Machine Translated by Google

Uso de IA para implementar una enseñanza eficaz

Estrategias en las aulas: cinco estrategias,
Incluyendo avisos

Dr.Ethan Mollick Dra. Lilach Mollick

Escuela Wharton de la Universidad de Pensilvania y Wharton Interactive

16 de marzo de 2023

Resumen: Este documento proporciona una guía para usar la IA para implementar rápida y fácilmente estrategias
de enseñanza basadas en evidencia que los instructores pueden integrar en su enseñanza. Discutimos cinco
estrategias de enseñanza que han demostrado su valor pero que son difíciles de implementar en la práctica debido a
limitaciones de tiempo y esfuerzo. Mostramos cómo la IA puede ayudar a los instructores a crear material que
respalde estas estrategias y mejore el aprendizaje de los estudiantes. Las estrategias incluyen proporcionar múltiples
ejemplos y explicaciones; descubrir y abordar los conceptos erróneos de los estudiantes; frecuentes pruebas de bajo
riesgo; evaluar el aprendizaje de los estudiantes; y práctica distribuida. El documento proporciona pautas sobre
cómo la IA puede respaldar cada estrategia y analiza tanto las promesas como los peligros de este enfoque,
argumentando que la IA puede actuar como un "multiplicador de fuerza" para los instructores si se implementa
con cautela y consideración al servicio de prácticas de enseñanza basadas en evidencia.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Los modelos de lenguaje extenso (LLM, por sus siglas en inglés) como ChatGPT ya se están
adoptando en las aulas de maneras que pueden ayudar y perjudicar el aprendizaje. Los instructores
pueden usarlo para enseñar nuevos tipos de lecciones, reducir la carga de trabajo y ayudar con la
investigación y la planificación de lecciones (Mollick & Mollick, 2022; Walton Family Founation, 2023).
Los estudiantes lo utilizan para ayudarlos en el aprendizaje, pero también para hacer trampa y plagiar. Sin
embargo, existe una gran categoría de uso en el aula que en su mayoría se ha ignorado en las discusiones
sobre el uso de la IA: ampliar la capacidad de los maestros para implementar estrategias pedagógicas
desafiantes pero bien probadas que requieren un trabajo extenso para implementar.

Muchas técnicas de enseñanza han demostrado su valor, pero son difíciles de poner en práctica porque
requieren mucho tiempo para que los instructores con exceso de trabajo las apliquen. Estas técnicas
incluyen métodos efectivos para ayudar a los estudiantes a aprender y retener nuevos conceptos. Sin
embargo, con la ayuda de la IA, estas técnicas son más accesibles. El objetivo de este documento es
proporcionar una guía para usar la IA para implementar estrategias de enseñanza basadas en
evidencia de manera rápida y sencilla. Analizamos cinco estrategias de enseñanza y brindamos pautas
para usar la IA para crear rápidamente material que ayude a los instructores a implementar esas
estrategias. Estas estrategias incluyen: ayudar a los estudiantes a comprender conceptos difíciles y
abstractos a través de numerosos ejemplos; variadas explicaciones y analogías que ayudan a los
estudiantes a superar conceptos erróneos comunes; pruebas de bajo riesgo que ayudan a los estudiantes
a recuperar información y evaluar su conocimiento; una evaluación de las brechas de conocimiento que
brinda a los instructores una perspectiva del aprendizaje de los estudiantes; y práctica distribuida que
refuerza el aprendizaje. Dividimos este documento en cinco secciones; cada uno incluye una discusión de
estrategias de enseñanza específicas, pautas para usar modelos de lenguaje extenso para generar
rápidamente material que los instructores pueden usar para implementar esas estrategias, ejemplos
de varios LLM y su resultado según nuestras indicaciones, así como consejos sobre cómo evaluar e implementar ese resultad

Una advertencia: aunque los LLM pueden ser de gran ayuda para generar material que ayude a los
estudiantes a aprender, la experiencia del instructor es fundamental. Se necesita experiencia en
el tema y la enseñanza para evaluar el resultado de la IA y evaluar si cada técnica debe ponerse
en práctica dentro de un aula específica y cómo. La IA puede alucinar (inventar hechos), y los
instructores deberán evaluar si su resultado es apropiado y valioso para su clase. Sin embargo,
argumentamos que la implementación intencional de estrategias de enseñanza con la ayuda de
un LLM puede ser un multiplicador de fuerza para los instructores y proporcionar a los estudiantes
material extremadamente útil que es difícil de generar. A continuación, discutimos los antecedentes
de cada estrategia de instrucción y brindamos orientación y ejemplos sobre cómo hacer que la IA ayude a
los instructores a implementar cada estrategia.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Notas sobre el uso de modelos de lenguaje grande

Hay una variedad de LLM disponibles, los más destacados (en el momento del artículo), la familia GPT
(ChatGPT y Bing AI) y Claude. Los LLM pueden variar en capacidad y estilo de uso de muchas maneras, pero
para los fines de este documento, uno de los factores más importantes es saber si su LLM está
conectado a Internet. A partir de marzo de 2023, Bing AI es una versión de GPT­4 que está conectada a
Internet, mientras que ChatGPT es una versión de GPT­4 que no está conectada a Internet. Es probable
que los modelos que no están conectados a Internet tengan menos acceso a los hechos actuales y sean más

propensos a las alucinaciones (inventar material plausible). Deberá verificar cuidadosamente las salidas
de todos los LLM, pero debe prestar especial atención cuando el modelo no está conectado a Internet.

Tenga en cuenta que las indicaciones funcionaron para GPT­4 (como se implementó en Bing AI y
ChatGPT) y GPT­3.5 (como se implementó en ChatGPT). A medida que haya nuevos modelos
disponibles, es posible que deba ajustar las indicaciones, pero los conceptos aún deberían aplicarse a
futuros LLM. Pero incluso si está utilizando solicitudes para un modelo existente, debe esperar que la
misma solicitud proporcione diferentes resultados en diferentes momentos. Esto se debe a que los modelos
están evolucionando y también a que la mayoría de los LLM incorporan la aleatoriedad en sus
respuestas. Por lo tanto, es posible que las indicaciones no siempre funcionen en el primer intento.
Recomendamos encarecidamente probar las indicaciones varias veces, borrar y limpiar la conversación
según sea necesario, para asegurarse de obtener un resultado que funcione. Siéntase libre de modificar
las indicaciones de la forma que sea necesaria, y también haga preguntas de seguimiento al LLM para aclarar
o ampliar el resultado de las indicaciones.

Estrategia 1: usar IA para producir muchos ejemplos variados

Los estudiantes necesitan muchos ejemplos cuando aprenden conceptos complicados (Kirschner &
Heal, 2022). Cuando se enfrentan a ideas nuevas y complejas, agregar muchos y variados ejemplos ayuda
a los estudiantes a comprenderlas mejor. Si a los estudiantes se les presenta un solo ejemplo, es posible
que se concentren en los detalles superficiales de ese ejemplo y no lleguen al concepto más profundo.
Múltiples ejemplos de un solo concepto pueden ayudar a los estudiantes a descontextualizar la
idea del ejemplo, lo que lleva a un mejor recuerdo y comprensión.

Dar ejemplos a los estudiantes al enseñar nuevas ideas proporciona una serie de beneficios: los ejemplos
mejoran la comprensión al proporcionar un contexto del mundo real en el que fundamentar un
concepto abstracto; los ejemplos ayudan a los estudiantes a recordar conceptos al servir como anclas en
forma de analogía o historia, fundamentando el concepto en detalles atractivos que ilustran un principio
general (Atkinson et al. 2000); los ejemplos también ayudan a los estudiantes a pensar críticamente, lo
que provoca el análisis y el mecanismo de evaluación a través de diferentes ejemplos; y los
ejemplos pueden ayudar a aflorar la complejidad de un concepto al resaltar

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

matices y diferentes aspectos de ese concepto. Cuando a los estudiantes se les presentan ejemplos variados,
pueden abstraer los principios generales y aplicar ese concepto en una nueva situación, un proceso conocido como
transferencia de aprendizaje (Perkins & Salomon, 1992).

La creación de ejemplos con fines didácticos puede ser una tarea difícil y que requiere mucho tiempo
para los educadores, especialmente cuando su objetivo es producir diversos ejemplos que ilustren de manera efectiva
varios aspectos de un concepto. Los educadores a menudo tienen horarios apretados y numerosas
responsabilidades, lo que se suma a la complejidad de generar ejemplos que cumplan con criterios específicos. Al
elaborar ejemplos, los instructores deben contemplar varios factores: ¿Son los ejemplos atractivos y relevantes
para los estudiantes?
Por ejemplo, la incorporación de problemas o problemas del mundo real puede ayudar a adaptar los ejemplos para
despertar el interés de los estudiantes. ¿Los ejemplos logran el equilibrio adecuado entre detalle y claridad? Es
vital asegurarse de que los ejemplos no sean demasiado complicados ni demasiado simples.

Si bien los estudiantes pueden gravitar hacia los aspectos superficiales de un ejemplo, como los detalles narrativos,
es crucial lograr el equilibrio adecuado entre complejidad y simplicidad. Los ejemplos demasiado complejos pueden
generar confusión, mientras que los demasiado simplificados pueden no transmitir el alcance completo de un concepto.
En consecuencia, los educadores deben elaborar cuidadosamente ejemplos que sean accesibles e informativos,
teniendo en cuenta las diversas necesidades de sus alumnos.

Producir muchos ejemplos de un concepto es una tarea que requiere mucho tiempo y que puede subcontratarse a la
IA. La IA puede generar numerosos ejemplos en muy poco tiempo.

Aquí es cómo:

1. Elija un concepto que desee que los estudiantes comprendan profundamente

2. Si usa una IA conectada a Internet (como Bing): dígale a la IA que busque
ese concepto utilizando trabajos básicos en el campo
3. Dile a la IA lo que necesitas (muchos y variados ejemplos de este concepto)
4. Describa el estilo de escritura que prefiere (claro, directo, concreto, dinámico, atractivo)

5. Describa su audiencia (mis estudiantes son estudiantes de secundaria; mis estudiantes son estudiantes
universitarios que no han oído hablar de este concepto antes)

Aviso para GPT­4/Bing: puede usar el siguiente enlace para que Bing genere ejemplos: https://sl.bing.net/
bePdl4o9xf2

Pasa el siguiente mensaje a Bing: Me gustaría que actúes como un generador de ejemplos para los estudiantes.
Cuando se enfrentan a conceptos nuevos y complejos, agregar muchos y variados ejemplos ayuda a los estudiantes

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

entender mejor esos conceptos. Me gustaría que me pregunte de qué concepto me gustaría tener
ejemplos y a qué nivel de estudiantes estoy enseñando. Buscará el concepto y luego me proporcionará
cuatro ejemplos precisos diferentes y variados del concepto en acción.

Aquí hay un ejemplo de salida (y preguntas de seguimiento con ejemplos más detallados)

Solicitud de ChatGPT/GPT­4:

Me gustaría que actuaras como un generador de ejemplos para los estudiantes. Cuando se enfrentan a conceptos nuevos y
complejos, agregar muchos y variados ejemplos ayuda a los estudiantes a comprender mejor esos conceptos. me gustaría

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

me gustaría que me pregunten de qué concepto me gustaría tener ejemplos y a qué nivel de estudiantes estoy
enseñando. Me proporcionará cuatro ejemplos precisos diferentes y variados del concepto en acción.

Aquí hay un ejemplo de salida (y ejemplos detallados)

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Evaluación e implementación de la salida de AI

Tenga en cuenta que diferentes LLM generarán diferentes resultados y una variedad de ejemplos.
Los instructores deben experimentar con diferentes modelos para saber cuál funciona mejor para
indicaciones específicas. El resultado debe evaluarse cuidadosamente. Puede valer la pena involucrar
a la IA en una conversación para producir diferentes ejemplos o centrarse en un tema en particular.

Para medir si el resultado de la IA vale la pena o no y si debe usarse en clase, los instructores pueden
evaluar el resultado de la IA haciendo las siguientes preguntas: ¿Son relevantes los ejemplos? ¿Son
realmente correctos? Es posible que los ejemplos sean sutilmente erróneos y por lo tanto enseñen la
lección equivocada. ¿Los ejemplos tienen suficiente detalle? ¿Interesarán a los estudiantes? ¿Son
variados? Es decir, ¿se acercan al concepto desde una variedad de perspectivas y marcos
diferentes? ¿Pueden servir para conectar lo abstracto (concepto) con lo concreto (aplicación en la vida
real)?

Una vez evaluado, el resultado de la IA se puede implementar en el aula de varias maneras. Por
ejemplo, los instructores pueden entretejer ejemplos en una lección y publicarlos como notas
adicionales o material para una lección en su Sistema de gestión de aprendizaje.
Los instructores también pueden usar los ejemplos para dar a los estudiantes práctica adicional;
pueden proporcionar una serie de ejemplos a los estudiantes y pedirles que nombren explícitamente
el principio conceptual central como un ejercicio dentro o fuera de la clase: Estos ejemplos tienen una
cosa en común: ¿qué demuestran? De manera similar, los instructores pueden pedir a los estudiantes
que evalúen cómo cada ejemplo resalta diferentes aspectos de un concepto: Compare y contraste
estos ejemplos: ¿qué aspectos diferentes de [concepto X] resalta cada uno? Si los estudiantes tienen una
base de conocimientos sobre el tema, los instructores también pueden usar cualquier resultado incorrecto
o sutilmente incorrecto como un ejercicio avanzado: ¿ Cuál de estos ejemplos demuestra el concepto
X? ¿Cuáles no? Explique su razonamiento.

Estrategia 2: usar IA para proporcionar múltiples explicaciones

La enseñanza implica explicaciones lógicas y coherentes (Ericsson & Lehmann, 1996).

Las explicaciones efectivas sientan las bases para el conocimiento fundamental que ayuda a los
estudiantes a construir mapas mentales de los temas (Willingham, 2023). Para desarrollar
explicaciones efectivas, los instructores deben: comprender dónde están los estudiantes y lo que ya
saben (conocimiento previo), secuenciar y estructurar sus explicaciones para pasar de lo simple a lo
complejo (un enfoque paso a paso), proporcionar claves organizativas que ayuden a los estudiantes
síguenos (estamos aquí, luego pasaremos a...) y agrega detalles concretos a cada

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

explicación (ejemplos o analogías) que ayudan a los estudiantes a comprender y contextualizar un nuevo
concepto a la luz de lo que ya saben. El objetivo de cualquier explicación: los estudiantes deberían
eventualmente poder explicar un concepto a otros con sus propias palabras (Willingham, 2023).

Producir muchas explicaciones de un concepto es una tarea complicada y que requiere mucho tiempo por
una variedad de razones: el conocimiento de los estudiantes varía según el tema; algunos conceptos
son abstractos o totalmente desconocidos para los estudiantes que pueden necesitar múltiples
explicaciones adaptadas a su nivel de comprensión, y esas explicaciones pueden beneficiarse de
ejemplos, modelos o demostraciones; algunas explicaciones pueden necesitar mucha información de fondo
que los estudiantes pueden no tener al alcance de la mano; adaptar las explicaciones a los niveles de
aprendizaje de los estudiantes exige que los instructores presten mucha atención a la nueva terminología, el
contexto y la carga cognitiva: los estudiantes que son nuevos en un tema pueden sentirse abrumados con
demasiados detalles o un lenguaje que no es preciso o familiar. Y finalmente, los instructores son expertos:
para brindar explicaciones claras y lógicas a los novatos (estudiantes), deben acceder a su propio
conocimiento y deconstruir lo que saben para hacerlo accesible (Ericsson & Pool, 2016). Esta es una tarea
difícil pero en la que la IA, con una investigación cuidadosa, puede ser tremendamente útil.

La IA puede ayudar a los instructores con esta tarea generando múltiples explicaciones desde una variedad de
perspectivas, generando explicaciones que utilizan un enfoque paso a paso y agregando detalles a cualquier
explicación existente. Si los estudiantes están confundidos por un concepto, la IA puede producir un resumen
más simple del concepto que puede ayudar a los estudiantes a comprender el tema. De manera similar, los
instructores pueden darle a la IA su explicación actual de un tema y pedirle que la simplifique, agregue más
ejemplos o la explique utilizando un enfoque paso a paso.
Tenga en cuenta que todas las explicaciones generadas por IA son un punto de partida y el instructor debe
examinarlas antes de que lleguen a los estudiantes.

Aquí es cómo:

1. Elija un concepto que quiera explicar 2. Si usa

una IA conectada a Internet (como Bing): dígale a la IA que busque
ese concepto, usando trabajos centrales en el campo
3. Dígale a la IA lo que necesita (una explicación clara de varios párrafos de un tema)
4. Describa el estilo de escritura que prefiere (claro, directo, concreto, dinámico, atractivo)

5. Describa su audiencia (mis estudiantes son estudiantes de secundaria; mis estudiantes son estudiantes
universitarios que no han oído hablar de este concepto antes)
6. Continúe con el aviso inicial pidiendo analogías

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Aviso para Bing: puede usar el siguiente enlace para que Bing genere explicaciones: https://sl.bing.net/
koA1v8uUzw4

Pasa el siguiente aviso a Bing: Generas ejemplos claros y precisos para los estudiantes de conceptos. Quiero
que me hagas dos preguntas: qué concepto quiero que me explique y cuál es la audiencia para la
explicación. Luego busque el concepto y ejemplos del concepto. Proporcione una explicación clara y de
varios párrafos del concepto usando un ejemplo específico y deme cinco analogías que pueda usar para
entender el concepto de diferentes maneras.

Solicitud de ChatGPT/GPT­4:

Generas ejemplos claros y precisos para los estudiantes de conceptos. Quiero que me hagas dos preguntas:
qué concepto quiero que me explique y cuál es la audiencia para la explicación. Proporcione una
explicación clara y de varios párrafos del concepto usando un ejemplo específico y deme cinco analogías que
pueda usar para entender el concepto de diferentes maneras.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Tenga en cuenta que la respuesta de la IA puede aumentar una explicación o producir ejemplos y
perspectivas sencillos para cualquier resultado. Como base de la comprensión, las explicaciones claras son
fundamentales; la IA puede ayudar a generar múltiples tipos de explicaciones en diferentes niveles que los
instructores pueden modificar para adaptarse a sus clases.

Evaluación e implementación de la salida de AI

Para cualquier explicación que produzca la IA, es importante evaluar esa explicación y asegurarse de
que sea objetivamente precisa, adaptada al nivel adecuado para los estudiantes y que pueda mejorar la
enseñanza. Para hacerlo, los instructores pueden evaluar su resultado verificando lo siguiente: ¿La
explicación es clara y consistente y usa un lenguaje que no es ambiguo y fácil de entender
para los estudiantes? ¿Se enfoca en las partes más críticas de los temas? ¿Es la explicación objetivamente
correcta? ¿La explicación está adaptada a los niveles de aprendizaje de los estudiantes? (Nota: los
instructores pueden trabajar con la IA para simplificar cualquier explicación que genere). ¿La explicación
es coherente y atractiva, y será útil para los estudiantes? ¿La explicación se conecta con el
conocimiento previo que los estudiantes pueden tener sobre un tema? (Nota: los instructores pueden
pedirle a la IA que incluya ideas específicas o haga una conexión con un tema anterior).

Para usar la salida de AI, los instructores pueden compartir explicaciones con los estudiantes integrando
nuevas explicaciones en sus conferencias, agregando explicaciones a las tareas o ejercicios en clase y
publicando explicaciones después de una clase a través de un sistema de gestión de aprendizaje para
resumir los puntos clave de la clase. Los instructores también pueden incluir explicaciones junto con los
materiales del curso, especialmente en un curso que tiene menos lecturas. Los instructores también pueden
complementar cualquier demostración con una explicación ampliada. Si los estudiantes tienen
problemas para comprender algún concepto en particular, los instructores también pueden agregar
explicaciones paso a paso simplificadas mientras revisan el tema antes de cualquier prueba. Esa explicación
se puede publicar junto con una guía de estudio (la IA también puede producir una guía de estudio). Para
una clase más avanzada, los instructores también pueden brindarles a los estudiantes una explicación que
debe ser aumentada o que puede ser incorrecta, y pedirles que llenen los espacios en blanco y agreguen
los elementos que faltan en esta explicación.

Estrategia 3: Uso de IA para desarrollar pruebas de bajo riesgo

Las pruebas frecuentes de bajo riesgo son una estrategia de enseñanza eficaz en todos los niveles y
entornos educativos. Las pruebas no miden simplemente el conocimiento; son un evento de aprendizaje.
Las pruebas repetidas y la recuperación del conocimiento ayudan a los estudiantes a retener información
a largo plazo (Karpicke & Roediger 2008).

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Las pruebas de bajo riesgo brindan una práctica de recuperación activa, lo que incita a los estudiantes a
recordar información de la memoria, lo que puede ayudarlos a recordar y recuperar información en el futuro (Kirschner
& Heal, 2022). También brindan a los estudiantes retroalimentación sobre su comprensión del material, lo que
les permite enfocar sus esfuerzos en las brechas en su conocimiento y ajustar sus estrategias de aprendizaje. Ayudan
a los estudiantes a dar sentido a la información, iniciando los procesos mentales necesarios para rendir en un examen
de alto riesgo (Adesope et al., 2017). Las pruebas de bajo riesgo también brindan a los instructores información
sobre lo que los estudiantes saben y entienden para que puedan adaptar sus lecciones de manera efectiva.
Los estudiantes también implementan autoevaluaciones en forma de tarjetas didácticas u otros métodos de estudio
autodirigido.

Desarrollar cuestionarios, pruebas de opción múltiple o de respuesta corta, o agregar intencionalmente preguntas
que prueben el conocimiento dentro de las conferencias es una tarea ardua. El diseño de pruebas de bajo riesgo
requiere que los instructores alineen cuidadosamente sus resultados de aprendizaje y sus evaluaciones:
los instructores deben identificar las habilidades específicas que desean evaluar y crear pruebas que brinden evidencia
de comprensión. Es posible que los instructores no tengan suficiente tiempo para desarrollar pruebas variadas y
frecuentes y que no tengan una forma confiable de calificar dichas pruebas, especialmente si incluyen
componentes de respuesta corta. Además, dar puntajes a los estudiantes y comentarios sobre su progreso agrega una
carga adicional a la tarea de construir tales pruebas.

Las pruebas deben diseñarse cuidadosamente para que sean desafiantes pero no tan desafiantes como para que
los estudiantes se frustren. La IA puede ayudar a los instructores a generar pruebas de práctica, cuestionarios y
pruebas de respuesta corta sobre un tema o una lectura, y puede ayudar a agregar preguntas que prueben el
conocimiento de los estudiantes dentro de las conferencias.

Así es como puede hacer esto usando Bing de Microsoft:

1. Hazle saber a la IA cuál es su función. En este caso, el rol asignado a la IA es creador de cuestionarios de
cuestionarios de diagnóstico.
2. Informe a la IA del tema que desea enseñar y la estrategia de enseñanza que desea seguir (prueba de
bajo riesgo para evaluar el conocimiento de los estudiantes).
3. Si está utilizando Bing y hay un documento disponible públicamente o un artículo en línea que ha asignado
como lectura, escriba los artículos en el aviso.
4. También puede darle instrucciones sobre los tipos de preguntas de opción múltiple que debe producir; por
ejemplo, las preguntas de opción múltiple deben incluir respuestas alternativas plausibles y
competitivas y no deben incluir "todas las opciones anteriores".

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

5. Verifique su salida; es posible que deba trabajar con él para desarrollar preguntas fácticas y de orden superior.

Solicitud de Bing:

Eres un creador de cuestionarios de cuestionarios altamente diagnósticos. Buscará cómo hacer buenas pruebas y
diagnósticos de bajo riesgo. Entonces me harás dos preguntas. (1) Primero, qué, específicamente, debe probar el
cuestionario. (2) Segundo, para qué público es el cuestionario.

Una vez que tenga mis respuestas, buscará el tema y construirá varias preguntas de opción múltiple para interrogar a la
audiencia sobre ese tema. Las preguntas deben ser muy relevantes e ir más allá de los hechos.
Las preguntas de opción múltiple deben incluir respuestas alternativas plausibles y competitivas y no deben incluir
"todas las opciones anteriores". Al final de la prueba, proporcionará una clave de respuesta y explicará la respuesta
correcta.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Solicitud de ChatGPT/GPT­4:

Eres un creador de cuestionarios de cuestionarios altamente diagnósticos. Hará buenas pruebas y diagnósticos
de bajo riesgo. Entonces me harás dos preguntas. (1) Primero, qué, específicamente, debe probar el cuestionario. (2)
En segundo lugar, para qué público es el cuestionario. Una vez que tenga mis respuestas, construirá varias preguntas
de opción múltiple para interrogar a la audiencia sobre ese tema. Las preguntas deben ser muy relevantes e ir
más allá de los hechos. Las preguntas de opción múltiple deben incluir respuestas alternativas plausibles y
competitivas y no deben incluir "todas las opciones anteriores". Al final de la prueba, proporcionará una clave de
respuesta y explicará la respuesta correcta.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Evaluación e implementación de la salida de AI

Para cualquier prueba que genere la IA, los instructores deberán evaluarla y asegurarse de que sea
precisa y esté adaptada al nivel adecuado para su clase. Los instructores deberán evaluar las pruebas
de varias maneras: Las pruebas de opción múltiple deben redactarse cuidadosamente e incluir
alternativas plausibles a la respuesta correcta. Estas alternativas pueden ser difíciles de generar
porque deberían ser atractivas para los estudiantes con una comprensión incompleta y deberían basarse
en conceptos erróneos comunes que los estudiantes tienen sobre el tema (Wiliam, 2015). Del mismo
modo, las preguntas de respuesta corta deben ser directas, sin ambigüedades y no deben estar
abiertas a interpretación. Si la IA también generó una rúbrica de calificación o proporcionó la
respuesta correcta, los instructores deben verificar que las respuestas que la IA anota como
"correctas" sean correctas y que la rúbrica de calificación para cualquier pregunta de respuesta
corta sea clara, consistente y mensurable.
Nota: una forma de experimentar con la rúbrica es pedirle a la IA que responda a su propia pregunta
y luego se califique a sí misma usando la rúbrica que generó. Finalmente, los instructores deben
asegurarse de que cualquier prueba generada por la IA se alinee con los objetivos de la unidad o el
curso y que el éxito indique el dominio del tema.

Las pruebas de bajo riesgo se pueden implementar de varias maneras. En términos de tiempo, las
pruebas de bajo riesgo generalmente se administran una vez que los estudiantes tienen un conocimiento
básico de un tema. Pueden calificarse o no, pero se les debe decir explícitamente a los estudiantes
que esta es una oportunidad para practicar y que dichas pruebas son una oportunidad para evaluar su
competencia y aclarar cualquier confusión antes de cualquier evaluación de mayor importancia o
concepto más difícil.

Una opción para incluir pruebas en una clase es integrar preguntas de prueba en una discusión o
conferencia. También conocidas como preguntas "bisagra", permiten a los instructores evaluar si los
estudiantes están listos o no para pasar a un nuevo tema y si pueden aplicar lo que saben (Wiliam,
2015). Les dan a los instructores una idea de cualquier concepto erróneo o error que puedan tener los
estudiantes y les permiten tomar una decisión: ¿ Es hora de moverse o necesito ajustar la lección? Las
pruebas de bajo riesgo se pueden dar a los estudiantes en clase como un ejercicio grupal en el que
los equipos informan sus respuestas, seguido de una discusión en clase.
Se pueden asignar como trabajo de clase o tarea individual o se pueden publicar en un foro de
discusión en línea. Además, las pruebas se pueden distribuir en clase y, después de completar las
pruebas, los estudiantes pueden recibir la clave de respuestas. Pueden comparar sus
respuestas con las respuestas correctas. Un ejercicio de seguimiento de este tipo podría ser un
ejercicio de reflexión: ¿ En qué habilidades crees que necesitas trabajar? ¿Cómo podrías mejorar?.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Estrategia 4: Uso de IA para evaluar el aprendizaje de los estudiantes

Varias técnicas de evaluación en el aula pueden ayudar a los instructores y estudiantes a monitorear su aprendizaje
y comprensión del material del curso. Estos son importantes porque pueden proporcionar retroalimentación inmediata
tanto a los instructores como a los estudiantes sobre lo que los estudiantes saben y, lo que es más importante,
sobre qué los confunde. Conocidas como el ensayo de 1 minuto o el ejercicio del punto más confuso, estas
evaluaciones fomentan el aprendizaje activo y la reflexión al pedirles a los estudiantes que resuman e
interroguen sus conocimientos e identifiquen áreas de confusión (Angelo & Cross, 1993). Cualquier brecha se
puede abordar en clases futuras. Estos ejercicios también aumentan el compromiso y la motivación de los
estudiantes al mostrarles que los instructores responden a sus necesidades y que sus preguntas y opiniones son
importantes (Wolvoord, 2010).

Los instructores pueden decidir en qué quieren enfocarse para diseñar esta evaluación. Por ejemplo, los
instructores pueden centrarse en una actividad, un tema o una discusión en clase específicos. Luego, escriba una
pregunta para que los estudiantes la respondan y descubra lo que los estudiantes entienden y lo que los confunde.
Por ejemplo, la pregunta podría ser: ¿ Cuál fue la idea o concepto más importante que se trató en clase hoy? ¿Por
qué crees que esta idea es importante? ¿Cuál es el concepto de clase más difícil hasta ahora? ¿Qué te costó
entender? ¿Qué concepto o problema le gustaría ver explorado con más detalle? (Ángel & Cruz, 2012).

Solicitud de ChatGPT/GPT­4 (Nota: el límite de 2000 caracteres de Bing lo hace inadecuado para esta estrategia)

Para que la IA ayude a resumir rápidamente las respuestas de los estudiantes, los instructores pueden crear un
Documento de Google o cualquier documento compartido y pedirles a los estudiantes que envíen sus respuestas.
Luego, los instructores pueden enviar un conjunto de respuestas colectivas a la IA con el siguiente mensaje:

Soy un maestro que quiere entender qué es lo que los estudiantes encontraron más importante sobre mi clase y
qué les confunde. Revise estas respuestas e identifique temas y patrones comunes en las respuestas de los estudiantes.
Resuma las respuestas y enumere los 3 puntos clave que los estudiantes encontraron más importantes sobre la
clase y las 3 áreas de confusión: [Insertar material aquí]

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Los instructores pueden continuar cuestionando la IA y pedirle que los ayude a explicar los puntos de
confusión y desarrollar explicaciones para ayudar a los estudiantes a comprender conceptos específicos.
También pueden ajustar su enseñanza en la siguiente clase para aclarar conceptos erróneos, proporcionar
recursos adicionales o abordar las brechas de los estudiantes.

Evaluación e implementación de la salida de AI

Resumir y detectar temas y patrones en las respuestas de los estudiantes es una tarea laboriosa
que requiere mucho tiempo. Es posible que los instructores no tengan tiempo para revisar cada respuesta y
que les resulte difícil no concentrarse en respuestas específicas o interpretarlas de una manera que se
alinee con su perspectiva. Si bien los instructores pueden identificar momentos de enseñanza dentro de
numerosas respuestas, la debilidad de la IA (no conoce su clase) también es su fortaleza: puede proporcionar
una visión equilibrada de las respuestas de los estudiantes. Del mismo modo, es probable que la IA
detecte rápida y fácilmente patrones y temas comunes en las respuestas de los estudiantes. Para
evaluar el resultado de las IA, verifique los temas comunes: ¿se alinean con sus objetivos de enseñanza para
la clase? ¿Pueden la mayoría de los estudiantes nombrar y explicar explícitamente las ideas clave? Y
verifique los puntos comunes de confusión. ¿Son estas brechas típicas que has visto antes? Si el
resultado de la IA coincide con sus expectativas, puede ajustar sus enfoques de enseñanza para abordar
estos problemas. Verifique las respuestas de los estudiantes si su resultado no coincide con sus
expectativas o si está sorprendido por lo que descubre.

Si bien este tipo de ejercicio empuja a los estudiantes a nombrar ideas clave e identificar explícitamente los
puntos de confusión, los estudiantes pueden preocuparse por revelar sus dificultades. Los instructores
pueden considerar asignar esta pregunta a través de una encuesta anónima o un panel de discusión
anónimo en un Sistema de gestión de aprendizaje; este último tiene el beneficio adicional de dar a los
estudiantes la sensación de que no están solos en sus preocupaciones. Una nota: cuando utilice un tablero
de discusión, configure el tablero para revelar las respuestas solo una vez que los estudiantes hayan
publicado sus propias respuestas. Los estudiantes pueden verse influenciados por sus compañeros de
clase en sus publicaciones iniciales.

Una forma de incluir este ejercicio dinámicamente en una clase es publicar la respuesta no al final de la
clase sino a la mitad de la clase. Pida a los estudiantes que publiquen las respuestas. Cargue esas
respuestas a la IA y muestre a los estudiantes el resultado generado por la IA. Luego discuta esos resultados:
¿Qué señaló la IA? ¿Qué patrones destacó? ¿Qué áreas comunes de confusión tienen los estudiantes?
Esto puede conducir a una discusión sobre el resultado del aprendizaje para la clase y a que los estudiantes
respondan las preguntas de los demás y aclaren esa confusión a través de una conversación facilitada.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Estrategia 5: Uso de IA para distribuir la práctica de ideas importantes

Los estudiantes necesitan practicar la recuperación de nueva información no solo una vez sino varias
veces durante un curso. La práctica distribuida, o hacer que los estudiantes practiquen el material
varias veces durante días y meses, es fundamental para desarrollar un conocimiento sólido y
flexible (Pomerance et al., 2016).

Distribuir la práctica a lo largo del tiempo y las actividades puede ayudar a los estudiantes a hacer
conexiones y ayudar a que la información sea más fácil de recuperar (Rohrer & Pashler, 2007).
Este tipo de práctica ayuda a los estudiantes de varias maneras: les pide que recuerden hechos e
ideas que pueden haber olvidado parcialmente; puede incitar a los estudiantes a conectar activamente
dos temas o ideas separados, creando un modelo mental más granular de un tema; y puede ayudar
a los estudiantes a desarrollar una comprensión más profunda de una idea y ampliar su capacidad
para aplicar esa idea en situaciones novedosas (Ebersbach & Nazari, 2020).

Incluir la práctica distribuida en un salón de clases puede ser difícil e incluso puede encontrar
resistencia. La mayoría de los materiales del curso simplemente no están diseñados para
alinearse con esta práctica. Muchos están construidos para la práctica masiva: se cubre un
tema, luego otro y luego otro, de forma lineal, sin referencia a temas anteriores y sin una conexión
directa entre temas (Fries et al., 2021). Los estudiantes también prefieren la práctica masiva
(Willingham, 2023). Los estudios muestran que incluso cuando a los estudiantes se les informa sobre
los beneficios de distribuir la práctica a lo largo del tiempo, continúan "abarrotando" o masificando su
práctica. Aunque la conectividad es fundamental para desarrollar un conocimiento profundo y la
capacidad de transferir habilidades (Schwartz & Goldstone, 2015), la ilusión de fluidez que los
estudiantes logran cuando se desempeñan bien en un conjunto de tareas a la vez es un
incentivo poderoso. De manera similar, la práctica distribuida requiere que los instructores
produzcan materiales, los usen a intervalos y evalúen el aprendizaje de los estudiantes en el camino.
Para incluir práctica distribuida en una clase se requiere que los instructores evalúen lo siguiente:
¿Cuáles son los temas más importantes del curso? ¿Qué conexiones entre temas son críticas y, por
lo tanto, deben practicarse con frecuencia? ¿Cómo y cuándo deben los estudiantes practicar cómo
hacer conexiones entre temas y recuperar información aprendida previamente?
Introducir nuevos temas y dar a los estudiantes práctica con temas previamente aprendidos es
fundamental pero requiere mucho tiempo y requiere que el instructor se tome el tiempo para
diseñar y programar oportunidades de práctica.

Para implementar la práctica distribuida usando IA, considere lo que quiere que los estudiantes sepan
y recuerden sobre un tema. Una forma de incluir práctica distribuida en un curso es presentar un tema
y revisarlo después de una semana, un mes y luego al final del semestre. Los instructores
pueden indicar a la IA que genere breves resúmenes de temas junto con preguntas que prueben el
conocimiento de los estudiantes y luego usen esas preguntas como parte de un proceso continuo.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

asignaciones o evaluaciones a intervalos. Una vez que la mayoría de los estudiantes respondan correctamente
a las preguntas iniciales, los instructores pueden pedirle a la IA que aumente el nivel de dificultad de las
preguntas o alterne las preguntas en una secuencia.

Debido a que conectar nuevas ideas con lo que los estudiantes ya saben promueve un aprendizaje más
profundo, los instructores pueden conectar nuevos temas con temas previamente aprendidos para que los
estudiantes comiencen a crear sus propias conexiones conceptuales. Los instructores pueden usar la IA para
entretejer temas anteriores en conferencias o debates y evaluar a los estudiantes sobre temas anteriores. Para
implementar esta estrategia, los instructores pueden pedirle a la IA que incorpore ideas o hechos en un tema
actual: ¿cómo se relaciona un tema anterior con lo que los estudiantes están estudiando ahora? La IA puede
ayudar a encontrar conexiones y luego ayudar a que esas conexiones sean explícitas para los estudiantes,
recordándoles lo que aprendieron previamente y vinculando un nuevo tema con uno anterior.

Para usar la IA para ayudar con la práctica distribuida, los instructores pueden pedirle a la IA que genere preguntas
para evaluar el conocimiento de los estudiantes sobre una serie de temas del curso a lo largo de la línea de
tiempo del curso, incorporando y evaluando a los estudiantes sobre conceptos nuevos y aprendidos previamente.
Los instructores pueden pedirle a la IA que encuentre una relación entre conceptos para encontrar una variedad
de formas de conectar ambas ideas en el aula. La IA también puede hacer un seguimiento con preguntas
específicas para pedirles a los estudiantes que les indiquen que recuperen conceptos aprendidos previamente.

Aviso para Bing: puede usar el siguiente enlace para que Bing genere ejercicios y pruebas de práctica
distribuidos: https://sl.bing.net/hnKI78bzvzw

Pasa el siguiente mensaje a Bing: Me gustaría que actúe como un generador de cuestionarios de respuesta
corta para los estudiantes. Cuando los estudiantes distribuyen la práctica en un curso y revisan los temas
aprendidos anteriormente, la práctica los ayuda a recordar y comprender estos temas. Me gustaría que me pidieras
un plan de estudios que incluya un programa de temas semana a semana con una breve descripción de cada
uno. Me gustaría que me pregunte a qué nivel de estudiantes estoy enseñando. Buscará el curso y los conceptos
en el curso, y luego me proporcionará 3 cuestionarios que incluyen 2 preguntas de respuesta corta y 2 preguntas
de opción múltiple que evalúan a los estudiantes sobre temas nuevos y aprendidos previamente y que conectan los
temas. Deberá incluir los temas aprendidos en las semanas anteriores en las pruebas de las semanas
posteriores. Dime cuándo debo usar cada prueba en mi clase.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Solicitud de ChatGPT/GPT­4:

Eres un maestro experto que brinda ayuda con el concepto de práctica distribuida. Me pedirá que describa el
tema actual que estoy enseñando y el tema pasado que quiero incluir en la práctica distribuida.
También me preguntará la audiencia o el nivel de grado de la clase. Luego, proporcionará 4 ideas sobre
cómo incluir el tema pasado en mi tema actual. También proporcionará 2 preguntas que puedo hacerle a la clase
para refrescar su memoria sobre el tema anterior.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Cómo evaluar e implementar la salida de IA de la práctica distribuida

Para evaluar la salida de AI, verifique sus hechos y consistencia. La IA puede señalar nuevas
conexiones y puede señalar que existen conexiones pero que no son críticas. De manera similar, es
posible que su prueba de conocimiento no se alinee con su clase: las pruebas pueden ser demasiado
difíciles o demasiado simples, y es posible que no evalúe lo que es más importante que los estudiantes
sepan. Los instructores también deben verificar las sugerencias de tiempo de AI: ¿está sugiriendo las
preguntas correctas en el momento correcto durante el curso? Los instructores pueden evaluar el
resultado de la IA al revisar: la relevancia y la alineación de cada sugerencia en términos de temas
actuales y pasados: ¿los ejercicios y pruebas sugeridos están relacionados con temas clave?
¿Ayudarán a los estudiantes a conectar información nueva y antigua? Los instructores también pueden evaluar la viabilidad

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

sugerencias para su clase específica: ¿son adecuadas en términos de conocimiento previo, marco de
tiempo y son realistas y manejables desde una perspectiva de enseñanza? Y los instructores pueden
verificar la variedad y creatividad de las sugerencias: ¿son repetitivas y ofrecen diferentes formas de revisar
los temas?

La práctica distribuida se puede implementar de varias maneras. En términos de tiempo, es óptimo

programar ejercicios y pruebas que espacien la práctica a lo largo de un curso y que permitan algo de
olvido. Por ejemplo, una vez que los estudiantes muestran evidencia de comprensión sobre un
tema, se puede programar la práctica de ese tema (en forma de una tarea o un cuestionario) una vez que haya
pasado un tiempo; los estudiantes deberán trabajar duro para extraer ese conocimiento de la memoria y ese
esfuerzo les ayudará a acceder a esta información la próxima vez.

Los cuestionarios regulares también pueden incluir preguntas no solo sobre una unidad específica, sino
que también pueden incorporar preguntas de la unidad anterior. Estas pueden ser preguntas
separadas o se les puede pedir a los estudiantes que hagan conexiones entre las dos unidades o temas.
Los instructores también pueden usar las sugerencias de IA para ejercicios de clase que requieren que los
estudiantes hagan conexiones entre temas para que los aspectos clave de un tema se integren con material
nuevo.

El uso de la salida de AI no solo ayuda a los estudiantes a practicar temas en una clase, sino que
también pueden desarrollar el hábito de revisar los materiales aprendidos previamente. Incluso en las clases
donde el conocimiento de un concepto no está estrechamente relacionado con otros conceptos, los
instructores pueden hacer explícito este principio: las tareas y los exámenes, e incluso las discusiones
en clase, requerirán que los estudiantes revisen y se mantengan familiarizados con los temas en todo el
curso.

Conclusión

El uso de la IA para implementar cinco estrategias de enseñanza basadas en evidencia (usando

múltiples ejemplos, explicaciones variadas, diagnosticando y abordando conceptos erróneos, práctica
distribuida y pruebas de bajo riesgo) puede ayudar a los instructores a desarrollar lecciones más efectivas y
mejorar el aprendizaje de los estudiantes. Estas estrategias requieren un trabajo extenso por parte de los
instructores para implementarlas de manera efectiva, trabajo en el que la IA y, específicamente, los
modelos de lenguaje grande ahora pueden ayudar en diversos grados. Con una investigación y supervisión
cuidadosas, la IA puede generar explicaciones, ejemplos, problemas prácticos y preguntas de diagnóstico
para apoyar a los instructores, ayudándolos a dedicar menos tiempo al desarrollo de materiales y más
tiempo a concentrarse en los estudiantes. AI también puede responder a las preguntas de los estudiantes, calificar

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

asignaciones y proporciona cuestionarios conceptuales sobre temas, ayudando con tareas de

instrucción básicas y liberando tiempo y recursos mentales del instructor.

Si bien la IA no reemplazará a los instructores, las herramientas de IA cuidadosamente desarrolladas son

prometedoras para aumentar la capacidad de los instructores, mejorar el aprendizaje y respaldar las
prácticas de enseñanza basadas en evidencia a escala. A medida que la IA continúa desarrollándose,
tanto los investigadores como los educadores deberán considerar tanto los beneficios como
las limitaciones del uso de la IA con fines pedagógicos, desarrollando pautas para un uso ético y efectivo.
En general, la IA puede ser una herramienta útil para promover las prácticas de enseñanza y aprendizaje
cuando se implementa con cautela y consideración en el aula.

Referencias

Adesope, OO, Trevisan, DA y Sundararajan, N. (2017). Repensar el uso de las pruebas: un metaanálisis de las
pruebas de práctica. Revista de Investigación Educativa, 87(3), 659­701.

Ángelo, TA y Cross, KP (1993). Técnicas de evaluación en el aula (2ª ed.). San Francisco, CA: Jossey­Bass.

Ángelo, TA y Cross, KP (2012). Técnicas de evaluación en el aula. Jossey Bass Wiley.

Atkinson, RK, Derry, SJ, Renkl, A. y Wortham, D. (2000). Aprendiendo de ejemplos: Principios de instrucción
de la investigación de ejemplos trabajados. Revista de investigación educativa, 70(2), 181­214.

Bransford, JD, Brown, AL y Cocking, RR (2000). Cómo aprenden las personas (Vol. 11). Washington, DC: Prensa de la
academia nacional.

Bransford, J., Derry, S., Berliner, D., Hammerness, K. y Beckett, KL (2005). Las teorías del aprendizaje y sus roles en la
enseñanza. Preparar a los docentes para un mundo cambiante: lo que los docentes deberían aprender y ser capaces
de hacer, 40, 87.

Chi, MT (2006). Dos aproximaciones al estudio de las características de los expertos. El manual de Cambridge de
experiencia y desempeño experto, 21­30.

Dehaene, S. (2021). Cómo aprendemos: por qué los cerebros aprenden mejor que cualquier máquina... por ahora. Pingüino.

Ebersbach, M. y Nazari, KB (2020). Implementando prácticas distribuidas en cursos de estadística: Beneficios para
la retención y transferencia. Revista de Investigación Aplicada en Memoria y Cognición, 9(4), 532­541.

Ericsson, KA y Lehmann, AC (1996). Desempeño experto y excepcional: Evidencia de máxima adaptación a las
limitaciones de la tarea. Revisión anual de psicología, 47(1), 273­305.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Ericsson, A. y Pool, R. (2016). Peak: Secretos de la nueva ciencia de la experiencia. Houghton Mifflin Harcourt.

Felten, E., Raj, M. y Seamans, R. (2023). ¿Cómo afectarán los modeladores de lenguaje como ChatGPT a las
ocupaciones e industrias? preimpresión de arXiv arXiv:2303.01157.

Fiorella, L. y Mayer, RE (2016). Ocho formas de promover el aprendizaje generativo. Revisión de psicología educativa,
28, 717­741.

Fries, L., Son, JY, Givvin, KB y Stigler, JW (2021). Practicar conexiones: un marco para guiar el diseño instruccional
para desarrollar la comprensión en dominios complejos. Revista de Psicología Educativa, 33(2), 739­762.

Karpicke, JD y Roediger III, HL (2008). La importancia crítica de la recuperación para el aprendizaje.

ciencia, 319(5865), 966­968.

Kirschner, PA, Hendrick, C. y Heal, J. (2022). Cómo ocurre la enseñanza: trabajos seminales en la enseñanza y la eficacia
docente y lo que significan en la práctica. Routledge.

Little, JL, Bjork, EL, Bjork, RA y Angello, G. (2012). Las pruebas de opción múltiple exoneraron, al menos, de algunos
cargos: Fomentar el aprendizaje inducido por la prueba y evitar el olvido inducido por la prueba. Ciencia psicológica,
23(11), 1337­1344.

Murre, JM y Dros, J. (2015). Replicación y análisis de la curva de olvido de Ebbinghaus. PloS uno, 10(7), e0120644.

Korinek, A. (2023). Modelos de lenguaje y automatización cognitiva para la investigación económica (No. w30957).
Oficina Nacional de Investigación Económica.

Perkins, DN y Salomón, G. (1992). Transferencia de aprendizaje. Enciclopedia internacional de educación, 2,

6452­6457.

Pomerance, L., Greenberg, J. y Walsh, K. (2016). Aprender sobre el aprendizaje: lo que todo maestro nuevo debe
saber. Consejo Nacional de Calidad Docente.

Rohrer, D. y Pashler, H. (2007). Aumentar la retención sin aumentar el tiempo de estudio. Direcciones Actuales
en Ciencias Psicológicas, 16(4), 183­186.

Rozenblit, L. y Keil, F. (2002). Los límites incomprendidos de la ciencia popular: una ilusión de profundidad explicativa.
Ciencia cognitiva, 26(5), 521­562.

Schwartz, DL y Goldstone, R. (2015). El aprendizaje como coordinación: Psicología cognitiva y educación. En

Manual de psicología educativa (págs. 75­89). Routledge.

Terwiesch, C. (2023). ¿Obtendría Chat GPT un MBA de Wharton? Una predicción basada en su desempeño
en el curso de Dirección de Operaciones. Instituto Mack para la Gestión de la Innovación.
Obtenido de https://mackinstitute.wharton.upenn.edu/wp­content/uploads/2023/01/Would ChatGPT­get­a­Wharton­
MBA.pdf

Copia electrónica disponible en: https://ssrn.com/abstract=4391243

Machine Translated by Google

Fundación de la familia Walton. (2023). Los profesores y los estudiantes adoptan ChatGPT para la educación.
Recuperado el 6 de marzo de 2023 de https://www.waltonfamilyfoundation.org/learning/teachers­and Students­
embrace­chatgpt­for­education

Walvoord, BE (2010). Evaluación clara y simple: una guía práctica para instituciones, departamentos y educación
general. San Francisco, CA: Jossey­Bass.

Guillermo, D. (2015). Diseño de grandes preguntas bisagra. Liderazgo Educativo, 73(1), 40­44.

Willingham, DT (2003). Pregúntele al científico cognitivo: los estudiantes recuerdan... lo que piensan. Educador
estadounidense, verano de 2003, 16, 77­81.

Willingham, DT (2017). Un modelo mental del alumno: la enseñanza de la ciencia básica de la psicología educativa
a los futuros maestros. Mente, cerebro y educación, 11(4), 166­175.

Copia electrónica disponible en: https://ssrn.com/abstract=4391243