Inteligencia Artificial
Generativa
Fundaniei1lo.‹, .!Iodelo.s,Límilcy‘y Pi’onifil.‹ en la Educación .$ufiei ter
I N TR O D U C C I Ó N AC A D É M I C A PA RA E STU D I A N TE S D E L PRI M E R C I C L O
U N IV E R SI D A D / D I R E C C I Ó N D E F O R M AC I Ó N D O C E N T E E N S E RVI C I O — M I N E
D U (2 0 2 4)
2.
Módulo I: Conceptoe Historia
Definiendo los cimientos concefiíualcs de la comfiutacián
iníeliyente
3.
¿9ué es laInteligencia Artificial?
Perspectiva Computacional
La ÍA es una rama de la informática que busca diseñar sistemas
capaces de realizar tareas comúnmente asociadas a un
comportamiento inteligente humano: razonamiento, toma de
decisiones, aprendizaje autónomo o procesamiento y
generación de lenguaje (UAM, s.f.).
Simulación de Procesos
Es una tecnología que busca imitar la inteligencia humana en una
máquina mediante algoritmos matemáticos que llevan a cabo
funciones cognitivas o perceptivas antes reservadas para pensar,
juzgar y razonar en los seres humanos (Leslie et al., 2021).
4.
El Origen delComportamiento Inteligente
El Test de Turing (wso)
Alan Turing propuso que una máquina podría considerarse inteligente si
lograba un rendimiento cognitivo de nivel humano suficiente para engañar
a un interrogados en un diálogo cerrado (Turing, citado en Díaz- Ramírez,
2021)
Este marco histórico transformó la informática, planteando por primera
vez la simulación de procesos de análisis, juicio y deducción biológicos
en componentes de hardware.
•-Visualización interactiva del Test de Turing y simulaci „m„„„„,{/„„,
„„ artificial
5.
De la ÍAal Aprendizaje Profundo
i. Inteligencia Artificial
El marco general de sistemas
informáticos capaces de imitar el
comportamiento cognitivo del ser
humano y automatizar flujos
complejos (Moreno,2Ol9)
z. Machine Learning
Rama de la ÍA que se enfoca en el
desarrollo de algoritmos para
reconocer patrones en los datos sin
requerir programación estricta (Nexo
Digital Pro, 2023).
3. Deep Learning
Subcampo inspirado en redes
neuronales de múltiples capas
biológicas para procesar datos
complejos como voz y visión por
computadora (Díaz-Ramírez,
2021).
6.
Módulo II: Aprendizajede Máquinas
Estrucíura, algoritmos y di[erencias en el procesamiento de
in[ormación
7.
El Concepto deAprendizaje Automático
El Enfoque del Autoaprendizaje
El Machine Learning permite a los sistemas informáticos
aprender y mejorar de forma automatizada. Se alimenta
mediante el registro de grandes bases de datos para identificar
patrones ocultos y estructurar modelos que guían futuras
decisiones (Moreno, 2019).
Hito Histórico (i962)
Arthur Samuel propuso el tórmino con su estudio del juego de las
damas. En l9ó2, una computadora IBM entrenada venció a
Robert Nealey, maestro en la disciplina, marcando un hito
fundacional sobre el poder del autoentrenamiento.
8.
Machine Learning enla Vida Cotidiana
El aprendizaje automático ya no es una teoría de laboratorio, sino un
motor invisible que impulsa aplicaciones en diversos ámbitos de la
sociedad contemporánea (Nexo Digital Pro, 2023):
• Filtros inteligentes: Clasificación inmediata de correos en
bandeja de entrada y spam.
• Ciberseguridad: Reconocimiento facial avanzado en
dispositivos móviles y sistemas financieros.
• Comercio y Medios: Algoritmos que determinan qué
contenidos visualizas en plataformas de entretenimiento.
• Optimización de Rutas: Rutas logísticas instantáneas
basadas en congestión en tiempo real.
Dimensión Enfoque deAprendizaje Tradicional Enfoque de Aprendizaje Profundo (Deep)
Aprendizaje Tradicionalvs. Deep Learning
Naturaleza de
Tareas
Rol del
Alumno
Propósito
Tecnológico
Impulsado y centralizado por el
docente.
Agencia y Rol Dirigido por el estudiante y enmarcado por el
docente.
Transmisión estática del conocimiento
existente.
Receptor pasivo del
contenido.
Tecnología utilizada para transmisión y
consumo.
Resolución de problemas auténticos del mundo
real.
Indagador activo y constructor de nuevos
saberes.
La tecnología como un conector y amplificador
cognitivo
11.
Módulo III: InteligenciaAdaptativa
Estrateyias firocesos de fiersonalizacián comfiutacional en la
educacián
12.
¿9ué es elAprendizaje Adaptativo?
Personalización Dinámica
Es un método pedagógico basado en el análisis continuo de
datos (learning analytics) que utiliza algoritmos para reconfigurar
la experiencia de aprendizaje del estudiante, ajustando
actividades, evaluaciones y recursos en tiempo real según el
ritmo particular de desarrollo (Cadillo, 2023).
Transformación Docente
El rol del educador evoluciona a un catalizador del aprendizaje
crítico, respaldado por herramientas inteligentes de monitoreo y
retroalimentación adaptativa basadas en el desempeño (Díaz-
Ramírez, 2021). No reemplaza al profesor, sino que potencia su
acción orientadora.
13.
Ventajas del AprendizajeAdaptativo
Ritmo Propio
Los estudiantes controlan su propio
progreso de aprendizaje, enfocando su
valioso tiempo intelectual en áreas
específicas donde presentan brechas
conceptuales.
Feedback Inmediato
El sistema provee retroalimentación
constante que permite corregir errores
cognitivos de forma inmediata,
consolidando conceptos de manera
sólida.
mayor Inclusión
Representa un salto integrador para
personas con discapacidades o
necesidades especiales, flexibilizando
la complejidad temática
dinámicamente.
Sistemas de Recomendacióncon ÍA
Conexiones Inteligentes
Es una herramienta de software que genera sugerencias de contenido
personalizadas para un usuario específico. Basado en algoritmos de
machine learning y redes neuronales, predice quó recurso educativo es
el más idóneo según la ruta de aprendizaje actual (AprendelA, 2019).
Ejemplos aplicados en la educación incluyen ePortaf olios, gamificación
del
conocimient o, y plataf ormas adaptativas de idiomas como Duolingo
(Mujica — Sequera, 2021).
story of Large
nguoge
Models
2010
stanfor
d
CoreNLP
196
7
ELizo
2011
Google
Brain
20
5
Ope
rGPT-
199
7
LSTM
207
Googl‹
16.
Cómo Evitar laDependencia Cognitiva
•g' Diversificar las Fuentes: Forzar la búsqueda de datos en canales diversos ajenos a la recomendación automática de la ÍA, evaluando
siempre su contabilidad científica (MINEDU , 2024).
e Estimular la Curiosidad: Explorar intencionalmente fuera de los límites propuestos por la ÍA mediante el planteamiento de
problemas abiertos de pensamiento lateral.
Habilidades de Investigación: Dominar las técnicas de búsqueda mediante palabras clave rigurosas, ñltros lógicos y mecanismos
formales de validación bibliográñca.
$§ Mentalidad Crítica y Diálogo: Los algoritmos son herramientas de apoyo instrumental y de ninguna manera sustituyen el
juicio humano de alta ñdelidad.
17.
Módulo V: Límilesy Alucinaciones
Anó/isib efiistćmico de la f'alibilidad técnica en modelos
yeneratiros
18.
Límites y Alucinacionesde la ÍA
Ausencia de Comprensión Real
Los modelos de lenguaje grande (LLM) no comprenden leyes
físicas, biológicas o causales de la realidad. Funcionan de
manera probabilística, calculando cuál palabra tiene mayor
probabilidad de seguir a otra según el contexto histórico de
entrenamiento (Sandoval, 2023).
El Riesgo de las Alucinaciones
Se produce cuando el modelo redacta con absoluta fluidez,
coherencia gramatical y aparente rigor datos fácticos falsos,
inventando referencias bibliográficas o asumiendo hechos
científicos inexistentes (Fernández, 2023). Esto exige la
contrastación sistemática.
19.
Cómo Mitigar Erroresen la ÍA
Estrategias académicas frente al error algorítmico:
• Triangulación de Fuentes: Nunca asuma de forma ciega que el
output de un modelo generativo es verídico; contrástelo
con fuentes primarias confiables.
• Plataformas de Fuente Cerrada: Utilice herramientas
específicas como NotebookLM que se ciñen
exclusivamente a documentos cargados por el usuario.
• Validación Humana: Aplique contrastación cruzada permanente
utilizando bases de datos académicas acreditadas(Scopus,
Scielo).
UAM (S.f.): Fe rnánde z (202
3)
20.
¿9ué es unPrompt? La Llave de la ÍA
La Interfaz del Lenguaje Natural
Un prompt es una instrucción, pregunta o texto inicial que se le
proporciona a un sistema de inteligencia artificial generativa para
detonar una tarea concreta. Funciona como un comando interactivo en
lenguaje natural (Fernández, 2023).
La precisión de la respuesta de la ÍA(output) depende directamente de la
especificidad, el contexto, el rol y las restricciones lógicas descritas en
dicha instrucción (input).
Fernánde z(2023)
21.
Estructura Básica deun Prompt de
Calidad
i. Asignar Rol
Inicie indic ándole al sistema un perhl
específico de desempeño (ej. ”Actúa
como un profesor experto de
metodología científica...’j.
2. Contextualizar
De limite las variables del entorno real
de aplicación (ej. ”. .para estudiantes
que están cursando su primer semestre
universitario en Perú...’j.
3. Tarea y Formato
Especifique la tarea y restricciones (ej.
" .. detalla los pasos para formular un
problema. Estructura el output en una
tabla corta y directa.’j.
22.
I
I
Atribuciones de
Imagen
Thumbnai
l para
turing
http://googIeusercontent.com/image_coIIection/image_retrievaI/ó03148229344124352
2_0
Bûsqueda:turing test artihcial intelligence
simulation
http://googIeusercontent.com/image_coIIection/image_retrievaI/3449158359ó59473óó
_0
Búsqueda: machine learning algoritmos de computacion datos masivos
http://googIeusercontent.com/image_coIIection/image_retrievaI/2ó10214922171814705
_0
Búsqueda: red neuronal artihcial cerebro digital tecnologia de punta
http://googIeusercontent.com/image_coIIection/image_retrievaI/231881924822298047
9_0
Búsqueda: inteligencia artihcial generativa modelos de lenguaje grande
Ilm
http://googIeusercontent.com/image_coIIection/image_retrievaI/1199ó89725419057107
2_0
Búsqueda: alucinaciones inteligencia artificial error de datos
computacional
http://googIeusercontent.com/image_coIIection/image_retrievaI/255ó941458820
812474_0
Búsqueda: prompt engineering instrucciones de texto para ia generativa
