📝

Notas Sesión 2

Date

October 20, 2026

Estado

Publicado

Obligatoriedad

Semana

Semana 9

Tipo

Notas de clase

Last edited by

Miss Pili Piñones

Last edited time

Oct 22, 2026 3:03 AM

La sesión se enfocó en la ingeniería de prompts (instrucciones) aplicada al diseño de experiencias educativas, con especial énfasis en la enseñanza de las matemáticas y las ciencias.
El objetivo central fue aprender a construir instrucciones efectivas integrando la Taxonomía de Bloom como marco pedagógico y aplicando una estructura de cinco elementos clave para transitar de la vaguedad a una interrelación iterativa y crítica con la herramienta.

Mecanismo básico: Un prompt es la instrucción o conjunto de datos que se entrega a un modelo de IA para ejecutar una tarea. La calidad, pertinencia y grado de especificidad de la instrucción determinan directamente la utilidad del resultado.
Manejo de sesgos e inferencias implícitas: La IA tiende a llenar vacíos de información sumiendo datos no explícitos (por ejemplo, dar por sentado que estudiantes de bachillerato ya dominan el concepto de límite al explicar continuidad).
Gestión de memoria: Las herramientas conservan el historial del chat; para iniciar una actividad sin contaminación de contextos previos, es necesario abrir una sesión nueva.

Propósito pedagógico: Clasifica los procesos de aprendizaje en seis niveles de complejidad cognitiva: recordar, comprender, aplicar, analizar, evaluar y crear.
Orientación del prompt: Permite asociar verbos de acción específicos al prompt según el objetivo deseado (los niveles de recordar/comprender/aplicar suelen emplearse en educación media, mientras analizar/evaluar/crear predominan en educación superior).

Para articular instrucciones completas y funcionales se presentó la estructura de cinco componentes:

Persona: El rol específico que adopta la IA (ej. tutor socrático, evaluador, diseñador de experimentos).
Acción: La tarea explícita a realizar mediante un verbo operacional (ej. ejemplificar, diseñar, comparar).
Resultado: El formato final de la entrega (ej. rúbrica, infografía, examen, plan de clase).
Tono: El estilo lingüístico adaptado (ej. accesible, riguroso, motivador, poético).
Soporte: El contexto específico de la audiencia (ej. edad, grado, contexto sociocultural y aprendizajes previos).

Caso de estudio: Diseño de una experiencia para 7 estudiantes de 2.º de secundaria (13-14 años) en una comunidad agrícola de Sinaloa dedicada al cultivo de tomate, iniciando el estudio del Movimiento Rectilíneo Uniformemente Acelerado (MRUA).
Evaluación del resultado generado: La IA generó una infografía saturada y tomó la referencia del cultivo de manera literal/superficial (fondos con tomates).
Lección pedagógica: El contexto sociocultural debe explicitarse sin datos que desvíen la atención del modelo. Asimismo, se debe cuestionar el momento pedagógico del recurso (una infografía suele ser más efectiva para síntesis o cierre que para la introducción de un tema).

Especificidad operacional: A mayor precisión en las variables e instrucciones, menor margen de alucinación e inferencias imprevistas por parte del modelo.
Estructura de 5 elementos (PARTS): Persona, Acción, Resultado, Tono y Soporte constituyen la base para la formulación de prompts educativos.
Intención pedagógica antes que técnica: La Taxonomía de Bloom orienta el nivel cognitivo de la instrucción antes de enviarla a la máquina.
Uso iterativo y conversacional: El valor no reside únicamente en la primera respuesta, sino en el refinamiento progresivo mediante retroalimentación constante.
Análisis del momento pedagógico: Un recurso generado con IA debe ubicarse con intención clara dentro de la secuencia didáctica (inicio, desarrollo o cierre).
Contextualización no literal: Incorporar el entorno sociocultural del estudiante es valioso, pero debe acotarse para evitar que el modelo genere metáforas o diseños superficiales y sobrecargados.