Optimizando Modelos de Lenguaje Grande para la Enseñanza: El Valor de la Experiencia Docente

• El 56% de los educadores utilizan IA a veces, con frecuencia o siempre
• Solo el 25% de las escuelas o distritos han proporcionado formación en IA a sus docentes

Estos datos de nuestra reciente encuesta a 800 educadores confirman lo que ya sospechábamos: la mayoría de los educadores están utilizando inteligencia artificial para su labor docente, pero carecen de buenas prácticas establecidas para su implementación.

Los Modelos de Lenguaje Grande como ChatGPT, Claude y Google Gemini son formas muy sofisticadas de autocompletado. Predicen y generan la siguiente secuencia de palabras basándose en el lenguaje que se proporciona como entrada.

1. Volumen de Datos: Los LLMs se entrenan con cantidades masivas de datos provenientes de sitios web, libros, artículos noticiosos, materiales educativos, documentos científicos, conversaciones, etc.

2. Prompting (Indicaciones Contextuales): Mediante comandos y contexto añadido, es posible redirigir el autocompletado del LLM para que mejor se ajuste a necesidades específicas.

3. Aprendizaje Continuo: A medida que los usuarios interactúan con los LLMs y proporcionan retroalimentación, estos modelos aprenden gradualmente mejores formas de responder.

Cuando pedí a ChatGPT que completara la frase “Pass the ___”, respondió con “salt”. Sin embargo, al cambiar el contexto a “You are a member of Congress” la respuesta cambió a “bill”, y con “Now you are in a school” la respuesta fue “note”.

Los modelos de lenguaje grande están transformando la educación:

• Generación de planes de lección, cuestionarios y textos de lectura
• Evaluación y retroalimentación en respuestas de desarrollo
• Práctica conversacional y ejercicios de vocabulario y gramática
• Creación de cartas para padres, prompts de escritura y escenarios de resolución de problemas complejos
• Personalización de instrucciones y contenidos para estudiantes individuales

No trate los LLMs como si fueran simplemente el web. Los resultados que obtenga dependerán en gran medida de su aporte como experto educativo.

Los LLMs necesitan instrucciones detalladas. Piense en cómo explicaría la tarea a una persona aleatoria. Esto le ayudará a ser más preciso en sus indicaciones.

• Comience con instrucciones menos específicas y vaya refinando
• Ajuste sus prompts al inicio o final para mayor impacto
• Use ejemplos concretos para ilustrar lo que espera

Comparta su conocimiento contextual y vocabulario preciso. Puede incluso pedir al LLM que le ayude a formular mejores instrucciones.

La enseñanza es una profesión increíblemente compleja y matizada, difícil de comprender para quienes no la han vivido. Esta es la “conocimiento oculto” que los modelos de lenguaje grande necesitan aprender para ser realmente útiles en educación.

Josh Fisher es Ingeniero de Contenido de IA para Carnegie Learning y diseñador instruccional de matemáticas con más de 27 años de experiencia en educación matemática K-12. Es coautor de la serie MATHbook de Carnegie Learning y ha contribuido significativamente a sus productos digitales, liderando los esfuerzos de creación de contenidos para MATHstream y MATHia. Fue el impulsor de LiveHint en 2020 y actualmente lidera el desarrollo de su sucesor, LiveHint AI.

“El secreto para mejorar el aprendizaje estudiantil con LLMs es la aportación de la experiencia docente. […] por muy potentes y sofisticados que sean, los modelos de lenguaje grande son repositorios de conocimiento común, no de buenas prácticas basadas en evidencia.”