Ethan Mollick y Lilach Mollick · Wharton School (University of Pennsylvania) · 2023
Working paper que propone siete formas de usar la IA con estudiantes (tutor, coach, mentor, compañero, herramienta, simulador, estudiante), cada una con su beneficio y su riesgo pedagógico. Voz pragmática y pro-IA que, aun así, insiste en la supervisión activa, la evaluación crítica del output y en mantener al estudiante como el humano en el bucle.
Lente pragmática del uso: el contrapeso 'cómo aprovecharla bien' frente al corpus más cauteloso. Útil para pasar del permitir/prohibir al diseño del uso.
Cada cita es verbatim de la fuente, con su ubicación. La interpretación, la implicación y las preguntas son lectura propia.
Lo que dice la fuente
its ability to quickly output writing tasks, summarize information, provide outlines, analyze information, and draw conclusions may mean that students will not learn these valuable skills
InterpretaciónHasta la voz pragmática admite que delegar estas tareas en la IA puede impedir que el estudiante aprenda esas habilidades.
Implicación para educaciónEl riesgo de empobrecimiento no es solo de los críticos; lo concede quien promueve el uso.
Pregunta abierta¿Qué habilidades estamos dejando de enseñar al dejar que la IA las ejecute?
Lo que dice la fuente
educators should play an active role in teaching students how and when to use AI
InterpretaciónLa respuesta no es prohibir ni dejar hacer, sino enseñar cómo y cuándo usar la IA.
Implicación para educaciónEl docente diseña el uso; no es espectador de la herramienta.
Pregunta abierta¿Estamos enseñando criterio de uso, o solo dando o quitando acceso?
Lo que dice la fuente
These strategies promote active oversight, critical assessment of AI outputs, and complementation of AI's capabilities with the students' unique insights.
InterpretaciónEl buen uso exige supervisión activa, evaluación crítica del output y aporte propio del estudiante.
Implicación para educaciónLa IA suma solo si el estudiante mantiene el juicio, no si lo cede.
Pregunta abierta¿Nuestras tareas obligan a evaluar críticamente el output, o premian aceptarlo?
Lo que dice la fuente
We strongly recommend making students responsible for getting the facts correct in their AI output.
InterpretaciónLa responsabilidad de verificar los hechos recae en el estudiante, no en la máquina.
Implicación para educaciónVerificar deja de ser opcional y pasa a ser parte de la tarea.
Pregunta abierta¿Exigimos que el estudiante verifique lo que la IA afirma?
Lo que dice la fuente
Large Language Models are prone to producing incorrect, but plausible facts, a phenomenon known as confabulation or hallucination.
InterpretaciónLos modelos producen datos falsos pero verosímiles: la confabulación es un rasgo, no un accidente.
Implicación para educaciónNinguna tarea puede confiar en el output sin un paso de verificación.
Pregunta abierta¿Diseñamos suponiendo que la IA puede inventar con seguridad aparente?