Prompting y método RAFA para trabajar de forma efectiva con la inteligencia artificial generativa en educación

Los prompt son claves para poder dialogar con la IA generativa, en base a ello revisaremos en esta oportunidad que es el prompting y algunos métodos más populares, así como el método RAFA, uno de los más extendidos para dialogar con la IA, revisando en que consiste y como implementarlo de forma eficiente en nuestras acciones educativas.

El Prompt se define como la secuencia de tokens de entrada (palabras, caracteres, código, etc.) que se alimenta a un Modelo de Lenguaje Grande (LLM) o a un Modelo Generativo de Imagen (como DALL-E 3) para condicionar su salida. En esencia, es la directriz que activa el mecanismo de predicción del modelo. Un prompt eficaz opera dentro del espacio latente del modelo, moviendo su vector de atención hacia la información relevante que debe generar.

El Prompting, o la Ingeniería de Prompts, es la disciplina emergente que trata con la optimización de esta entrada. No es solo preguntar, sino programar a la IA con lenguaje natural. Su origen se remonta a los primeros trabajos de finetuning de modelos como GPT-3, donde se descubrió que cambiar la forma en que se presentaban las tareas (sin reentrenar el modelo) impactaba dramáticamente la calidad de la respuesta. La ventaja primordial es la eficiencia del conocimiento, permitiendo a cualquier usuario, sin necesidad de saber Python o tener poder de cómputo, modular el comportamiento de un modelo. Sin embargo, su principal desventaja radica en la opacidad, ya que el usuario debe operar por ensayo y error (prueba-error) para descifrar cómo la arquitectura de Transformer del modelo (basada en el mecanismo de autoatención) interpreta sus instrucciones.

1.- Algunas Metodologías de Prompting

Las metodologías de prompting se clasifican según cómo estructuran el contexto para guiar la inferencia del modelo.

1. Zero-Shot Prompting (ZSP)

Origen y Funcionamiento: Fue el enfoque inicial al lanzar modelos como GPT-3. Se basa en la capacidad innata de los LLMs, entrenados en vastos cuerpos de texto, para realizar una tarea para la que no fueron específicamente ajustados o instruidos con ejemplos. Funciona porque el modelo, al procesar el prompt, recupera patrones de tareas similares observadas durante su entrenamiento (lo que se conoce como transferencia de conocimiento).
Ejemplo en Educación: Un profesor pide: «Diseña un examen de 10 preguntas de opción múltiple sobre el concepto de fotosíntesis para alumnos de 7º grado.»

2. Few-Shot Prompting (FSP)

Origen y Funcionamiento: Introducido para mejorar el rendimiento del ZSP en tareas complejas. Se añade un conjunto de pares (entrada, salida) al inicio del prompt. El modelo no aprende de estos ejemplos mediante reentrenamiento (update de pesos), sino que infiere el patrón, el estilo o el formato deseado a través de la memoria de contexto. Esencialmente, le muestra al modelo la forma exacta en que se espera el resultado.
Ejemplo en Educación: Un tutor virtual proporciona 3 ejemplos de resúmenes de capítulos con una extensión de 50 palabras cada uno, antes de solicitar: «Ahora, haz un resumen de 50 palabras del capítulo 4 del libro ‘Cien años de soledad’.»

3. Chain of Thought (CoT) Prompting

Origen y Funcionamiento: Creado por Google en 2022. La clave es añadir la frase «Pensemos paso a paso» o su equivalente. Esta técnica obliga al LLM a descomponer la tarea compleja en una secuencia lógica de subproblemas. Se ha demostrado que el CoT mejora dramáticamente el rendimiento en problemas de razonamiento (aritmética, lógica, sentido común) porque simula una mayor profundidad de procesamiento, similar al razonamiento humano explícito.
Ejemplo en Educación: Un profesor de física solicita: «Resuelve el siguiente problema de cinemática: Un objeto cae de una altura de 20m. ¿Cuánto tarda en llegar al suelo? Muestra todos tus pasos de razonamiento, identificando las fórmulas usadas, antes de dar la respuesta final.»

4. Role Prompting (RP)

Origen y Funcionamiento: Es una aplicación directa del FSP, centrándose en el estilo y la voz. Al asignar un rol («Actúa como…», «Eres…»), se restringe el espacio de respuesta del modelo a un subconjunto de su entrenamiento que se alinea con la personalidad, el léxico y la experiencia de dicho rol. Esto garantiza que el tono de la respuesta sea apropiado (e.g., formal si es un ‘profesor universitario’, casual si es un ‘amigo’).
Ejemplo en Educación: Un estudiante pide: «Actúa como un crítico literario del siglo XIX y analiza el simbolismo de la naturaleza en las obras de Jane Austen.»

5. El Método Socrático (Flip Prompting)

Origen y Funcionamiento: Más que una técnica, es una filosofía de interacción. El prompt instruye al modelo a abstenerse de dar la respuesta directa y, en su lugar, a formular preguntas de sondeo al usuario. Esto se inspira en la mayéutica socrática. Su función es promover el pensamiento crítico y guiar al usuario a descubrir la solución por sí mismo, obligando al modelo a comportarse como un tutor adaptativo.
Ejemplo en Educación: Un alumno inicia: «Estoy atascado escribiendo el argumento de mi debate sobre energías renovables. No me des argumentos, hazme preguntas para ayudarme a encontrar mis propios puntos fuertes y débiles.»

6. Tree of Thoughts (ToT)

Origen y Funcionamiento: Una extensión avanzada del CoT. En lugar de una única cadena de razonamiento, el ToT genera un «árbol» de múltiples caminos de pensamiento. El modelo evalúa las soluciones provisionales generadas en cada rama (paso intermedio), poda las ramas débiles y solo continúa con las más prometedoras, llegando a una solución final que ha sido autoevaluada. Se utiliza para tareas de planificación y problemas que requieren múltiples pasos de inferencia.
Ejemplo en Educación: Un docente pide: «Diseña un plan de proyecto interdisciplinar sobre el cambio climático para bachillerato. Genera 3 posibles enfoques de proyecto (Biología, Geografía, Economía), evalúa la viabilidad de cada uno con recursos limitados y luego selecciona y desarrolla el más robusto.»

7. Método Modular

Origen y Funcionamiento: Surge de la necesidad de gestionar la ventana de contexto (el límite de tokens que el modelo puede «recordar»). En lugar de intentar resolver un problema de 50,000 palabras con un solo prompt, el método modular divide la tarea en componentes lógicos más pequeños (módulos). Por ejemplo, en la escritura de un libro, un módulo genera el índice, otro desarrolla el capítulo 1, otro revisa el tono, y así sucesivamente. La ventaja es la coherencia a largo plazo y la reducción de la sobrecarga cognitiva del modelo.
Ejemplo en Educación: Un equipo docente necesita un e-book sobre historia regional. El prompt se divide: Módulo 1: «Generar el índice temático de 10 secciones.» Módulo 2: «Expandir la sección 3 con 1500 palabras.» Módulo 3: «Revisar el tono de las primeras 5 secciones para un nivel de lectura universitario.»

2.- El Método RAFA

El método RAFA (Rol, Audiencia, Formato, Acción) es una guía heurística que capitaliza los aspectos más efectivos del Prompting para garantizar la especificidad. Su origen es didáctico y se popularizó como una herramienta fácil de recordar para maximizar la calidad en un solo prompt.

Estructura y Funcionamiento en Detalle

R – Rol (Role): Esta sección fija la personalidad y el expertise. Al asignar un rol, se reduce la ambigüedad semántica y se establece un léxico temático predefinido (e.g., si es un ‘científico de datos’, usará términos técnicos; si es un ‘poeta’, usará metáforas).
A – Audiencia (Audience) / Contexto: Este elemento es crucial para la accesibilidad cognitiva. Dicta la complejidad del lenguaje, la longitud de las oraciones y el uso de ejemplos. La salida para un ‘profesional del área’ será radicalmente diferente que para un ‘niño de 5 años’.
F – Formato (Format): Esta es la directriz estructural que aborda la disposición visual de la salida. Evita muros de texto genéricos. Obliga al modelo a utilizar elementos de Markdown o estructuras predefinidas (Tablas, Listas anidadas, Código Python, JSON, etc.).
A – Acción (Action/Task): Es la solicitud central y el objetivo final. Debe ser un verbo operativo (Crear, Analizar, Sintetizar, Traducir, Comparar) y debe ser lo más específico posible en cuanto al tema y las restricciones.

Ventajas y Desventajas del Método RAFA

La mayor ventaja de RAFA es su mínimo costo cognitivo para el usuario (es fácil de recordar) y su alta tasa de éxito. Al cubrir las cuatro variables críticas, se minimiza la incertidumbre paramétrica del modelo.

No obstante, su desventaja principal es la omisión del elemento Restricciones o Límites. RAFA no incluye explícitamente la necesidad de establecer un conteo de palabras, un listado de fuentes a evitar o la prohibición de usar ciertos términos. Para tareas que exigen alta precisión académica, RAFA es solo un punto de partida y debe complementarse con cláusulas de restricción («La respuesta no debe exceder las 500 palabras y solo puede citar fuentes publicadas después de 2020»).

3.- Aplicación del Prompting y el Método RAFA en la Educación

El Prompting es la piedra angular de la pedagogía asistida por IA. No se trata de reemplazar al docente, sino de externalizar la creación de recursos repetitivos y centrar la atención en la interacción y el diseño pedagógico.

Usos en la Educación y su Razón de Ser

Diferenciación Masiva (FSP/RP): Un docente puede generar 30 versiones de una misma prueba adaptadas a 30 niveles de lectura diferentes de sus alumnos (alumnos con dislexia, bilingües, o avanzados), algo imposible de hacer manualmente.
Simulación de Escenarios (RP/CoT): Se pide a la IA que simule un escenario histórico, un fallo de software o un dilema ético, obligando al alumno a interactuar y tomar decisiones, simulando una experiencia práctica.
Creación de «Críticas Maliciosas»: El alumno escribe un ensayo y luego le pide a la IA: «Actúa como un profesor muy estricto que odia el tema, y critica mi ensayo». Esto entrena al alumno a defender sus argumentos y a anticipar objeciones.

Aplicación del Método RAFA en el Diseño Pedagógico

RAFA es ideal para el diseño de materiales y la planificación curricular.

Ejemplo de Planificación Curricular con RAFA:

R (Rol): Eres un diseñador curricular experto con experiencia en el marco TPACK.
A (Audiencia/Contexto): El plan es para una clase de Ciencias Sociales de 11º grado, con enfoque en el desarrollo de la ciudadanía digital.
F (Formato): Genera una tabla de 5 columnas (Competencia, Contenido, Metodología Activa, Recursos Digitales, Evaluación).
A (Acción): Diseña un módulo de 4 semanas sobre «El impacto de las redes sociales en la polarización política».

Esta estructura asegura que el plan de estudios no solo tenga contenido, sino que también integre Recursos Digitales y especifique la Metodología Activa, elementos críticos para el diseño educativo moderno, elevando la calidad del plan inicial de manera exponencial.