En los últimos años, la inteligencia artificial (IA) y, en particular, los grandes modelos de lenguaje (Large Language Models, LLMs) como ChatGPT, han emergido como herramientas que pueden generar preocupación entre algunos docentes, en especial, al considerar el uso que sus estudiantes podrían darles en el aula. Si bien estos modelos implican ciertos riesgos, también ofrecen oportunidades significativas para apoyar a quienes se están formando, en momentos o procesos en los que puede resultar difícil para los profesores proporcionar la ayuda necesaria.
Por ejemplo, los profesores no pueden estar disponibles todo el tiempo para resolver las dudas que surgen mientras los estudiantes leen o hacen sus tareas. Esta limitación es evidente en los cursos masivos en línea, donde miles de personas participan, y no es posible responder todas las preguntas de inmediato. Sin embargo, también se presenta en clases de primaria o secundaria, cuando a los estudiantes les surgen dudas mientras estudian en casa, sin tener acceso a un tutor que los guíe. Estas dudas son normales —e incluso deseables—, ya que, al intentar resolverlas, los educandos construyen conocimiento. No obstante, si la ayuda tarda demasiado, pueden frustrarse, perder el interés e, incluso, olvidar la pregunta antes de formularla.
Hasta hace algunos años, la forma más común de resolver este tipo de dudas era buscar en internet. De hecho, muchos padres habrán recurrido a la frase: “Pregúntele a Google”, cuando no sabían cómo responder las inquietudes de sus hijos. Sin embargo, estas búsquedas podían llevar a los estudiantes a pasar horas sin encontrar una fuente clara y precisa que respondiera su duda. Videos en plataformas, como YouTube o Khan Academy, ofrecían explicaciones generales, pero no siempre abordaban la pregunta específica. Además, incluso cuando encontraban una respuesta más concreta, persistía la incertidumbre sobre la veracidad y confiabilidad de la información.
Lo que antes requería una búsqueda en línea, en los últimos tres años se ha transformado en “preguntarle a ChatGPT”. Desde la perspectiva de los estudiantes, estas herramientas ofrecen una ventaja clara: brindan respuestas específicas en segundos y permiten una interacción continua para hacer preguntas adicionales. Esta inmediatez representa una mejora significativa respecto a las búsquedas prolongadas. Sin embargo, persiste la incertidumbre sobre la veracidad y precisión de sus respuestas, ya que pueden reproducir conceptos erróneos presentes en sus datos de entrenamiento o generar información falsa —un fenómeno conocido como alucinación—. También pueden cometer errores en operaciones lógico-matemáticas. Además, por su facilidad de uso y retórica convincente, existe el riesgo de que los estudiantes copien las respuestas sin analizarlas de forma crítica, lo que podría limitar su aprendizaje.
A pesar de los riesgos asociados al uso de estos modelos, los LLMs suelen ofrecer respuestas lo suficientemente útiles como para ayudar a los estudiantes a resolver sus dudas, proporcionando el andamiaje que necesitan para lograr distintos objetivos de aprendizaje, en especial, cuando no hay un profesor disponible.
Por ejemplo, un estudiante que aprende a programar puede preguntarle a ChatGPT cómo declarar una variable en Python o cómo implementar un ciclo recursivo (Figura 1). Anteriormente, resolver estas dudas podía tomar un tiempo prolongado, ya fuera buscando el código correcto, entendiendo una explicación confusa, o esperando hasta la siguiente clase para consultar al profesor. Ahora, herramientas, como ChatGPT, permiten obtener en segundos tanto el código como una explicación razonablemente clara, lo que en muchos casos permite resolver la duda de forma efectiva.
No obstante, es fundamental reconocer los riesgos asociados al uso de estas herramientas. Más allá de las alucinaciones o respuestas incorrectas, los estudiantes podrían verse tentados a priorizar la eficiencia copiando el código generado por ChatGPT, sin comprender los conceptos subyacentes —también aplicable a otras áreas del conocimiento—. En muchos casos, el producto final que entregan, con ayuda de estas herramientas, puede ser de mayor calidad que el que lograrían por sí solos, pero eso no garantiza un mayor aprendizaje. Por ejemplo, aunque el código sea correcto y eficiente, el estudiante podría no haber entendido la lógica o las buenas prácticas necesarias para programar. Como resultado, al enfrentarse a tareas más complejas —difíciles de resolver por completo con IA, o susceptibles de crear respuestas erróneas— podrían carecer del conocimiento necesario para descomponer el problema, corregir los errores o planificar una solución propia.
Aunque el uso de LLMs puede ser muy útil para estudiantes con altos niveles de autorregulación y motivación, en otros casos, podría tener el efecto contrario. Algunos educandos carecen del conocimiento o de las habilidades metacognitivas necesarias para interactuar eficazmente con herramientas como ChatGPT. Al mismo tiempo, el propio modelo puede no contar con información precisa o actualizada para responder a ciertas preguntas de forma adecuada, sin que el estudiante advierta el problema. Por ejemplo, es poco probable que ChatGPT conozca las investigaciones recientes sobre las tradiciones de las comunidades Kogui tras los acuerdos de paz, por lo que podría generar una respuesta falsa —o “alucinar”—, si se le consulta sobre este tema. En este contexto, resulta importante diseñar herramientas educativas basadas en LLMs, que amplíen su base de conocimiento y promuevan interacciones más pedagógicas que las que ofrecen las versiones estándar de modelos como ChatGPT, que, aunque ampliamente accesibles, no siempre resultan adecuadas para el aprendizaje. Además de la veracidad de las respuestas, la meta debe ser también apoyar el proceso formativo del estudiante.
Con este objetivo, se han desarrollado diversas plataformas basadas en LLMs. Por ejemplo, Khan Academy, en colaboración con OpenAI (creadora de ChatGPT), lanzó Khanmigo, un tutor virtual diseñado para ofrecer apoyo personalizado en materias como matemáticas, ciencias, humanidades y programación. A diferencia de las interacciones típicas con ChatGPT, Khanmigo no entrega respuestas directas. Más bien, guía a los estudiantes mediante preguntas adicionales, y ofrece el andamiaje necesario para que construyan sus propias respuestas y comprendan los conceptos involucrados (Figura 2).
Para lograr este comportamiento, los desarrolladores partieron del modelo GPT-4 —el mismo que respaldaba a ChatGPT en el momento en que se creó Khanmigo— y lo adaptaron mediante un proceso de machine learning, conocido como aprendizaje por refuerzo. Utilizando ejemplos simulados de interacciones entre estudiantes y el modelo, los diseñadores identificaron qué tipos de respuestas eran pedagógicamente adecuadas (como aquellas basadas en el método socrático) y cuáles no (como las que simplemente ofrecían la solución). Con base en este análisis, entrenaron una nueva versión del modelo original, que está optimizada para cumplir objetivos educativos más específicos.
Gracias al constante refinamiento del modelo y al creciente número de usuarios —principalmente en Estados Unidos—, Khanmigo ha ampliado sus funcionalidades. En la actualidad, también les permite a los estudiantes crear ejercicios propios con el fin de prepararse para los exámenes, interactuar con personajes históricos emulados por el modelo, recibir recomendaciones para mejorar su escritura, e incluso, formular preguntas que van más allá del contenido curricular, obteniendo orientación sobre la vida universitaria o el desarrollo profesional.
Las funcionalidades de Khanmigo también están dirigidas a docentes y padres de familia. Khanmigo sugiere actividades y planes de clase basados en objetivos de aprendizaje previamente definidos, y propone tareas contextualizadas en temas atractivos para los estudiantes, como problemas de aritmética que están relacionados con Taylor Swift o figuras geométricas inspiradas en Minecraft. También ayuda en la redacción de correos dirigidos a estudiantes o padres de familia, mejorando así tanto la eficiencia como la calidad de la comunicación. Por último, permite el seguimiento de las actividades realizadas por los estudiantes, lo que facilita el monitoreo de su proceso de aprendizaje.
Otra herramienta que utiliza LLMs para apoyar al proceso de aprendizaje de los estudiantes es JeepyTA (Figura 3), desarrollada por nuestro centro de investigación en la Universidad de Pennsylvania (Penn Center for Learning Analytics, PCLA), y utilizada en 14 cursos de 3 universidades en Estados Unidos. JeepyTA es un asistente virtual integrado en los foros de discusión de distintos cursos, que responde automáticamente a las publicaciones de los estudiantes utilizando GPT-4o, uno de los nuevos LLMs detrás de ChatGPT. A diferencia de los modelos convencionales, JeepyTA fue diseñado para generar respuestas más precisas basadas en el contenido específico del curso, el cual rara vez se encuentra en las bases de datos usadas para entrenar los modelos accesibles al público. Los profesores pueden cargar materiales, como lecturas o el programa del curso, y el sistema, mediante análisis de texto, identifica qué recursos son más relevantes para responder a la pregunta del estudiante. Ese contenido (por ejemplo, una sección de un artículo) se proporciona al modelo junto con la pregunta original, lo que permite generar una respuesta específica y alineada con el curso. Además, los profesores pueden personalizar el tono y el estilo de la retroalimentación automática. Mientras que una respuesta del docente puede tardar horas o días, JeepyTA puede ofrecer retroalimentación detallada en segundos.
JeepyTA ha demostrado ser útil para proporcionar retroalimentación valiosa en etapas tempranas de las asignaciones de clase, incluso antes de que sean revisadas por profesores o monitores. Además, ofrece respuestas más pertinentes a las preguntas de los estudiantes, en comparación con ChatGPT, y fomenta la discusión entre pares. Actualmente, utilizamos esta herramienta no solo para resolver dudas u ofrecer retroalimentación, sino también como un colaborador adicional en el aula, con el que los estudiantes pueden realizar lluvias de ideas y debatir decisiones relacionadas con sus proyectos. En este rol, el sistema puede adoptar distintas perspectivas, como la de un estudiante con un trasfondo cultural diferente al del profesor, en una simulación dentro de un curso de formación docente. Hasta ahora, tanto la percepción de estudiantes y docentes como la evidencia preliminar sobre su efectividad han sido positivas.
Por último, las plataformas orientadas a la enseñanza de lenguajes y lógica de la programación también han incorporado LLMs. Un ejemplo destacado es RunCode, utilizada en cursos de ciencias de la computación en la Universidad de Ciencias de la Vida de Varsovia (Warsaw University of Life Sciences), que ha sido objeto de investigación durante los últimos dos años para evaluar distintas ayudas generadas con GPT-4o. Estas ayudas se activan cuando los estudiantes enfrentan errores de compilación o lógica en su código, y se centran en guiarlos mediante pistas que los ayuden a identificar las posibles causas del error. Para ello, el modelo recibe el código del estudiante junto con las instrucciones específicas que lo hacen actuar como un tutor, brindando orientación sin ofrecer directamente la solución (Figura 4). Además, al tratarse de una herramienta implementada en Polonia, las respuestas se generan en polaco, lo que demuestra el potencial de estos modelos para operar en múltiples idiomas (como español, en la Figura 1, o inglés, en los casos de Khanmigo y JeepyTA). Los resultados de los estudios indican que los estudiantes logran resolver más problemas prácticos con menos intentos, y reducen la frecuencia de errores de compilación. Estos hallazgos evidencian el potencial de estas tecnologías para mejorar el aprendizaje en contextos educativos.
En conclusión, la pregunta no debería ser si debemos utilizar o permitir herramientas como ChatGPT, sino cómo podemos emplear estas tecnologías y refinar sus funcionalidades para ofrecer mejores experiencias de aprendizaje. Estos modelos ya están disponibles para el público general, y los estudiantes —si no lo han hecho ya— pronto comenzarán a integrarlos activamente en su vida académica. Aunque las versiones estándar de estos sistemas son susceptibles de imprecisiones y usos inapropiados, cuando se emplean adecuadamente pueden convertirse en recursos valiosos para la enseñanza y el aprendizaje. Si bien en este texto presentamos tres ejemplos vinculados a la investigación de nuestro centro, muchas universidades y empresas ya han comenzado a incorporar estas tecnologías en sus plataformas educativas, o están en proceso de hacerlo. Como educadores, es momento de adoptar este nuevo paradigma y trabajar, de forma activa, en su integración pedagógica.
Es importante dejar claro que, en ningún caso, la IA debe considerarse un reemplazo de los docentes humanos. Los profesores que se preparan perfeccionan su especialidad, escuchan a sus estudiantes y diseñan experiencias de aprendizaje contextualizadas poseen cualidades humanas que ninguna máquina puede replicar. No obstante, la IA puede ampliar nuestras capacidades y ofrecer un acompañamiento oportuno y personalizado, de manera especial, cuando la presencia del docente no es posible. Por ello, invitamos a toda la comunidad educativa a reflexionar sobre cómo estas herramientas pueden integrarse, a partir de nuestra propia experiencia pedagógica y conocimiento disciplinar, con el fin de enriquecer los procesos de enseñanza y aprendizaje de nuestros estudiantes.
En conclusión, la pregunta no debería ser si debemos utilizar o permitir herramientas como ChatGPT, sino cómo podemos emplear estas tecnologías.
Lecturas recomendadas
Liu, X., Pankiewicz, M., Gupta, T., Huang, Z., Baker, R.S. (2024) A Step Towards Adaptive Online Learning: Exploring the Role of GPT as Virtual Teaching Assistants in Online Education. White Paper. Philadelphia, PA: Penn Center for Learning Analytics
Shetye, S. (2024). An evaluation of khanmigo, a generative ai tool, as a computer-assisted language learning app. Studies in Applied Linguistics and TESOL, 24(1).
Vanacore, K., Pankiewicz, M., & Baker, R. (2025). Unpacking the Impact of Generative AI Feedback: Divergent Effects on Student Performance and Self-Regulated Learning.
