Casos de Rutas de Ingeniería de Prompts de Estudiantes de EFL de Secundaria para Completar una Tarea de Escritura con ChatGPT

1. Introducción

ChatGPT, un chatbot de IA generativa de última generación (SOTA), ha ganado una inmensa popularidad por su potencial para transformar la educación, particularmente en contextos de escritura de Inglés como Lengua Extranjera (EFL). Sin embargo, la colaboración efectiva con ChatGPT requiere que los estudiantes dominen la ingeniería de prompts—la habilidad de elaborar instrucciones precisas para obtener los resultados deseados. Este artículo examina el contenido y los patrones de los prompts de estudiantes de EFL de secundaria al completar una tarea de escritura con ChatGPT por primera vez. A través de un estudio de caso de cuatro rutas distintas, los autores ilustran el proceso de prueba y error y destacan la necesidad de una educación explícita en ingeniería de prompts en las aulas de EFL.

2. Revisión de la Literatura

3. Metodología

4. Hallazgos: Cuatro Rutas de Ingeniería de Prompts

5. Discusión

6. Detalles Técnicos y Formulación Matemática

La ingeniería de prompts puede modelarse como un problema de optimización. Sea $P$ el espacio de prompts, $O$ el espacio de salidas, y $f: P \rightarrow O$ la función de ChatGPT. El objetivo es encontrar $p^*$ tal que:

$$p^* = \arg\max_{p \in P} \, \text{Relevancia}(f(p), T)$$

donde $T$ es la tarea de escritura objetivo. La función de relevancia puede aproximarse mediante la similitud de coseno entre la incrustación de la salida y la incrustación del objetivo en un espacio semántico (por ejemplo, Sentence-BERT). En la práctica, los estudiantes actualizan iterativamente $p$ basándose en $f(p)$ observado:

$$p_{t+1} = p_t + \alpha \cdot \nabla \text{Puntuación}(f(p_t), T)$$

donde $\alpha$ es una tasa de aprendizaje y Puntuación es una métrica de calidad heurística. Esto refleja el ascenso de gradiente en el espacio latente, aunque los estudiantes lo hacen de manera intuitiva.

7. Resultados Experimentales y Descripción del Diagrama

Figura 1: Distribución de Rutas

Un gráfico de barras que muestra la frecuencia de cada ruta: Ruta A (3 estudiantes), Ruta B (4), Ruta C (2), Ruta D (3). El gráfico indica que el refinamiento iterativo (B) fue el más común, mientras que la descomposición andamiada (C) fue la menos común pero la más efectiva.

Figura 2: Número Promedio de Prompts por Ruta

Un gráfico de líneas: Ruta A (1.0 prompts), B (4.5), C (6.0), D (8.3). El gráfico muestra que más prompts no necesariamente se correlacionan con mejores resultados; la Ruta C usó menos prompts que la D pero logró una mayor calidad de escritura (calificada por dos profesores de EFL en una escala del 1 al 5: promedio C 4.2, promedio D 2.8).

8. Caso de Ejemplo del Marco Analítico

Caso: Estudiante S7 (Ruta C - Descomposición Andamiada)

1. Prompt 1: "Dame un esquema para un párrafo sobre mi biblioteca favorita. Incluye introducción, detalles sensoriales y por qué es especial."
2. Salida de ChatGPT: Proporciona un esquema de 3 puntos.
3. Prompt 2: "Expande el punto 2 (detalles sensoriales) en 3 oraciones usando palabras como 'susurro', 'polvoriento', 'cálido'."
4. Salida de ChatGPT: Genera oraciones descriptivas.
5. Prompt 3: "Combina el esquema y las oraciones en un párrafo coherente. Usa un tono formal."
6. Salida Final: Un párrafo bien estructurado con una puntuación de 4.5/5.

Este caso demuestra una descomposición efectiva de tareas y especificidad contextual.

9. Aplicaciones y Direcciones Futuras

La investigación futura debería explorar:

• Entrenamiento automatizado de prompts: Herramientas de IA que proporcionen retroalimentación en tiempo real sobre la calidad del prompt (por ejemplo, "Tu prompt es demasiado vago. Intenta especificar el tono.")
• Ingeniería de prompts multilingüe: Cómo difieren las estrategias para estudiantes de EFL frente a hablantes nativos.
• Estudios longitudinales: Seguimiento de cómo evolucionan las habilidades de ingeniería de prompts de los estudiantes con el tiempo.
• Integración con currículos de escritura: Desarrollo de planes de lecciones que enseñen ingeniería de prompts junto con habilidades de escritura tradicionales.

10. Análisis Original

Este estudio hace una contribución oportuna al mapear empíricamente cómo los estudiantes novatos de EFL interactúan con ChatGPT, revelando una brecha crítica entre la prueba y error intuitiva y la ingeniería de prompts estratégica. El marco de cuatro rutas es una herramienta pedagógica valiosa, pero el tamaño de muestra pequeño y la falta de control por exposición previa a la IA limitan su generalización. El hallazgo de que la descomposición andamiada (Ruta C) produce resultados superiores se alinea con la teoría de la carga cognitiva (Sweller, 1988), que postula que dividir tareas complejas en partes manejables reduce la carga cognitiva y mejora el aprendizaje. Sin embargo, el estudio no aborda la dimensión ética: los estudiantes que dependen de ChatGPT para la generación de ideas podrían plagiar inadvertidamente o perder su propia voz. El trabajo futuro debería integrar la formación en ética digital en los currículos de ingeniería de prompts. Además, la formulación matemática de la optimización de prompts (Sección 6) proporciona una lente rigurosa, pero su aplicabilidad práctica en entornos de aula sigue sin validarse. Para avanzar, los educadores deben tratar la ingeniería de prompts no como un complemento técnico, sino como una habilidad de alfabetización central, similar a la alfabetización en motores de búsqueda (Head & Eisenberg, 2010). Solo entonces los estudiantes podrán aprovechar la IA como un socio colaborativo en lugar de una muleta.

11. Referencias

• Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry. American Psychologist, 34(10), 906–911.
• Guo, K., Woo, D. J., & Susanto, H. (2023). Exploring EFL students' prompt engineering strategies with ChatGPT. Computers & Education: Artificial Intelligence, 5, 100156.
• Head, A. J., & Eisenberg, M. B. (2010). How today's college students use the Web for research. Project Information Literacy Progress Report.
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
• Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL secondary students' prompt engineering pathways to complete a writing task with ChatGPT. Journal of Educational Computing Research, 61(4), 789–812.