Enmarcando las aplicaciones de IA
generativa como herramientas para la cognición en educación
Framing Generative AI applications as tools for cognition
in education
Dr. Marc
Fuertes-Alpiste. Profesor agregado. Universitat de
Barcelona. España
Recibido:
2024/04/06 Revisado 2024/04/29 Aceptado: :2024/07/01 Online First: 2024/07/05 Publicado: 2024/09/01
Cómo citar este artículo:
Fuertes
Alpiste, M. (2024). Enmarcando las aplicaciones de IA generativa como
herramientas para la cognición en educación [Framing
Generative AI applications as tools
for cognition in education]. Pixel-Bit. Revista De
Medios Y Educación, 71, 42–57. https://doi.org/10.12795/pixelbit.107697
RESUMEN
Las aplicaciones de IA
generativa permiten funciones útiles para el aprendizaje basadas en la
generación de contenido. Este artículo ofrece un marco teórico para entenderlas
como herramientas para la cognición (HPC), basado en la perspectiva de la
teoría sociocultural, la teoría de la actividad y la cognición distribuida.
Esta perspectiva ejemplifica cómo el pensamiento no sólo está empaquetado
dentro de la mente, sino que se distribuye entre sujetos, objetos y artefactos,
donde las herramientas median la actividad humana y ayudan en las funciones
ejecutivas del pensamiento. Encarna una visión en la que los alumnos construyen
su conocimiento con ellas, aprovechando sus posibilidades de acción. Es la
concepción de aprender "con" la tecnología en lugar de la visión
tradicional de aprender "de" la tecnología, donde las aplicaciones
tecnológicas se limitan a proporcionar información y a evaluar las respuestas
de los estudiantes. Finalmente, describimos las aplicaciones de IA generativa
como HPC siguiendo los criterios pragmáticos y pedagógicos de David Jonassen, como la capacidad de representación del
conocimiento, la facilitación del pensamiento crítico y significativo (basado
en preguntas y prompts) y cómo permiten el
pensamiento complejo entre estudiantes cuando se utilizan en tareas de
aprendizaje, solamente cuando las funciones ejecutivas las realizan ellos.
ABSTRACT
Generative AI applications
enable different useful functions for learning based on the generation of
content. This paper aims to offer a theoretical framework to understand them as
tools for cognition (TFC), framed in the perspective of sociocultural theory
and activity theory and distributed cognition. This perspective exemplifies how
thought is not only packaged inside the individual's mind, but is distributed
among subjects, objects, and artifacts, where tools mediate human activity and
help in the executive functions of thought. The perspective of TFC embodies an
educational socio-constructivist vision where learners build their knowledge
with these tools, taking advantage of their affordances. It is the concept of
learning "with" technology instead of the traditional vision of
learning "from" technology, where technological applications are
limited to providing information and evaluating the students' responses.
Finally, we describe Generative AI applications as HPC following David
Jonassen's pragmatic and pedagogical criteria, i.e. the capacity of knowledge
representation of different subjects, the facilitation of critical and
meaningful thinking (based on questioning and prompting) and how they enable
complex thinking among students when used in learning tasks, only when
executive functions are on the side of the learner.
PALABRAS CLAVES· KEYWORDS
Inteligencia artificial;
cognición; procesos de aprendizaje; pensamiento crítico; usos de los
ordenadores en educación
Artificial intelligence;
cognition; learning processes; critical thinking; computer uses in education
1. Introducción
Las aplicaciones de inteligencia
artificial generativa (en adelante IA generativa) tienen un interés creciente
en la investigación educativa y se presentan como una oportunidad para
personalizar el aprendizaje, como un medio de asistencia personal y como apoyos
cognitivos para el pensamiento de orden superior, pero también como una fuente
de problemas y sesgos éticos, falta de integridad académica, problemas de
privacidad y difusión de información falsa (Crompton & Burke,
2024; Mishra et al., 2024; Walter, 2024).
Según la UNESCO, la IA
generativa es "(...) una tecnología de inteligencia artificial (IA) que
genera automáticamente contenido en respuesta a indicaciones escritas en
interfaces conversacionales de lenguaje natural" (Miao & Holmes, 2024,
p.8). Además, utiliza diversas tecnologías de IA para crear contenidos en
diversos formatos multimedia (Schellaert et al.,
2023). Esta capacidad de generar contenido que sea plausible para las personas
es lo que diferencia la IA generativa de las tecnologías de IA del pasado,
junto con la dimensión social que se deriva de su propia interfaz: que se basa
en el lenguaje natural, y nos comunicamos con ella a través de chats o con
nuestra propia voz. Toma la forma de un agente humano con el que los usuarios
se relacionan utilizando una característica propiamente humana: el lenguaje (Garcia Brustenga et al., 2018;
Mishra et al. 2024).
Existen varias aplicaciones
de IA generativa que habilitan diferentes funciones útiles en educación basadas
en la generación de contenidos (como ChatGPT, Copilot etc.), ya sea para crear, estructurar, sintetizar,
reformular textos o ideas, por parte del alumnado y/o por parte del
profesorado, de forma individual y/o colectiva. Las hay que nos guían en la
búsqueda de bibliografía (Perplexity), resumen
contenido (Scribe, Claude), descomponen tareas complejas en pequeños pasos
(Goblin Tools), ayudan con la escritura de código (GitHub Copilot,
AlphaCode), y generan contenido en multiplicidad de medios
(DALL-E, Sora, Synthesia), entre otras.
Estas posibilidades de
aplicación de la IA generativa han sido evaluadas desde el ámbito educativo.
Por ejemplo, un informe de la UNESCO de abril de 2023 identificó su uso en
educación superior como una ayuda para refinar ideas, como un tutor experto y para
el aprendizaje y la enseñanza de los estudiantes, etc. (Sabzilieva
& Valentini, 2023). La revisión sistemática de la investigación de Crompton
y Burke (2024) identificó sus usos docentes, como el
apoyo a la enseñanza y la automatización de tareas, pero también para el
aprendizaje de los estudiantes, como mejora en la accesibilidad, la explicación
de conceptos difíciles, la actuación como interlocutor, la provisión de
retroalimentación personalizada, el apoyo a la escritura, la autoevaluación y para
facilitar procesos de participación y de autodeterminación.
Dada la importancia que
tienen en el debate educativo actual, este trabajo pretende ofrecer un marco
teórico para entender las aplicaciones de la IA generativa como herramientas cognitivas, mindtools o herramientas para la cognición (HPC,
en adelante) -que parte de la visión de Gavriel Salomon, Roy D. Pea, Howard Rheingold,
David Jonassen, entre otros introductores del
concepto a finales del siglo XX-, enmarcado en una perspectiva de la teoría
sociocultural, la teoría de la actividad y la cognición distribuida. En este
momento, se necesitan marcos teóricos para la integración de la IA generativa
en educación, que guíen los esfuerzos de investigación y que puedan contribuir
a la evolución de estas teorías de la IA en educación (Dawson et al., 2023).
Pero también deben estructurar una visión de la educación que sitúe al
estudiante en el centro del proceso de aprendizaje, que potencie su agencia
(entendida como la capacidad de acción), su autonomía en las funciones
ejecutivas de la cognición y de pensamiento crítico, y que no se convierta en
un docente artificial o en un sistema tutorial inteligente. Esto último,
creemos, sería una perspectiva limitante. Pretendemos proporcionar conocimiento
teórico que informe sobre cómo integrar de manera efectiva las aplicaciones de IA
generativa en nuestra práctica educativa. El conocimiento de las filosofías de
la educación, que ayudan a dar forma a nuestros puntos de vista, nos
proporciona una conciencia de las mejores opciones tecnológicas para obtener
los mejores resultados para nuestros alumnos. Esto es lo que subyace a nuestra
visión de la educación y de la tecnología y lo que le da coherencia y
consistencia (Kanuka, 2008).
2. Aprender
con tecnología: la perspectiva de las HPC en educación
El uso de las tecnologías
digitales en educación para mejorar los procesos de enseñanza y aprendizaje ha
sido estudiado desde su aparición y diseminación. Derry y Lajoie
(1993), Salomon et al. (1991) y Jonassen
(1996), distinguieron dos formas de integración de la tecnología en educación:
aprender de la tecnología y aprender con la tecnología, y por
simple que parezca, la diferencia en el uso de estas dos preposiciones es
enorme. Con los primeros ordenadores, se desarrolló la enseñanza asistida por
ordenador (EAO) y los sistemas de tutoría inteligentes (STI). Estos seguían
enfoques conductistas (basados en el estímulo-respuesta y en el refuerzo de
conductas) y cognitivistas (considerando cómo nuestro proceso de pensamiento se
relaciona con la memoria de trabajo, la memoria a largo plazo, los esquemas en
nuestros conocimientos previos, la recuperación de la memoria y la
retroalimentación elaborada y la personalización del aprendizaje). Este enfoque
de aprendizaje se basa en aprender de la tecnología, donde la
tecnología juega el papel de docente, el que da la información (el input)
y la retroalimentación, reproduciendo así el enfoque educativo tradicional
-centrado en el profesor-, donde la agencia de aprendizaje de los estudiantes
es baja.
Por otro lado, el enfoque de
aprender con la tecnología está centrado en el alumno, y se caracteriza
por utilizar la tecnología como una herramienta, destinada a hacer algo con
ella, y no como un tutor digital. Por lo tanto, desde esta perspectiva, la
cognición recae en el lado del estudiante, que aprovecha las posibilidades de
las herramientas digitales para hacer algo que sin ellas no sería posible (o por
lo menos, sería más difícil). Esta perspectiva tiene sus raíces en el enfoque
constructivista de enseñanza y aprendizaje, el cual entiende que los docentes
diseñan actividades centradas en el estudiante con objetivos pedagógicos
preestablecidos en las que los estudiantes tienen que construir su propio
aprendizaje. De acuerdo con Iiyoshi et al. (2005),
esto se lleva a cabo a través de cinco procesos cognitivos diferentes: búsqueda
de información, presentación de información, organización del conocimiento,
integración del conocimiento y generación de conocimiento. Derivado de ello,
los docentes también pueden adoptar una perspectiva construccionista, donde la
actividad del alumnado se orienta a la creación de artefactos, desplegando su
creatividad (Papert, 1982), o un enfoque socioconstructivista
de aprendizaje, donde los estudiantes interactúan activamente con el entorno y/o
con sus iguales y/o con los docentes para construir su aprendizaje.
3. La
teoría sociocultural como marco teórico de las HPC
La perspectiva de aprender con
la tecnología también tiene sus raíces en la teoría sociocultural, creada por
Vygotsky, Leontiev y Luria durante la década de los
años 20 del S.XX en la Unión Soviética. Esta teoría asume que el desarrollo
histórico de la cultura humana es diferente de la evolución biológica humana
porque tiene sus propias reglas (Vygotsky, 1978). El desarrollo cultural se
basa en el uso de herramientas, creadas por el ser humano para actuar sobre el entorno.
Pueden ser herramientas físicas (por ejemplo, un martillo o un destornillador),
pero también herramientas simbólicas (por ejemplo, el lenguaje). Las
herramientas simbólicas están descontextualizadas del entorno -naturaleza,
biología- ya que los símbolos que manipulan son cada vez menos dependientes del
contexto espaciotemporal en el que se utilizan. Una persona sin herramientas,
solo considerando su evolución biológica, no puede evolucionar; sin
herramientas, los saltos cognitivos cualitativos que Vygotsky relaciona con la
transición de la cognición elemental -la que se relaciona con lo primario y
natural- a la cognición superior -lo "cultural" y lo social- no se
producen (Wertsch, 1995).
Esta influencia también
tiene un efecto en la construcción de nuevas herramientas que, otra vez, afectarán
el entorno físico y cultural y así, sucesivamente. Esto significa que estas
herramientas nos hacen, y no son solo una cuestión del presente, sino que
vienen de nuestros antepasados, y tendrán un impacto en el futuro. Todo ello
implica entender la actividad humana como una acción culturalmente mediada (Engeström & Sannino, 2021).
Desde esta posición, la cuestión que gira en torno a si debemos o no usar
herramientas digitales en nuestra actividad humana -y aquí realmente nos
referimos a "la educación"-, es un falso debate ya que las
herramientas forman parte de nosotros. Sin seres humanos no habría cultura
humana, pero sin cultura -y sin herramientas culturales- no habría seres
humanos tal y como los conocemos.
La teoría sociocultural se
basa en la acción mediada culturalmente y suele representarse en forma de
triángulo con tres actores en cada vórtice (ver Figura 1): En la línea de la
parte inferior, entre el Sujeto y el Objeto, no hay mediación. El
Medio en el vórtice superior es el artefacto (las herramientas) que
permite la mediación de la acción del Sujeto sobre el Objeto (el
entorno, los otros sujetos). Esta es una representación de lo que se llama la
primera generación de la Teoría de la Actividad (Engeström
& Sannino, 2021).
Figura 1
El
triángulo de la acción culturalmente mediada
En una segunda generación de
la Teoría de la Actividad, el triángulo interactivo de la Figura 1 se amplió
para representar la idea de actividad de Leontiev
(1978) (no sólo una acción única), lo que ayuda a representar una mediación más
amplia (Cole & Engeström, 1993). En la Figura 1,
la interacción se basa en la acción individual del Sujeto, mediada por el
Medio, pero en la segunda generación (ver Figura 2), la principal unidad de
análisis es la actividad, que involucra a una Comunidad (la dimensión social),
llevada a cabo siguiendo un conjunto de Reglas (en el lado izquierdo). En el
vórtice derecho de la base, encontramos la División del trabajo donde la
actividad se divide entre participantes y herramientas (Bakhurst,
2009).
Figura 2
Una
representación de la segunda generación de la Teoría de la Actividad
Lo que queremos subrayar es
que esta mediación sitúa la cognición de las personas dentro de contextos
sociales y culturales de interacción y actividad (Salomon,
1993). Podemos decir que este triángulo es un mapa de una cognición distribuida
entre personas, comunidad y herramientas y artefactos culturales. En estos
sistemas de acción (Figura 1) y de actividad (Figura 2), nuestra mente se
distribuye con las herramientas -creando una cognición distribuida- que
utilizamos para actuar sobre el entorno (Cole & Engeström,
1993). Por este motivo, es importante entender cómo estas herramientas pueden
ofrecer diferentes formas de mediación, y las aplicaciones de la IA generativa
pueden tener un papel en la acción humana y en la actividad colectiva como
también lo han hecho otras herramientas digitales.
4. Cogniciones
distribuidas con herramientas
Con las primeras
aplicaciones informáticas fue posible imaginar una colaboración entre los
usuarios y las herramientas digitales para un mejor desempeño (Salomon, 1993). Estas herramientas nos ayudan en las
tareas, guiando la actividad y aumentando nuestras capacidades, pero también
afectando nuestra cognición cuando interiorizamos estas nuevas formas de acción
(Vygotsky, 1978). El concepto de cognición distribuida fue estudiado desde
diferentes perspectivas (véase Salomon, 1993), e
implica que la actividad necesita adaptar los medios a los fines. Aprovecha las
posibilidades de acción (las affordances, en
inglés) de las herramientas, que son sus propiedades reales y percibidas
(Gibson, 1979), pero concretamente como posibles acciones que los usuarios
pueden desarrollar con ellas. No es solo lo que el usuario percibe en una
herramienta lo que permitirá ciertas operaciones en una actividad social o en
una acción individual, sino todas las acciones posibles que podríamos emprender
con una herramienta (Norman, 1999) (por ejemplo, con aplicaciones de la IA
generativa). Como estas no siempre son evidentes, deben aprenderse (Gibson,
1989).
Cabe mencionar que estas
herramientas contienen una inteligencia dentro de sus diseños, lo que Lave
(1988) describe como artefactos "míticos", porque ya forman parte de
nuestra conciencia y se vuelven invisibles, como un velocímetro en un automóvil
o un termostato de casa. De acuerdo con Dubé y McEwen (2017), cuando estamos utilizando herramientas
percibimos los símbolos para la comunicación de affordances
(por ejemplo, la identificación de una caja de chat, un registro de historial
en ciertas aplicaciones de IA generativa), las propias affordances
reales y las affordances que pueden ser
percibidas en función de nuestras capacidades cognitivas.
Según Clark y Chalmers
(1998), existe un externalismo efectivo y activo de nuestra cognición donde el
entorno tiene un papel activo en nuestros procesos cognitivos internos. Cuando
utilizamos herramientas digitales para manipular información a través de sus
opciones, estas permiten procesos cognitivos, aumentando nuestras capacidades
cognitivas, como cuando un jugador gira figuras de Tetris para que encajen en
los espacios utilizando las opciones del videojuego y no sólo rotándolas
mentalmente. La posibilidad de rotación permite al jugador visualizar más
rápidamente la acción que se va a realizar que si tuviera que hacerlo solo
mentalmente. Como lo describen Kirsh y Maglio (1994), estas son las "acciones
epistémicas", que ayudan a descubrir información difícil de procesar y que
contribuyen a simplificar las tareas de resolución de problemas. Estas son
diferentes de las "acciones pragmáticas", que ayudan a alcanzar un
objetivo físico.
Como las tecnologías forman
parte de sistemas de actividad (Scribner & Cole,
1981), al tener en cuenta las aplicaciones de IA generativa debemos identificar
las actividades que posibilitan. La naturaleza de la actividad afectará a los
procesos cognitivos, no solo a la herramienta en sí (Salomon
& Perkins, 2005). En este sentido, Sharples
(2023) identificó posibles usos interactivos y de aprendizaje social entre los
estudiantes y las aplicaciones de IA generativa: exploración de posibles
escenarios, como "oponente" socrático, como codiseñador,
como ayuda para la interpretación de datos o información, etc.
Al realizar una actividad,
la cognición puede estar distribuida entre la persona y la herramienta, y aquí
encontramos dos perspectivas significativamente diferentes (Salomon
et al., 1991). En primer lugar, la perspectiva sistémica, que es un rendimiento
agregado de la persona-herramienta (este es el posicionamiento de Roy D. Pea).
La cognición distribuida no es una cuestión de compartir o situar la
inteligencia entre la mente, el contexto y las herramientas, sino de extender
la inteligencia durante la actividad (Pea, 1993). En segundo lugar, la
perspectiva analítica considera las contribuciones específicas de la persona y de
las herramientas (este es el posicionamiento de Gavriel
Salomon), donde la persona desempeña un papel
predominante, sobre todo porque la herramienta realmente no entiende nada
durante la cognición distribuida, solo lo hace el individuo. Cuando se habla de
aplicaciones de IA generativa como ChatGPT, esta ha
sido una crítica desde el principio como han señalado Chomsky et al. (2023). El
sistema no entiende el lenguaje, por lo que no es una inteligencia real la que
se extiende entre la persona y la herramienta. Pero esto no significa que estas
herramientas no estén ayudando a aliviar la carga cognitiva de una tarea ni que
las mismas herramientas contengan inteligencia de origen social como
herramientas culturales que son.
Durante una colaboración
cognitiva, la persona recibirá los efectos del uso de las herramientas en la
cognición, al menos de tres formas distintas: los efectos con la
tecnología, donde el uso de una tecnología mejora el procesamiento cognitivo y
el rendimiento (esto es una aumentación); los efectos de la tecnología,
donde el uso de la tecnología deja un "residuo cognitivo en forma de
competencias mejoradas, que afectan a las actividades distribuidas
posteriores" (Salomon, 1993, p.123); y, por
último, encontramos los efectos a través de la tecnología, donde el uso
de la tecnología no solo aumenta nuestra capacidad de procesamiento
intelectual, sino que también la reorganiza (Salomon &
Perkins, 2005).
David Perkins abogó por la
perspectiva de la cognición distribuida con el concepto de la
"persona-más" en oposición a la "persona-solista" cuando se
trata de tareas y actividades. La "persona-más" aprovecha las
herramientas que ayudan a la cognición, así como el aprendizaje de un
estudiante no se encuentra solamente dentro de su cabeza, sino también en el
sistema "libreta-estudiante" (Perkins, 1993).
Cuando se trata de la
colaboración entre seres humanos y agentes artificiales, encontramos el
concepto de inteligencia híbrida integrada. Este se refiere al incremento
de la eficacia en la actividad humana. Sin embargo, pensamos que solo tiene en
cuenta la vertiente de la aumentación de las capacidades humanas (aquello
cuantitativo, no cualitativo) (Akata et al., 2020; Järvelä et al., 2023). Por ejemplo, según Holstein et al.
(2020), esta colaboración en el desempeño y el aprendizaje mutuo se produce
para una aumentación en las metas, la percepción, la acción y la toma de
decisiones. Creemos que no considera cómo esta colaboración intelectual ocurre
dentro de un sistema de acción o de actividad donde la interacción no se limita
a la aumentación sino a cómo se reorganiza la actividad humana.
5. Enmarcando
las aplicaciones de IA generativa como HPC
Entender las herramientas
digitales como HPC significa adoptar una perspectiva de aprendizaje con
herramientas, y no solo aprender de ellas. Se las ha denominado
"herramientas para el pensamiento" (Rheingold,
1985), "herramientas cognitivas" (Pea, 1985; Salomon,
1993), "herramientas para la cognición" (HPC) (Pea, 1993), "mindtools" (Jonassen,
1996) e "instrumentos psicológicos" (Kozulin,
2000). En el caso de este trabajo, nos decantamos por el término "HPC"
porque estas herramientas no son inteligentes y porque son herramientas para el
propósito de una actividad, que involucran nuestra cognición.
"Herramientas cognitivas" significaría que ya han sido creadas para
la cognición, pero muchas de estas aplicaciones han sido creadas con fines
abiertos, como es el caso de las aplicaciones IA generativa. Pueden convertirse
en HPC dependiendo del propósito educativo que les demos (la perspectiva de
aprender con). Sin embargo, el significado del término es abstracto y
con múltiples de puntos de vista (Kim & Reeves, 2007).
Existen varias
clasificaciones de las herramientas digitales como HPC (o mindtools)
en cuanto a su propia naturaleza y a la naturaleza de las acciones que permiten
(Jonassen et al., 1998) o los procesos cognitivos que
habilitan (Iiyoshi et al., 2005). Nos parece
interesante la clasificación de Kim y Reeves (2007), que considera (1) el tipo
de conocimiento que procesan -ya sea general, genérico o específico-, (2) el
nivel de interactividad entre usuario y herramienta, y (3) el tipo de representación
que permiten -desde lo concreto (isomórfico) hasta lo abstracto (simbólico)-.
Todas estas clasificaciones han
quedado anticuadas y no incluyen las aplicaciones de IA generativa. Lo más
parecido a ellas que encontramos en estas taxonomías son los sistemas expertos,
pero estos son diferentes ya que funcionan con modelos de estudiantes y ponen
andamiajes en el aprendizaje de los alumnos dependiendo de cómo estén
progresando de acuerdo con dichos modelos. Por el contrario, las aplicaciones de
IA generativa se basan en la generación de contenido y en los prompts (las instrucciones o peticiones). Puede parecerse
a una consulta en una base de datos, pero en este último caso se limita a dar
una respuesta que ya se encuentra en su memoria, mientras que las instrucciones
en aplicaciones de IA generativa crean automáticamente respuestas nuevas al
instante, a imagen y semejanza de un chat. En cualquier caso, las aplicaciones
de IA generativa pueden realizar funciones ejecutivas como creadoras de
contenido, y los estudiantes pueden simplemente dejar que la aplicación haga
toda la tarea de escritura por ellos. Pero, como HPC, deben usarse de manera
que las funciones ejecutivas recaigan en la cognición del alumno. Y tienen la
particularidad de que pueden ser utilizadas en dominios de conocimiento
general, genérico y específico, y su capacidad de representación puede ser
concreta o abstracta.
Según Jonassen
(1996), hay tres criterios prácticos básicos que las HPC (mindtools,
en sus términos) deben tener, más seis criterios pedagógicos. A continuación,
analizamos estos criterios para enmarcar las aplicaciones de IA generativa como
HPC:
5.1. Criterios prácticos
1.
Que sean herramientas de ordenador:
Esta primera característica ha
quedado obsoleta, ya que han pasado casi tres décadas y las herramientas
digitales son ahora omnipresentes en nuestras actividades de la vida cotidiana.
De hecho, las aplicaciones de IA generativa son herramientas digitales que se
basan en Modelos de Lenguaje Grande (Large Language Models, en inglés).
Podemos acceder a ellas a través de aplicaciones basadas en la nube, utilizando
ordenadores, teléfonos móviles inteligentes y tabletas.
2. Que
estén disponibles como herramientas (digitales):
Normalmente, las
aplicaciones de IA generativa son accesibles después de hacer un registro en sus
correspondientes plataformas. Estas herramientas toman la forma de chatbots y permiten el uso de lenguaje natural. Este tipo
de interfaz es usable, ergonómica y muy familiar para los estudiantes y los
docentes, ya que muchas de las aplicaciones de comunicación se basan en ella.
3. Que
sean asequibles para todos:
Las herramientas de IA
generativa se expanden espectacularmente (Alier et al., 2024). OpenAI afirma tener la misión de "garantizar que la
inteligencia artificial general beneficie a toda la humanidad" (OpenAI, 2024), y a pesar de no estar del todo seguros de
cuán sincera es esta intención, por ahora ofrecen algunas de las funciones de ChatGPT de forma gratuita, aunque otras están bajo
licencia. Esto también ocurre con otras herramientas de tipo GPT, muchas de
ellas gratuitas para docentes y educadores.
5.2. Criterios pedagógicos
4. Capacidad
de representación del conocimiento:
Las aplicaciones de IA
generativa tienen la capacidad de escribir de forma plausible como
característica especial. Pueden resumir, traducir, parafrasear en diferentes
estilos y registros de voz, y generar todo tipo de contenido a partir de su
base de datos, o a partir de datos introducidos por el usuario. Las personas
pueden utilizarlas para tareas que implican el uso de información, muy comunes
en entornos educativos. Cuando se trata de información, existe el conocimiento,
su representación, la recuperación de información y los procesos de
construcción (Perkins, 1993).
5. Generalizable
a dominios de conocimiento diferentes:
Según Schellaert
et al. (2023), existen tres propiedades únicas de las aplicaciones de IA
generativa. En primer lugar, encontramos la flexibilidad en la diversidad de peticiones
y respuestas y en la capacidad multimodal de estos sistemas. En segundo lugar,
la generalidad, ya que se pueden aplicar a una amplia gama de tareas. Y, por
último, la originalidad, ya que permiten la generación de contenidos nuevos y
originales. Tienen una base de conocimientos que puede ser muy amplia como la
de ChatGPT, pero muchas de estas aplicaciones se
pueden personalizar agregando una base de conocimientos.
6. Fomentan
el pensamiento crítico:
Uno de los peligros que la
comunidad educativa ha identificado en las herramientas de IA generativa es que
pueden ser utilizadas de forma no ética (Crompton & Burke,
2024; Sharples, 2023). Existe el temor de que el
estudiante pueda hacer trampa con ellas y entregue tareas que han sido escritas
directamente con estas aplicaciones. Si esto sucede, entonces, la participación
cognitiva del estudiante en la tarea es baja (en el sentido de que el
estudiante revisa mínimamente lo que la IA generativa ha creado) o nula. Esto
no tiene nada que ver con el pensamiento crítico, al contrario, promueve un
procesamiento superficial de la información.
Pero las aplicaciones de IA
generativa tienen la posibilidad de promover el pensamiento crítico cuando se
utilizan como HPC. Es importante señalar que el objetivo es involucrar y
mejorar la cognición de los alumnos mediante esta colaboración. La cognición se
activa cuando los estudiantes desarrollan una actividad que implica pensar de
manera significativa, para acceder, representar, organizar e interpretar
información, ayudando a los estudiantes a pensar por sí mismos, haciendo
conexiones y creando nuevos conocimientos (Kirschner &
Erkens, 2006).
Para ello, el uso de estas
aplicaciones como HPC debe orientarse a la actividad y, por tanto, a sus
objetivos. Esto significa que el alumno debe proporcionar indicaciones a la
herramienta y refinarlas críticamente para obtener los mejores resultados. Eager y Brunton (2023) propusieron un proceso de prompts que comienza con el establecimiento de un
objetivo y una especificación de la forma que debe adoptar la respuesta, escribiendo
el prompt y probarlo e iterarlo hasta obtener
el resultado deseado.
Proporcionar buenos prompts (a lo que se refiere la ingeniería de prompts) es una habilidad deseable para la
alfabetización en IA y para aprovechar las aplicaciones de IA generativa para
el aprendizaje, ya que requiere una cadena lógica de razonamiento (Knoth et al., 2024). Al tener que dar una instrucción (el prompt) a la aplicación para provocar una respuesta,
el estudiante debe utilizar un lenguaje simple y claro, dando ejemplos para
modelar el resultado deseado, proporcionar contexto y, lo que es más
importante, refinar e iterar, cuando sea necesario, manteniendo también un
comportamiento ético y responsable (Miao & Holmes, 2023).
Es importante fomentar la
alfabetización en IA incluyendo la ingeniería de prompts
para comprender qué funciona mejor para generar respuestas adecuadas, lo que
implica pensar de forma crítica y creativa. Esto se puede hacer con un prompt único y genérico para obtener una respuesta
genérica (los zero-shot prompts)
o con un prompt que el usuario va afinando con
ejemplos que debería de contener la respuesta, hasta obtener la adecuada (los few-shot prompts).
Se trata de prompts de entrada-salida, pero
también podemos desarrollar prompts de cadena
de pensamiento (chain of
thought prompts) donde
se le pide al programa que explique el resultado paso a paso, para que pueda
evaluarse a fondo y contribuir a cultivar el pensamiento crítico en educación
(Walter, 2024).
Además, a la hora de escribir
prompts, es necesario que el usuario posea una
buena base de conocimiento del contenido para poder evaluar las respuestas o
resultados obtenidos, que se suman a las habilidades de pensamiento crítico
necesarias para verificarlas y a la necesaria iteración del refinamiento del prompt (Cain, 2024; Eager y Brunton, 2023). Este es el conocimiento
(habilidades, actitudes y disposiciones) requerido para aprender hechos, y es
la base de conocimiento para el pensamiento crítico y el pensamiento creativo (Jonassen 1996; Perkins, 1993). Las habilidades de
pensamiento complejo, como la resolución de problemas, el diseño y la toma de
decisiones, que son funciones ejecutivas de la cognición, pueden apoyarse en
herramientas (Perkins, 1993).
7. Permiten
la transferencia de aprendizaje:
Según Jonassen
(1996), la transferencia de aprendizaje está directamente relacionada con la
resolución de problemas, por lo que cualquier pensamiento que promuevan las
aplicaciones de IA generativa facilita la resolución de problemas y la
transferencia de aprendizaje. Las HPC son herramientas generalizables y se
pueden utilizar en diferentes entornos para facilitar la cognición (Kirschner & Erkens, 2006). Por
su parte, las aplicaciones de IA generativa no dependen de un dominio de
conocimiento concreto, por lo que puede ocurrir una transferencia de
habilidades entre dominios distintos, como ocurre con la escritura de prompts para interactuar con estos sistemas (Walter,
2024).
Cuando hablamos de los efectos con y los efectos de la
tecnología (Salomon, 1993), nos referimos a que
es deseable lograr una transferencia de habilidades desde la colaboración
cognitiva donde la persona se va volviendo más autónoma con el tiempo.
8. Permiten
un formalismo de pensamiento simple y potente:
El uso de aplicaciones de IA
generativa como HPC significa una implicación en actividades complejas que
promuevan el pensamiento profundo, y no actividades de estímulo-respuesta, o que
funcionen como agentes inteligentes tutoriales (con agencia). Esta colaboración
no sólo se basa en el aumento de la acción, sino también en la reorganización
de la actividad. Este es el caso del estudio de Nguyen et al. (2024) sobre el
uso de una herramienta de escritura de IA generativa para estudiantes de
doctorado, donde las iteraciones e interacciones con la herramienta mostraron
un mejor rendimiento en la escritura en comparación con aquellos estudiantes que
únicamente usaron la herramienta como fuente de información. Un estudio de educación
en enfermería (Simms, 2024) que utilizaba IA
generativa mostró que los estudiantes podían reflexionar sobre sus preguntas, sobre
las respuestas obtenidas y sobre la toma de decisiones en la resolución de
problemas (estas son funciones ejecutivas). Por lo tanto, su uso contribuyó a
un proceso constructivista de creación de significado.
9. Son
fáciles de aprender:
Las aplicaciones de IA
generativa tienen una carga cognitiva intrínseca manejable que afecta
positivamente al aprendizaje. De hecho, cuando se utilizan en una tarea de
aprendizaje, deberían ayudar a aumentar la carga cognitiva pertinente para
mejorar el proceso de adquisición de nuevos conocimientos en la memoria a largo
plazo. Estas herramientas se basan en una interfaz en forma de chatbox, que es común en otras aplicaciones populares de
comunicación digital. No hay una carga cognitiva que afecte a su adopción como HPC,
únicamente el peligro de entenderlas y adoptarlas como agentes inteligentes
fiables de los que aprender. Por ello, la alfabetización en IA debe añadirse en
los marcos de competencia digital docente como Digcompedu
(Punie & Redecker,
2017) para que tanto los educadores como los estudiantes puedan aprovechar los
beneficios de las aplicaciones de IA generativa y evitar sus deficiencias.
6. Conclusiones
Hemos ofrecido un marco
teórico que sitúa las aplicaciones de la IA generativa bajo la perspectiva de
las HPC en educación. Las HPC no son un tipo específico de tecnología, sino un
concepto o una metáfora sobre cómo integrar la tecnología en los procesos de
enseñanza y aprendizaje para potenciar el aprendizaje constructivista y/o socio-constructivista,
donde los estudiantes las utilizan como herramientas destinadas a aprender con
ellas, estableciendo una colaboración cognitiva, y donde ellos tienen el papel
principal y la agencia, no la herramienta. Esta es la visión opuesta del aprender
de las aplicaciones de IA generativa.
La teoría sociocultural y la
teoría de la actividad funcionan como marco teórico general para entender las
herramientas digitales como medios para la actividad distribuida entre
personas, contexto y herramientas. Existe una distribución de la cognición
entre la persona y las HPC para poder ir más allá en un sistema conjunto de persona(s)-herramienta(s).
Sin ellas, la tarea podría ser difícil o incluso imposible de llevar a cabo.
Las aplicaciones de IA
generativa cumplen con los requisitos prácticos y pedagógicos identificados por
David Jonassen (1996) para funcionar como HPC. De
este modo, hemos actualizado la clasificación anterior de "mindtools" propuesta por Jonassen
agregando estas herramientas específicas de IA. Estas destacan como HPC para el
pensamiento crítico basado en los prompts.
Para convertirse en HPC, necesitan
que se les dé un propósito para alcanzar un objetivo, alguna forma de
motivación para la actividad de aprendizaje. Si queremos aprovechar su
potencial en educación, es necesario entender sus posibilidades de acción (las affordances) que pueden promover el aprendizaje. La
perspectiva de las HPC redirige la práctica educativa desde el individuo sin
herramientas, o desde el individuo que utiliza la tecnología que actúa como un
tutor artificial (la visión tradicional de la educación centrada en el
profesor), hacia el reconocimiento de la colaboración cognitiva entre los
estudiantes y las HPC. No es que tengamos la posibilidad de incluir su uso en a
educación, sino que debemos fomentarlo activamente para un futuro de colaboraciones
cognitivas que dotarán a los estudiantes de competencias y habilidades que van
a encontrar en su futura vida profesional (DeFalco y
Sinatra, 2019; IFTF, 2017; Perkins, 1993), y que no se basarán en la persona-solista
de la que hablaba Perkins (1993).
Las herramientas digitales solo
deben utilizarse para el dominio de habilidades y competencias y no para que nos
sustituyan en su dominio y aplicación (Salomon,
1993). Las HPC deben ayudar a los estudiantes a pensar, no a apoderarse de su
cognición simplemente descargándola o haciendo todo el trabajo por ellos. No
deben realizar las funciones ejecutivas de los estudiantes (por ejemplo, la
toma de decisiones), sino facilitar un pensamiento más profundo aprovechando
sus acciones epistémicas (Kim y Reeves, 2007). Es fundamental que cuando se
utilicen en entornos educativos, los docentes diseñen actividades que las
integren, pero asegurando que los estudiantes las usarán para revisar sus inputs
y outputs, para refinar las instrucciones (los prompts)
y, finalmente, mejorar sus habilidades de pensamiento crítico, porque las
respuestas que obtenemos de las aplicaciones de IA generativa pueden ser opacas
(Bearman & Ajjawi,
2023).
Todavía estamos en las
primeras etapas de la integración de las aplicaciones de IA generativa en procesos
de enseñanza y aprendizaje y de conocer sus posibilidades para la cognición
distribuida. Se necesitan más investigaciones para arrojar luz sobre estas
posibles cogniciones distribuidas, para identificar el uso de sus acciones
epistémicas.
Referencias
Akata,
Z., Balliet, D., de Rijke,
M., Dignum, F., Dignum, V.,
Eiben, G., Fokkens, A.,
Grossi, D., Hindricks, K., Hoos,
H., Hung, H., Jonker, C., Monz, C., Neerincx, M., Oliehoek, F., Prakken, H., Schlobach, S., van der Gaag, L., ..., Welling, M.
(2020). A Research
Agenda for Hybrid Intelligence: Augmenting Human Intellect with Collaborative,
Adaptive, Responsible, and Explainable Artificial Intelligence. Computer, 53(8), pp.18-28, http://doi.org/10.1109/MC.2020.2996587
Alier,
M., García-Peñalvo, F.J., & Camba, J.D. (2024). Generative Artificial Intelligence in Education: From
Deceptive to Disruptive. International Journal of Interactive Multimedia and
Artificial Intelligence, 8(5), pp. 5-14. https://doi.org/10.9781/ijimai.2024.02.011
Bakhurst, D. (2009). Reflections on activity theory. Educational
Review, 61(2), 197–210. https://doi.org/10.1080/00131910902846916
Bearman, M.,
& Ajjawi, R. (2023). Learning to work with the
black box: Pedagogy for a world with artificial intelligence. British
Journal of Educational Technology, 54, 1160–1173. https://doi.org/10.1111/bjet.13337
Cain, W.
(2024). Prompting Change: Exploring Prompt Engineering in Large Language Model
AI and Its Potential to Transform Education. TechTrends,
68, 47–57. https://doi.org/10.1007/s11528-023-00896-0
Chomsky, N.,
Roberts, I., & Watumull, J. (2023, March 8). The
false promise of ChatGPT. The New York Times. https://shorturl.at/gvmOw
Clark, A.,
& Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7–19. https://shorturl.at/wj9RI
Cole, M.
& Engeström, Y. (1993). A cultural-historical
approach to distributed cognition. In G. Salomon (ed.), Distributed
cognitions. psychological and educational considerations (pp. 1-46).
Cambridge University Press.
Crompton,
H., & Burke, D. (2024). The Educational Affordances and Challenges of
ChatGPT: State of the Field. TechTrends 68,
380–392. https://doi.org/10.1007/s11528-024-00939-0
Dawson, S., Joksimovic, S., Mills, C., Gašević,
D. & Siemens, G. (2023), Advancing theory in the age of artificial
intelligence. British Journal of Educational Technology, 54, 1051-1056. https://doi.org/10.1111/bjet.13343
DeFalco,
J.A. & Sinatra, A.M. (2019). Adaptive Instructional Systems: The Evolution
of Hybrid Cognitive Tools and Tutoring Systems. In R. Sottilare,
J. Schwarz (eds) Adaptive Instructional Systems. HCII 2019. Lecture Notes in
Computer Science, vol. 11597. Springer, Cham. https://doi.org/10.1007/978-3-030-22341-0_5
Derry,
S. J., & LaJoie, S. P. (1993). A middle camp for (un)intelligent instructional
computing: An introduction. In S. P. Lajoie & S. J. Derry (Eds.), Computers as cognitive tools (pp. 1-14).
Lawrence Erlbaum Associates. (pp.2-4).
Dubé, A. K.,
& McEwen, R. N. (2017). Abilities and affordances: factors influencing
successful child–tablet communication. Education Tech Research Dev. 65, 889–908 https://doi.org/10.1007/s11423-016-9493-y
Eager, B.,
& Brunton, R. (2023). Prompting Higher Education Towards AI-Augmented
Teaching and Learning Practice. Journal of University Teaching &
Learning Practice, 20(5). https://doi.org/10.53761/1.20.5.02
Engeström Y. & Sannino, A. (2021) From mediated actions to
heterogenous coalitions: four generations of activity-theoretical studies of
work and learning, Mind, Culture, and Activity, 28(1), 4-23, http://doi.org/10.1080/10749039.2020.1806328
Garcia
Brustenga, G., Fuertes-Alpiste, M. &
Molas-Castells, N. (2018). Briefing
paper: chatbots in education. eLearning
Innovation Center, Universitat Oberta de Catalunya. https:/doi.org/10.7238/elc.chatbots.2018
Gibson, J.
J. (1979). The ecological approach to visual perception. Houghton Mifflin Company.
Gibson, E.
J. (1989, July). Learning to perceive or perceiving to learn? Paper presented
to the International Society for Ecological Psychology, Oxford.
Holstein,
K., Aleven, V., & Rummel, N. (2020). A Conceptual
Framework for Human–AI Hybrid Adaptivity in Education. In: I. Bittencourt, M. Cukurova, K. Muldner, R. Luckin, E. Millán. (eds) Artificial Intelligence in
Education. AIED 2020. Lecture Notes in Computer Science, vol 12163.
Springer, Cham. https://doi.org/10.1007/978-3-030-52237-7_20
IFTF
[Institute for the Future]. (2017). The next era of human / machine partnerships. Emerging
technologies' impact on society and work 2030. Institute for the Future & Dell Technologies. https://shorturl.at/4DJUD
Iiyoshi, T., Hannafin, M. J., & Wang, F. (2005).
Cognitive tools and student-centered learning:
rethinking tools, functions and applications, Educational Media
International, 42(4), 281-296. https://doi.org/10.1080/09523980500161346
Järvelä, S.,
Nguyen, A., & Hadwin, A. (2023). Human and artificial intelligence
collaboration for socially shared regulation in learning. British Journal of
Educational Technology, 54, 1057–1076. https://doi.org/10.1111/bjet.13325
Jonassen, D.
H. (1996). Computers in
the classroom. Mindtools for critical thinking. Prentice Hall.
Jonassen, D.
H., Carr, C. Yueh, H. P., (1998). Computers as mindtools for engaging learners
in critical thinking. TechTrends, 43(2),
32-35. https://doi.org/10.1007/BF02818172
Kanuka, H.
(2008). Understanding e-learning technologies-in-practice through
philosophies-in- practice. In T. Anderson (Ed.), The theory and practice of
online learning (2nd ed., pp. 91–118). Athabasca University Press.
Kim, B.,
& Reeves, T. C., (2007). Reframing research on learning with technology: in
search of the meaning of cognitive tools. Instructional Science, 35,
207-256. https://doi.org/10.1007/s11251-006-9005-2
Kirschner,
P. A., & Erkens, G. (2006). Cognitive Tools and Mindtools for Collaborative
Learning. Journal of Educational Computing Research, 35(2),
199-209. https://doi.org/10.2190/R783-230M-0052-G843
Kirsh, D. &
Maglio, P. (1994). On Distinguishing Epistemic from Pragmatic Action. Cognitive
Science, 18, 513-549. https://doi.org/10.1207/s15516709cog1804_1
Knoth, N., Tolzin, A., Janson, A. & Leimeister, J. M. (2024). AI
literacy and its implications for prompt engineering strategies. Computers
and Education: Artificial Intelligence, 6, https://doi.org/10.1016/j.caeai.2024.100225
Kozulin,
A. (2000). Instrumentos psicológicos. La educación desde una perspectiva
sociocultural. Paidós.
Lave, J.
(1988). Cognition in
practice. Cambridge
University Press.
Leontiev, A. N. (1978). Activity,
consciousness, and personality.
Prentice-Hall.
Miao,
F., & Holmes, W. [UNESCO] (2023). Guidance for generative AI in education and research. UNESCO
Mishra, P.,
Oster, N. & Henriksen, D. (2024). Generative AI, Teacher Knowledge and
Educational Research: Bridging Short- and Long-Term Perspectives. TechTrends 68, 205–210. https://doi.org/10.1007/s11528-024-00938-1
Nguyen, A.,
Hong, Y., Dang, B., & Huang, X. (2024). Human-AI collaboration patterns in
AI-assisted academic writing. Studies in Higher Education, 1–18. https://doi.org/10.1080/03075079.2024.232359
Norman, D.
A. (1999). Affordance, conventions, and design. Interactions, 6(3),
38–43.
Open AI
(2024, May 10). Open AI. About. https://openai.com/about/
Papert, S. (1982). Mindstorms: children, computers and powerful ideas. Harvester Press.
Pea, R. D.
(1985). Beyond amplification: Using the computer to reorganize mental
functioning. Educational Psychologist, 20(4), 167-182. https://doi.org/10.1207/s15326985ep2004_2
Pea, R. D.
(1993). Practices of distributed intelligence and designs for education. In G.
Salomon (ed.), Distributed cognitions. Psychological and educational
considerations (pp. 47-87). Cambridge University Press.
Perkins, D.
N. (1993). Person-plus: a distributed view of thinking and learning. In G.
Salomon (ed.), Distributed cognitions. Psychological and educational
considerations (pp. 88-110). Cambridge University Press.
Punie, Y.,
& Redecker, C (Eds.). (2017). European
framework for the digital competence of educators: DigCompedu. Publications Office of the European Union. https://doi.org/10.2760/178382
Rheingold,
H. (1985). Tools For
Thought: The History and Future of Mind-Expanding Technology. The MIT Press.
Sabzalieva E. & Valentini, A. [UNESCO] (2023). ChatGPT and artificial intelligence in higher
education: quick start guide. UNESCO.
Salomon, G.
(1993). No distribution without individuals' cognition: a dynamic interactional
view. In G. Salomon (ed.), Distributed cognitions. Psychological and
educational considerations (pp. 111-138). Cambridge University Press.
Salomon, G.
& Perkins, D. (2005). Do technologies make us smarter? Intellectual
amplification with, of and through technology. In R. Sternberg, R. and D.
Preiss (eds.), Intelligence and Technology: The Impact of Tools on the
Nature and Development of Human Abilities (pp. 71-86). Lawrence Erlbaum.
Salomon, G.,
Perkins, D. N., & Globertson, T. (1991). Partners
in cognition: Extending human intelligence with intelligent technologies. Educational
Researcher, 20(3), 2-9. https://doi.org/10.3102/0013189X0200030
Schellaert, W., Martínez-Plumed, F., Vold, K., Burden, J.,
Casares, P., A. M., Sheng Loe, B., Reichart, R., Ó hÉigeartaigh, S., Korhonen, A., & Hernández-Orallo, J.
(2023). Your Prompt is My Command: On Assessing the Human-Centred Generality of
Multimodal Models. Journal of Artificial Intelligence Research, 77,
377-394. https://doi.org/10.1613/jair.1.14157
Scribner, S.
& Cole, M. (1981). The
psychology of literacy. Harvard
University Press.
Sharples, M.
(2023). Towards social generative AI for education: theory, practices and
ethics. Learning: Research and Practice, 9(2), 159–167. https://doi.org/10.1080/23735082.2023.2261131
Simms,
Rachel Cox DNP, RN, FNP-BC. (2024). Work With ChatGPT, Not Against: 3 Teaching
Strategies That Harness the Power of Artificial Intelligence. Nurse Educator,
49(3), 158-161. http://doi.org/10.1097/NNE.0000000000001634
Vygotsky, L.
S. (1978). Mind in
society. Harvard
University Press.
Walter, Y.
(2024). Embracing the future of Artificial Intelligence in the classroom: the
relevance of AI literacy, prompt engineering, and critical thinking in modern
education. International Journal of Educational Technology in Higher Education,
21(15). https://doi.org/10.1186/s41239-024-00448-3
Wertsch,
J. V. (1995). Vygotsky y la formación social de la mente. Paidós.