A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI

La nueva clase de matemáticas: Cuando la calculadora escribe el código

Imagina que estás aprendiendo a cocinar. Durante siglos, la parte más difícil de cocinar fue picar las verduras y revolver la olla. Tenías que aprender las habilidades con el cuchillo, el tiempo y la memoria muscular para hacer una salsa perfecta. Pero luego, alguien inventó un robot chef. Este robot no solo pica; puede leer una receta que describes en lenguaje natural, picar las cebollas, revolver la salsa, probarla e incluso arreglarla si está demasiado salada. De repente, el acto de "cocinar" cambia. Ya no necesitas ser un maestro en el manejo del cuchillo; necesitas ser un maestro catador y un instructor de instrucciones claro. Si solo dices "hazlo sabroso", el robot podría hacer un desastre que parezca delicioso.

Esto es exactamente lo que está sucediendo en el mundo de la física y la educación científica. Durante mucho tiempo, aprender "física computacional" significaba aprender a escribir código de computadora: teclear instrucciones para que una computadora resolviera problemas matemáticos complejos, como predecir cómo se mueve un planeta o cómo se propaga un virus. Pero ha llegado un nuevo tipo de inteligencia artificial (IA). Estas no son solo los chatbots que responden preguntas; son herramientas "agénticas". Pueden tomar una frase sencilla como "simula una pelota rebotando con resistencia del aire" y escribir el código, ejecutar la simulación, dibujar las gráficas y corregir sus propios errores.

La gran pregunta para los profesores es: si el robot hace la cocina, ¿qué es lo que los estudiantes necesitan aprender? ¿Todavía necesitan saber cómo picar? Y si el robot entrega un informe con un aspecto perfecto, ¿cómo sabemos si el estudiante realmente entiende la receta? Este artículo aborda ese problema exacto, argumentando que la vieja forma de calificar (solo mirar el informe final) está rota, y propone una nueva forma de enseñar y evaluar a los estudiantes que se centra en entender el porqué y el cómo, en lugar de solo el tecleo.

---

La gran idea del artículo: Del tecleo al pensamiento

El autor, Larry Engelhardt, argumenta que estamos atravesando un cambio masivo, similar a cuando las calculadoras reemplazaron a las reglas de cálculo. En el pasado, los estudiantes tenían que aprender la "mecánica" de la herramienta: los comandos específicos, la sintaxis y las habilidades de tecleo para hacer que la computadora funcionara. Ahora, con estas nuevas agentes de IA, la "mecánica" es manejada por la máquina. El trabajo del estudiante ha pasado de ser el operador al director.

El artículo sugiere que, aunque la herramienta cambie, las cosas fundamentales que un estudiante debe saber han permanecido iguales durante siglos. Engelhardt organiza estas en cinco "pil pillars" (pilares) que siguen siendo ciertos ya sea que estés usando un lápiz, una calculadora o una IA superinteligente:

1. Entradas y Salidas: Saber qué estás introduciendo en el sistema y qué esperas obtener.
2. Comprensión Conceptual: Saber qué hace realmente el método y cómo funciona, no solo cómo teclearlo.
3. Terminología: Usar las palabras científicas adecuadas para describir el problema con claridad.
4. Sentido de la Realidad (Sensemaking): La capacidad de mirar un resultado y decir: "Eso tiene sentido" o "Eso parece incorrecto".
5. Operar la Herramienta: La habilidad de usar la herramienta actual (que antes era el tecleo, pero que ahora es dar instrucciones claras a una IA).

El hallazgo principal del artículo es que, en la era de la IA, la habilidad más importante se ha convertido en el Sentido de la Realidad (Pilar 4). Debido a que la IA puede generar códigos y gráficas instantáneamente, la capacidad del estudiante para verificar si esos resultados son reales es ahora la habilidad más crítica. El autor llama a esto "autoridad de verificación". El hecho de que la IA diga "aquí está la respuesta" no significa que sea correcta; el estudiante debe ser el juez.

Por qué los exámenes antiguos están rotos

El artículo argumenta explícitamente en contra de la forma tradicional de calificar las clases computacionales. Durante décadas, los profesores asignaban un proyecto: "Escribe un código para simular un péndulo, haz una gráfica y entrega un informe". La suposición era que si el estudiante entregaba un informe funcional, debía entender la física.

Engelhardt dice que esto ya no es cierto. Él llama a esto el "colapso del proxy". Un "proxy" es un sustituto de otra cosa. El informe era un sustituto de la comprensión del estudiante. Pero ahora, debido a que una IA puede generar un informe perfecto a demanda, el informe ya no demuestra que el estudiante sepa nada. Es como si un estudiante entregara un ensayo perfecto escrito por un autor famoso; el ensayo es bueno, pero no demuestra que el estudiante sepa escribir. El artículo sostiene que debemos dejar de tratar el "artefacto" (el código o la gráfica) como la prueba del aprendizaje.

La nueva solución: La "Defensa Oral"

Entonces, si no podemos confiar en la tarea, ¿cómo evaluamos a los estudiantes? El artículo propone un sistema práctico de dos partes diseñado para las clases pequeñas donde se suele enseñar física:

1. Exámenes libres de IA: Los estudiantes todavía toman breves exámenes de codificación en clase donde no pueden usar IA. Esto asegura que no hayan perdido la "memoria muscular" básica de cómo funciona el código. Se les podría pedir que arreglen una pieza de código rota o escriban una pequeña función desde cero.
2. La Defensa Oral: Esta es la gran idea nueva. Después de que los estudiantes usen la IA para ayudarlos a construir un proyecto, deben sentarse con el profesor para una conversación de 10 minutos.
   • El giro: Antes de la reunión, el profesor utiliza una herramienta para eliminar todos los comentarios (las notas que explican el código) de la entrega del estudiante.
   • La prueba: El profesor le pide al estudiante que recorra su propio código, explique qué significan las gráficas y responda preguntas como: "¿Por qué elegiste este método?" o "¿Qué pasaría si duplicáramos la masa?".
   • El guardián: Existe una "puerta de verificación" específica. El estudiante debe demostrar que verificó su trabajo. Si no puede explicar por qué el resultado es correcto, reprueba, incluso si el código funciona perfectamente.

El autor sugiere que esta defensa oral es la única forma de certificar que el estudiante realmente es dueño del trabajo. Es similar a cómo un estudiante de doctorado defiende su tesis; el artículo no se califica solo por la escritura, sino por la capacidad del estudiante de explicar y defenderla en persona.

Lo que el artículo dice (y lo que no dice)

El artículo señala cuidadosamente que este es un nuevo marco basado en la experiencia y adaptación del autor, no es el resultado de estudios científicos masivos y a largo plazo. El autor admite que aún no sabemos la "dosis" perfecta de práctica de codificación necesaria antes de cambiar a la IA. Sugieren que los estudiantes aún necesitan ver la "caja blanca" (el código funcionando de manera transparente) al menos una vez para construir un modelo mental, pero no están seguros de cuánto es suficiente.

El artículo también descarta la idea de que simplemente podamos "prohibir" la IA. El autor argumenta que intentar detener a los estudiantes de usar la IA en casa es como intentar detenerlos de usar una calculadora; es imposible. En su lugar, el enfoque debe estar en la motivación y en el diseño de la evaluación que haga que usar la IA sea la forma correcta de aprender, no la forma fácil de hacer trampa.

La conclusión

El artículo concluye que el "producto" de un curso de física computacional ya no es el código o la gráfica. Esos son baratos y fáciles de obtener ahora. El verdadero producto es la capacidad del estudiante para explicar y defender los resultados utilizando el lenguaje de la física.

En un mundo donde las máquinas pueden hacer el trabajo pesado, el valor humano reside en el juicio. El artículo sugiere que el futuro de la enseñanza no consiste en detener al robot de escribir el código; se trata de enseñar al estudiante a ser el director inteligente y crítico que sabe exactamente qué está haciendo el robot, por qué lo está haciendo y si la respuesta es realmente cierta. La conversación entre el estudiante y el profesor se convierte en la parte más importante de la clase, porque es el único lugar donde la verdadera comprensión puede ser probada.