FORGE: A Framework for Orchestrated Role-based Generation in Education
Este artículo presenta FORGE, un marco de ciencia del diseño que estructura la colaboración entre instructor e IA en la educación superior a través de cuatro roles y siete dimensiones, demostrando mediante estudios de caso cómo sus directrices transforman el prompting improvisado en un flujo de trabajo transferible y basado en roles para la generación de materiales educativos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En las aulas de la educación superior, una revolución silenciosa se ha estado llevando a cabo, impulsada por un nuevo tipo de programa informático conocido como modelo de lenguaje de gran tamaño. Estos sistemas pueden leer vastas cantidades de texto y escribir en lenguaje humano, lo que lleva a muchos a preguntarse cómo podrían cambiar la forma en que los profesores preparan sus cursos. Durante años, la mayor parte de la investigación se ha centrado en cómo los estudiantes utilizan estas herramientas, preocupándose a menudo por la integridad académica o por cómo detectar cuándo un estudiante se ha apoyado en ellas. Sin embargo, un cambio paralelo e igualmente significativo está ocurriendo tras bambalinas: los instructores están comenzando a utilizar estas mismas herramientas para ayudarlos a redactar exámenes, diseñar proyectos y crear planes de lecciones. El desafío es que, sin un método compartido para este trabajo, cada profesor está esencialmente inventando su propia manera de pedir ayuda a la computadora. Algunos podrían pedir un borrador completo, otros una sola oración, y pocos tienen un sistema claro para decidir cuándo confiar en la máquina y cuándo intervenir con su propio juicio experto.
Esta incertidumbre es importante porque la creación de buenos materiales educativos es una tarea compleja. Requiere no solo generar texto, sino asegurar que una pregunta evalúe el concepto correcto, que la dificultad sea la adecuada y que el contenido se alinee con lo que realmente se enseñó en clase. Si un profesor simplemente le pide a una computadora que escriba un examen y acepta el primer resultado, el material podría ser defectuoso de maneras sutiles que un estudiante podría explotar o que podrían fallar en medir lo que el profesor pretendía. La pregunta central, entonces, no es si las computadoras pueden escribir estos materiales, sino cómo un humano y una máquina pueden trabajar juntos de manera efectiva para producir algo que sea tanto de alta calidad como confiable.
Para responder a esto, los investigadores Emmanuel Gonzalez y Paul T. Grogan de la Universidad Estatal de Arizona desarrollaron una nueva forma de trabajar llamada FORGE. No se limitaron a proponer una teoría; la probaron en un curso de ingeniería de pregrado real. Observaron cómo un instructor utilizaba un programa informático para crear dos tipos de tareas muy diferentes: un examen estándar de opción múltiple y un proyecto de curso complejo y de respuesta abierta. Al registrar cada una de las instrucciones que el profesor le dio a la computadora y cómo respondió la computadora, trazaron un conjunto claro de reglas para la colaboración. Su trabajo sugiere que el éxito del trabajo en equipo entre humanos y computadoras en la educación depende de asignar roles específicos a la computadora, saber cuándo pedir ideas frente a cuándo dar órdenes, y entender que el humano debe seguir siendo el juez final de la calidad.
Los investigadores encontraron que la forma en que un profesor interactúa con la computadora depende en gran medida de lo que esté intentando crear. Cuando el objetivo es un material convergente, como un examen donde las respuestas son fijas y el formato se conoce de antemano, el proceso se asemeja a un refinamiento largo y detallado. En el estudio, el instructor pasó casi todo su tiempo —aproximadamente el noventa y cuatro por ciento del trabajo activo— revisando y corrigiendo los borradores de la computadora en lugar de pedir nuevo contenido. La computadora generaba una pregunta y el profesor detectaba un error sutil, como un fragmento de código que accidentalmente revelaba la respuesta, y le pedía a la computadora que lo intentara de nuevo. Este ciclo de generación y corrección continuaba hasta que el material era perfecto. La computadora actuaba como un escritor rápido, pero el humano actuaba como un editor estricto, asegurando que cada detalle cumpliera con los estándares específicos del curso.
En contraste, cuando el profesor trabajaba en un material divergente, como la especificación del proyecto de curso donde la forma final aún no se conocía, el proceso era diferente. Aquí, la computadora y el profesor pasaban más tiempo determinando qué debería ser el proyecto. El profesor le pedía a la computadora opciones e ideas, participando en una conversación de ida y vuelta para decidir qué temas incluir y cómo estructurar la tarea. En este escenario, la computadora actuaba más como un compañero de lluvia de ideas, ofreciendo sugerencias que el profesor podía aceptar, rechazar o modificar. El profesor dedicaba una porción mayor de su tiempo, aproximadamente el veintiséis por ciento de los prompts, a hacer preguntas abiertas para explorar posibilidades, en lugar de simplemente corregir errores. Esto demostró que el tipo de material dicta el ritmo del trabajo: algunas tareas necesitan una mano firme para pulir una forma conocida, mientras que otras necesitan una mente flexible para descubrir una nueva.
Un hallazgo clave del estudio es que la computadora no puede ser confiada para tomar la decisión final sobre lo que es pedagógicamente sólido. Los investigadores identificaron cuatro roles distintos que pueden desempeñar en esta colaboración: un Lector que recopila información, un Escritor que crea contenido, un Crítico que busca errores y un Orquestador que toma las decisiones finales. En ambos casos, el instructor humano asumió el rol de Orquestador. Encontraron que, si bien la computadora podía encargarse de tareas como dar formato al texto o revisar la ortografía, consistentemente pasaba por alto problemas más profundos. Por ejemplo, en una ocasión, la computadora escribió una pregunta sobre un programa informático, pero el código que incluyó contenía la respuesta justo frente a los ojos del estudiante. La computadora no notó este fallo porque carecía del contexto de lo que la pregunta debía evaluar. Solo el instructor humano, que conocía los objetivos de aprendizaje, pudo ver el problema y dirigir a la computadora para que lo solucionara.
El estudio también reveló que la forma en que un profesor habla con la computadora importa tanto como lo que pide. Los investigadores distinguieron entre dos estilos de interacción: conversacional y directivo. Cuando el profesor aún estaba decidiendo cómo sería la tarea, utilizaba un estilo conversacional, pidiendo a la computadora opciones y compensaciones. Una vez establecido el plan, cambiaba a un estilo directivo, dando órdenes claras para solucionar problemas específicos. Los profesores más efectivos en el estudio sabían cuándo cambiar entre estos modos. No se limitaban a una sola forma de hablar; adaptaban su enfoque basándose en si estaban explorando nuevas ideas o refinando un borrador existente. Esta flexibilidad evitaba que el trabajo se estancara o tomara un camino equivocado.
Quizás la lección más importante de este trabajo es que el humano debe seguir siendo el integrador del sistema. La computadora puede generar contenido a una velocidad increíble, pero no puede comprender el propósito más amplio del curso ni las necesidades específicas de los estudiantes. Los investigadores observaron que cuando el profesor se retiraba y dejaba que la computadora dirigiera todo el proceso, los resultados solían ser defectuosos. Pero cuando el profesor permanecía en el ciclo, revisando constantemente el trabajo y guiando a la computadora con instrucciones específicas, los materiales finales eran de alta calidad. El estudio sugiere que el mejor uso de estas herramientas no es reemplazar al profesor, sino actuar como un asistente poderoso que se encarga del trabajo pesado de la redacción, dejando al profesor libre para enfocarse en el juicio y la experiencia que solo un humano puede proporcionar.
Los investigadores probaron estas ideas en dos tareas específicas en un solo curso, por lo que los hallazos se basan en un conjunto limitado de datos. No pretenden que este método funcione para cada profesor o cada materia, pero sí demuestran que un enfoque estructurado es posible. Al definir roles claros y saber cuándo hacer preguntas frente a cuándo dar órdenes, los profesores pueden convertir el proceso caótico de usar inteligencia artificial en un flujo de trabajo confiable. El estudio concluye que, con el marco adecuado, los instructores pueden describir cómo trabajan con estas herramientas, conservar lo que funciona y llevar esas lecciones a la siguiente tarea. Esto mueve el uso de la inteligencia artificial en la educación de una serie de conjeturas de suerte a una habilidad practicada y repetible que puede mejorar la calidad de los materiales de aprendizaje para todos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.