Unidad 3.2. Tutorial de Prompting

"Juzga a un hombre por sus preguntas y no por sus respuestas" Voltaire

"No es la respuesta la que ilumina, sino la pregunta" Eugene Ionesco

“Lo importante es no dejar de hacerse preguntas”

"Si yo tuviera una hora para resolver un problema, y mi vida dependiera de la solución, gastaría los primeros 55 minutos en determinar la pregunta apropiada, porque una vez conociera la pregunta correcta, podría resolver el problema en menos de cinco minutos"

Albert Einstein

Importancia del Diseño de Prompts

Claridad y ambigüedad en la redacción de prompts

Prompts pre-entrenados vs customizados

Consideraciones éticas en el diseño de prompts

Aplicaciones del Prompting en Educación

Evaluación formativa y sumativa

Tutoriales inteligentes y asistentes educativos

Fomento de la creatividad y resolución de problemas

Personalización del aprendizaje

Ejemplos de Uso de Prompting en IA

Chatbots y asistentes virtuales

Motores de búsqueda

Generadores de imágenes

Generadores de audio y música

Juegos interactivos

Integración de Prompting en Aplicaciones de IA

APIs y SDKs disponibles para texto, imágenes y audio

Desafíos y limitaciones

Actividad: Diseña Tu Propio Prompt

Instrucciones para crear un prompt efectivo para texto, imagen o audio

Ejercicio práctico para diseñar un prompt

Discusión y análisis de los resultados

Tiempo estimado: 30 minutos

Introducción y objetivos

Ya hemos visto que la herramienta que provocó la irrupción masiva la inteligencia artificial a nivel popular fue el chatbot ChatGPT. La tecnología que hay detrás de este chat es el mencionado PLN (Procesamiento del Lenguaje Natural). A día de hoy, esta tecnología se ha utilizado para desarrollar muchos otros chatbots (Bard, Llama, Claude etc…). El PLN es un subcampo de la IA que utiliza modelos de lenguaje para predecir una secuencia de palabras.

Para poder sacar el mayor potencial de estos modelos, es crucial entender y aplicar de manera efectiva la técnica de "prompting". Esta técnica nos permite interactuar con estos modelos de lenguaje para recibir respuestas específicas y generar distintos tipos de contenido, desde texto, como en los chatbots, hasta imágenes y sonidos a través de otras herramientas que veremos más adelante.

En este capítulo, vamos a explorar el concepto de prompting de forma detallada, sus implicaciones en la IA, y su potencial aplicación en la educación.

Objetivos

Comprender qué es el "prompting" y su importancia en la interacción con modelos de IA.

Familiarizarse con la evolución histórica y los distintos tipos de prompts que existen.

Aprender cómo funciona el prompting en la generación de diferentes tipos de contenido (texto, imágenes, sonidos).

Conocer las aplicaciones específicas del prompting en el contexto educativo.

¿Qué es "prompting"? y su importancia

El prompting es una técnica utilizada para interactuar con sistemas de IA mediante indicaciones o preguntas específicas . Es el medio por el cual se le pide a un modelo de lenguaje o a un algoritmo de IA que realice una acción o que genere una respuesta. Este concepto es fundamental para aprovechar plenamente las capacidades de los modelos de IA, especialmente en el procesamiento de lenguaje natural (PLN).

El prompting nos lleva a introducir al modelo un prompt, lo que en castellano podríamos traducir como “cuestión, pregunta o Indicación”.

Por tanto, el prompting se trata, dicho de manera simple, de pensar y trabajar la indicación o pregunta que vamos a realizarle al modelo de IA para que la respuesta o resultado que el modelo nos presente sea lo más ajustado posible a nuestra solicitud y nos aporte un contenido lo más valioso posible.

Un ejemplo aclaratorio:

Todos hemos hecho búsquedas en cualquiera de los buscadores disponibles por internet. Al hacerlas, en mayor o menor medida hacemos un esfuerzo para introducir el texto adecuado para que el motor de búsqueda encuentre la web o webs más relevantes para nuestra necesidad concreta. Ese esfuerzo que hacemos para que nuestra entrada facilite al buscador ofrecernos lo que buscamos sería el prompting. En el contexto de un motor de búsqueda, esto se traduciría en cómo eliges y organizas las palabras clave para obtener los resultados más relevantes. Es una especie de "arte" en cómo haces la pregunta para obtener la mejor respuesta

A su vez, el texto que introducimos en el buscador representaría el prompt. Es la consulta específica que generas, compuesta de palabras clave, frases o preguntas, que el motor de búsqueda procesa para obtener resultados.

El prompting es esencial para una gran variedad de aplicaciones de IA. Desde asistentes virtuales hasta motores de búsqueda y sistemas de recomendación, el diseño y la implementación efectiva de prompts son cruciales para la eficacia y precisión de estos sistemas. Además, con la aparición de modelos más avanzados y diversos, el papel del prompting se ha expandido para incluir la generación de contenido más allá del texto, como imágenes y sonidos.

Evolución del prompting

En los albores de la computación, las interacciones con las máquinas eran bastante rudimentarias. Las interfaces de línea de comandos fueron algunas de las primeras formas de prompting, donde los usuarios ingresaban comandos de texto específicos para obtener respuestas o realizar tareas.

Con el tiempo y el avance tecnológico, las formas de interactuar con las máquinas se han vuelto cada vez más sofisticadas. Pasamos de las interfaces de línea de comandos (MS-DOS) a interfaces gráficas de usuario (Windows) y luego a interacciones más intuitivas gracias a la IA. Los modelos de lenguaje de gran escala como por ejemplo GPT-3 (modelo detrás de ChatGPT) y LaMDA (modelo detrás de Bard) permiten ahora una interacción mucho más natural y conversacional. A través de prompts bien diseñados, estos y otros modelos pueden comprender y generar texto, imágenes, y sonidos que son increíblemente cercanos a lo que un humano podría producir o entender.

En sus inicios, el prompting se limitaba principalmente al texto. Sin embargo, con el desarrollo de modelos de IA más avanzados, ahora es posible generar y analizar diferentes tipos de medios. Por ejemplo, existen modelos que pueden generar imágenes basadas en descripciones de texto (prompts de imagen), y también modelos que podrían generar un texto basándose en una imagen (que en este caso haría el papel de prompt), pero también modelos que pueden componer música basada en ciertas instrucciones o emociones (prompts de audio). Esta evolución ha ampliado enormemente el alcance y las aplicaciones del prompting, permitiendo una gama más amplia de interacciones y generación de contenido.

Modelos capaces de entender prompts de diferentes tipos y generar resultados también de diferentes tipos serían los mencionados multimodales. Un ejemplo: introducir una imagen de un paisaje otoñal en un modelo de este tipo, y solicitar que genere un poema que capture la esencia de la imagen.

Este tipo de interacción representa una evolución emocionante en el campo del prompting, ya que amplía significativamente las formas en que podemos interactuar con los modelos de IA. Los prompts ya no están limitados al texto, sino que pueden abarcar una variedad de medios, incluidas imágenes, sonidos y quizás más en el futuro.

Esta funcionalidad tiene aplicaciones potenciales muy interesantes, no solo en el ámbito del arte y la creatividad, sino también en campos como la educación, donde podría emplearse para enseñar conceptos como la interpretación de imágenes, la escritura creativa o incluso la empatía y el entendimiento cultural.

Tipos de prompts

Como acabamos de ver, a medida que la inteligencia artificial ha evolucionado, los prompts que podemos utilizar para interactuar con los modelos también lo han hecho. Mientras que en sus inicios el prompting se centraba exclusivamente en el texto, la tecnología actual permite una gama mucho más amplia de interacciones.

El desarrollo de la IA le permite abordar una amplia variedad de modalidades. Las "modalidades" en este contexto se refieren a las diferentes formas de datos o información que los sistemas de IA pueden procesar (prompt de entrada) o generar (salida de la IA).

En la siguiente tabla vamos a resumir todas las modalidades que la IA generativa nos ofrece. Cada una de las cuales admite uno o más tipos de prompts.

Prompt (entrada)	Respuesta IA (salida)	Ejemplo de uso
Texto	Texto	Chatbot, traducción, resumen…
Texto	Imagen	Generación imagen desde texto
Texto	Video	Generación de video desde texto
Texto	Audio	Síntesis de voz, sistemas Text-To-Speech, generación de música
Imagen	Texto	Descripción imagen, reconocimiento óptico de caracteres (OCR)
Imagen	Imagen	Colorización de imágenes en blanco y negro, superresolución, estilo transfer entre imágenes
Audio	Texto	Transcripción automática, reconocimiento de voz
Audio	Audio	Eliminación de ruido, cambio de tono o velocidad
Video	Texto	Subtitulación, descripción automática del contenido
Video	Video	Mejora de resolución de video, transferencia de estilos de videos
Combinación de anteriores	Cualquiera o una combinación de las anteriores	MULTIMODALIDAD: Sistemas que pueden recibir una imagen y una pregunta en texto sobre esa imagen, y proporcionar una respuesta en texto o audio.

Estas son algunas de las principales modalidades en las que operan los sistemas de IA. Pero hay que subrayar que la investigación en IA está en constante evolución, y con el tiempo es probable que veamos aún más capacidades y combinaciones en términos de modalidades.

A continuación, examinaremos con mayor profundidad algunas posibilidades de los tipos de prompts de uso mas común

Prompts de Texto

El texto ha sido tradicionalmente el medio más común para el prompting en IA. Los prompts de texto se introducen generalmente en forma de preguntas o indicaciones. Dentro de los prompts de texto podemos distinguir en base al tipo de respuesta que queremos obtener:

Prompts Abiertos vs Cerrados:

Los prompts abiertos son aquellos que no limitan las respuestas de la IA, como "Háblame sobre el cambio climático".

Los prompts cerrados, en cambio, buscan respuestas específicas, como "¿En qué año nació Albert Einstein?".

Prompts de Selección Múltiple. A veces, se presenta a la IA una serie de opciones y se le pide que elija la correcta o la más adecuada según el contexto. Por ejemplo: "¿Cuál es la capital de Francia? A) Madrid, B) Berlín, C) París".

Prompts de Texto Libre. Son aquellos en los que se le da libertad a la IA para generar contenido, como "Escribe un cuento corto sobre un robot".

Prompts Visuales

Con la evolución de los modelos de IA hacia capacidades multimodales, es posible usar imágenes o videos como prompts. Con estos prompts se le puede solicitar a la IA que describa la imagen, identifique objetos en ella o, como se mencionó anteriormente, genere texto creativo inspirado en la imagen. También puede pedírsele una salida de la imagen o video mejorada o modificada.

Prompts de Audio

La capacidad de procesar y generar audio ha abierto una nueva dimensión en el mundo del prompting. Los prompts de audio pueden variar desde simples indicaciones verbales hasta la introducción de fragmentos de música o sonidos específicos.

Sonidos. Se pueden usar para que la IA identifique o describa, como el canto de un pájaro o el ruido de la lluvia.

Música. Puede servir como inspiración para que la IA genere letras de canciones, identifique el género musical o incluso cree una melodía complementaria.

Estos son solo ejemplos de las posibilidades ya explotadas y de uso frecuente. La versatilidad y el potencial de la inteligencia artificial moderna abre un mar de posibilidades. Ya no estamos limitados a interacciones basadas en texto; la IA ahora tiene la capacidad de comprender y generar contenido en una variedad de medios, lo que permite aplicaciones mucho más ricas y diversificadas en numerosos campos.

Cómo funciona el prompting en IA

El prompting en la inteligencia artificial, desde el punto de vista del usuario, se resume en proporcionar una entrada más o menos elaborada y esperar una respuesta, si bien este proceso, muchas de las veces, requerirá de un cierto número de iteraciones hasta que la IA nos genere la respuesta conveniente.

Detrás de cada respuesta generada por un modelo de IA, hay una serie de procesos y tecnologías complejas. Vamos a realizar una ligera introducción que nos permita entender conceptualmente cómo funcionan estos sistemas, centrandonos en el Procesamiento del Lenguaje Natural (PLN) dado que es el que, en principio, más nos puede interesar como docentes. Si bien, veremos que conceptualmente el funcionamiento interno de los modelos tiene muchas similitudes independientemente de que se trate de un modo u otro.

El prompting en el Procesamiento de Lenguaje Natural (PLN)

Hemos visto que una parte de la IA se centra en los modelos Text2Text. Estos modelos requieren la introducción de un texto y devuelven otro texto como respuesta, ya sea una respuesta concreta, una conversación con un Chatbot, un resumen, una traducción…

La tecnología que hay debajo de esta modalidad es el Procesamiento de Lenguaje Natural (PLN)

El PLN, como sabemos, es una rama de la inteligencia artificial que se centra en la interacción entre las computadoras y el lenguaje humano. Su objetivo es permitir que las máquinas entiendan, interpreten y generen lenguaje de manera que sea valioso para los usuarios humanos.

El prompt es la entrada que la computadora debe entender, interpretar y utilizar para elaborar una respuesta útil. Al proporcionar un prompt textual, el modelo de lA procederá primero a su análisis. El análisis del prompt puede dividirse en los siguientes pasos:

Identificación de las palabras clave: El sistema identifica las palabras clave en el prompt. Estas palabras clave son importantes para comprender su significado.
Análisis de la estructura gramatical: El sistema analiza la estructura gramatical del prompt, lo que ayuda al sistema a comprender la relación entre las palabras y frases introducidas por el usuario.
Identificación del contexto: El sistema identifica el contexto del prompt. Esto ayuda al sistema a comprender mejor su significado dentro del contexto de la conversación o tarea en la que se está utilizando.

Una vez que el sistema ha completado el análisis, puede comprender el significado y propósito del prompt, y le permite generar una respuesta adecuada.

Veamos un ejemplo sencillo:

Prompt: ¿Cuál es la capital de España?

Identificación de las palabras clave: Si el prompt es "¿Cuál es la capital de España?", las palabras clave serían "capital" y "España".
Análisis de la estructura gramatical: Si el prompt es "¿Cuál es la capital de España?", la estructura gramatical es una pregunta.
Identificación del contexto: Si el prompt es "¿Cuál es la capital de España?", el contexto es una conversación sobre geografía.

Obviamente la respuesta que da el sistema es: Madrid

Sin embargo, cambiando un poco el contexto, el chatbot Chat GPT nos contesta

Y si le preguntamos lo mismo a Bard (Chatbot de Google):

Las respuestas son similares pero no idénticas. El corpus de documentación con la que se les ha entrenado será muy similar (básicamente todo el conocimiento humano "verificado" que pueda estar presente en internet) pero el proceso de entrenamiento y los algoritmos que procesan el prompt y generan la respuesta puede ser diferente.

Si bien ChatGPT ofrece una única respuesta inicial que puede ser modificada si se matiza el prompt, Bard presenta una respuesta principal y ofrece la posibilidad de, sin hacer matizaciones al prompt inicial, escoger entre 3 posibles respuestas:

Este ejemplo nos sirve para entender que distintos chatbots pueden generar distintas respuestas ante un mismo prompt y que es preciso realizar verificaciones de las mismas y no darlas por buenas sin mas.

Para entender más a fondo el funcionamiento interno de la IA y como esta es capaz de interpretar el prompt y dar una respuesta adecuada profundizamos un poco y analizamos con mayor detalle los sencillos pasos descritos previamente. Introducimos además algo de lenguaje técnico muy presente en el ámbito de la IA, por lo que conviene familiarizarse con el (algunos de los conceptos y mecanismos ya se estudiaron en el módulo 2)

Tokenización. El modelo comienza por dividir el prompt en tokens, que son fragmentos más pequeños del texto, como palabras o subpalabras (conjuntos de letras dentro de una palabra, prefijos, sufijos...).

Embedding del texto. Cada token se convierte en un vector numérico, conocido como embedding. Estos embeddings se obtienen de grandes matrices preentrenadas que representan palabras o subpalabras en un espacio vectorial, donde palabras semánticamente similares están cercanas entre sí. Así cada embedding es una representación numérica de cada token que captura su semántica y significado. Dicha representación se basa en la cercanía semántica del contenido con respecto a la vasta información con la que el modelo ha sido entrenado.

Procesamiento Interno.
- Codificador: El modelo procesa estos embeddings para entender el contexto y la relación entre los tokens. Esto se hace a través de múltiples capas de la red neuronal y mecanismos como la atención, que le permite al modelo darle un mayor peso o importancia a ciertos tokens en función de su relevancia en el contexto. Tras este procesamiento el modelo transforma los emmbedings (recuerda que es el prompt textual en forma de vector) en un conjunto compacto de características. Es decir, se reduce la dimensionalidad del vector original convirtiéndolo en algo más compacto pero que incluye todas sus características. Podríamos decir que capta la esencia del prompt.
- Decodificador: Usando la información contextual obtenida, el modelo genera una respuesta token por token, basándose en probabilidades y contextos aprendidos durante el entrenamiento.

- Ejemplo práctico de este proceso: mecanismo de estudio: Normalmente los textos no se aprenden de manera literal sino que, para estudiarlos, se procede a entender el contexto de un hecho concreto y únicamente se memorizan los conceptos mas relevantes en relación con ese hecho. Este sería nuestro entrenamiento previo del "modelo de estudio". Si después nos preguntan por lo estudiado (lo que equivaldría al prompt), nuestro cerebro va a analizar la pregunta extrayendo de la misma aquellas palabras más relevantes en relación al contexto de la pregunta para poder construir la respuesta posterior (estaría codificando el prompt, reduciendo sus dimensiones, agrupando toda la información relevante de la pregunta para convertirlo en algo compacto con significado propio). Por ultimo, nuestro cerebro comienza a construir una respuesta coherente en base a los conceptos y contexto relevante de la pregunta y cuyo contenido esta relacionado con la misma y se nutre de lo estudiado. En términos de IA, el contenido de la pregunta, compactado en un emmbeding, tiene un significado cercano en la nube de palabras y conceptos de entrenamiento.

Generación Iterativa: La respuesta textual se genera de manera iterativa, considerando no solo el prompt inicial, sino también las palabras o tokens previamente generados para asegurar coherencia.

Resultado Final: El modelo produce una secuencia de texto que sirve como respuesta o continuación del prompt.

El prompting en otros modelos de generación

Los modelos de texto a imagen o audio transforman descripciones textuales en representaciones visuales o de audio. El proceso interno coincide en la parte de comprensión del prompt con el detallado en el apartado anterior si bien difiere en la generación ya que en este caso se trata de una imagen o sonido en lugar de un texto. El proceso sería conceptualmente muy similar al descrito si bien existen algunas especificidades. Vamos a introducir los matices necesarios para adaptar la descripción realizada para el proceso prompting para la generación de texto al proceso para generar imágenes.

Tokenización. Al igual que con el texto, las imágenes también pueden ser divididas en tokens, aunque de una manera diferente. Aquí, los tokens pueden representar ciertos segmentos o características de la imagen. Estos segmentos no son necesariamente "sub-imágenes", sino más bien patrones visuales o características identificables.
Embedding del texto. Al igual que con el texto, cada token de imagen se convierte en un vector numérico. Sin embargo, estos embeddings capturan características visuales en lugar de semánticas.
Proceso interno. Al generar una imagen, el modelo no produce una palabra o token a la vez, sino que puede generar o refinar zonas de la imagen de manera iterativa hasta que se complete la imagen deseada.
Ejemplo práctico. Imagina que estás pintando un paisaje. En lugar de memorizar y reproducir cada detalle exactamente, recuerdas los conceptos principales (montañas, cielo, árboles) y los pintas basándote en esa memoria y la interpretación del prompt (por ejemplo, "paisaje al atardecer").

Tanto para imagen como para otros casos, como el audio, los pasos son muy similares a lo descrito para el texto, con la principal diferencia de que el tipo de contenido que se está procesando y generando es distinto.

Es importante mencionar que la calidad y la precisión del texto, imagen o audio generado dependen en gran medida del modelo específico, de la cantidad y calidad de los datos con los que fue entrenado, y de la claridad y especificidad del prompt textual proporcionado. Este último aspecto es el que desarrollaremos a continuación.

Importancia en el diseño de prompts

En la interacción con modelos de inteligencia artificial, en especial con los de procesamiento de lenguaje natural, el diseño de los prompts juega un papel crucial. Determinan no solo la calidad de la respuesta del modelo, sino también su utilidad, precisión y seguridad. Vamos a explorar algunos aspectos clave relacionados con el diseño de prompts.

Claridad y ambigüedad en la redacción de prompts

Importancia de la Claridad: Un prompt claro orienta al modelo de IA hacia una respuesta específica y relevante. Los modelos de lenguaje, aunque avanzados, dependen en gran medida de la precisión del input proporcionado. Por ejemplo, preguntar "¿Cuál es la capital de Francia?" es directo y produce una respuesta clara, mientras que "Dime algo sobre Europa" es ambiguo y puede resultar en una variedad de respuestas.

Riesgos de la Ambigüedad: Los prompts ambiguos pueden llevar a respuestas imprecisas o incluso incorrectas. Además, en aplicaciones críticas como atención médica o decisiones financieras, la ambigüedad puede tener consecuencias graves.

Prompts pre-entrenados vs customizados

Prompts Pre-entrenados: Son aquellos que ya han sido probados y optimizados durante el entrenamiento del modelo. Estos prompts son generalmente efectivos para tareas comunes y ofrecen respuestas consistentes. La naturaleza "pre-entrenada" no significa que estén codificados o predeterminados en el modelo. Más bien, se han probado y se sabe que producen buenos resultados debido a la amplia cobertura de esos temas en los datos de entrenamiento.

Prompts Customizados: Permiten a los usuarios adaptar el modelo a necesidades específicas o contextos particulares. Aunque ofrecen flexibilidad, requieren una comprensión más profunda del modelo y a menudo implican un proceso iterativo de prueba y error para afinar.

Equilibrio entre ambos: Es recomendable comenzar con prompts pre-entrenados y luego personalizarlos según las necesidades, aprovechando lo mejor de ambos mundos.

Ilustremos esta recomendación con un ejemplo sencillo:

Contexto: Imagina que eres un profesor de historia que desea usar un modelo de lenguaje para ayudar a sus estudiantes a comprender mejor los eventos históricos. Quieres que el modelo describa la Revolución Francesa en un lenguaje sencillo y fácil de entender.

Podríamos usar un prompt Pre-entrenado como: "Describa la Revolución Francesa."

La respuesta que obtendrías podría ser amplia y general, ofreciendo un resumen sobre la Revolución Francesa, sus causas, eventos clave y consecuencias.

Pero podremos ajustar mas la respuesta del modelo a nuestra necesidad si utilizamos un prompt personalizado (Customizado) basado en el Pre-entrenado como:

"Describa la Revolución Francesa en un lenguaje simple y adecuado para estudiantes de secundaria, mencionando sus causas principales, eventos clave y figuras importantes."

Este prompt customizado toma la base del prompt pre-entrenado (la descripción de la Revolución Francesa) pero añade especificaciones para adaptar la respuesta a las necesidades del profesor: un lenguaje sencillo y ciertos puntos clave que deben ser mencionados.

Como resultado, al usar el prompt personalizado, el profesor puede esperar obtener una descripción adaptada al nivel educativo de sus estudiantes, centrándose en los puntos más relevantes para su plan de estudio. Al mismo tiempo, al partir de una base pre-entrenada, garantiza que el tema central sea tratado con precisión.

En este ejemplo, el profesor combina la claridad y efectividad de un prompt pre-entrenado con las adaptaciones específicas de un prompt customizado, obteniendo una respuesta que se adapta perfectamente a sus necesidades educativas.

Consideraciones éticas en el diseño de prompts

Sesgos y Prejuicios: Es fundamental ser consciente de los sesgos inherentes en los modelos de IA, que provienen de los datos con los que fueron entrenados. Diseñar prompts sin considerar estos sesgos puede perpetuar o amplificar prejuicios existentes.

Privacidad: Al diseñar prompts, especialmente en aplicaciones educativas o médicas, es vital garantizar que no se solicite ni se revele información personal o sensible.

Claridad en las Intenciones: Debe evitarse el diseño de prompts que busquen respuestas engañosas, manipuladoras o con fines malintencionados. Es esencial que los desarrolladores y usuarios tengan responsabilidad en la interacción ética con los modelos.

Educación y Formación: Para quienes diseñan y utilizan prompts, es fundamental recibir formación en ética y responsabilidad. Con la creciente dependencia de la IA en muchos ámbitos, es esencial garantizar que se utilice de manera beneficiosa y justa.

El diseño de prompts, por lo tanto, no es simplemente una cuestión técnica. Implica consideraciones de claridad, adaptabilidad y ética. Un diseño de prompt bien pensado puede maximizar la eficacia de la IA, mientras que un diseño deficiente o irresponsable puede llevar a resultados no deseados o incluso perjudiciales.

Por resumir, quedarnos con una visión practica del capítulo y conseguir diseñar las instrucciones adecuadas para estos modelos algunos puntos clave son:

· Claridad y Especificidad: Es fundamental ser explícito sobre lo que se espera del modelo. Una instrucción clara y detallada reduce la ambigüedad y guía al modelo hacia la respuesta deseada. Por ejemplo, en lugar de escribir "resumir esto", se podría escribir "resumir este artículo de 5 páginas sobre la historia del arte renacentista".

· Contextualización: Proporcionar contexto ayuda al modelo a entender mejor la tarea y a generar respuestas adecuadas. Si estás preguntando sobre un tema que sigue a una discusión anterior, recapitula o refiere a esa información previa.

· Limitación de la Respuesta: En ocasiones, es útil establecer límites para la respuesta. Si solo necesitas una respuesta breve o en un formato específico (por ejemplo, una lista o una tabla), indica eso en tu prompt.

· Iteración y Refinamiento: No todos los prompts darán el resultado deseado en el primer intento. Evaluar las respuestas, identificar áreas de mejora y ajustar la instrucción puede ser esencial para obtener una respuesta óptima.

· Evitar Sesgos y Suposiciones: Es importante recordar que los modelos reflejan el conocimiento y los sesgos presentes en los datos con los que fueron entrenados. Evita formular preguntas que incluyan suposiciones innecesarias o sesgadas. En su lugar, esfuérzate por ser neutral y objetivo.

Un promt trabajado nos producirá mejores resultados. Estas son algunas de las aplicaciones específicas de utilidad que podemos obtener:

· Resumir: Los LLM pueden sintetizar información clave de grandes cantidades de texto.

· Inferir: Estos modelos pueden detectar patrones para realizar análisis de sentimientos, extracción de temas, entre otros.

· Transformar: Sirven para traducción automática, corrección de textos y generación de contenido.

· Expandir: Se pueden usar para extender información o generar respuestas automáticas.

Nota: Por muy bien diseñado que esté un prompt, no debemos olvidar que los modelos del lenguaje pueden alucinar (y lo hacen a menudo). Las alucinaciones son una preocupación común cuando se trata de modelos de lenguaje grande como ChatGPT. Estos modelos pueden generar respuestas que parecen plausibles pero que son completamente falsas. Es importante recordar que estos modelos no tiene una comprensión real del mundo y pueden generar información incorrecta. Por lo tanto, siempre es esencial verificar cualquier afirmación que haga el modelo.

6. Aplicaciones del Prompting en Educación

La integración de la inteligencia artificial en el ámbito educativo puede aportar mejoras de menor o mayor calado en la manera en que los profesores abordan distintos aspectos de su trabajo. Para conseguir estas mejoras, tener conocimientos sobre prompting y ser consciente del potencial de un prompt bien elaborado puede ser clave en la consecución de los objetivos propuestos y en el aprovechamiento de las posibilidades que la IA ofrece en este campo, entre las que destacamos:

· Personalización del aprendizaje.

· Evaluación automatizada.

· Tutoría virtual.

· Recopilación y análisis de datos educativos.

· Automatización de tareas administrativas.

· Mejora de la accesibilidad.

· Desarrollo de contenido educativo.

· Detección de plagio.

· Apoyo en la toma de decisiones educativas.

· Adaptación de materiales de aprendizaje.

· Identificación de necesidades de estudiantes.

· Retroalimentación instantánea.

· Gamificación educativa.

· Pronóstico de resultados académicos.

· Fomento de la colaboración.

· Educación a distancia mejorada.

· Apoyo en la formación de docentes.

· Creación de aulas virtuales interactivas.

· Aprendizaje basado en datos.

· Desarrollo de habilidades del siglo XXI.

A continuación, exploraremos cómo el prompting puede ser aplicado en diversos escenarios educativos, aplicando ejemplos de múltiples disciplinas y áreas de estudio.

6.1. Evaluación formativa y personalizada

Evaluación formativa: Se refiere a la evaluación que se realiza durante el proceso de aprendizaje con el objetivo de identificar áreas de mejora y adaptar la enseñanza según las necesidades del estudiante.

Evaluación sumativa: Es aquella que se lleva a cabo al final de una unidad o curso para determinar si los objetivos de aprendizaje se han alcanzado.

Aplicación con prompting:

Matemáticas: El profesor puede predisponer a la IA mediante un prompt que le indique la materia a tratar (pe: algebra) el nivel educativo del alumnado (pe: 3º ESO) e indicándole que va su labor va a ser plantear ejercicios de algebra de un nivel de dificultad progresivo conforme vaya resolviendo los ejercicios satisfactoriamente.

Los alumnos copiaran el planteamiento, resolverán el ejercicio e introducirán el resultado en la IA, esta lo evaluará y comunicará el resultado. Si es correcto, les planteará un nuevo ejercicio de una dificultad mayor y si es incorrecto les indicará porque, en caso de que el alumno haya introducido los pasos de la resolución¿¿????, introducir soluciones a problemas matemáticos y recibir retroalimentación inmediata, identificando errores específicos en su razonamiento.

Lengua y literatura: Se pueden diseñar prompts que evalúen la capacidad de los estudiantes para identificar figuras literarias, analizar textos o incluso redactar ensayos, obteniendo retroalimentación formativa.

6.2. Tutoriales inteligentes y asistentes educativos

Definición: Herramientas interactivas que se adaptan a las necesidades individuales del estudiante, ofreciendo contenido personalizado y respuestas específicas a sus dudas.

Aplicación con prompting:

Historia: Un estudiante podría preguntar: "¿Cuál fue la causa principal de la Primera Guerra Mundial?", y recibir una respuesta detallada adaptada a su nivel educativo.

Biología: Si un alumno tiene dificultades entendiendo la mitosis, podría acceder a un tutorial interactivo que, mediante prompts, le guíe paso a paso a través del proceso.

6.3. Fomento de la creatividad y resolución de problemas

Definición: Uso de herramientas de IA para estimular el pensamiento creativo y ayudar en la solución de problemas complejos.

Aplicación con prompting:

Artes: Los estudiantes pueden recibir prompts que les inspiren a crear obras de arte o escribir piezas musicales. Por ejemplo: "Crea una ilustración basada en el concepto de 'esperanza'".

Ciencias: Los estudiantes podrían ser desafiados a resolver problemas teóricos, y el modelo podría ofrecer pistas o enfoques alternativos cuando se atasquen.

6.4. Personalización del aprendizaje

Definición: Adaptar el contenido educativo según las habilidades, intereses y necesidades de cada estudiante.

Aplicación con prompting:

Idiomas: Si un estudiante tiene problemas con el tiempo verbal pasado en inglés, el sistema podría generar ejercicios específicos centrados en ese aspecto.

Geografía: Basándose en los intereses del estudiante, se podría generar un estudio detallado sobre un país o región específica, como "Todo sobre la geografía y cultura de Japón".

En conclusión, el prompting ofrece una gama de aplicaciones en el ámbito educativo que pueden transformar la enseñanza tradicional en una experiencia interactiva y personalizada. La clave está en identificar las necesidades de los estudiantes y adaptar las herramientas de IA para maximizar el aprendizaje y la comprensión.