20 Métodos de prompting con enfoque educativo
Hace un tiempo generamos una entrada sobre el prompting y el método RAFA, y en esta oportunidad queremos completar con 20 métodos más desde el enfoque educativo (es posible revisar prompts para estudiantes y prompts para apoyo a la labor docente). En base a ello queremos complementar con la revisión de algunos métodos los cuales se explican desde la educación.
1.- Introducción al prompting educativo
En términos sencillos, un prompt es la instrucción, pregunta o contexto que se entrega a una inteligencia artificial para obtener una respuesta. En educación, el prompting es la habilidad de «saber pedir» para que la IA actúe como un tutor, un asistente administrativo o un diseñador pedagógico.
Para que un docente o estudiante obtenga resultados útiles, debe seguir «la receta» de los 5 ingredientes principales adaptados al aula:
1. Asignación de Rol (Persona)
No le pidas a la IA que simplemente escriba. Pídele que actúe como alguien experto.
- Ejemplo: «Actúa como un psicopedagogo experto en dificultades del aprendizaje» o «Actúa como un profesor de historia de secundaria apasionado por la narrativa».
2. Contexto Detallado
La IA no conoce a tus alumnos. Debes darle el trasfondo.
- Ejemplo: «Estoy preparando una clase para niños de 10 años que tienen un nivel básico de inglés y se distraen fácilmente con textos largos».
3. Tarea Clara y Objetiva
Define la acción específica.
- Ejemplo: «Diseña una secuencia didáctica de 3 sesiones» o «Crea una rúbrica de evaluación para un ensayo sobre el cambio climático».
4. Formato y Estructura
¿Cómo quieres recibir la información?
- Ejemplo: «Presenta la información en una tabla con tres columnas», «Escribe el contenido en formato de lista con viñetas» o «Genera un código HTML para un cuestionario interactivo».
5. Tono y Estilo
El lenguaje debe adecuarse al receptor.
- Ejemplo: «Usa un tono motivador y cercano» o «Utiliza un lenguaje académico formal pero accesible para principiantes».
Infografía explicativa en torno al prompting:
El buen prompting ofrece cuatro ventajas críticas para los educadores:
- Ahorro de tiempo: Automatización de tareas administrativas y planificación.
- Resultados de calidad: Generación de materiales didácticos mucho más precisos.
- Potencia la creatividad: Ayuda a superar el «síndrome de la hoja en blanco» al proponer ideas innovadoras para clases.
- Aprendizaje personalizado: Permite adaptar un mismo contenido a diferentes niveles de comprensión de forma instantánea.
Algunos consejos para empezar:
- Iteración: Si la primera respuesta no es perfecta, no te rindas. Como dice la infografía, «refina» tu prompt basándote en lo que faltó.
- Ejemplos (Few-shot prompting): Si quieres que la IA escriba con un estilo específico, dale un ejemplo previo. «Escribe un problema matemático similar a este: [Ejemplo]».
- Experimentación: La práctica es la que permite descubrir qué fórmulas funcionan mejor para tu área específica.
2.- Prompting educativa: Guía de 20 métodos
El prompting es el proceso de optimizar la entrada de texto (input) para que un modelo de lenguaje (LLM) ejecute una tarea con la máxima precisión. Se basa en el principio de que los LLM no son bases de datos, sino motores de razonamiento estadístico que dependen del contexto para navegar por su espacio latente de conocimientos. En base a ello revisaremos 20 métodos actuales los cuales se han analizado desde el foco educativo.
1. Zero-Shot Prompting: Sin ejemplos
Se basa en la capacidad de «generalización» del modelo. No se le da ningún ejemplo, asumiendo que el modelo ya tiene la estructura semántica necesaria en sus pesos pre-entrenados.
- Paso a paso: 1. Identificar la tarea. 2. Dar una instrucción directa. 3. Proveer el dato a procesar.
- Ejemplo: «Clasifica este texto en ‘Hormigón’ o ‘Madera’: El pino es ideal para muebles rústicos.»
Es la prueba de fuego para la inteligencia base del modelo. Si falla aquí, requiere métodos más complejos.
2. Few-Shot Prompting: Con pocos ejemplos
Se proporcionan entre 2 y 5 ejemplos de pares (entrada/salida). Esto ayuda al modelo a entender patrones de formato, tono o lógica específica que no son obvios en una instrucción simple.
- Paso a paso: 1. Presentar ejemplo 1. 2. Presentar ejemplo 2. 3. Presentar la tarea actual.
- Ejemplo: «Entrada: Malo -> Salida: 1 estrella. Entrada: Excelente -> Salida: 5 estrellas. Entrada: Aceptable -> Salida:»
Importante para tareas donde el formato de salida debe ser estrictamente uniforme (como generar JSON o CSV).
3. Chain-of-Thought (CoT): Cadena de pensamiento
Fuerza al modelo a descomponer problemas complejos en pasos lógicos intermedios. Esto evita que el modelo «salte» a una conclusión errónea por probabilidad estadística rápida.
- Paso a paso: 1. Describir el problema. 2. Instruir al modelo a razonar antes de responder.
- Ejemplo: «Tengo 10 huevos. Rompo 2, cocino 2 y me como 2. ¿Cuántos quedan? Explica paso a paso.»
El modelo razona: ‘De los 10, rompí 2 (esos son los que cociné), luego comí esos 2’. Resultado: 8. Sin CoT, a veces dicen 4 por pura asociación numérica.
4. Zero-Shot CoT: La frase mágica
Se descubrió que añadir una frase específica activa capacidades de razonamiento sin necesidad de ejemplos.
- Paso a paso: 1. Hacer la pregunta. 2. Terminar con: «Pensemos paso a paso» (Let’s think step by step).
- Ejemplo: «¿Cuál es el impacto de la inflación en el ahorro a largo plazo? Pensemos paso a paso.»
Increíblemente efectivo para mejorar la calidad de respuestas en modelos que parecen «perezosos».
5. Self-Consistency: Autoconsistencia
Se generan múltiples rutas de razonamiento para un mismo problema y se selecciona la respuesta que más veces se repita (voto mayoritario).
- Paso a paso: 1. Pedir al modelo que resuelva el problema 5 veces. 2. Comparar resultados.
- Ejemplo: «Resuelve este acertijo lógico tres veces separadas y dime cuál es la respuesta más consistente.»
Elimina las «alucinaciones» aleatorias al buscar un consenso interno.
6. Tree of Thoughts (ToT): Árbol de pensamientos
Permite al modelo explorar múltiples ramas de pensamiento, evaluar su validez y retroceder si una rama no lleva a la solución.
- Paso a paso: 1. Definir el problema. 2. Generar ‘n’ pensamientos iniciales. 3. Evaluar y filtrar. 4. Continuar la mejor rama.
- Ejemplo: «Imagina tres expertos diseñando un plan de marketing. Cada uno propone una idea, analizan los pros/contras de cada una y eligen la mejor para desarrollarla.»
Es como una partida de ajedrez mental para la IA; ideal para estrategia de alto nivel.
7. Role Prompting: Asignación de rol
Enmarca la respuesta dentro de un dominio de conocimiento específico, ajustando el lenguaje y la perspectiva.
- Paso a paso: 1. Asignar rol («Eres un oncólogo»). 2. Dar contexto. 3. Definir tarea.
- Ejemplo: «Actúa como un crítico gastronómico de la guía Michelin. Evalúa esta receta de tortilla de patatas.»
Cambia el estilo de «genérico» a «profesional y detallado».
Infografía explicativa del método 1 al 7:
8. Step-Back Prompting: Dar un paso atrás
Se le pide a la IA que identifique el concepto de alto nivel detrás de una pregunta específica antes de intentar responderla.
- Paso a paso: 1. Leer la pregunta. 2. Formular una pregunta de «paso atrás» sobre el principio general. 3. Responder la original usando esa base.
- Ejemplo: «Pregunta: ¿Cómo cambio el aceite de un motor Ferrari F40? Paso atrás: ¿Cuáles son los principios generales de lubricación en motores de combustión de alto rendimiento?»
Evita errores técnicos al asegurar que la IA entiende la teoría subyacente primero.
9. ReAct: Razonar + actuar
Combina el razonamiento lógico con la ejecución de acciones (como búsquedas en Google o cálculos).
- Paso a paso: 1. Pensar (Pensamiento). 2. Actuar (Acción). 3. Observar resultados (Observación).
- Ejemplo: «Necesito organizar un viaje. Piensa qué destinos tienen sol en diciembre, busca vuelos y dime el presupuesto.»
Es el método estándar para crear «Agentes» que no solo hablan, sino que hacen cosas.
10. Generated Knowledge Prompting: Conocimiento generado
El modelo genera primero información relevante sobre el tema y luego usa esa información para dar la respuesta final.
- Paso a paso: 1. Pedir hechos sobre el tema. 2. Pedir la respuesta integrando esos hechos.
- Ejemplo: «Escribe 3 datos sobre la cultura japonesa. Ahora, escribe un cuento corto que incluya esos datos.»
Reduce la probabilidad de que la IA invente datos (alucinación) al forzarla a «leer» sus propios hechos previos.
11. Least-to-Most Prompting: De lo simple a lo complejo
Descompone un problema complejo en una serie de subproblemas más sencillos que se resuelven secuencialmente.
- Paso a paso: 1. Descomponer el problema. 2. Resolver la parte A. 3. Usar la solución de A para resolver B.
- Ejemplo: «Para aprender Python: 1. ¿Qué es una variable? 2. ¿Cómo se usa en un bucle? 3. Crea un script que use ambos.»
Es la mejor forma de enseñar o programar con IA.
12. Directional Stimulus Prompting: Estímulo direccional
Se incluye una «pista» o guía que dirige la generación hacia un punto específico sin ser una instrucción rígida.
- Paso a paso: 1. Instrucción. 2. Estímulo (Pista: incluir X).
- Ejemplo: «Escribe una reseña de esta película. Pista: menciona la iluminación y el uso del color.»
Útil para no olvidar detalles específicos en textos largos.
13. Skeleton-of-Thought (SoT): Esqueleto de pensamiento
El modelo genera primero el esqueleto de la respuesta y luego expande cada sección.
- Paso a paso: 1. Crear índice/puntos. 2. Desarrollar punto 1… n.
- Ejemplo: «Escribe un artículo sobre IA. Primero dame los 5 subtítulos. Ahora desarrolla el primero.»
Mejora la coherencia y evita que la IA pierda el hilo en respuestas extensas.
14. Emotion Prompting: Prompting emocional
Se ha demostrado que frases con carga emocional mejoran el desempeño en LLMs (aunque suene extraño).
- Paso a paso: 1. Tarea. 2. Añadir frase de urgencia o importancia.
- Ejemplo: «Corrige este contrato legal. Es fundamental para mi seguridad financiera que no haya errores.»
Los modelos suelen asignar más «tokens» de atención a tareas que se describen como críticas.
Infografía explicativa del método 8 al 14:
15. Iterative Refinement: Refinamiento iterativo
No buscar el resultado perfecto a la primera, sino pedir a la IA que critique su propio trabajo y lo mejore.
- Paso a paso: 1. Generar borrador. 2. «Busca 3 errores en este borrador». 3. «Reescribe corrigiendo esos errores».
- Ejemplo: «Escribe un correo de ventas. Ahora dime por qué alguien no lo leería. Ahora reescríbelo para evitar esos problemas.»
Produce resultados muy superiores a cualquier prompt de un solo intento.
16. Meta-Prompting: IA como generadora de prompts
El modelo actúa como un ingeniero de prompts para optimizar la petición del usuario.
- Paso a paso: 1. Describir el objetivo. 2. Pedir al modelo que redacte el mejor prompt posible.
- Ejemplo: «Quiero que me ayudes a invertir. Escribe el mejor prompt posible para que tú actúes como mi asesor financiero personal.»
El modelo conoce sus propias limitaciones y ventajas mejor que nadie.
17. Chain-of-Verification: Sistema con verificación
El modelo genera una respuesta, luego crea preguntas para verificar si esa respuesta es cierta, responde a esas preguntas y finalmente corrige la respuesta original.
- Paso a paso: 1. Respuesta inicial. 2. Preguntas de verificación. 3. Respuestas de verificación. 4. Respuesta final corregida.
- Ejemplo: «Dime quién ganó el mundial de 1930, verifica si el país existía y si el marcador es correcto antes de confirmar.»
Técnica de élite para evitar alucinaciones históricas o fácticas.
18. Program-of-Thoughts (PoT): Programa de pensamiento
En lugar de razonar en lenguaje natural, se le pide al modelo que escriba código (Python) para resolver el problema.
- Paso a paso: 1. Problema lógico/matemático. 2. «Escribe un script de Python para resolver esto».
- Ejemplo: «¿Cuánto es el interés compuesto de 1000€ al 5% en 10 años? Escribe el código para calcularlo.»
El código no miente. Si el código es lógico, el resultado será perfecto.
19. Contrastive Prompting: Prompting de contraste
Se le pide a la IA que explique qué es algo comparándolo directamente con lo que no es.
- Paso a paso: 1. Definir concepto X. 2. Comparar con concepto Y (opuesto o similar).
- Ejemplo: «Explica qué es el Socialismo comparándolo y contrastándolo con el Capitalismo en puntos clave.»
Ayuda a definir límites claros en conceptos abstractos.
20. Analogical Prompting: Prompting analógico
Se le pide al modelo que busque analogías en su propia base de datos de entrenamiento antes de resolver un problema nuevo.
- Paso a paso: 1. Dar problema. 2. «Recuerda problemas similares y cómo se resolvieron». 3. Resolver.
- Ejemplo: «Tengo que aprender a usar un software nuevo de edición. Recuerda cómo aprendiste a usar Excel y aplica esa metodología aquí.»
Utiliza la transferencia de conocimiento para facilitar tareas desconocidas.
Infografía explicativa del método 15 al 20:
Esperamos que estos métodos sean de apoyo para potenciar sus procesos de aprendizaje y enseñanza.
Nota: Imágenes creadas con inteligencia artificial. Esta entrada la hemos generado con apoyo de inteligencia artificial.
