros como Marvin Minsky,
Claude Shannon y Herbert Simon para discutir el futuro del campo. Se
considera el nacimiento oficial de la IA como disciplina académica.
 Invierno de la IA (1970s-1980s): Después de décadas de avances, la IA
experimentó un período de estancamiento conocido como el "invierno de
la IA". Los sistemas de IA no cumplieron con las expectativas y el
financiamiento disminuyó. Este período impulsó una reflexión sobre las
limitaciones de los enfoques existentes.
 Resurgimiento de la IA (1990s-2000s): Con el aumento de la potencia de
cómputo y la disponibilidad de datos, la IA experimentó un resurgimiento
en los 90s y 2000s. Entre los acontecimientos relevantes se sitúa la
derrota en 1997 al campeón mundial de ajedrez Garry Kasparov por la
computadora Deep Blue de IBM. Avances en áreas como el aprendizaje
automático, el procesamiento del lenguaje natural y la visión por
computadora revitalizaron el campo

1
  Aprendizaje profundo (2010s): La década de 2010 presenció un hito
importante con el auge del aprendizaje profundo, una técnica de
aprendizaje automático inspirada en el cerebro que ha impulsado
avances en áreas como el reconocimiento de voz, la traducción
automática y el juego de ajedrez. En 2011, El sistema de pregunta-
respuesta Watson de IBM gana el concurso de televisión Jeopardy y en
2016: AlphaGo, un programa de IA desarrollado por Google DeepMind,
derrota al campeón mundial de Go Lee Sedol.
 2018: Lanzamiento del modelo de lenguaje natural de OPEN AI, GPT-2,
con capacidad para generar texto coherente.
 2020: OpenAI hace público GPT-3, un modelo preentrenado enfocado
hacia la generación de lenguaje, creando textos con una calidad tal que
se hace difícil distinguir si fueron escritos por un humano o por una
máquina.
[Link]
Estos hitos clave han marcado la evolución de la IA, desde sus orígenes
conceptuales hasta su aplicación práctica en una amplia gama de dominios en
la actualidad.

Conceptualización y fundamentos de la IA
La inteligencia artificial (IA) es una rama de la informática que busca crear
sistemas capaces de realizar tareas que normalmente requieren inteligencia
humana, como el aprendizaje, el razonamiento y la percepción. Configura un
campo de estudio que busca desarrollar agentes inteligentes, es decir,
sistemas que perciben su entorno y toman acciones que maximicen sus
posibilidades de éxito.
Algunas características clave de la IA son:
 Capacidad de aprender y adaptarse a nuevas situaciones
 Habilidad para hacer inferencias lógicas y tomar decisiones
 Percepción del entorno y capacidad de interpretar y comprender datos
sensoriales del mundo.
 Mejoramiento implícito a través de la experiencia
 Comunicarse de manera natural con los humanos.

2
Tipos de Inteligencia Artificial

Podemos clasificar los tipos de inteligencia emocional considerando dos

aspectos: la capacidad y la funcionalidad.

 IA basada en la capacidad

IA Débil (Narrow AI): La IA débil, también conocida como IA específica o

estrecha, está diseñada y entrenada para realizar una tarea específica o un
conjunto limitado de tareas. No tiene conciencia ni comprensión más allá de la
tarea para la que fue creada.

Ejemplos:

 Asistentes virtuales: Siri, Alexa y Google Assistant, que responden a

comandos de voz y realizan tareas como buscar información en internet
o controlar dispositivos domésticos.
 Sistemas de recomendación: Algoritmos que sugieren productos,
películas o música en plataformas como Amazon, Netflix y Spotify.
 Reconocimiento facial: Tecnología utilizada en sistemas de seguridad y
etiquetado de fotos en redes sociales.

IA Fuerte (General AI): La IA fuerte, también conocida como IA general, se

refiere a sistemas con capacidad de entender, aprender y aplicar conocimientos
en una amplia variedad de dominios, similar a la inteligencia humana. Este tipo
de IA puede razonar, resolver problemas y realizar cualquier tarea intelectual
que un ser humano puede hacer. Aunque es un objetivo de largo plazo en la
investigación de IA, la IA fuerte aún no se ha logrado. La creación de una IA
con estas capacidades plantea desafíos significativos tanto técnicos c omo
éticos. Una IA fuerte podría revolucionar múltiples campos, desde la medicina
hasta la educación, pero también presenta riesgos en términos de control,
seguridad y ética.

 IA basada en la funcionalidad

3
Sistemas Reactivos: Los sistemas reactivos son los tipos más básicos de IA.
No tienen memoria y no pueden utilizar experiencias pasadas para influir en
sus decisiones actuales. Reaccionan a estímulos específicos de manera
predefinida. Un ejemplo de este tipo de IA fue la computadora de ajedrez Deep
Blue de IBM que venció al campeón mundial Garry Kasparov en 1997. Deep
Blue analiza millones de posiciones posibles en el tablero y selecciona la mejor
jugada basada únicamente en el estado actual del juego.

Memoria Limitada: Estos sistemas de IA pueden utilizar experiencias pasadas

para informar decisiones futuras. Tienen una capacidad limitada para
almacenar información temporalmente y ajustar sus acciones en consecuencia.
Un ejemplo de este tipo de IA es loa autos autónomos que utilizan datos de
sensores en tiempo real, como cámaras y radares, junto con información
histórica (mapas y patrones de tráfico) para tomar decisiones de conducción
segura.

Teoría de la Mente: La IA con teoría de la mente es una concepción avanzada

que implica la capacidad de comprender las emociones, creencias y estados
mentales de otros seres. Este tipo de IA tendría la habilidad de interactuar de
manera más natural y efectiva con los humanos. La teoría de la mente en IA
aún está en fase de investigación y desarrollo. No existen sistemas comerciales
que posean esta capacidad de manera completa. Como aplicaciones
potenciales se podría pensar en asistentes personales avanzados, robots de
cuidado y acompañamiento, sistemas educativos personalizados, entre otros.

Autoconsciencia: Este es el nivel más avanzado de IA, donde los sistemas no

solo entienden las emociones y estados mentales de otros, sino que también
tienen una forma de autoconciencia y auto-reflexión. Un sistema
autoconsciente sería capaz de entender su propia existencia y tener una
percepción de sí mismo. La IA autoconsciente es teórica y no ha sido
desarrollada. Alcanzar este nivel plantea profundas cuestiones filosóficas y
éticas sobre la naturaleza de la conciencia y la identidad. Podría transformar la
manera en que interactuamos con las máquinas, pero también presenta riesgos
significativos en términos de control, moralidad y derechos de las entidades
conscientes.

4
  IA basada en el tipo de aprendizaje que utiliza

Aprendizaje Supervisado: la IA supervisada se basa en el aprendizaje de un

algoritmo a partir de un conjunto de datos etiquetados, es decir, cada entrada
se asocia con una salida deseada. El objetivo es que el algoritmo aprenda a
relacionar las entradas con las salidas correctas, de manera que pueda realizar
predicciones precisas en nuevos datos no etiquetados. Implica un tipo de
aprendizaje automático donde el modelo es entrenado con un conjunto de
datos etiquetados. La supervisión se logra mediante la intervención de un
humano que proporciona la retroalimentación necesaria para ajustar el
desempeño del algoritmo. El sistema aprende a mapear entradas y salidas
específicas. Como ejemplo se puede considerar la clasificación de correos
electrónicos donde los sistemas identifican y filtran correos electrónicos como
spam o no spam.

Aprendizaje No Supervisado: la IA no supervisada se enfoca en el aprendizaje

de patrones y estructuras en los datos sin la presencia de etiquetas o salidas
deseables. En este caso, el algoritmo debe descubrir por sí mismo las
relaciones y agrupaciones en los datos, sin la guía de un humano. La no
supervisión se logra mediante técnicas como el aprendizaje competitivo, donde
el algoritmo se ajusta automáticamente para agrupar o clasificar los datos de
manera óptima. En este caso, el sistema intenta encontrar patrones y
relaciones en los datos por sí mismo. Como ejemplo se puede considerar los
sistemas de agrupación de clientes que identifican segmentos de mercado
diferentes en base a comportamientos de compra sin etiquetas previas.

Aprendizaje por Refuerzo: el aprendizaje por refuerzo implica entrenar a un

agente para que tome decisiones secuenciales con el objetivo de maximizar
una recompensa acumulada a largo plazo. El agente aprende a través de la
interacción con un entorno y recibe recompensas o castigos según las acciones
que toma. En el caso de la IA, el sistema aprende a través de prueba y error,
recibiendo recompensas o castigos según sus acciones. Busca maximizar la
recompensa total a largo plazo. Por ejemplo, AlphaGo que es el programa de IA

5
que aprende a jugar al juego de Go mediante la acumulación de experiencia y
la optimización de estrategias.

Aprendizaje Profundo (Deep Learning): El aprendizaje profundo es una

subcategoría del aprendizaje automático que utiliza redes neuronales
artificiales con muchas capas (redes neuronales profundas) para modelar
patrones complejos en datos. Es especialmente efectivo para tareas como
reconocimiento de imágenes, procesamiento de lenguaje natural y más. Estos
algoritmos de aprendizaje profundo se utilizan comúnmente para problemas
ordinales o temporales, como la traducción de idiomas, el reconocimiento de
voz y subtítulos de imágenes. Cabe mencionar que están incorporados en
aplicaciones populares como Siri, búsqueda por voz y Google Translate.

Aprendizaje por Transferencia: el aprendizaje por transferencia implica reutilizar

un modelo pre-entrenado en una tarea relacionada para mejorar el rendimiento
en una nueva tarea con menos datos de entrenamiento. Como ejemplo se
puede tomar la clasificación de imágenes específicas donde se utiliza un
modelo de reconocimiento de imágenes pre-entrenado en el conjunto de datos
ImageNet y adaptarlo para clasificar imágenes médicas.

Conclusión

La IA es un campo en constante evolución que busca crear máquinas capaces

de pensar y actuar como seres humanos. Desde sus inicios en la década de
1950, ha avanzado significativamente, y hoy en día es una parte integral de
nuestra vida diaria.
La capacidad de la IA para aprender a partir de datos es lo que la hace tan
poderosa y versátil. Las diferentes técnicas de aprendizaje, como el
aprendizaje supervisado, no supervisado, por refuerzo, profundo y por
transferencia, permiten que la IA se aplique a una amplia gama de problemas y
dominios, mejorando continuamente a medida que se expone a más datos y
experiencias.
Entender los diferentes tipos de IA nos permite apreciar la amplitud y
profundidad de este campo, desde las aplicaciones prácticas actuales hasta las

6
fronteras teóricas de la investigación. Cada tipo de IA tiene sus propios
desafíos y oportunidades, y el avance en estos campos promete revolucionar
numerosas industrias y aspectos de la vida cotidiana, teniendo un impacto cada
vez mayor en nuestra sociedad, con aplicaciones en áreas como la medicina, la
educación, la seguridad y el entretenimiento, planteando junto con el avance
constante el desafío de aprender a convivir con ella.

B. Integración de la IA en educación
Introducción
Hemos realizado un primer acercamiento a conceptos claves que nos permiten
adentrarnos, paulatinamente, en este amplio campo de estudio que es la
Inteligencia Artificial (IA). Todos los avances que podemos reconocer en este
ámbito, junto con la rápida difusión y el acceso gratuito a modelos de lenguaje
avanzado, a través de herramientas como ChatGPT, Copilot, Perplexity,
Gemini, entre otras, han provocado tanto entusiasmo como preocupación en el
ámbito educativo. Lo cierto es que las tecnologías forman parte, cada vez más,
del paisaje escolar, y el uso de la IA generativa en el aprendizaje está
planteando desafíos inéditos para los sistemas educativos.

A continuación, exploraremos los principales beneficios y desafíos que conlleva

para los docentes o para quienes ejercen esta profesión en los diversos
ámbitos de la educación formal o no formal.

Beneficios de la IA en educación
Sabiendo que el presente curso tiene un carácter introductorio en la temática
que nos ocupa, nos limitaremos a mencionar cinco de los beneficios que
podemos encontrar en la incorporación de la IA a la educación. Sin dudas
podríamos señalar muchos más, pero los invitamos a que sean uds quienes, a
partir de la profundización de la temática y de la propia experiencia que
generen, puedan reconocer las potencialidades que ofrecen.

1. Personalización del aprendizaje: La IA permite adaptar los contenidos

y estrategias a las necesidades, intereses y estilos de aprendizaje de
cada estudiante, lo que podría favorecer la motivación y efectividad. Al
realizar este tipo de adaptaciones, facilitan la elaboración de un plan de
estudios más adecuado. También puede detectar dificultades tempranas
en el desempeño de los estudiantes y desafíos en el proceso de

7
 aprendizaje. La IA facilita esto al recopilar datos, como respuestas a
cuestionarios, participación en actividades en línea y patrones de
navegación, creando perfiles de aprendizaje personalizados. Esto
permite atender las diferencias individuales, favoreciendo que los
estudiantes avancen o reciban apoyo adicional según sus necesidades.
Al generarse para cada estudiante planes de trabajo individuales con
ayuda de IA, el docente puede ocuparse de acompañar y hacer un
seguimiento de los procesos, evaluar el alcance de los objetivos de
aprendizaje y, en función de ellos, solicitar a la IA un nuevo desarrollo
con los reajustes necesarios.

2. Retroalimentación y evaluación automatizada: Las herramientas de

IA pueden proporcionar retroalimentación inmediata a los estudiantes
sobre su desempeño y evaluar sus avances. A través de algoritmos
avanzados, la IA permite analizar y evaluar las respuestas de los
estudiantes de manera eficiente y precisa, brindando beneficios
significativos. Estos algoritmos son capaces de reconocer patrones,
identificar errores comunes y proporcionar puntuaciones objetivas.
Pueden, además, realizar un seguimiento detallado del progreso de
cada estudiante a lo largo del tiempo, lo que permite una evaluación
continua y la identificación de tendencias en el desempeño. Esto facilita
la toma de decisiones informadas sobre estrategias de enseñanza y
aprendizaje.
Por otra parte, la evaluación automatizada brinda a los estudiantes una
retroalimentación inmediata: una vez que completan una tarea o un
cuestionario, los estudiantes reciben comentarios instantáneos sobre su
desempeño. Esta retroalimentación oportuna les permite comprender
sus fortalezas y debilidades, identificar áreas que requieren más
atención y corregir errores de inmediato. La retroalimentación inmediata
fomenta un ciclo de aprendizaje continuo y dinámico, que promueve un
mejor desempeño de los estudiantes.

3. Asistencia en tareas administrativa: La IA puede ayudar a los

docentes con tareas como calificaciones, asistencia, comunicación con

8
 padres, entre otras, haciéndolas más eficientes. En efecto, existen varias
herramientas que facilitan el control de asistencia a través de la IA, como
pasar lista desde cualquier dispositivo, enviar notificaciones automáticas
a padres sobre ausencias, y generar estadísticas de asistencia por
alumno o grupo. Puede automatizar tareas administrativas como la
calificación de exámenes, la generación de informes de progreso, la
organización de horarios y la gestión de asistencia, liberando a los
docentes de actividades repetitivas, que consumen tiempo, para que
puedan centrarse en la enseñanza y el apoyo personalizado a los
estudiantes.

4. Acceso a datos e insights: La IA permite recopilar y analizar grandes

cantidades de datos sobre el aprendizaje de los estudiantes,
proporcionando insights valiosos para mejorar la enseñanza. Como se
señaló anteriormente, al procesar grandes volúmenes de datos, es
capaz de identificar patrones, tendencias y correlaciones que pueden
pasar desapercibidos para los docentes. Esto proporciona una visión
más completa y detallada del progreso y desempeño del estudiante.

5. Apoyo a estudiantes con necesidades especiales: Herramientas de

IA pueden brindar asistencia personalizada a estudiantes con
discapacidades o dificultades de aprendizaje. Además de la detección
temprana de dificultades que permite a los educadores una intervención
oportuna, la IA puede proporcionar a los estudiantes con necesidades
especiales acceso a una amplia gama de recursos educativos
adaptados a sus necesidades. Esto incluye materiales de lectura,
videos, actividades interactivas y más

Ahora bien, además de reconocer sus potencialidades, resulta imprescindible

examinar y reflexionar sobre los desafíos que plantea la inclusión de la IA en el
aula. En relación a esto, podemos señalar:

1. Sesgos y falta de transparencia: Algunas herramientas de IA pueden

presentar sesgos en sus algoritmos y carecer de transparencia en su
funcionamiento. El adiestramiento de los sistemas a partir del conjunto

9
 de datos históricos, pueden fomentar los prejuicios y la discriminación.
Por otra parte, la IA también puede utilizarse para censurar el contenido
educativo: esa fue la experiencia en un distrito escolar de Estados
Unidos, donde el ChatGPT se usó para identificar los libros que debían
retirarse de la biblioteca para poder respetar las nuevas leyes
conservadoras sobre los contenidos educativos. En vez de constituir una
pasarela neutra hacia el saber y la comprensión, la IA generativa puede
contribuir también a la aplicación de políticas sociales reaccionarias y
retrógradas, y a limitar el acceso a documentos culturales diversificados.
Es fundamental, entonces, abordar los sesgos en los algoritmos de IA
para garantizar que las decisiones tomadas por estos sistemas sean
equitativas, justas y no discriminatorias. Estrategias como la diversidad
en los conjuntos de datos, pruebas rigurosas, transparencia y
responsabilidad en el desarrollo y uso de algoritmos, son clave para
mitigar los sesgos en la IA y promover un uso ético y responsable de
esta tecnología en el ámbito educativo.

2. Privacidad y seguridad de datos: El uso de datos estudiantiles por

parte de la IA plantea preocupaciones sobre privacidad y seguridad que
deben ser abordadas. La IA requiere grandes cantidades de datos
personales de los estudiantes, como información de rendimiento, hábitos
de estudio, preferencias de aprendizaje, entre otros. Si estos datos no se
manejan de manera responsable, podrían ser robados o compartidos
con terceros sin el consentimiento de los estudiantes o sus familias, lo
que podría tener graves consecuencias para su privacidad. Es crucial
que las instituciones educativas establezcan políticas y prácticas éticas
claras sobre la recopilación, uso y almacenamiento de datos
estudiantiles. Los estudiantes y padres deben comprender qué
información se está recopilando, cómo se utiliza y con quién se
comparte.
En resumen, si bien la IA ofrece muchos beneficios en educación, el uso
de datos estudiantiles plantea retos éticos cruciales en términos de
privacidad, seguridad y transparencia que deben ser abordados
proactivamente por las instituciones educativas para proteger a los
estudiantes y generar confianza en el uso de esta tecnología.

10
3. Alfabetización digital y capacitación: Los docentes necesitan
desarrollar habilidades para integrar efectivamente la IA en sus
prácticas, lo que requiere capacitación y apoyo. Esto incluye comprender
cómo funcionan los algoritmos de IA, cómo interpretar los resultados
generados por la IA y cómo integrar la IA en sus métodos de enseñanza.
Por otra parte, es fundamental que los docentes sean conscientes de las
limitaciones, sesgos y desafíos éticos asociados con el uso de la IA en
educación. Esto incluye comprender la importancia de la privacidad de
los datos, la transparencia en el funcionamiento de los algoritmos y la
necesidad de evitar sesgos algorítmicos, tal como mencionábamos en el
punto anterior.

4. Adaptación al cambio: La integración de la Inteligencia Artificial en la

educación implica cambios significativos en los roles y dinámicas
tradicionales dentro del aula. Esto puede generar resistencia al cambio
en algunos docentes, especialmente aquellos que se sienten cómodos
con los métodos de enseñanza convencionales y temen que la IA pueda
reemplazar su labor. Es importante reconocer que la IA no pretende
sustituir al docente, sino más bien complementar y potenciar su tarea.
Sin embargo, este cambio de paradigma requiere que los docentes
estén abiertos a aprender nuevas formas de enseñar y a adaptarse a un
entorno educativo en constante evolución.

5. Complementariedad con la enseñanza humana: Es importante

encontrar el balance adecuado entre la IA y la labor docente, ya que la
interacción humana sigue siendo clave en el proceso de aprendizaje. La
enseñanza basada en la relación personal entre docente y estudiante
aporta elementos invaluables como la empatía, la motivación y el apoyo
emocional, que son difíciles de replicar mediante herramientas
tecnológicas. Por otra parte, aunque en términos técnicos son
impresionantes, muchos de los sistemas de IA pueden producir
contenidos falsos o engañosos, de allí la importancia de la presencia del
docente para validar el conocimiento.

11
 Además, es importante que los docentes mantengan un rol activo en la
supervisión y guía del uso de herramientas de IA por parte de los
estudiantes, asegurándose de que estas se utilicen de manera
apropiada y que los estudiantes desarrollen un pensamiento crítico y una
comprensión profunda de los contenidos, más allá de la mera
memorización o repetición de información proporcionada por la IA.
En resumen, el desafío radica en encontrar el equilibrio adecuado entre
la IA y la enseñanza humana, de manera que ambas se complementen y
contribuyan al desarrollo integral y significativo de los estudiantes.

Conclusión
La integración de la IA en educación presenta grandes oportunidades para
mejorar la enseñanza y el aprendizaje, pero también conlleva desafíos que
deben ser abordados de manera proactiva. Los docentes juegan un papel clave
en este proceso, por lo que es fundamental brindarles el apoyo y capacitación
necesarios para aprovechar al máximo los beneficios de la IA en sus prácticas
pedagógicas. De allí que consideramos este curso un aporte que puede
resultar valioso este sentido.

C. Definición y elaboración del prompt para la aplicación de la IA

Definición de prompt
La palabra prompt proviene del latín prompten, que se traduce como "incitar o
instar a la acción". Adaptando esa definición al contexto de la inteligencia
artificial, un prompt es un texto en forma de pregunta, una instrucción o petición
proporcionado al sistema de inteligencia artificial para que realice tareas
específicas. El proceso realizado es el siguiente:

1. Se brinda la instrucción de entrada, es decir el prompt.

2. La petición es procesada en una especie de “Caja de Pandora” por
sistemas que utilizan algoritmos complejos.
3. Se obtiene una salida en función de lo solicitado.

12
La salida puede ser un texto, una imagen, un audio, un video o fragmentos de
codigo de programación.

El output en función del input: Los algoritmos generativos dan una respuesta
(salida) en función de lo que se solicita y de cómo se solicita. Dependiendo de
cómo se diseñe el prompt se generan respuestas significativas.

A partir del prompt inicial, se entabla una conversación, una interacción, hasta
que la respuesta sea la esperada. La flexibilidad y el potencial de los prompts
son casi infinitos.

Hay una transición en el uso del vocabulario del usuario, pasando del término
“buscar”, en el navegador de preferencia, al de “pedir” en los sistemas de
Inteligencia artificial, tales como ChatGPT, Gemini, Copilot, entre otros.

Elaboración de un prompt
Es clave al momento de elaborar un prompt la comunicación clara y precisa
evitando ambigüedades. Si bien nos comunicamos usando un lenguaje natural,
siempre hay que tener presente que conversamos con máquinas.

 Ejemplos de prompts ineficientes vs. efectivos proporcionados por

la aplicación gemini1

Prompt ineficaz Prompt efectivo

"Escribe un poema". "Escribe un poema sobre la naturaleza en
estilo haiku".
"Necesito ayuda con mi tarea "No entiendo cómo resolver este problema

1
[Link] respuesta de la aplicación GEMINI proporcionada el dia 18 de mayo de
2024 a las 16:58

13
de matemáticas". de ecuaciones cuadráticas. ¿Podrías
explicarme los pasos a seguir?".
"Quiero generar ideas para una "Estoy desarrollando una campaña de
nueva campaña de marketing". marketing para un nuevo producto dirigido a
millennials. ¿Qué tipo de ideas creativas
puedes sugerirme para captar su atención?".

Ejemplos de prompts educativos simples

Experimentar es clave para que la IA comprenda mejor con el tiempo, como

sucede en el caso de ChatGPT, que recuerda conversaciones anteriores para
mejorar las interacciones futuras.

Experimenta ingresando a [Link]

a. Resume lo siguiente [texto] en xx palabras.

b. Explícame [tema] como si tuviese [x] años
c. ¿Qué temas debo comprender para resolver [operaciones combinadas]?
d. Crea una evaluación para comprobar mis conocimientos sobre [xx]
e. Confecciona un acróstico con la palabra [xx] al conmemorarse [xxx] años
de su fundación.
f. Prepara un examen de Matemática. Grado: [xx] grado. Temas: Suma,
Resta, Multiplicación. Cantidad de tiempo: 30 minutos. Cantidad de
preguntas: 10 Detalles: Realiza preguntas de la vida real.
g. Sos un docente experto en comprensión lectora, adapta el siguiente
texto a lectura fácil.
h. Ayúdame a producir una planificación para una reunión de padres.
Crea una lista de temas a tratar y calcula el tiempo. Objetivo de la
reunión: Comunicar a los padres sobre las nuevas medidas que se
tomaron para reducir la cantidad de casos de dengue y comentarles
sobre el comportamiento de los alumnos. Tiempo: 45 minutos.
i. Sos José de San Martin, estoy interesada en conocer más detalles sobre
la Campaña Libertadora que lideraste. ¿Podrías compartir tus
pensamientos y estrategias durante la travesía de los Andes y las
batallas posteriores en Chile y Perú? Me gustaría entender mejor los
desafíos que enfrentaste, cómo motivaste a tus tropas y qué aspectos

14
 consideras cruciales para el éxito de la campaña. Además, ¿podrías
hablarme sobre tus interacciones con otros líderes independentistas y
cómo coordinaste esfuerzos para lograr la independencia del sur de
América? Muchas gracias por tu tiempo y por compartir tu valiosa
experiencia.

Cómo crear prompts efectivos

1. Asume un rol. Por ejemplo: “Sos un experto en pedagogía”. “Sos un

profesor de [asignatura].
2. Define un objetivo, así como: “Ayúdame a crear una secuencia didáctica
sobre [xx]”. “Quiero crear una rúbrica que evalúe [xx]” – “Resume el
siguiente texto”.
3. Proporciona un contexto: “Para estudiantes de [xx] años de Educación
[xxx]” – “Para alumnos de [xx] grado”.
4. Establece condiciones, restricciones, tono, tales como: “Tengo dos
clases de [xx] minutos para el desarrollo de la secuencia” - “Que tenga
un máximo de 500 palabras”.
5. Decide la estructura: “Crea una tabla con las actividades indicando
duración de cada una” – “La clase tiene tres momentos: inicio,
desarrollo, cierre” – “Crea una lista”.
6. Proceso de prueba y mejora.

Las aplicaciones de IA generalmente no dicen “no sé” cuando no lo saben o no

están seguras. Siempre proporcionan una respuesta, independientemente de si
es o no correcta.

15
A continuación, se presenta un ejemplo:

El sistema de IA da una respuesta incorrecta, lo que prueba que la información

proporcionada por los algoritmos debe validarse SIEMPRE, para garantizar la
precisión y la veracidad de la información.

Al detectar el error, se recomienda interactuar con la aplicación y redactar un

nuevo prompt.

En el entorno de la IA se le llama alucinación a la información de salida que,

aunque esté escrita de manera coherente, presenta datos incorrectos,
sesgados o plenamente erróneos.

16
La inteligencia artificial generativa procesa información existente, genera una
respuesta a partir de lo que existe, comete errores

RECOMENDACIÓN: Probar los prompts en diferentes aplicaciones de IA.

17
Bibliografía

Espín, Edgar. (2023). IA y personalización educativa: evaluar su efectividad en

adaptar contenidos para diversos estudiantes en la educación moderna:
The influence of artificial intelligence on education personalization:
analyzing its effectiveness in adapting educational content for all
students. LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades. 4. 10.56712/latam.v4i4.1244.
[Link]
ucativa_evaluar_su_efectividad_en_adaptar_contenidos_para_diversos_
estudiantes_en_la_educacion_moderna_The_influence_of_artificial_intel
ligence_on_education_personalization_anal

Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura

[UNESCO]. (2023). La escuela en la era de la inteligencia artificial.
Recuperado el 20 de mayo de 2024
de [Link]

Ponce Gallegos, J. C., Torres Soto, A., Quezada Aguilera, F. S., Silva Sprock,
A., Martínez Flor, E. U., Casali, Scheihing, A.; Túpac Valdivia, y.; Torres
Soto, M. D.; Ornelas Zapata, F.J.; Hernández, J.A.; Zavala,C.; Vakhnia,
N. y Pedreño, O. (2014). Inteligencia artificial. Iniciativa Latinoamericana
de Libros de Texto Abiertos (LATIn).

PortalEDUC-AR
[Link]
&e=AT0JVTAgwMkokqMawxe5pW_E_6Z2Z8WMVLlxtNHMOJA1ZDscS
SYNFff-
jO9_7uc2h2d1F9rtWfPwlAttgHFsBKRsuMeu_mz32SVo5wZZZk43Rj2u7
e-Xg7c
Portal [Link] [@[Link]] (20 de mayo de 2024) Inteligencia
artificial y tipos de sesgos 🙅 [Foto] Instagram [Link]
Portal [Link] [@[Link]] (20 de mayo de 2024) ¿Sabías que la
inteligencia artificial generativa (IAGen) no es neutral? [Foto] Instagram
[Link]

18
Rouhiainen, L. (2018). Inteligencia artificial. Editorial Alienta.

19