From Prompt Engineering to Epistemic Prompting: Prompt Trajectories as AI-Mediated Problem Framing in Science Education

Resumen Técnico: Del Prompt Engineering al Prompting Epistémico

Planteamiento del Problema
Los enfoques actuales de interacción con los Modelos de Lenguaje Extensos (LLM) en la educación STEM tratan predominantemente el "prompt engineering" como una competencia técnica orientada a optimizar la calidad, la precisión o el formato de la salida. Si bien esta lógica de evaluación descendente es necesaria para la utilidad de la herramienta, es insuficiente para el aprendizaje. El artículo identifica una brecha crítica: la literatura existente no logra teorizar cómo los turnos secuenciales del estudiante funcionan como movimientos de encuadre de problemas disciplinares dentro de un contexto conversacional acumulativo. Además, existe el riesgo de que las salidas fluidas del modelo puedan ocultar modelos inapropiados, supuestos no declarados o desajustes entre representaciones, lo que conduce a una reducción del esfuerzo cognitivo y a la aceptación de afirmaciones sin sustento. El problema central es la falta de un marco que interprete las trayectorias de los prompts no simplemente como refinamientos iterativos para obtener mejores respuestas, sino como prácticas epistémicas donde los estudiantes articulan, regulan y evalúan cómo se constituye una tarea de conocimiento.

Metodología
Este artículo es un documento de modelo conceptual (Jaakkola, 2020) que sintetiza la literatura existente de cuatro vertientes de investigación principales: prompt engineering/alfabetización en IA, tutoría conversacional, metacognición/autorregulación y encuadre epistemológico/múltiples representaciones. En lugar de presentar nuevos datos empíricos, el autor construye un marco teórico mapeando los "problemas no resueltos" en estos campos adyacentes. La metodología consiste en:

1. Sintetizar Definiciones: Integrar el "encuadre epistemológico" (la interpretación situada de la actividad, el conocimiento y la acción) con la mecánica del diálogo humano-LLM.
2. Operacionalizar Conceptos: Desarrollar un vocabulario funcional (Tabla 2) para codificar los turnos del estudiante basándose en su impacto en la "organización epistémica" de un problema.
3. Modelar la Interacción: Proponer un "Bucle de Encuadre-Prompting" recursivo que visualiza la relación entre la función del prompt, el contexto acumulado, los estándares disciplinares y la asimilación del estudiante.

Contribuciones Clave
El artículo introduce el concepto de Prompting Epistémico, definido como la construcción y revisión deliberada de prompts para articular, regular y evaluar cómo se encuadra una tarea de conocimiento. Su criterio principal es la "adecuación epistémica": si la interacción pone a disposición para el escrutinio los objetos, las relaciones, los supuestos y la distribución del trabajo, en lugar de la mera calidad de la salida.

Las contribuciones principales incluyen:

• La Trayectoria del Prompt: Desplazar la unidad de análisis del prompt aislado o la respuesta final hacia la secuencia completa de prompts, respuestas del modelo, asimilación del estudiante y verificaciones disciplinares.
• El Bucle de Encuadre-Prompting: Un modelo de múltiples turnos donde un prompt inicial establece un macro-encuadre provisional (selección de problemas, representaciones, supuestos y distribución de trabajo), y los turnos subsiguientes mantienen, especifican, desafían, reparan, transforman o reencuadran dicha organización.
• Taxonomía Funcional: Un conjunto de indicadores operacionales para codificar los turnos del estudiante (Tabla 2), distinguiendo entre:
  • Establecer (definir el problema y el rol).
  • Mantener (preservar el modelo actual).
  • Especificar (hacer explícitos los elementos implícitos).
  • Desafiar (cuestionar la evidencia o la validez).
  • Reparar (diagnosticar inconsistencias preservando los elementos justificados).
  • Transformar la Representación (cambiar entre modos, por ejemplo, de gráfico a ecuación, con un propósito disciplinar).
  • Reencuadrar (introducir nuevos modelos o criterios).
  • Cerrar/Sintetizar (solicitar validación y cierre justificado).
• Garantía de Concepto-a-Decisión: Un criterio específico que requiere que los prompts conecten conceptos con decisiones concretas (por ejemplo, cómo un concepto restringe un cálculo o un criterio de validación), yendo más allá de la simple definición o la búsqueda de respuestas.

Resultados y Reivindicaciones
Como artículo conceptual, los "resultados" son el marco propuesto y sus implicaciones teóricas para la instrucción y evaluación en STEM:

• Distinción del Prompt Engineering: A diferencia del prompt engineering convencional que busca optimizar la salida, el prompting epistémico trata el prompt como un rastro público de la agencia epistémica del estudiante. Un prompt es pedagógicamente productivo no porque produzca una respuesta perfecta, sino porque expone un error conceptual, un conflicto representacional o un criterio de validación ausente.
• Delegación Regulada: El marco aboga por una "delegación regulada", donde el modelo contribuye con representaciones, cálculos o críticas, pero el estudiante retiene la responsabilidad normativa de la formulación, la validación y la determinación de cuándo una conclusión está justificada.
• Implicaciones Instruccionales: La instrucción debe ir más allá de las "plantillas" para buenas salidas. En su lugar, las tareas deben requerir que los estudiantes formulen prompts que establezcan explícitamente el contexto disciplinar, la distribución de roles, la ruta metodológica y los criterios de validación. Los estudiantes deben ser entrenados para revisar prompts para desafiar supuestos o cambiar representaciones, en lugar de simplemente reformular para mayor claridad.
• Implicaciones de Evaluación: La evaluación debe examinar la trayectoria del prompt (evidencia de proceso) en lugar de solo el prompt final o la respuesta. Las rúbricas deben examinar la adecuación del encuadre inicial, la calidad de la asimilación, la función de los seguimientos y la justificación del cierre, buscando patrones de búsqueda de respuestas improductiva frente a una regulación epistémica productiva.

Significancia y Limitaciones
El artículo afirma que el prompting epistémico extiende la alfabetización en IA al conectar la competencia operativa con la responsabilidad sobre la indagación. Argumenta que, en una era de IA generativa accesible, la competencia decisiva es mantener el control epistémico sobre el proceso de indagación.

El autor señala explícitamente la modestia de sus afirmaciones:

• Sin Evidencia Empírica: El artículo propone un marco, pero no proporciona evidencia empírica de que la instrucción en prompting epistémico mejore la comprensión, la transferencia o la autorregulación.
• Preocupaciones de Equidad: El marco reconoce que el elaborado prompting en lenguaje natural puede privilegiar a estudiantes con un lenguaje académico sólido o conocimientos disciplinares previos. Advierte contra la confusión de la fluidez lingüística con la competencia epistémica y sugiere que la instrucción debe proporcionar múltiples puntos de entrada (por ejemplo, bocetos, código, diálogo hablado).
• Direcciones Futuras: El artículo hace un llamado a la investigación futura para probar el marco en diversas disciplinas, examinar la relación entre los tipos de trayectoria (por ejemplo, desafío/reparación frente a búsqueda de respuestas) y la resolución de problemas independiente, y validar las categorías de codificación frente a medidas independientes de comprensión conceptual.