Andamiaje de IA y pérdida de habilidad

La inteligencia artificial generativa mejora la productividad a corto plazo al completar tareas que los usuarios normalmente realizarían por sí mismos, pero su impacto a largo plazo en el desarrollo de habilidades depende en gran medida de si las personas utilizan la tecnología como sustituto de la práctica o como complemento para mejorar el aprendizaje. Dado que los resultados generados por la IA actual son idénticos independientemente de cómo se haya utilizado la herramienta, las evaluaciones tradicionales basadas en resultados no pueden diferenciar entre estos dos comportamientos. Sin embargo, la investigación en programación competitiva de élite revela que las pruebas de evaluación que prohíben la IA separan eficazmente a los usuarios que sustituyen la práctica de los que la complementan a nivel poblacional. Los entornos de práctica en línea sin evaluación previa muestran que una mayor dependencia de la IA se correlaciona con un menor desarrollo de habilidades, mientras que las competiciones supervisadas y sin IA demuestran que los participantes habilidosos logran un mayor rendimiento sin ayuda cuando integran la IA como complemento. En definitiva, estos hallazgos indican que el riesgo de erosión de las habilidades proviene del uso de modos sustitutivos más que de la tecnología en sí, lo que demuestra que las barreras de acreditación bien diseñadas pueden restablecer la fiabilidad de los registros de rendimiento en un mundo saturado de IA.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "When the Scaffold Stays On: AI, Practice Style, and Screening in Elite Skill Formation". Por Song Yao. Publicado el 2 de Septiembre de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagina ir al médico por un escaneo crucial y descubrir que, debido a que han estado utilizando la tecnología de IA más avanzada, la capacidad humana real para detectar el cáncer se ha desplomado.

Alicia
Vaya. Sí, eso es aterrador.

Beto
Correcto. Pero está sucediendo ahora mismo. Hubo este estudio observacional masivo multi-centro sobre médicos que realizan colonoscopias.

Alicia
De acuerdo.

Beto
Y después de que se introdujeron herramientas asistidas por IA para ayudar a detectar problemas, la capacidad no asistida del médico para detectar pólipos precancerosos ... quiero decir, sin que la máquina hiciera el trabajo de búsqueda por ellos, cayó de más del 28% a solo el 22%.

Alicia
Quiero decir, esa es la definición literal de atrofia de habilidades.

Beto
Sí.

Alicia
Siempre pensamos en estas herramientas como que aumentan nuestras capacidades. Pero cuando la máquina hace todo el trabajo de vista por ti, tus propios ojos, y quizás más importante, tus propios marcos de diagnóstico internos, simplemente empiezan a acumular polvo.

Beto
Como perder masa muscular en gravedad cero, o algo así.

Alicia
Exacto. Las vías neuronales que construyeron a lo largo de años de brutal entrenamiento médico, simplemente comienzan a degradarse.

Beto
Lo que nos lleva al núcleo de este análisis profundo de hoy. Estaba leyendo este artículo salvaje de 2026 de Song Yao, de la Universidad de Washington, en St. Louis.

Alicia
Oh, ese artículo es fascinante.

Beto
Lo es. Desafía por completo cómo veo la IA. El artículo se llama "When the Scaffold Stays On: AI Practice Style and Screening in Elite Skill Formation" ("Cuando el andamio se mantiene: Estilo de práctica y selección de la IA en la formación de habilidades de élite").

Alicia
Es un título excelente.

Beto
Lo es. Y va más allá del bombo inmediato sobre qué tan rápido podemos generar un correo electrónico o escribir un bloque de código y hacer una pregunta mucho más aterradora a largo plazo sobre el capital humano.

Alicia
Correcto. Lo que realmente importa.

Beto
Exacto.

Así que hoy estamos sumergiéndonos en la ilusión de competencia. Nuestra misión es básicamente averiguar si usar la IA para aprender y trabajar está erosionando fundamentalmente nuestras verdaderas capacidades no asistidas a nivel de élite.

Alicia
Y si las organizaciones pueden incluso distinguir entre alguien que usó la IA para engañar su propio aprendizaje, frente a alguien que la usó para convertirse en un genio.

Beto
Exacto. Lo que significa que mientras escuchas esto ahora mismo, realmente tienes que hacerte una pregunta difícil sobre tus propios hábitos diarios.

Alicia
Oh, seguro.

Beto
Cuando usas la IA para prepararste para una reunión importante o para aprender una nueva materia, ¿la estás usando como muleta, o como un entrenador?

De acuerdo, desglosémoslo.

La IA en formacion de habilidades: cómo las barreras de evaluación prohibidas distinguen los sustitutos de los complementos.

Alicia
Para realmente entender la mecánica de lo que Yao está tratando de transmitir, tenemos que reconocer la metáfora central, que es brillante. La estructura o el andamiaje ("scaffold").

Beto
El andamiaje, ¿verdad?

Alicia
Piensa en un edificio en construcción, y está rodeado por esta enorme estructura metálica. Cuando una IA te está ayudando en una tarea, actúa justo como esa estructura.

Beto
Sosteniendo todo.

Alicia
Sí, exactamente. Y el producto final que generan el ensayo pulido, el código impecablemente ejecutado, el modelo financiero prístino, se ve magnífico desde fuera.

Beto
¿Pero por dentro?

Alicia
Dentro, no tienes ni idea de si el edificio detrás de ese andamiaje está hecho de acero reforzado o de cartón mojado, porque el resultado se ve idéntico de cualquier manera.

Beto
Así que porque ese andamiaje de IA se mantiene, hay básicamente dos modos de uso completamente diferentes sucediendo en silencio en oficinas y escuelas por todas partes.

Alicia
Correcto.

ABeto
Y el primero es lo que llamamos "el modo sustituto".

Beto
El peligroso.

Alicia
Extremadamente peligroso. En modo sustituto, la IA simplemente hace el trabajo pesado. Delegas la lucha cognitiva por completo a la máquina.

Beto
Lo cual se siente genial en el momento.

Alicia
Oh, se siente increíblemente eficiente. Pero el problema es que esa lucha, la fricción real de descubrirlo, es precisamente lo que se requiere para construir un modelo mental. Sin la fricción, tu habilidad subyacente simplemente nunca se desarrolla.

Beto
Y luego el segundo modo es el "modo complemento".

Alicia
Correcto.

Beto
Donde usas la IA para aprender más rápido. Como tal vez obtienes una pista cuando estás completamente atascado. Pero sigues practicando y construyendo tus propios músculos cognitivos de manera deliberada. La estás usando para empujar tus límites, no solo para escapar del trabajo.

Alicia
Exacto.

Beto
Me parece que básicamente estamos hablando de bicicletas eléctricas.

Alicia
Oh, me gusta eso. ¿Cómo es?

Beto
Bueno, si giro el acelerador de una bicicleta eléctrica al 100%, llego a la cima de la colina.

Alicia
Claro.

Beto
El resultado se logra, ¿verdad? Pero mis piernas van a volverse gelatina eventualmente. No estoy haciendo ningún trabajo. Pero si uso el modo complemento de la bicicleta eléctrica, pedaleando furiosamente mientras el motor solo reduce la dificultad de las pendientes más pronunciadas, todavía llego a la cima. Pero realmente he hecho un entrenamiento masivo.

Alicia
Esa es la analogía perfecta. Y resalta por qué este es un problema tan crítico, específicamente en la frontera del conocimiento humano.

Beto
La frontera, es decir, lo verdaderamente vanguardista.

Alicia
Sí. Como usar una calculadora para matemáticas básicas está totalmente bien. Las matemáticas básicas son un problema rutinario resuelto. No necesitamos reinventar la división larga todos los días.

Beto
Correcto. A nadie le importa cómo haces la división larga.

Alicia
Exacto. Pero la IA es fundamentalmente diferente porque su principal debilidad son los problemas de frontera verdaderamente novedosos.

Beto
Nada que no haya visto en su entrenamiento el día.

Alicia
Sí. Situaciones que se desvían de lo que conoce. Si todo el mundo solo está escribiendo el acelerador, como dijiste, perdemos a los humanos que son capaces de funcionar sin mediación de la IA.

Beto
Porque necesitamos expertos que puedan detectar las alucinaciones de la IA, ¿verdad? Y empujar la innovación más allá de lo que la máquina ya conoce.

Alicia
Lo hacemos. Pero aquí está el gran problema. Si tanto la persona que toma el paseo gratuito como la persona que pedalea a muerte llegan a la cima de la montaña exactamente al mismo tiempo.

Beto
Ambos sosteniendo la misma salida perfecta asistida por IA.

Alicia
Correcto. ¿Cómo demonios puede un profesor, un empleador o un cliente saber lo que hay realmente dentro del cerebro de esa persona?

Beto
No pueden. No mientras el andamiaje esté sujeto.

Alicia
Exacto. Literalmente no pueden saberlo. La única forma de revelar la integridad estructural de la mente humana es arrancarle el andamiaje.

Beto
Tienes que forzar la situación en la que el individuo debe rendir por completo sin ayuda.

Alicia
Pero encontrar un laboratorio para observar esto en el mundo es casi imposible.

Beto
Sí, yo diría que sí. Tendrías que rastrear los hábitos diarios de miles de personas con IA durante años. Y luego encerrarlas en una habitación, sin internet, para ver lo que realmente pueden hacer.

Alicia
Lo cual es exactamente lo que encontraron los investigadores.

Beto
Espera. ¿De verdad?

Alicia
Sí. Encontraron el experimento natural perfecto en el mundo de la programación competitiva de élite.

Beto
De acuerdo. Aquí es donde se pone tan interesante. La programación competitiva opera en dos entornos distintos, ¿verdad?

Alicia
Correcto.

Beto
Por un lado, tienes una plataforma llamada "Codeforces". Y esto es este enorme sandbox en línea abierto.

Alicia
Es inmenso.

Beto
Cualquiera puede iniciar sesión para practicar problemas de codificación, ingresar en concursos en línea. Y no hay absolutamente nada de supervisión. Puedes ejecutar GitHub Co-Pilot. Puedes mantener ChatGPT abierto en otro monitor. Es básicamente el Salvaje Oeste.

Alicia
El andamiaje de IA está permanentemente disponible allí.

Beto
Exacto. Pero luego el otro lado del espectro es el campo de pruebas definitivo. El Concurso Internacional de Programación de Colegios, ("International Collegiate in Programming Contest" o ICPC). Y la Olimpiada Internacional en Informática ("International Olympiad in Informatics", IOI).

Alicia
Estos son, sin duda, los finales de programación de alto riesgo más prestigiosos de la Tierra.

Beto
Solo conseguir un asiento en estos eventos requiere sobrevivir a estas brutales rondas de calificación.

Y los finales, en sí, son totalmente presenciales y draconianos en su estrictez. Sin teléfonos, sin conexión a internet, cero IA. Se te permite un diccionario impreso en tu propio intelecto crudo.

Alicia
Es el contraste perfecto.

Beto
Así que los investigadores rastrearon a más de 10,000 programadores en ambos entornos.

Alicia
Vaya. 10,000.

Beto
Sí. Y analizaron específicamente su comportamiento antes y después del lanzamiento de GitHub Co-Pilot en 2021. Y ChatGPT en 2022. Pero espera, no pudieron ver realmente a través de las cámaras web de los programadores durante su práctica no supervisada en Code Forces, ¿verdad? Entonces, ¿cómo supieron quién estaba usando IA?

Alicia
Ese fue el gran desafío. Tuvieron que buscar huellas de comportamiento en los datos para probar que alguien estaba apoyándose en la IA. Cazaron lo que llamaron "la firma de prompt de IA".

Beto
La "firma de prompt de IA".

Alicia
Es brillante.

Beto
Me encanta eso.

Alicia
Es brillante. Y lo hicieron analizando los datos de marca de tiempo de millones de envíos de práctica.

Puesto que apoyarse en la IA excesivamente cambia fundamentalmente la mecánica de cómo un programador interactúa con un problema.

Beto
Cambia el ritmo de su trabajo.

Alicia
Exacto. Y identificaron una firma de comportamiento específica compuesta por tres rasgos.

Beto
De acuerdo. ¿Cuál es el primero?

Alicia
El primero es un pico masivo en las aceptaciones de intento único.

Beto
Soluciones en una sola toma.

Alicia
Correcto. Un codificador humano naturalmente comete pequeños errores, un error tipográfico aquí, un fallo lógico allá. Pero de repente tienes gente resolviendo algoritmos complejos sin fallos en la primera toma.

Beto
Lo cual es súper sospechoso.

Alicia
Muy sospechoso. Y el segundo rasgo es una caída correspondiente en el número total de intentos necesarios para resolver un problema.

Beto
Tiene sentido. Si lo estás resolviendo en el primer intento, tu número total de intentos cae en picada.

Alicia
Exacto. Pero la tercera parte de la firma es donde el trabajo de detective se vuelve verdaderamente profundo. Buscaron una disminución brusca en lo que llaman "reintentos rápidos".

Beto
De acuerdo. Aquí es donde se pone realmente interesante. Porque realmente necesitamos desglosar por qué importa un reintento rápido. Se aplica a mucho más que solo ingeniería de software.

Alicia
Oh, absolutamente.

Beto
Un reintento rápido es cuando envías tu código, el sistema te dice que falló, y vuelves a enviar una versión corregida dentro de los 30 minutos.

Alicia
Correcto.

Beto
Esa acción específica es la marca registrada absoluta de la depuración humana. Escribiste la lógica, chocaste contra un muro, te sumerges de nuevo en tu propio mapa mental del código, encuentras tu error tipográfico o tu fallo lógico, y lo corriges.

Alicia
Es una lucha. Y al rastrear la ausencia de esa depuración humana rápida, los investigadores encontraron pruebas innegables de la dependencia de la IA.

Beto
Porque los reintentos rápidos desaparecen.

Alicia
Revela un cambio masivo, de un flujo de trabajo iterativo tradicional, a un flujo de trabajo de "prompt y arreglo" ("prompt and fix").

Beto
Prompt y arreglo.

Alicia
Sí. En el viejo bucle iterativo, la fricción de encontrar un error te obliga a entender profundamente la arquitectura de lo que estás construyendo.

Beto
Tienes que saber cómo funciona para arreglarlo.

Alicia
Exacto. Pero en un flujo de trabajo de "prompt and fix", tratas el código como una caja negra. La IA lanza una respuesta aparentemente perfecta. Si tiene la desgracia de fallar, no buscas tú mismo el error, porque no escribiste el código.

Beto
Correcto. No posees el mapa mental.

Alicia
Exacto. Así que simplemente le pides a la IA de nuevo, pidiéndole que corrija el error.

Beto
Piensa en la última vez que tuviste a ChatGPT escribir una macro compleja de Excel para tu trabajo de escritorio. Y lanzó un código de error.

Alicia
Todos hemos estado ahí.

Beto
¿Abriste el editor de Visual Basic, leíste la sintaxis y rastreaste la lógica para encontrar el paréntesis faltante?

Alicia
Definitivamente no.

Beto
Simplemente copias el mensaje de error, lo pegas de vuelta en el chat y dices: "esto no funcionó, inténtalo de nuevo".

Alicia
Exacto.

Beto
Y eso es precisamente la ausencia de un reintento rápido. Literalmente estás midiendo la ausencia de lucha humana para probar la presencia del sustituto de IA.

Alicia
Es un sustituto increíblemente ingenioso. Pero, solo saber que estos codificadores practican de manera diferente, no significa mucho a menos que sepamos si ese flujo de trabajo de "prompt and fix" realmente está perjudicando sus habilidades fundamentales.

Beto
Correcto. ¿Están siendo solo eficientes o están perdiendo su ventaja?

Alicia
Para descubrirlo, tenemos que mirar lo que sucede cuando la puerta de evaluación se cierra y son obligados a rendir.

Beto
De acuerdo. Y aquí es donde los datos se dividen de una manera que es simplemente fascinante.

Alicia
Lo es.

Beto
Veamos primero la piscina abierta y no examinada en Codeforces. Para los usuarios generales que practicaban con una "firma de prompt de IA" más fuerte, predijo ganancias de calificación significativamente menores a lo largo del tiempo.

Alicia
Una caída masiva, de hecho.

Beto
Sí. Básicamente por cada paso incremental, un codificador dio hacia depender puramente de los flujos de trabajo de IA. Su calificación de habilidad real se desplomó en 18 puntos en relación con sus pares.

Alicia
18 puntos. Eso es enorme.

Beto
Así que en el sandbox abierto, actuar como una IA está derritiendo demostrablemente sus capacidades. El modo sustituto es simplemente rampante allí.

Alicia
Están montando en la bicicleta eléctrica con el acelerador puesto al máximo. Y sus músculos cognitivos están visiblemente atrofiándose en comparación con los codificadores que todavía están trabajando manualmente la lógica.

Beto
Pero luego los investigadores miraron a los usuarios registrados, a los programadores de élite que sobrevivieron a las formaciones de equipos y a las agotadoras rondas de calificación para llegar a los finales del ICPC.

Alicia
Los mejores de los mejores.

Beto
Para ese grupo hiperélite que practicaba con la misma firma de IA no perjudicó sus calificaciones en Codeforces en absoluto.

Alicia
Ni siquiera un poco.

Beto
Y la prueba definitiva provino del interior del entorno estricto y completamente prohibido de IA de los finales del ICPC.

Alicia
Donde el andamiaje está completamente arrancado.

Beto
Exacto.

Para los que entraron en sus carreras de programación competitiva en la era de la IA, cambiando más hacia esa práctica de estilo de IA, predijo efectivamente puntuaciones no asistidas más altas en los finales.

Alicia
Resolvieron alrededor de 16 problemas más en promedio, lo cual en un campeonato global hipercompetitivo es una ventaja masiva.

Beto
Espera, espera. Me estás confundiendo.

Alicia
¿Cómo es eso?

Beto
Solo dijiste que actuar como una IA haciendo las soluciones de una sola toma y omitiendo la depuración arruina tu puntuación en la piscina abierta.

Alicia
Correcto.

Beto
Pero ahora me estás diciendo que exactamente el mismo comportamiento te hace ganador en la piscina de élite. ¿Cómo puede tener sentido que se contradiga completamente?

Alicia
Suena totalmente paradójico hasta que entiendes el concepto de "sesgo de supervivencia" y la función de la puerta.

Beto
La puerta.

Alicia
Sí. Piensa en los exámenes de supervisión, esas rondas de calificación, como un filtro físico. En la piscina abierta de Codeforces, cualquiera con conexión a internet puede jugar.

Beto
Así que la piscina está inundada.

Alicia
Saturada con los usuarios sustitutos, los delegadores perezosos que están dejando que sus habilidades se pudran. Y todos están mezclados en el conjunto de datos arrastrando la media hacia abajo.

Beto
De acuerdo.

Alicia
Pero los finales de élite tienen una puerta. Un usuario sustituto que se apoyó en la IA para engañar su propio aprendizaje simplemente no puede pasar una ronda de calificación supervisada.

Beto
Porque en realidad no saben cómo codificar.

Alicia
Exacto. Son eliminados físicamente del conjunto de datos antes de que lleguen a los finales.

Beto
Vaya. Así que la gente que usó la IA como muleta ni siquiera llegó a la línea de salida de la piscina de élite.

Alicia
No sobrevivieron al filtro.

Beto
Las únicas personas que quedan en ese conjunto de datos son las que estaban usando la IA para entrenar correctamente.

Alicia
La puerta separa fundamentalmente a la población. Los únicos individuos que sobreviven son los usuarios complementarios.

Beto
La gente pedaleando en la bicicleta eléctrica.

Alicia
Sí. Para ellos, adoptar un flujo de trabajo de IA no se trataba de evitar la fricción del aprendizaje. Se trataba de usar la IA para ingerir conceptos más rápido, para entrenar más duro, para ver soluciones avanzadas y para básicamente cubrir mucho más terreno durante sus sesiones de práctica.

Beto
Usaron el andamiaje para construir un rascacielos, no una caja de cartón.

Alicia
Eso está muy bien dicho. Y demuestra que la tecnología en sí no es la villana aquí.

Beto
Correcto. El comportamiento lo es. La IA no causa erosión de habilidades. La delegación perezosa causa erosión de habilidades.

Alicia
Exacto.

Beto
Lo cual realmente cambia la narrativa lejos de esta idea apocalíptica de que la IA nos hará a todos indefensos.

Alicia
En cambio, la IA simplemente actúa como una lupa gigante para nuestra ética de trabajo.

Beto
Y ese enfoque es esencial para cómo avanzamos. La práctica de estilo de IA es totalmente compatible con la habilidad de frontera de élite. Esa tecnología permite a los humanos más dedicados alcanzar picos más altos que nunca.

Pero tenemos que traducir este hallazgo del mundo súper nicho de la programación competitiva al resto de la sociedad. Porque las organizaciones en todas partes están en pánico sobre cómo evaluar el talento ahora mismo.

Alicia
Oh, el pánico es real. Ya sea que sea una junta médica evaluando a un nuevo médico, un bufete de abogados contratando a un asociado junior, o una empresa de tecnología contratando ingenieros, el miedo es que todos estén fingiendo.

Beto
Todos solo están demasiado con "prompts" de ChatGPT en un abrigo largo.

Alicia
Correcto. Y el reflejo inmediato para muchas de estas organizaciones es intentar prohibir la IA por completo, o instalar spyware distópico para monitorear si los empleados están usando la IA para ayudar a escribir un memorando.

Beto
Simplemente estamos perdiendo la batalla.

Alicia
Completamente. Y la principal conclusión de esta investigación es que las organizaciones no necesitan prohibir la IA durante las fases de entrenamiento o flujo de trabajo diario.

Beto
Solo necesitan puertas.

Alicia
Lo que necesitan son puertas de evaluación estrictas y sin compromiso. Lo que realmente necesitan son puntos de control físicos y supervisados para verificar la habilidad no asistida.

Beto
Entonces, ¿cómo se ve eso en el mundo real?

Alicia
Podría parecer una entrevista técnica en persona donde tienes que dibujar una solución en la pizarra o un período de prueba supervisado intensamente en el trabajo o un examen de junta vigilado.

Beto
Si mantienes la puerta fuerte, preserva la señal del talento verdadero.

Alicia
Filtra naturalmente a los usuarios sustitutos que construyeron edificios huecos.

Beto
Es como dejar que los corredores de maratón olímpicos entrenen con toda la tecnología, las cámaras biomecánicas impulsadas por IA, las cámaras hiperbáricas y los drones de ritmo que quieren.

Pero en el día de la carrera, tienen que dejar todo eso atrás y correr con sus propios pies. Si omitiste tus carreras largas porque el dron te arrastró, vas a colapsar en mitad de la carrera.

Alicia
Eso es exactamente lo que sucede.

Y, para el aprendiz individual que solo está tratando de navegar esto sin colapsar, hay una pieza secundaria de investigación citada en el artículo de Yao que ofrece el plano definitivo.

Beto
Oh, el estudio Bastani.

Alicia
Sí, es un estudio de 2025 de Bastani y colegas que examinó las matemáticas de la escuela secundaria. Y es salvaje.

Beto
Cuéntame.

Alicia
Dividieron a los estudiantes en dos grupos para estudiar cómo diferentes tipos de asistentes de IA afectaron su aprendizaje. Un grupo recibió lo que llamaron GPT base.

Beto
GPT base.

Alicia
Esta versión de la IA era sin restricciones. Así que cuando un estudiante pedía ayuda, básicamente le entregaba las pruebas matemáticas correctas y las respuestas completas.

Beto
Así que es ¿el modo sustituto definitivo?

Alicia
Absolutamente nada de fricción.

Beto
Cero fricción.

Alicia
Cero fricción. Y los resultados fueron totalmente predecibles, pero aterradores. Los estudiantes que usaron GPT base vieron cómo sus calificaciones de práctica se disparaban. Sus tareas eran impecables.

Beto
Porque la IA lo estaba haciendo.

Alicia
Correcto. Pero cuando se les obligó a tomar un examen final no asistido y supervisado, sus capacidades reales fueron expuestas.

Beto
¿Qué tan mal fue?

Alicia
Sus calificaciones del examen cayeron un 17% en comparación con las líneas base históricas.

Beto
Vaya. Una caída del 17% en competencia fundamental solo por confiar en la respuesta sin fricción.

Alicia
Habían subcontratado completamente su proceso de aprendizaje a la máquina.

Beto
Pero tenían un segundo grupo, ¿verdad?

Alicia
Lo tenían. El segundo grupo recibió GPT tutor.

Beto
De acuerdo. ¿Cómo fue diferente eso?

Alicia
Esta versión de la IA fue específicamente instruida a través de "system prompts" para nunca dar la respuesta final. Solo se le permitía proporcionar pistas, empujones y marcos conceptuales.

Beto
Así que forzaba al estudiante a ejecutar el salto cognitivo final por sí mismo.

Alicia
Exacto.

Beto
Modo complemento. La bicicleta eléctrica en una configuración baja.

Alicia
Sí. Y para el grupo de GPT tutor, sus calificaciones de práctica todavía se dispararon porque tenían acceso a este tutoría personalizada de clase mundial cada vez que se quedaban atascados.

Beto
Correcto. Lo cual es increíble.

Alicia
Pero crucialmente, cuando tomaron el examen final no asistido, sus puntuaciones no cayeron en absoluto. Mantuvieron su nivel de habilidad completamente no asistido mientras practicaban de manera mucho más eficiente de lo que podrían haberlo hecho por sí mismos.

Beto
Porque preservaron la fricción necesaria del aprendizaje.

Alicia
Mantuvieron viva la lucha.

Beto
Así que si están escuchando esto, este es el desafío de auditoría personal que quiero darles.

Alicia
Sí. Esto es importante.

Beto
Piensa en tus propios hábitos cuando enciendes una herramienta de IA. Digamos que la estás usando para resumir un denso informe financiero de 50 páginas para el trabajo. O para ayudarte a esbozar el complejo proyecto creativo.

Alicia
De acuerdo.

Beto
¿Estás exigiendo la respuesta final? ¿Simplemente estás copiando y pegando los puntos clave que genera la IA y declarando por terminado el día?

Alicia
Porque si lo estás haciendo, ...

Beto
Si lo estás haciendo, perteneces a ese primer grupo. Estás despojándote activamente del 17% de tu ventaja cognitiva. Tu capacidad para sintetizar información se está atrofiando.

Alicia
Estás permitiendo que tus músculos mentales se degraden.

Beto
Exacto. Pero si estás pidiéndole a la IA que critique un esbozo que ya escribiste, o pidiéndole pistas específicas para empujar tu propio pensamiento crítico más allá de un obstáculo, entonces estás montando en la bicicleta eléctrica.

Alicia
Estás construyendo el músculo.

Y esto plantea una pregunta estructural masiva sobre cómo construimos el futuro. Seamos honestos, la tecnología misma está fuertemente incentivada a darnos la respuesta final.

Beto
Correcto. Las empresas que están construyendo estos modelos, quieren que la gente se sienta sin fricción y todo mágico.

Alicia
Exacto. Entonces, ¿cómo diseñamos intencionalmente nuestros sistemas educativos, nuestros programas de capacitación corporativa y nuestros propios hábitos diarios para forzar el aprendizaje complementario basado en pistas?

Beto
Tenemos que introducir conscientemente fricción intencional en nuestras vidas para que no nos quedemos dormidos al volante.

Alicia
Tenemos que elegir el camino más difícil.

Beto
Si las herramientas están diseñadas explícitamente para hacer nuestras vidas increíblemente fáciles, tenemos que tomar la decisión deliberada de hacer las cosas un poco difíciles para nosotros mismos si realmente queremos crecer.

Alicia
Lo cual es tan contraintuitivo a cómo funciona la naturaleza humana.

Beto
Lo es.

Así que recapitulemos rápidamente el viaje que hicimos hoy. Comenzamos con el miedo muy real de que la IA está actuando como un sustituto que erosiona nuestras habilidades fundamentales y nos deja indefensos en situaciones críticas, como diagnosticar cáncer.

Pero sumergirse en los datos de programadores competitivos de élite nos muestra que la realidad es mucho más matizada. La IA no está derritiendo inherentemente nuestros cerebros.

Es un andamiaje increíblemente poderoso.

Alicia
Una herramienta masivamente poderosa.

Beto
Solo necesitamos puntos de control físicos, esas puertas de evaluación, para garantizar que sigamos poniendo nuestros propios ladrillos y construyendo nuestros propios músculos cognitivos mientras ese andamiaje esté sujeto.

Alicia
Si la puerta se mantiene, la habilidad se mantiene.

Beto
Exacto.

Alicia
El andamiaje es solo una herramienta. Nos permite alcanzar alturas sin precedentes, simplemente tenemos que asegurarnos de que nunca olvidemos cómo estar sin él.

Beto
Lo que me lleva a una última reflexión para dejarles. Algo para reflexionar mientras pasan su semana.

Alicia
De acuerdo. ¿Qué es?

Beto
Hemos hablado profundamente sobre cómo los humanos individuales necesitan mantener sus habilidades no asistidas para poder detectar errores de la IA e impulsar la frontera de la innovación hacia adelante.

Pero piensen en esto a una escala macro global. Ahora, los modelos de IA están siendo entrenados cada vez más con datos sintéticos. Quiero decir, datos generados por otros modelos de IA.

Alicia
Es una cámara de eco.

Beto
Exacto. Así que la demanda de una visión humana original y revolucionaria verdaderamente es que se disparará. Porque las máquinas necesitan material fresco de donde para aprender de.

Alicia
Necesitan que les alimentemos la nueva frontera.

Beto
Correcto. Así que si todos caemos en modo sustituto en silencio, buscando el camino sin fricción y dejando que nuestras habilidades de frontera decaigan, ¿quién queda para suministrar el genio humano original que la IA futura depende?

Alicia
Oh, vaya.

Beto
Si el andamiaje se convierte en todo el edificio, ¿qué le pasa a los arquitectos?

Alicia
Esa es una pregunta profunda e increíblemente inquietante para terminar.

Beto
Gracias por sumergirse profundamente con nosotros hoy.

¿Qué hace a un experto?

Esta investigación analiza las diferencias en los flujos de trabajo de resolución de problemas entre científicos de datos principiantes y expertos, mediante el análisis de 440 cuadernos Jupyter a través de un análisis de secuencias multinivel. Los autores descubrieron que, si bien ambos grupos siguen transiciones generales similares entre fases como la limpieza de datos y el entrenamiento de modelos, sus estructuras estratégicas generales y patrones de codificación detallados varían significativamente. Los principiantes suelen seguir procesos largos y lineales, mientras que los expertos utilizan ciclos iterativos más cortos y secuencias de acciones más eficientes para refinar sus soluciones. Estos hallazgos sugieren que la formación en ciencia de datos debería alejarse de la instrucción rígida y paso a paso para cultivar un pensamiento flexible y adaptativo. Este cambio es cada vez más importante, ya que las herramientas de IA generativa pueden fomentar, sin querer, un enfoque superficial de la resolución de problemas entre los estudiantes. En definitiva, el estudio destaca que la pericia se define por cómo un profesional gestiona el proceso, y no solo por el código final producido.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "What makes an Expert? Comparing Problem-solving Practices in Data Science Notebooks", por Manuel Valle Torre y colegas. Publicado el 17 de Febrero de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Alicia
Bienvenidos a un nuevo análisis profundo. Hoy abordamos una pregunta realmente masiva desde el principio. Quiero decir, ¿qué separa realmente a un experto de un aficionado?

Beto
Correcto. Y lo más importante, ¿cómo capturas esa diferencia cuando gran parte de lo que hace un experto es totalmente invisible?

Alicia
Exacto. Imagínate esto por un segundo. Le das a un chef maestro y a un cocinero casero la misma receta para un pastel complejo y de múltiples capas.

Beto
Está bien, estoy contigo.

Alicia
Les das los mismos ingredientes, el mismo horno, las mismas herramientas. Y al final del día, ambos podrían producir un pastel que sepa bastante bien.

Beto
Correcto. Porque no puedes saborear el flujo de trabajo. Solo saboreas el pastel.

Alicia
Exacto. Pero si te sientas en la esquina y solo los observas trabajar, verás que cómo se mueven por esa cocina será radicalmente diferente.

Beto
Oh, absolutamente.

Alicia
El cocinero casero probablemente esté revisando la receta frenéticamente cada dos minutos, dejando un rastro enorme de harina por todas partes.

Beto
Probablemente esté usando cada tazón de mezcla que tiene.

Alicia
Sí, exactamente. Pero el chef maestro opera en una realidad totalmente diferente. Su flujo de trabajo es increíblemente fluido. Está limpiando a medida que va. Anticipa el siguiente paso antes incluso de terminar el actual.

Beto
Y sabe exactamente cuándo pivotar, si la masa se ve, digamos, un poco demasiado seca.

Alicia
Correcto. Eso es eficiencia. Es total confianza. Y sin embargo, es completamente invisible en ese producto final.

Beto
... que es exactamente donde reside la verdadera pericia. Está compuesta por esas habilidades tácitas, casi automáticas, que son increíblemente difíciles de plasmar en un libro de texto. Siempre calificamos el pastel, pero rara vez calificamos el movimiento alrededor de la cocina.

Alicia
... lo que nos lleva perfectamente a nuestra misión de hoy. Estamos haciendo un análisis profundo en el equivalente digital de esa cocina. Tenemos un artículo de investigación fascinante de febrero de 2026 de la Universidad Tecnológica de Delft.

Beto
Sí, este estudio es brillante. Básicamente, descubrieron una forma de colocar un dispositivo de seguimiento digital en los chefs del mundo tecnológico. Los científicos de datos.

Alicia
Correcto. Para ver exactamente cómo se mueven por sus espacios de trabajo, tomaron 440 cuadernos de Jupyter de una gran competencia de Ciencia de Datos de Kaggle.

Beto
Y para rastrear los detalles, fue el desafío de clasificación de preguntas insinceras de Quora.

Alicia
Correcto. Así que se trata de un problema muy complejo del mundo real.

Beto
Exacto. Y su objetivo aquí era increíblemente ambicioso. Decidieron no solo mirar el código final para ver si el modelo de IA resultante era preciso. Querían decodificar empíricamente el proceso de resolución de problemas en sí mismo.

Alicia
Están preguntando qué separa realmente a un experto de un novato mientras se adentran en el barro de un problema, línea por línea, celda por celda.

Beto
Correcto. Mientras la harina todavía estaba volando por la cocina.

Alicia
Exacto. Así que para quienes nos escuchan, ya sea que sean científicos de datos mirando un conjunto masivo de datos, un gerente tratando de construir un equipo altamente cualificado, o simplemente alguien que ama aprender, este es el atajo definitivo.

Beto
Porque entender la mecánica oculta de la pericia es cómo dominas literalmente cualquier habilidad compleja.

Alicia
Exacto. Además, más adelante, exploraremos cómo la inteligencia artificial moderna y generativa está creando inadvertidamente algunas trampas ocultas masivas para los estudiantes hoy en día.

Beto
Sí. Esa parte va a sorprender a algunas personas.

Alicia
Seguro. Pero para empezar, tenemos que comenzar con una imagen general. ¿Cómo empezaron estos investigadores a mapear algo tan abstracto como el proceso de pensamiento de un científico de datos?

Beto
Bueno, comenzaron tratando de mapear el viaje amplio de la resolución de problemas para lograrlo. Tomaron 11 fases técnicas muy granulares.

Alicia
Como ¿qué específicamente?

Beto
Cosas como la extracción de datos, el análisis exploratorio de datos, el entrenamiento del modelo, esa clase de cosa. Y las categorizaron en cinco etapas cognitivas generales.

Alicia
Correcto. Así que haciendo zoom out del código específico, hacia el pensamiento real detrás de él.

Beto
Exacto. Esas cinco etapas son definición del problema, recopilación de datos, registro de datos, interpretación y, finalmente, reflexión.

Alicia
Eso tiene mucho sentido. Quieres ver los engranajes cognitivos subyacentes girando, no solo registrar que alguien presionó la tecla de entrada. Quieres saber qué están recopilando de información o sobre lo que están reflexionando.

Beto
Correcto. Y así, la hipótesis era que los expertos deben navegar estas cinco etapas cognitivas fundamentalmente de manera diferente a los novatos.

Alicia
Claro. Asumirías que los profesionales tienen un sistema totalmente diferente.

Beto
Exacto. Para probar esto, aplicaron técnicas llamadas "modelos de Markov y minería de procesos".

El camino hacia la maestría: cómo los principiantes y los expertos resuelven problemas de ciencia de datos

Alicia
Está bien, desglosémoslo. Para aquellos de nosotros que no pasamos nuestros fines de semana construyendo modelos de Markov, ¿qué están haciendo exactamente esas herramientas con los datos?

Beto
Buena pregunta. Piensa en un modelo de Markov como una forma de mapear la probabilidad matemática del movimiento.

Alicia
Como predecir su siguiente paso.

Beto
Básicamente, sí. Si estás actualmente en la fase de recopilación de datos, ¿cuál es la probabilidad estadística exacta de que tu próximo movimiento sea avanzar a la interpretación?

Alicia
Ah.

Beto
En contraste con la probabilidad de ir hacia atrás a la definición del problema. Minería de procesos construye sobre eso creando un mapa visual holístico. Se parece casi a un mapa de metro de las rutas más comunes a través de un flujo de trabajo.

Alicia
Así que estaban buscando el flujo de trabajo experto canónico. Asumieron que los maestros de esta competencia de Kaggle tendrían esta secuencia distinta y altamente optimizada de pasos.

Beto
Correcto. La salsa secreta. Un mapa de ruta oculto que los grandes maestros siguen. Algo radicalmente diferente de la guía estándar para principiantes.

Alicia
¿Y qué encontraron?

Beto
Bueno, aquí está el giro. No hay uno.

Alicia
Espera, ¿de verdad?

Beto
Sí. Cuando mapearon las transiciones inmediatas de fase a fase, los novatos y los expertos parecían casi idénticos.

Alicia
Estás bromeando.

Beto
No. Se mueven entre estas fases cognitivas de alto nivel de manera casi exactamente igual.

En la ciencia de datos, existe un estándar de la industria famoso llamado "el modelo CRISP-DM".

Alicia
Correcto. El flujo de trabajo de libro de texto estándar.

Beto
Exacto. Es este flujo de trabajo lineal altamente idealizado. Empiezas con la comprensión del negocio, pasas a la comprensión de los datos, luego a la preparación, modelado, evaluación y despliegue.

Alicia
Y todo el mundo hace eso.

Beto
Los datos mostraron que básicamente todos, desde el principiante más nuevo hasta el gran maestro de primer nivel, generalmente siguen esa trayectoria idealizada exacta.

Alicia
Espera, espera. Estoy genuinamente confundida aquí. Si están haciendo los mismos pasos en el mismo orden exacto, ¿por qué uno es un experto y otro un novato?

Beto
Parece contradictorio, ¿verdad?

Alicia
Sí. ¿Estamos mirando los datos mal? ¿O la idea de un flujo de trabajo experto es solo una ilusión para completarlo?

Beto
Aquí es donde realmente tenemos que cambiar nuestra perspectiva. La magia no está en el orden inmediato uno a uno de esas categorías de alto nivel. La pericia no se trata de poseer un mapa secreto al que nadie más tenga acceso. Se trata de la ejecución estructural más profunda de ese viaje.

Alicia
Entonces, ¿cómo puedes medir eso?

Beto
Bueno, los investigadores se dieron cuenta rápidamente de que simplemente mirar las transiciones paso a paso no revelaba toda la verdad. Tenían que hacer zoom out significativamente.

Alicia
Como mirar todo el proceso.

Beto
Exacto. Necesitaban mirar toda la vida útil de los cuadernos de Jupyter, desde la primera línea de código hasta la entrega final.

Alicia
Así que no solo mirar si alguien pasa del paso A al paso B, sino mirar toda la forma del proceso de resolución de problemas durante horas o incluso días.

Beto
Sí. Y para lograr esa vista de pájaro, utilizaron una técnica llamada "agrupamiento jerárquico aglomerativo" ("aglomerative hierarchical clustering").

Alicia
Eso es bastante complicado.

Beto
Lo es. Sí. Pero este algoritmo esencialmente toma todos los 440 cuadernos, analiza su similitud estructural general y los agrupa en narrativas distintas de cómo se abordó realmente el problema.

Alicia
Y déjame adivinar que aquí es donde las diferencias finalmente se vuelven visibles.

Beto
Precisamente. Cuando ejecutaron este agrupamiento, surgieron tres grupos distintos.

Alicia
Está bien, veamos el grupo uno.

Los datos mostraron que los novatos estaban fuertemente sobrerrepresentados en este grupo específico. ¿Cómo se ve esa narrativa de novato a nivel macro?

Beto
Bueno, el grupo uno está definido por secuencias de trabajo largas, rígidas y altamente lineales. Es el enfoque clásico absoluto de seguir el manual de principio a fin.

Alicia
Así que simplemente marchan directamente.

Beto
Básicamente, sí. Un usuario en este grupo define el problema. Recopila sus datos. Construye su modelo. Reflexiona al final, y terminan. Es prácticamente una línea recta.

Alicia
Oh, vaya. Eso me hace pensar instantáneamente en construir muebles de IKEA.

Beto
Oh, esa es una gran analogía.

Alicia
Correcto. Como cuando eres un completo novato, sacas ese manual. Empiezas en el paso uno de la página uno y absolutamente no te desvías. Procedes totalmente linealmente ...

Beto
... porque tienes miedo de estropearlo.

Alicia
Exacto. Pero el problema es que si algo sale mal en la página cuatro, tal vez un pasador no encaja o lo que sea, no sabes realmente qué hacer porque solo estás siguiendo ciegamente las instrucciones.

Beto
Correcto. No has internalizado cómo funciona realmente la pieza de mobiliario como un sistema.

Alicia
Correcto. Así que el novato trata esencialmente la ciencia de datos compleja como un manual de instrucciones estático.

Pero ¿qué hay de los otros grupos?

Beto
Bueno, entonces los investigadores miraron los grupos dos y tres. Y aquí es donde los expertos, los usuarios que han logrado progresos altos en Kaggle, como maestros y grandes maestros, están fuertemente sobrerrepresentados.

Alicia
Y yo supongo que su proceso estructural se ve fundamentalmente diferente de esa trayectoria lineal.

Beto
Completamente diferente.

Alicia
Lo que me dejó alucinada al mirar el artículo fue que, contraintuitivamente, los flujos de trabajo de los expertos son en realidad más cortos en general.

Beto
Son más cortos y, crucialmente, son altamente iterativos. Los expertos no se adhieren ciegamente a ese proceso canónico Crisp-VM de principio a fin.

Alicia
No solo siguen el manual.

Beto
No, se adaptan dinámicamente a las realidades de los datos que tienen delante. Esto revela la inmensa flexibilidad de sus esquemas mentales.

Alicia
Una cosa en los datos que realmente me llamó la atención y, francamente, me confundió al principio fue lo que sucede alrededor del paso 19 para estos expertos.

Beto
Ah, sí.

Alicia
Parece que de repente simplemente van hacia atrás por completo.

Beto
Sí, ese detalle específico es posiblemente el hallazgo más crucial de todo el estudio.

Comparemos los dos grupos aquí. Para los novatos, su actividad de recopilación de datos alcanza su punto máximo muy temprano en el flujo de trabajo y luego disminuye constantemente a medida que pasan al modelado.

Alicia
Como el cocinero casero. Recopilan sus ingredientes y nunca vuelven a mirar la nevera.

Beto
Exacto. Pero para los expertos, los datos revelan un segundo pico prominente de actividad de recopilación de datos mucho más tarde en la vida útil de los cuadernos. Alrededor del paso 19.

Alicia
Llevando eso de vuelta a la analogía de IKEA, es como cuando el constructor experto está a mitad de tiempo armando una estantería masiva, se da cuenta de que una pieza específica podría no encajar en la disposición extraña de su sala de estar. Y en lugar de seguir adelante y esperar lo mejor, hace una pausa.

Beto
Correcto. Iteran.

Alicia
Sí. Vuelven al kit de herramientas, agarran una pieza diferente o reconstruyen completamente una sección para que sea perfecta para ese entorno específico.

Beto
Y eso es porque están involucrándose en la fase de reflexión significativamente antes que los novatos.

Alicia
Lo que significa que no están esperando hasta el final para ver si funciona.

Beto
Exacto. Los novatos esperan hasta el final para evaluar si su modelo es bueno. Los expertos están constantemente dando vueltas. Construyen una pequeña pieza, la evalúan, recopilan más datos, ajustan los parámetros y reflexionan de nuevo.

Alicia
Fundamentalmente entienden cómo retroceder para poder avanzar.

Beto
Esa es la manera perfecta de expresarlo.

Alicia
Pero bien, sabemos que los expertos iteran más. Sabemos que no tienen miedo de saltar de nuevo a la recopilación de datos. Y sabemos que reflexionan constantemente.

Pero eso crea un puente narrativo hacia nuestro próximo gran misterio aquí. Si están constantemente volviendo y volviendo a hacer pasos, ¿cómo demonios ejecutan estos bucles con tanta eficiencia que su proceso general sigue siendo más corto que el de los novatos?

Beto
Esa es la gran pregunta. Porque no puedes iterar a nivel macro si estás ahogándose en confusión a nivel micro.

Alicia
Correcto. Si te lleva una hora solo escribir una línea de código, no puedes permitirte empezar de nuevo.

Beto
Exacto. Un novato que intente volver a hacer un ciclo y reconstruir su canal de datos probablemente se quedará sin tiempo porque es demasiado lento para escribir el código real.

Alicia
Entonces, ¿cómo miraron los investigadores eso?

Beto
Para entender esta eficiencia, tuvieron que hacer zoom hasta el fondo. Estamos pasando de la forma general del flujo de trabajo a las acciones específicas de codificación celda por celda dentro de los cuadernos Jupyter.

Alicia
Usando una herramienta diferente esta vez, ¿correcto?

Beto
Sí. El uso de un método llamado "minería de patrones secuenciales" ("sequential pattern mining") para hacer esto.

Alicia
Así que en lugar de mirar el entrenamiento del modelo como una fase abstracta gigante, están mirando las secuencias exactas de pulsaciones de teclas de comandos, lo que el usuario escribe dentro de esa fase.

Beto
Precisamente. Están buscando acciones micro recurrentes. Sabes, secuencias de código pequeñas y frecuentes que los usuarios repiten. Y la divergencia entre los dos grupos a este nivel microscópico es simplemente impactante.

Alicia
El artículo destaca estadísticas específicas para esto, ¿correcto? Como las tasas de soporte.

Beto
Sí, las tasas de soporte, que básicamente significan el porcentaje de veces que apareció una combinación de secuencia específica en el conjunto de datos en comparación con todas las demás acciones.

Alicia
Entonces, ¿cómo se ve realmente un ciclo de novato en el código?

Beto
Bueno, los patrones de los novatos representan abrumadoramente la exploración por prueba y error.

Alicia
Mucha adivinanza.

Beto
Exacto. Por ejemplo, en la fase de recopilación de datos, los novatos repiten frecuentemente exactamente el mismo tipo de acción, una tras otra. Ejecutarán una secuencia como ingeniería de características seguida inmediatamente por otra acción de ingeniería de características.

Alicia
¿Y cuál es la tasa de soporte para eso?

Beto
Los datos muestran una tasa de soporte del 7% para ese ciclo específico. O durante el registro de datos, ejecutarán una verificación de distribución y luego ejecutarán inmediatamente otra verificación de distribución, lo que ocurre a una tasa masiva del 15% para los novatos.

Alicia
15%, lo que significa que básicamente solo están adivinando.

Beto
Básicamente.

Alicia
Están probando algo, viendo si aparece algo y luego probando exactamente el mismo tipo de acción de nuevo con un pequeño ajuste esperando un mejor resultado.

Beto
Es una forma muy incierta y reactiva de moverse por el espacio de trabajo.

Alicia
Así que compáralo con los expertos. ¿Qué están haciendo diferente?

Beto
Los patrones micro de los expertos son increíblemente intencionales. Dominan en patrones de modelado, como colocar una clase de modelo y pasar inmediatamente a ajustarla.

Alicia
Muy decisivo.

Beto
Correcto. También tienen secuencias de configuración rápidas y altamente estructuradas, como importar módulos seguido de otra acción de importar módulos. Incluso tienen patrones de reflexión únicos que los novatos casi nunca usan, como guardar en CSV seguido de guardar en CSV.

Alicia
Mira, aquí es donde se pone realmente interesante para mí. Porque miras ese patrón de importar módulos y cuenta una historia completa.

Beto
Realmente lo hace.

Alicia
Un experto se sienta, visualiza todo el problema, sabe exactamente qué herramientas va a necesitar y las importa todas por adelantado.

Beto
Mientras que los novatos constantemente se interrumpen a sí mismos.

Alicia
Correcto. Un novato importa una herramienta, empieza a trabajar, se da cuenta de que necesita otra, vuelve arriba para importar una herramienta nueva, empieza a trabajar de nuevo, destruye completamente su propio flujo.

Beto
Sí.

Alicia
Me hace pensar en alguien tratando de abrir un candado. Un novato solo mete la llave y la sacude salvajemente, esperando escuchar cualquier cosa que suene como progreso. Están confiando totalmente en la suerte.

Beto
Eso es muy preciso.

Alicia
Pero el experto abridor de candados está aplicando tensión precisa. Está escuchando el clic distinto de cada cilindro individual. Sabe exactamente qué mecanismo está manipulando.

Beto
La analogía de abrir cerraduras captura perfectamente la diferencia en la carga cognitiva. El meneo salvaje de los novatos es exactamente lo que crea esas cadenas largas, lineales y hinchadas que vimos en el grupo uno.

Alicia
Porque están agotados de adivinar.

Beto
Correcto. Están gastando tanta energía mental solo tratando de que el código se ejecute sin lanzar un error que no les queda absolutamente nada de ancho de banda cognitiva para ver la imagen completa.

Alicia
Lo que explica el paso 19.

Beto
Exacto. Los expertos pueden iterar a nivel macro, golpeando ese segundo pico crucial en el paso 19, precisamente porque no están perdiendo tiempo adivinando. Ya saben cómo ajustar el modelo. Así que gastan su energía en planificar si es el modelo correcto.

Alicia
Lo que nos lleva a un dilema urgente masivo que esta investigación destaca. Y honestamente, es algo que afecta básicamente a todos los que aprenden una habilidad compleja hoy en día.

Beto
El dilema de la IA.

Alicia
Sí. Estamos viviendo en la edad de oro de la inteligencia artificial generativa. Herramientas como ChatGPT o GitHub Copilot ahora pueden escribir código, automatizar la depuración y básicamente ejecutar todas esas acciones a nivel micro por ti en segundos.

Beto
Y el artículo advierte explícitamente sobre las consecuencias no intencionadas de esta tecnología exacta. Usan un término brillante para describir el riesgo. "La pereza metacognitiva".

Alicia
La pereza metacognitiva. Ese es un concepto pesado. ¿Cómo se ve eso en la práctica?

Beto
Es una amenaza profunda para el desarrollo de la verdadera pericia. Si un estudiante simplemente le pide a una IA que le dé el siguiente paso correcto para solucionar un error o construir un modelo, bueno, la IA actúa como una muleta.

Alicia
Elimina la lucha productiva.

Beto
Exacto. La herramienta fomenta una mentalidad de finalización superficial de la tarea donde el usuario solo se preocupa por obtener la respuesta final, evitando completamente el aprendizaje estructural profundo.

Alicia
Entonces, ¿qué significa todo esto para alguien que usa IA hoy en día? Realmente me recuerda a depender del GPS de un coche.

Beto
Oh, esa es una comparación perfecta.

Alicia
Correcto. Si te mueves a una ciudad nueva y realmente complicada y solo sigues ciegamente las indicaciones de giro por giro de tu teléfono, llegarás exitosamente a tu destino cada vez.

Beto
El código de la IA funciona a la perfección.

Alicia
Exacto. Pero después de un año viviendo allí, todavía no sabes realmente la disposición de la ciudad. Si tu teléfono muere, estás completamente perdido. Nunca construiste el esquema mental de cómo se conectan los barrios.

Beto
La IA es el GPS perfecto. Pero al externalizar la navegación, los estudiantes están reforzando activamente exactamente el mismo comportamiento de novato, lineal, no interactivo, identificado en el grupo 1.

Alicia
Simplemente siguen la línea.

Beto
Sí. Se vuelven totalmente dependientes de moverse en línea recta de la pregunta a la solución. Nunca desarrollan el pensamiento reflexivo estratégico.

Alicia
La capacidad de saber cuándo retroceder o cómo golpear ese segundo pico de recopilación de datos.

Beto
Correcto. Los rasgos exactos que caracterizan a los grandes maestros en los grupos 2 y 3.

Alicia
Así que básicamente están actuando como novatos solo que con una herramienta mucho más rápida y elocuente.

Beto
Desafortunadamente, sí.

Alicia
Entonces, ¿cómo arreglamos esto? Porque obviamente no podemos reinventar la IA, el artículo sugiere que necesitamos un cambio fundamental en cómo abordamos la educación, la evaluación y la formación en general.

Beto
Absolutamente tenemos que hacerlo. Tenemos que cambiar lo que estamos calificando y valorando. Los investigadores argumentan que debemos cambiar nuestro enfoque para calificar el proceso en sí, no solo la precisión del modelo final o el producto final.

Alicia
Debemos empezar a evaluar el flujo de trabajo.

Beto
Exacto.

Alicia
Así que un profesor o un gerente no debería solo mirar el pastel totalmente horneado. Realmente necesitan revisar las grabaciones de seguridad de la cocina para ver cómo se movió el chef.

Beto
Esa es una gran forma de decirlo.

Considera la alternativa: Si no hacemos esto, produciremos toda una generación de trabajadores que pueden generar código pero no pueden resolver problemas complejos y ambiguos.

Alicia
Ese es un pensamiento aterrador para cualquier empresa tecnológica en este momento.

Beto
Lo es. Pero, curiosamente, los investigadores creen que la inteligencia artificial puede ser la solución aquí, en lugar de solo el problema.

Alicia
¿De verdad? ¿Cómo?

Beto
Argumentan que los futuros sistemas de IA no deben ser solo generadores de respuestas. Deben diseñarse como sistemas de soporte inteligentes.

Alicia
Está bien, ¿cómo se vería realmente un sistema de soporte inteligente en la práctica para alguien que está sentado en su computadora?

Beto
Bueno, imagina una IA que monitorea silenciosamente tu flujo de trabajo en segundo plano. Detecta que estás atrapado en un ciclo lineal rígido, meneando salvajemente la llave con ingeniería de características interminable, probando lo mismo una y otra vez.

Alicia
Así que en lugar de simplemente alimentarte con el código correcto para saltarse el obstáculo, ...

Beto
Exacto. En vez de generar el código correcto, la IA interviene y te insta a involucrar tu metacognición. Podría decir: "Oye, noté que estás haciendo mucha transformación de datos. Antes de continuar, hagamos una pausa y evaluemos el rendimiento base actual del modelo".

Alicia
Oh, vaya. Así que efectivamente sienta el andamiaje del ciclo iterativo tipo experto. Te empuja activamente a alcanzar tu segundo pico.

Beto
Sí, te obliga a dejar de actuar como un seguidor de instrucciones pasivo y empezar a actuar como un estratega.

Alicia
La IA se convierte en una compañera colaborativa para la lluvia de ideas y el pensamiento crítico, en lugar de un reemplazo para la lucha necesaria del aprendizaje.

Beto
Porque esa lucha estratégica es lo único que construye la verdadera pericia. Definitivamente no puedes saltarte el proceso desordenado e iterativo de desarrollar un esquema mental flexible.

Alicia
Hombre, eso es poderoso.

Bueno, para quienes nos escuchan, ya sea que estén codificando algoritmos de aprendizaje automático, escribiendo una estrategia de marketing compleja o literalmente horneando un pastel, la conclusión definitiva aquí es profunda.

Beto
Realmente se aplica a todo.

Alicia
En un mundo definido por la sobrecarga de información y atajos interminables de IA, la habilidad más valiosa ya no es solo saber cómo seguir los pasos para obtener la respuesta correcta. La habilidad definitiva es saber cómo gestionar estratégicamente el proceso de resolución de problemas en sí mismo.

Beto
Requiere abrazar la flexibilidad, dominar la iteración y alejarse de la comodidad de la línea recta.

Alicia
Lo que nos deja con una última reflexión para meditar hoy. Hemos sido condicionados toda nuestras vidas a pensar que el progreso es siempre moverse hacia adelante.

Beto
Avanzar al siguiente paso.

Alicia
Correcto, pasar la siguiente página del manual.

Pero ¿qué pasa si la verdadera marca de la pericia no es saber la respuesta de inmediato, sino saber exactamente cuándo retroceder?

Beto
Me encanta eso.

Alicia
¿Qué pasa si esos momentos increíblemente frustrantes en tu propio trabajo, donde te sientes estancado, donde te das cuenta de que las piezas no encajan y te forzas a tirar tu progreso y empezar de nuevo, no son en realidad señales de fracaso? ¿Qué pasa si esos son los momentos exactos en que estás actuando más como un gran maestro?

Beto
Una forma completamente diferente de ver quedarse atascado.

Alicia
Así que la próxima vez que te encuentres limpiando harina del techo y volviendo a empezar la receta desde cero, solo recuerda, no estás fallando. Simplemente has alcanzado tu segundo pico.

Integridad académica en educación de informática con IA

Este artículo examina la integración de herramientas de IA generativa en la educación informática, centrándose en cómo equilibrar sus ventajas pedagógicas con la necesidad de integridad académica. Los autores argumentan que, dado que el uso de la IA es ahora una práctica habitual en el ámbito académico, las instituciones deberían pasar de las prohibiciones restrictivas a un marco estructurado de uso responsable. Para ello, el texto clasifica diversas evaluaciones informáticas —como proyectos de codificación y revisiones bibliográficas— y describe estrategias específicas de mitigación, incluyendo la divulgación obligatoria y las defensas orales. Además, los investigadores presentan un modelo matemático formal para cuantificar el esfuerzo del estudiante, el refinamiento de los resultados de la IA y el dominio de la materia durante el proceso de calificación. En definitiva, estas directrices proporcionan una hoja de ruta práctica para que los docentes garanticen que la IA sirva como apoyo al aprendizaje y no como sustituto del pensamiento crítico y el esfuerzo independiente.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges". Por Hatem M. El-boghdadi y colegas. Publicado el 11 de Abril de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagínate esto. Es finales de 2022 y el mundo académico es lanzado de repente a un caos absoluto.

Alicia
Sí, prácticamente de la noche a la mañana.

Beto
Correcto. De la noche a la mañana, ChatGPT se convierte en la aplicación de crecimiento más rápido en la historia de Internet. Alcanzó a cien millones de usuarios en solo cuestión de meses.

Alicia
Lo cual sigue siendo asombroso de pensar.

Beto
Es salvaje. Y en todo el mundo, las universidades están entrando en pánico. Algunas instituciones lo prohíben de inmediato. Están tratando esta nueva tecnología como si fuera material radiactivo.

Alicia
Sí.

Beto
Y luego otras están luchando por adoptar algo, simplemente reescribiendo sus sílabos sobre la marcha.

Alicia
Bueno, la base de cómo medimos el conocimiento humano, esencialmente se rompió de la noche a la mañana.

Beto
Completamente.

Alicia
Porque durante décadas, el sistema se basó en esta suposición: si un estudiante entregaba un ensayo bien razonado o un fragmento de código funcional, esa producción era un reflejo directo de su esfuerzo cognitivo interno.

Beto
Realmente hacían el trabajo en su cabeza.

Alicia
Exacto. Y de repente, esa suposición fue completamente comprometida. El concepto mismo de integridad académica estaba en el equilibrio.

Beto
Porque el punto de una universidad no es solo producir una pila de papeles perfectamente escritos. Es producir una mente humana que realmente sea capaz de hacer ese trabajo.

Lo que nos lleva a la misión de este análisis profundo. ¿Cómo arreglamos esto?

Alicia
Sí.

Beto
¿Cómo impedimos que los estudiantes simplemente externalicen sus cerebros a la inteligencia artificial, sin prohibir una herramienta que inevitablemente usarán en el mundo real, todos los días?

Alicia
Y el material de origen de hoy aborda exactamente ese problema. Estamos viendo un artículo de 2025 del International Journal of Energy, Environment, and Economics.

Beto
Sí, titulado "Uso de Herramientas de IA, directrices para mantener la integridad académica en facultades de computación".

Alicia
Correcto. Y aunque el enfoque está fuertemente en programas de informática e ingeniería, ...

Beto
... como si fuera la opción más rápida para nosotros.

Alicia
Oh, definitivamente la más rápida y la más disruptiva. Pero el marco que proponen es sorprendentemente universal.

Beto
Sí, yo también lo pensé. Así que, ya sea que seas un estudiante tratando de navegar tus clases, o un educador construyendo un sílabo moderno, o simplemente un aprendiz de por vida descubriendo cómo verificar tus propias habilidades en este mundo saturado de IA, este análisis profundo te dará un marco totalmente nuevo para pensar en cómo demostramos que realmente sabemos algo.

Marco de Integridad de IA: Balancear Innovación y Honestidad en Educación de Informática

Beto
Está bien, desglosémoslo.

Alicia
Para apreciar la solución, realmente primero necesitamos mirar por qué el viejo sistema se rompió tan catastróficamente.

Beto
Correcto.

Alicia
Los autores ilustran esto mapeando lo que llaman "el doble impacto de la IA". Funciona esencialmente como una enorme cuerda de guerra en el desarrollo de un estudiante.

Beto
Tirando en dos direcciones totalmente opuestas al mismo tiempo.

Alicia
Exacto.

Beto
Porque por un lado, los beneficios de aprendizaje son innegables. Estamos hablando de un ahorro de tiempo sin precedentes para tareas rutinarias. Generación rápida de ideas.

Alicia
Sí, y un gran impulso en lo que los investigadores llaman "autoeficacia académica".

Beto
Okay, espera, ¿qué significa ese término en este contexto?

Alicia
La autoeficacia académica simplemente significa la creencia de un estudiante en su propia capacidad para tener éxito.

Tener un tutor incansable e instantáneo disponible 24/7 hace que los estudiantes se sientan mucho más seguros. Quiero decir, pueden desenmarañar conceptos complejos a las dos de la mañana sin tener que esperar por las horas de oficina.

Beto
Correcto, lo cual es increíble. Pero el otro extremo de esa cuerda es aterrador.

Alicia
Sí, realmente lo es.

Beto
Porque no es solo la amenaza obvia del plagio, donde un estudiante simplemente copia y pega un ensayo generado por IA. El riesgo más profundo es esta caída brusca en el pensamiento crítico independiente.

Alicia
Porque las habilidades cognitivas y analíticas no simplemente aparecen de la nada.

Beto
Correcto. Las construyes luchando por resolver problemas. Necesitas esa fricción cognitiva. Lo que me hace preguntarme sobre la naturaleza central de la herramienta misma.

Alicia
¿Qué quieres decir?

Beto
¿Es usar la IA algo como llevar una calculadora a una prueba de matemáticas, o es más como contratar a otra persona para que simplemente tome la prueba por ti?

Alicia
Lo fascinante aquí es que el artículo sugiere que puede ser ambas cosas.

Beto
¿En serio?

Alicia
Sí. Y el factor determinante es el entorno que construimos a su alrededor.

Beto
Oh, okay.

Alicia
La IA no regulada actúa absolutamente como un reemplazo para el esfuerzo del estudiante. Se convierte en una persona que contrataste para tomar la prueba.

Pero con directrices claras y límites estructurales, funciona exactamente como esa calculadora o quizás como un simulador de vuelo.

Beto
Una ayuda de apoyo para el aprendizaje.

Alicia
Exacto. Se convierte en una ayuda de apoyo para el aprendizaje. El objetivo no es eliminar la lucha por completo. El objetivo es preservar el desarrollo progresivo de las habilidades cognitivas mientras se utiliza la herramienta para mejorar el proceso, no para eludirlo por completo.

Beto
Correcto. Pero tratar la IA como una calculadora universal asume que todos tienen la misma calculadora.

Alicia
Oh, sí.

Beto
Y sabemos que no todas las herramientas de IA son iguales. Y más importante aún, no todos tienen el mismo acceso a ellas.

Alicia
Ese es un punto enorme.

Beto
El artículo divide específicamente el panorama de amenazas de la IA basándose en la capacidad de la herramienta. Y las diferencias allí son bastante marcadas.

Alicia
Son bestias completamente diferentes. Quiero decir, los modelos de lenguaje grandes, o LLMs, como ChatGPT, son principalmente generadores de texto.

Beto
Correcto.

Alicia
Excelen en el lenguaje natural, la explicación, la ideación. Así que el riesgo principal en un entorno de aula es la comprensión superficial.

Beto
Tal como un estudiante que entrega una revisión de literatura bellamente articulada ...

Alicia
... pero que realmente no capta los conceptos subyacentes. Simplemente posee esta ilusión de competencia.

Beto
Correcto. Lo cual tiene perfecto sentido para una clase de inglés o historia.

Alicia
Sí.

Beto
Pero el enfoque del artículo está en las facultades de computación, donde herramientas como GitHub Copilot no solo están escribiendo ensayos. Quiero decir, están escribiendo software funcional.

Alicia
Sí. Copilot y herramientas similares orientadas a código están diseñadas para la generación de sintaxis y el autocompletado de flujos de trabajo complejos.

Beto
Así que el riesgo se mueve mucho más allá de un ensayo superficial.

Alicia
Exacto. Se mueve hacia la externalización pura de código. Un estudiante podría entregar teóricamente un programa informático completamente funcional, con toda la arquitectura compleja, sin comprender una sola línea de la lógica detrás de él.

Beto
Eso es salvaje. Y cuando miramos a esos asistentes de codificación altamente avanzados o incluso solo a los niveles premium de los LLM, nos encontramos con una gran señal de alarma.

Alicia
El problema de la equidad.

Beto
Sí. El artículo dedica una sección completa a la equidad y la accesibilidad. Sabemos que estas compañías ofrecen niveles gratuitos, ¿verdad?

Alicia
Claro.

Beto
Pero las cosas realmente poderosas, los modelos que pueden diseñar un proyecto de software completo, esos están bloqueados detrás de suscripciones premium de pago.

Alicia
Lo están.

Beto
Así que tengo que preguntar, ¿cómo es mecánicamente justo calificar una clase, cuando algunos estudiantes están conduciendo un coche deportivo y otros están conduciendo una bicicleta? Básicamente solo estás calificando tus cuentas bancarias.

Alicia
Y los autores abordan esa justicia mecánica de frente.

Beto
Okay.

Alicia
Su solución propuesta requiere que las evaluaciones institucionales sean rediseñadas fundamentalmente, de manera que no dependan de características premium exclusivas.

Beto
Okay.

Alicia
Los educadores deben diseñar explícitamente proyectos que puedan completarse utilizando herramientas de acceso libre. Y deben exigir lo que el artículo llama "divulgación del uso de IA".

Beto
... lo que forza la transparencia en todos los ámbitos.

Alicia
Exacto. El instructor también debe utilizar el proceso de verificación de "humano en el ciclo".

Beto
¿El humano en el ciclo?

Alicia
Sí, lo cual nivela el campo de juego, asegurando que la comprensión personal del estudiante sea siempre la métrica final a juzgar, independientemente de la herramienta que usen para generar ese primer borrador.

Beto
Así que sabemos que las herramientas son diferentes y sabemos que el acceso es inherentemente desigual.

Alicia
¿Cómo ponen los instructores realmente este manual de transparencia en práctica? ¿Cómo miran un trabajo entregado fuera del aula y verifican lo que realmente hay en la cabeza del estudiante?

Beto
Entonces, el manual para el trabajo no supervisado fuera de clase se basa en algunos pilares clave.

Alicia
Okay.

Beto
El primero, como acabamos de mencionar, es la divulgación obligatoria del uso de IA. Si lo usas, lo citas y explicas exactamente cómo lo usaste.

Alicia
Entendido.

Beto
El segundo pilar es salvajemente innovador, sin embargo. Son tareas asistidas por IA con revisión crítica. En estas tareas específicas, los instructores realmente obligan a los estudiantes a usar la IA.

Alicia
Espera, ¿hacen obligatorio usar el código trampa?

Beto
Sí. Pero el borrador inicial de IA no es lo que se califica. Se califica a los estudiantes en un informe separado donde deben analizar críticamente la salida de la IA.

Alicia
Okay.

Beto
Deben identificar sus fallas, explicar su lógica subyacente y luego entregar una versión mejorada y modificada intensamente basada en su propia perspicacia humana.

Alicia
Así que el instructor está calificando la capacidad del estudiante para criticar y mejorar a la máquina, no a la máquina en sí.

Beto
Oh, me encanta ese concepto porque simplemente invierte completamente el guión. Pero mirando las otras directrices generales, proponen específicamente entrevistas posteriores a la entrega y exámenes orales. Yo solo veo una pesadilla logística.

Alicia
Sí. Te entiendo.

Beto
Porque exigir una entrevista posterior a la entrega para cada estudiante suena completamente imposible. Quiero decir, algunos de estos profesores universitarios tienen cientos de estudiantes en una sola sala de conferencias.

Alicia
Y los autores anticipan exactamente ese cuello de botella.

Beto
Okay.

Alicia
La solución no es realizar una agotadora defensa oral de una hora para cada tarea semanal de tarea. Más bien, se trata de cambiar el peso de la calificación.

Beto
¿Cómo es eso?

Alicia
La calificación ya no es solo sobre el documento entregado. Una porción sustancial de la calificación ahora está ligada a una demostración de comprensión dirigida y muy rápida.

Beto
Oh, como una auditoría aleatoria.

Alicia
Precisamente como una auditoría. Así que si un estudiante entrega un fragmento de código brillante, el instructor podría pasar tres minutos durante una sesión de laboratorio pidiéndole que simplemente explique por qué eligió una función específica en lugar de una alternativa.

Beto
¿Y si no puede?

Alicia
Si el estudiante no puede explicar la arquitectura de su propia entrega, el código entregado pierde todo su valor.

Beto
Vaya.

Alicia
Sí, es un sistema de verificación puntual que desincentiva dramáticamente la dependencia ciega en la IA, porque el riesgo de exposición está constantemente presente.

Beto
Puesto que los profesores no pueden pasar toda su vida haciendo esas auditorías orales, el artículo proporciona estos ajustes específicos increíblemente ingeniosos a las tareas cotidianas, para básicamente protegerlas de la IA desde el principio.

Aquí es donde se pone realmente interesante. Tenemos que pasar por algunos de estos ajustes tácticos, porque explican activamente cómo fabricar esa fricción cognitiva de la que hablamos antes.

Alicia
La tarea tradicional es un buen lugar para empezar con esto. Históricamente, los instructores usaban indicaciones bastante amplias, tal como "explica cómo funcionan los algoritmos de ordenación".

Beto
Correcto. Y hoy, una IA genérica te dará una respuesta perfecta a eso, como en dos segundos.

Alicia
Exacto. Así que el ajuste táctico es usar restricciones hiperespecíficas.

Beto
Correcto. En lugar de una indicación vaga, el instructor pregunta, "compara la complejidad temporal y espacial del ordenamiento de mezcla ("merge sort") y del ordenamiento rápido ("quicksort") cuando se aplican a un conjunto de datos de 10⁶ elementos bajo las peores condiciones del caso".

Alicia
Y ese nivel de restricción rompe una respuesta de IA genérica.

Beto
¿Lo hace?

Alicia
Oh, sí. Para siquiera plantear correctamente a la IA o para verificar si la IA está alucinando su respuesta, el estudiante tiene que comprender fundamentalmente lo que significa "la complejidad temporal y espacial".

Beto
Correcto.

Alicia
Deben comprender cómo funcionan los límites de memoria cuando se trata de conjuntos de datos masivos. El "prompt" forza al estudiante a contextualizar la salida.

Beto
Y para los ensayos escritos, el artículo recomienda el método del "doble borrador" ("double draft"), que forza ese mismo nivel de contextualización, pero desde un ángulo totalmente diferente.

Alicia
Sí. El doble borrador es fascinante.

Beto
El estudiante tiene que entregar tres cosas: un ensayo generado completamente por IA, un ensayo escrito de forma independiente hecho sin IA, y luego un informe comparativo de evaluación que analiza las diferencias entre los dos.

Alicia
Y la psicología del doble borrador es brillante.

Beto
¿Qué quieres decir?

Alicia
Cuando un estudiante compara dos borradores lado a lado, su cerebro se ve obligado a reconocer sus puntos ciegos. Tiene que preguntar, "¿por qué la IA estructuró el argumento de esta manera? ¿Dónde careció mi borrador independiente de profundidad?"

Beto
Forza el razonamiento activo.

Alicia
Exacto.

Beto
Es casi como pedirle a un artista que muestre sus capas de boceto. No solo la pintura final.

Alicia
Sí.

Beto
Estás calificando el proceso humano desordenado e iterativo.

Alicia
Bueno, me encanta esa analogía. Sí.

Beto
Y vemos esto aplicado también a las tareas de programación, con modificaciones en clase. Por ejemplo, un estudiante escribe su código en casa, tal vez confiando mucho en Copilot, y luego lo trae a clase.

Alicia
Correcto.

Beto
Pero para obtener la calificación, el instructor les da una tarea de modificación en vivo en el momento. Como "cambiar esta variable" o "hacer que el código produzca la salida en orden inverso".

Alicia
Y lo que pasa es que, si no lo escribieron, o no entienden la arquitectura subyacente, se congelarán.

Beto
Congelados por completo.

Alicia
No podrán modificarlo en vivo. Expone instantáneamente quién es el dueño real del conocimiento.

Beto
Muy cierto. Y ¿qué hay de los proyectos colaborativos? Porque el trabajo en grupo es notoriamente doloroso de todos modos, y la IA simplemente hace que sea infinitamente más fácil para una persona automatizar en secreto su parte y sacarla mientras el resto del grupo lucha.

Alicia
Correcto. Para proyectos grupales basados en computadoras, los autores enfatizan el seguimiento del proceso de desarrollo auténtico a lo largo del tiempo utilizando herramientas como Git para control de versiones.

Beto
Okay. Probablemente deberíamos explicar qué es exactamente Git para cualquiera fuera del desarrollo de software.

Alicia
Claro. Piensa en Git como un libro de contabilidad digital o tal vez una cámara de lapso de tiempo para el código. Registra cada pulsación de tecla, cada cambio guardado y registra exactamente quién hizo qué ajuste y cuándo.

Beto
Eso es súper útil.

Alicia
Lo es. Los instructores no solo califican el software final. Califican el libro de contabilidad. Miran los "commits" iterativos y las revisiones entre pares. El producto final es solo una pieza de un rompecabezas mucho más grande de esfuerzo humano verificado.

Beto
Ahora, todas estas directrices tácticas son increíbles en teoría. Pero ¿cómo estandariza una universidad completa esto entre miles de estudiantes?

Alicia
Correcto. Esa es la gran pregunta.

Beto
Por ejemplo, si un algoritmo hiciera el 40% del trabajo en un proyecto, ¿cómo calculas una calificación final que sea matemáticamente justa y consistente, de clase en clase?

Alicia
Si conectamos esto con la imagen más grande, aquí es donde el artículo se eleva de ser solo una lista de consejos de enseñanza ingeniosos a un marco institucional sólido.

Los autores introducen un modelo matemático formal para evaluar las evaluaciones asistidas por IA. Transforman toda esta filosofía de la fricción cognitiva en una ecuación concreta.

Beto
Me entusiasma completamente esta sección. Quiero decir, es como "Moneyball" para la integridad académica.

Alicia
Realmente lo es.

Beto
Están tomando la honestidad como sudor intelectual y la están convirtiendo en una métrica cuantificable. En lugar de calificar todo el proyecto como un gran bloque, el modelo básicamente divide la calificación en tres compartimentos específicos.

Alicia
Exacto. La calificación final es una combinación de tres variables. Primero es la puntuación base, que evalúa la calidad del trabajo realmente entregado.

Beto
Okay.

Alicia
El segundo compartimento es el factor de refinamiento. Esto mide cuánto mejoró el estudiante sobre el borrador inicial de IA.

Y el tercer compartimento es la puntuación de verificación, que es el resultado de esa rápida verificación puntual donde la modificación de código en vivo que discutimos antes.

Beto
Espera, mirando esta ecuación, mirando cómo está estructurada. Si el factor de refinamiento se basa puramente en cuánto mejoró el estudiante el borrador de IA, eso significa que un estudiante que simplemente entrega una salida cruda de ChatGPT obtiene un cero por esa parte de la calificación completa.

Alicia
Lo hacen. Si simplemente copias y pegas, obtienes cero puntos por el refinamiento.

Beto
Vaya. Y como el instructor puede ajustar el peso de cada compartimento, dependiendo de la tarea, castigar matemáticamente el uso perezoso de la IA se vuelve increíblemente fácil.

Beto
Tiene sentido.

Alicia
Para una tarea de codificación, el instructor podría ponderar mucho la verificación en vivo.

Para un informe escrito, el compartimento de refinamiento podría llevar más peso.

Beto
El artículo realmente proporciona un ejemplo trabajado de esto.

Imagina que el estudiante entrega una tarea y la entrega física obtiene una puntuación base del 80%. El instructor evalúa cuánto editó el borrador de IA y le da un 60% por refinamiento. Pero durante la rápida auditoría oral, el estudiante lo logra perfectamente, demostrando una comprensión perfecta, y obtiene una puntuación de verificación del 100%.

Alicia
Así que si el instructor puso los pesos en digamos 40% para la entrega base, 30% para el refinamiento y 30% para la verificación en vivo, la calificación final del estudiante equilibra un 82%.

Beto
Okay.

Alicia
Es una calificación increíblemente matizada que refleja toda la imagen del esfuerzo del estudiante.

Beto
Pero hay un gran obstáculo en este modelo, tal como una medida de seguridad construida justo en la parte inferior de la ecuación.

Alicia
Sí. La bandera de integridad. Es posiblemente la parte más importante, filosóficamente, de todo el modelo.

Beto
Definitivamente.

Alicia
La bandera de integridad es una métrica binaria simple. Es solo un 1 o un 0. Y se calcula basándose en dos cosas: la divulgación y la verificación.

Beto
Significa: ¿admitiste usar IA?, y, ¿aprobaste la auditoría en vivo?

Alicia
Precisamente. Si un estudiante oculta el hecho de que usa IA, o si falla completamente la defensa oral y demuestra que no entiende su propio material entregado, la bandera de integridad baja a 0.

Beto
Y como es un multiplicador en la ecuación, si la bandera de integridad es 0, toda la fórmula de evaluación se multiplica por 0.

Alicia
Exacto.

Beto
Las matemáticas ni siquiera importan más. Todo ese sudor intelectual, todos los puntos que ganan en los otros compartimentos se evaporan por completo.

Alicia
Actúa como un interruptor de apagado definitivo. Inválida la evaluación porque el estudiante violó la premisa central de la honestidad académica.

Beto
Correcto.

Alicia
Esta medida de tolerancia cero es necesaria porque asegura que la fórmula de calificación solo se aplique a estudiantes que realmente estén operando de buena fe. Protege el contrato social de la educación en una era donde fingir confianza nunca ha sido más fácil.

Beto
Entonces, ¿qué significa todo esto? Tomemos un paso atrás y veamos el viaje por donde el material de origen nos llevó.

Alicia
Okay.

Beto
Empezamos en este lugar de pánico institucional total, en 2022, con la IA vista como este código trampa aterrador que iba a romper fundamentalmente el aprendizaje humano.

Alicia
Sí, un gran presagio de desdicha.

Beto
Exacto. Pero terminamos con un flujo de trabajo matemático altamente estructurado. La IA no rompe el sistema, ¿verdad? Cuando se integra con restricciones estrictas, en realidad obliga al cerebro a trabajar más duro.

Alicia
Realmente lo hace.

Beto
Transiciona a los estudiantes de ser meros escritores, a ser editores, críticos y defensores activos de su propia lógica.

Alicia
Representa un cambio monumental en el enfoque, de solo mirar el producto final a evaluar el proceso subyacente.

Beto
Y la lección central aquí va mucho más allá de solo estudiantes universitarios sentados en un laboratorio de ciencias de la computación.

Alicia
Absolutamente.

Beto
Ya sea que estés preparando una presentación importante en el trabajo, redactando un escrito legal, o tratando de aprender un nuevo lenguaje de programación durante los fines de semana, el verdadero valor no está en el documento pulido que ChatGPT escupe en tres segundos.

Alicia
No, para nada.

Beto
El verdadero valor está en la fricción cognitiva. Está en el proceso desordenado de reconocer los puntos ciegos de la IA, desafiar sus suposiciones y comprender por qué el resultado final funciona. Porque si no puedes explicarlo en vivo en la sala, realmente no posees el conocimiento.

Alicia
Esto plantea una pregunta importante, sin embargo, con respecto al futuro de ese proceso exacto. Si la educación se adapta exitosamente a este marco, es decir, si pasamos la próxima década entrenando a los estudiantes no para generar respuestas, sino para criticar y refinar las salidas de la IA, estamos cambiando la naturaleza fundamental del trabajo cognitivo. Pero ¿qué pasa cuando el sitio de evaluación se ponga al día?

Beto
Caminando por ese camino. ¿Cómo se verá eso realmente?

Alicia
Bueno, piensa en la mecánica de la calificación. Si los estudiantes están usando IA para hacer el trabajo pesado de la redacción y están actuando principalmente como editores, ¿qué pasa cuando las instituciones empiecen a desplegar IA altamente avanzada para hacer el trabajo pesado de calificar esas ediciones?

Beto
Oh, hombre.

Alicia
Correcto. Dentro de 10 años, ¿significará la integridad académica que la IA de un estudiante intente astutamente superar a una IA calificadora? O ¿que el instructor humano simplemente se siente y observe la puntuación?

Beto
Vaya.

Alicia
¿Estamos avanzando hacia un bucle académico totalmente automatizado donde los humanos son literalmente solo espectadores?

Beto
Los robots escribiendo los artículos para los robots que están calificando los artículos.

A
Eso es un pensamiento salvaje, ligeramente distópico para dejar pasar y definitivamente algo para que lo reflexiones hasta nuestra próximo análisis profundo.

Beto
Pero mirando hacia atrás al caos de 2022, el instinto inicial fue construir un muro contra la tecnología. Simplemente fingían que no estaba sucediendo. Pero ya no pueden calificar la pintura final. Tienen que calificar las capas de boceto desordenadas que están debajo. Y este marco nos da un plano bastante sólido para cómo hacer eso realmente.