FUNDAMENTOS DE LA INTELIGENCIA
ARTIFICIAL
PROYECTO INTEGRADOR:
"EducamIA”
“EDUCACIÓN
CON CAMBIO EN INTELIGENCIA ARTIFICIAL”
DOCENTE:
Dra. BETZABÉ ORENOS
ALUMNO:
Dr. LUIS FERNANDO NOBLECILLA
CALDERÓN
CHICLAYO
2025
PROYECTO INTEGRADOR
I. TÍTULO DEL PROYECTO: "EducamIA”
“Educación con cambio en Inteligencia
Artificial”
II.
INTRODUCCIÓN
La
educación rural en el Perú es un servicio educativo que el Ministerio de
Educación (Minedu) ofrece a comunidades que viven en zonas alejadas de la
ciudad. El objetivo es que los estudiantes puedan acceder a una educación
de calidad y concluir sus estudios. (Minedu. 2024). Y en
nuestra Región Lambayeque existen 1,130 colegios estatales, entre ellos
algunos en zonas rurales.
En
la Región Lambayeque existe un problema en el aspecto educativo que lleva
muchos años sin resolver. En algunos colegios cuentan con equipos informáticos
(computadoras) pero sin conexión a internet, otros que tienen con conexión a internet,
pero equipos obsoletos y muchos ni lo uno ni lo otro.
El
problema se agrava cuando llegan docentes a estas instituciones con
desconocimiento básico de informática o computación. Cubren las plazas de EPT
(Educación para el trabajo) y como desconocen lo complejo de esta área, se dedican
a otros temas como: biohuertos o crianza de animales.
Este
año 2025 el Ministerio de Educación a través de la Ugel ha capacitado a
Directores de la Región Lambayeque en lo referente a Inteligencia Artificial
aplicado a la docencia. El problema es que la mayoría de directivos no hace
efecto multiplicador.
En
las zonas rurales se radicaliza la problemática porque la conectividad se
agrava por la distancia, las empresas que contrata el Ministerio, con menor
cobertura, porque subcontratan o tercerizan su trabajo.
Qué
hacer para que nuestros estudiantes gocen de estas innovaciones en IA, cómo capacitar
a nuestros docentes para que viabilicen y se enmarque en la tecnología actual
para que realicen su trabajo en menor tiempo posible y con innovaciones novedosas.
Nuestra
propuesta es proponer una plataforma virtual innovadora: EducamIA “Educación con cambio en Inteligencia Artificial”
EducamIA, es una
plataforma de aprendizaje adaptativo impulsada por IA que personaliza la
educación para estudiantes con diversas necesidades, incluyendo aquellos con
discapacidades, dificultades de aprendizaje o provenientes de entornos
desfavorecidos. Utiliza algoritmos de aprendizaje automático para analizar el
progreso del estudiante, identificar sus fortalezas, debilidades y adaptar el
contenido a sus ritmos de aprendizaje.
En el desafío de llevar una
educación equitativa y de calidad a contextos rurales con limitada conectividad
y acceso a tecnología, emerge EducamIA, una innovadora propuesta de capacitación
continua para docentes y estudiantes, adaptada a las realidades de
instituciones educativas con escasos recursos tecnológicos. Reconociendo la
singularidad de cada estudiante y la necesidad de empoderar a los educadores en
entornos con infraestructura digital restringida, EducamIA se concibe como una
plataforma de aprendizaje adaptativo impulsada por IA, diseñada para operar de
manera semiautónoma y optimizada para un uso eficiente de los recursos
disponibles.
Su núcleo radica en la aplicación de
algoritmos de aprendizaje automático para analizar el progreso individual de
cada alumno, incluso con datos recopilados de forma intermitente, identificando
sus fortalezas, debilidades y patrones de aprendizaje. Esta información se
utiliza para generar materiales educativos personalizados que pueden ser
accedidos offline o con una conectividad mínima, así como para
proporcionar a los docentes estrategias pedagógicas diferenciadas y recursos
adaptados a las necesidades específicas de sus estudiantes, minimizando la
dependencia de una conexión constante a internet.
El problema social fundamental
que EducamIA abordará en estas
comunidades rurales es la exacerbada exclusión y desigualdad educativa derivada
de la brecha digital y la falta de recursos.
Los estudiantes en estas zonas, a
menudo provenientes de familias dedicadas a la agricultura y ganadería, enfrentan
barreras significativas para acceder a una educación que responda a sus
necesidades particulares debido a la limitada conectividad y la escasez de
dispositivos con acceso a internet. Esta situación perpetúa un ciclo de
desventaja, limitando sus oportunidades de desarrollo y profundizando la brecha
con estudiantes de entornos más favorecidos.
Paralelamente, los docentes en estas
instituciones a menudo trabajan con recursos limitados y sin la formación
especializada necesaria para implementar estrategias de enseñanza
verdaderamente inclusivas y personalizadas en un contexto de baja conectividad.
Reducir la brecha educativa en estas
zonas tiene un impacto directo en la mejora de la calidad de vida, el fomento
de la innovación local y la creación de un futuro más prometedor para sus
habitantes.
La viabilidad de la propuesta
EducamIA en este contexto desafiante se fundamenta en una cuidadosa
consideración del estado actual de la tecnología y las limitaciones de
infraestructura. Si bien la IA tradicionalmente requiere grandes cantidades de
datos y conectividad constante, EducamIA
se diseñará con una arquitectura que permita el procesamiento local de datos
siempre que sea posible y la sincronización eficiente cuando haya
conectividad disponible. Se explorarán soluciones tecnológicas como el uso de servidores
locales de bajo costo, la optimización del tamaño de los materiales
educativos para una descarga rápida y el desarrollo de interfaces de
usuario intuitivas y ligeras.
La viabilidad también se basa en la
creciente disponibilidad de dispositivos móviles básicos y la posibilidad de
implementar redes locales de bajo alcance para facilitar la interacción
con la plataforma. En este contexto, EducamIA
se presenta como una solución innovadora y adaptada para transformar la
educación inclusiva en comunidades rurales con limitaciones de conectividad,
capacitando tanto a estudiantes como a educadores con herramientas que
funcionan en su realidad.
III.
MARCO
TEÓRICO
3.1. Categoría de la propuesta:
Considerando la descripción del
proyecto, la propuesta se encuentra principalmente en las siguientes
categorías:
- Herramienta
de Análisis: EducamIA
analizará el progreso individual de cada estudiante, identificando
fortalezas, debilidades y patrones de aprendizaje.
- Sistema
de Predicción: El sistema podría incorporar elementos de
predicción basados en los datos históricos del estudiante almacenados
localmente para anticipar necesidades de aprendizaje.
- Modelo Generativo:
Por su capacidad de generar
contenido educativo adaptado a las necesidades individuales de cada estudiante.
FUNDAMENTACIÓN
TEÓRICA DEL PROYECTO
3.2. ¿Qué es la
Inteligencia Artificial?
a)
Definición clásica
Debido al acelerado desarrollo de la Inteligencia Artificial(IA), su definición se ha ido transformado hasta el punto en que algunos consideran que la IA es todo lo que aún no se ha inventado. Para ordenar su comprensión, empezaremos mencionando que el término fue acuñado por el profesor John McCarthy en 1955. Para él, la IA era "la ciencia y la ingeniería de hacer máquinas inteligentes". Por esa misma época, el matemático Alan Turing propondría también un test para evaluar si una máquina podía hacerse pasar por un humano en su interacción con un verdadero humano.
En: Presidencia del consejo de Ministros. PCM (s.f.). (Pág. 22)
b)
Definición para el ENIA
En sus inicios, la IA simulaba el comportamiento
humano a través de reglas. Sin embargo, los métodos más recientes se enfocan en
hacer que las máquinas aprendan de los datos y su interacción con el mundo
exterior automáticamente. Actualmente, la OECD propone la siguiente definición:
“Un sistema de IA es un sistema electrónico-mecánico que puede, para una serie
de objetivos definidos por humanos, hacer predicciones, recomendaciones, o
tomar decisiones, influenciando ambientes reales o virtuales. Los sistemas de
IA están diseñados para operar con niveles variados de autonomía”.
Para complementar estas dos definiciones,
queremos mencionar también que la IA recibe influencias e influye áreas como la
neurociencia, lingüística, robótica, entre otras.
3.1.
¿Qué es un prompt?
Dentro del terreno de la
inteligencia artificial (IA) generativa, una indicación o prompt es un
fragmento de texto o información que sirve como instrucción para el modelo de
IA. Es la clave que nos permite comunicar nuestras intenciones a una
herramienta determinada para obtener un resultado. Es importante tener en
cuenta que,
según los tipos de
herramientas de IA, se necesitan prompts específicos para garantizar un
resultado final que se ajuste a lo que queremos conseguir.
De: Gómez Cardosa D.,
Garcia Brustenga G. (s.f)
3.2. Machine Learning (Aprendizaje
automático o de máquina)
Conjunto de modelos de Inteligencia Artificial que
aprenden en base a datos (de entrenamiento) para poder predecir resultados o tomar
decisiones sin ser explícitamente programados para ello.
·
Algunos de los tipos de
enfoques más conocidos son: Aprendizaje supervisado, no supervisado, por reforzamiento
y por reglas de asociación y otros.
·
Algunos de los algoritmos
más conocidos son: redes neuronales artificiales, árboles de decisión, máquinas
de soporte vectorial, redes bayesianas, algoritmos genéticos, deep learning.
3.3.
Uso de la IA generativa en la docencia
3.3.1.
¿Qué es la IA generativa?
La IAGen es una rama de la inteligencia artificial, que parte del uso
de técnicas de aprendizaje profundo aplicadas en modelos generadores de lenguaje,
con entrenamiento basado en dos enfoques principales.
a)
No supervisado, en el que se utilizan grandes cantidades de datos, y
b)
Supervisado, en el que existen pequeños volúmenes de datos que son
monitoreados por humanos a fin de mejorar los resultados (Radford et
al., 2018; OpenAI, 2023a).
Si bien estas arquitecturas llevan varios años desarrollándose, fue en
2022 cuando se generó una versión que superó por mucho el número de parámetros
utilizados anteriormente, lo que trajo consigo la posibilidad de entrenar estos
modelos con datos extraídos de fuentes de internet, como páginas web, libros,
artículos de investigación y otro tipo de documentos (Uc-Cetina et al., 2023).
Esto derivó en herramientas con la capacidad de generar respuestas e
interacciones que no habían sido posibles.
3.3.2. ¿Qué tipos de
Inteligencia Artificial Generativa existen?
Actualmente, las herramientas de
inteligencia artificial generativa más populares son las de generación de
texto, como ChatGPT o Bard , y las de generación de imágenes, como Midjourney o
DALL•E.
No obstante, también hay herramientas para la
generación de vídeos, como Runway o Heygen, y música, como Boomy , entre otros.
3.3.3. ¿Cómo empezar a usar
las herramientas de inteligencia artificial generativa?
Para iniciarte
en el uso de la Inteligencia Artificial Generativa de texto debes registrarte
en ChatGPT o en Bard.
ChatGPT ofrece
un servicio gratuito, aunque si se quieren usar todas las funcionalidades se
requiere el uso del servicio de pago. La versión gratuita permite utilizar la
versión GPT 3.5, mientras que la de pago ofrece actualmente la versión GPT 4,
que comete menos errores y es más avanzada que la versión gratuita.
Una vez
realizado el registro en alguna de las herramientas de generación de texto solo
debes escribir en el chat lo que deseas. La calidad de los resultados generados
dependerá de la precisión de las instrucciones. Por ello, no solo es importante
tener conocimientos sobre lo que se está preguntando, sino también introducir
instrucciones (prompts) adecuadas.
De: Martín
Gutiérrez, S. y López Martín, E. (2023).
3.1.1. ¿La IA
generativa al alcance de todos?
Con la liberación de los primeros grandes modelos de lenguaje (LLM, por
su nombre en inglés, Large Language Models) comenzó la carrera por desarrollar
modelos y herramientas más capaces y coherentes, esto implica esfuerzos
técnicos y económicos por lo que los modelos más complejos y con mayores
funcionalidades se ofrecen bajo esquemas de suscripción. Como explica (Chen et
al., (2023), una forma de seguir mejorando estos modelos de lenguaje, es por medio
de la interacción con usuarios, lo cual implica la recolección de los datos
para su procesamiento.
Para medir el grado de accesibilidad a la información de estos modelos
ha surgido el FMTI (por su denominación en inglés, Foundation Model
Transparency Index) como indicador que refleja el grado de transparencia en la
construcción, funcionamiento y acceso a los datos utilizados para crear estos
grandes modelos (Bommasani, Rishi et al., 2023)
Por otra parte, la brecha digital a nivel global y nacional que ya
existía antes de la pandemia parece ir en aumento, lo que hace más compleja la
situación y requiere que los diferentes países, gobiernos, empresas e
instituciones académicas se involucren en la planeación, diseño, regulación,
uso y evaluación de estas herramientas, para avanzar en la disminución de estas
diferencias (Jaiswal y Arun,
2021).
3.1.2. ¿Por dónde empezamos como comunidad docente?
Una manera de comenzar a utilizar la IAGen en docencia es identificar
las necesidades educativas susceptibles de resolverse con la incorporación de
estas herramientas (Giannini,
2023).
Cada docente debe cuestionarse si algunas de las tareas de gestión,
enseñanza, aprendizaje o evaluación que realiza, pueden mejorarse incorporando
herramientas de generación de texto, imágenes o contenidos multimedia.
Por supuesto, ello implica familiarizarse con los conceptos básicos y la
jerga de la IAGen, ya que aunque el tema ha tenido alta presencia en los medios
de comunicación, sigue existiendo poco conocimiento e incluso confusión sobre
el tema en la comunidad académica y estudiantil (Mills et al., 2023; UNESCO, 2023b). Se recomienda explorar glosarios sobre el tema diseñados para educadores,
como el desarrollado por (Ruiz y Fuso, 2023), para sumergirse en
la terminología.
Por otra parte, ante la explosión de documentos, podcasts, presentaciones
y seminarios web del tema, es recomendable iniciar con los más sencillos, elaborados
para educadores, como los diseñados por IESALC y la UNESCO (Miao y Holmes, 2023; Sabzalieva
y Valentini, 2023; UNESCO, 2023a). La UNAM desarrolló un curso masivo abierto en línea (MOOC) sobre los
aspectos básicos del uso de IAGen en docencia, disponible en la plataforma
Coursera (Bucio et al., 2023).
3.1.3. ¿Cuáles son los retos de seguridad con el uso de IA en
docencia?
a) Necesidad de protección contra el sesgo algorítmico y la discriminación
Debemos evitar
la discriminación que puede ocurrir cuando los posibles sesgos de la IAGen contribuyen
a un tratamiento injustificado y desfavorable hacia las personas debido a su
raza, color, etnia, sexo, religión, edad, origen, discapacidad, preferencias u
otras características protegidas por la ley. Destacar a su vez la importancia
de la evaluación y divulgación de los procedimientos y resultados apegados a
confirmar estas protecciones que garanticen la equidad y justicia (The White House, Office of
Science and Technology Policy, 2023).
Desafortunadamente
la rápida adopción de la IAGen hace difícil eliminar este tipo de sesgos, en virtud
de la limitada regulación que existe a nivel global y nacional sobre estos
temas. Estrategias de filtrado y diversificación de datos en las etapas de
entrenamiento, así como sistemas de retroalimentación son métodos que pueden
emplear los desarrolladores para asegurar que la información sea representativa
de la población objetivo (Akter et al., 2021). Se requiere
que las diversas instancias pertinentes tomen cartas en el asunto, para que,
sin inhibir la innovación, se cuiden estos aspectos fundamentales en el
desarrollo de sus herramientas. Mientras tanto,
la supervisión humana de los resultados por el usuario final sigue siendo
fundamental.
b)
Atendamos con profesionalismo el
manejo de información
El manejo de
información implica no solo el respeto por las fuentes y la honestidad en la
atribución de créditos, sino también la responsabilidad en el manejo de
información cuando se utilizan aplicaciones de IAGen (Giannini, 2023; Lim et al., 2023). El uso malicioso o inadecuado propicia la deshonestidad académica,
socava la confianza y compromete la calidad de la
enseñanza.
Por lo tanto,
es fundamental promover prácticas responsables y éticas en el manejo de
información, asegurando que los datos se utilicen de manera constructiva para
el logro del aprendizaje y la generación de conocimiento.
c) Promovamos la transparencia
La
transparencia en el uso de sistemas de IAGen en educación es esencial para
crear un entorno educativo confiable y eficaz (Chan, 2023). Proporcionar información clara y estructurada sobre la generación de
contenido y materiales permite a los docentes no solo comprender el proceso,
sino también evaluar la calidad de los recursos generados y compartirlos con
otros
académicos y
sus estudiantes. Esta evaluación brinda la capacidad de adaptar un enfoque de
enseñanza de manera más precisa y relevante para las necesidades de la
universidad. Al conocer las fuentes y los procesos de creación de estos
elementos digitales, los educadores pueden tomar decisiones informadas sobre
cómo incorporar estos recursos en su plan de trabajo, propiciando así una
enseñanza más efectiva y personalizada. En este sentido, la transparencia en el
uso de IAGen en la educación empodera a los docentes y contribuye a la mejora
continua de la calidad educativa.
d) Enfrentemos nuevas formas de plagio y
deshonestidad académica
La IAGen ha
puesto en el escenario nuevas formas de deshonestidad académica, en las que es posible
presentar textos generados por estos sistemas como si fueran de autoría propia
o utilizarlos de manera inapropiada para la realización de tareas y exámenes (Chan, 2023).
Si bien existen investigaciones centradas en etiquetar el contenido generado
de manera artificial, la evidencia actual documenta, empírica y teóricamente,
que los detectores de contenido generado por IA no son confiables en escenarios
prácticos, por lo que no se recomienda usarlos (Sadasivan et al., 2023).
Por otra
parte, se ha documentado que los detectores de GPT producen resultados sesgados
en contra de personas en las que el inglés es su segundo idioma, como son la
gran mayoría de estudiantes y docentes en México, por lo que no se recomienda
su uso, principalmente en evaluaciones sumativas (Liang et al., 2023). Las estrategias para enfrentar estos retos
deben centrarse en mantener un código ético sobre el manejo de las plataformas en
las actividades educativas y de evaluación, enfatizar la responsabilidad
compartida de los usuarios, así como diseñar actividades educativas que requieran
atributos humanos como la creatividad, el pensamiento crítico-analítico y la
colaboración.
e) Seamos claros y abiertos en el
diálogo con el estudiantado
Se sugiere la
integración de herramientas de inteligencia artificial generativa acompañada de
lineamientos de trabajo específicos y claros para el estudiantado. Estos
lineamientos pueden ser propuestos por la administración central, autoridades
de entidades o dependencias, cuerpos colegiados de los diversos niveles,
agrupaciones de docentes, incluso por el docente individual.
Su difusión e
implementación dependerá de la instancia que les dio origen, sin embargo, es
recomendable que cada docente, al inicio del curso, dialogue con sus
estudiantes para establecer formas de trabajo que se beneficien del uso de
estas herramientas, así como abrir espacios de diálogo abierto con los y las
estudiantes, para incorporar las ideas del grupo en el proceso y ayudar a
aclarar prejuicios o malentendidos sobre el tema de la IAGen.
Por ejemplo, especificar
de qué manera es aceptable el uso de ChatGPT para la redacción de un ensayo o
de qué manera no lo será, su uso como apoyo en la realización de tareas, exámenes,
trabajos en equipo, entre otras actividades.
f) Proporcionemos retroalimentación
efectiva
Existen
diversas posibilidades de mejorar la retroalimentación al estudiantado, ya que
es posible incorporar actividades que permitan retroalimentación personalizada (Qadir, 2022).
Por ejemplo,
en el desarrollo de un texto, la IAGen se puede utilizar como asistente en la redacción
para aportar retroalimentación al estudiante sobre la escritura; además puede
representar una herramienta para solicitar propuestas o comentarios en trabajos
escritos (Su et al., 2023). Una vez que el estudiante cuenta con la retroalimentación, es posible
refinar
estas
respuestas para que la IAGen ofrezca explicaciones más específicas para el
nivel de desempeño exhibido (Qadir, 2022).
g)
Seamos cuidadosos con su uso en
evaluaciones sumativas de alto impacto
A pesar de los
aparentemente espectaculares resultados de ChatGPT 4 y similares en exámenes de
graduación o certificación de profesionistas, que han sido ampliamente
difundidos en los medios de comunicación (Kung et al., 2023; Nori et al., 2023), todavía está por definirse el rol a futuro de la IAGen en los exámenes
sumativos de alto impacto, tanto presenciales como en línea. Los responsables
de la elaboración, calificación y control de calidad de este tipo de exámenes
(de ingreso, exámenes finales, de graduación, de certificación) deben cuidar en
todo momento la validez del proceso, ya que la IA en general y la IAGen en
particular pueden aportar elementos que contribuyan a ahorrar tiempo y
esfuerzo, pero requieren mantener al humano
como tomador
final de las decisiones (Dorsey y Michaels, 2022).
3.1.4.
Usos potenciales de IAGen por estudiantes
a) Mejora crítica de la redacción de
texto
Una de las ventajas
de la IAGen es la retroalimentación inmediata. El estudiante solicita mejora de
su trabajo escrito, identificación de los cambios que la herramienta propone
con la justificación correspondiente y recomendaciones generales para
documentos futuros que el alumno vaya a desarrollar.
Otra
posibilidad es introducirlo en la evaluación por pares, estrategia comúnmente
usada que aporta retroalimentación personalizada. El problema es la calidad heterogénea
de dicha retroalimentación. Al enriquecerla con la IAGen, cada estudiante puede
contrastar la versión final que toma en cuenta todas las observaciones contra la
inicial, lo que ofrece oportunidades para aprender (Bauer et al., 2023).
b)
Prompts
interactivos
Con IAGen el
estudiante puede obtener retroalimentación instantánea: interactuando con IA se
pueden emitir sugerencias o comentarios solicitando que pregunte sobre un tema
que se desea dominar. Además, la IAGen concentra conocimientos de diversas
áreas de estudio, por lo que se puede pedir que se comporte como revisor,
asesor o emisor de recomendaciones al instante.
De: UNAM (2023)
3.2.
La privacidad y la IA
¿El final de la
privacidad?
Con frecuencia se dice que la IA ha puesto fin a
la privacidad tal como la conocemos. Dado que constantemente vamos dejando millones
de datos digitales a nuestro paso y que hay tecnologías que pueden distinguir
la singularidad de nuestras características, salta a la vista que existe el
riesgo de que esos datos se utilicen de forma indebida.
Todos los días se recogen y almacenan gran
cantidad de datos personales para activar nuevas tecnologías basadas en la IA.
Por una parte, estas tecnologías, que funcionan a partir de algoritmos cuya
mejora se basa en el consumo de datos cada vez más precisos, pueden mejorar
nuestra vida y hacerla más cómoda. Por otra, debemos asegurarnos de que la
información personal no corra el riesgo de ser utilizada de manera indebida.
Para responder a esta situación, políticos de
todo el mundo han intentado regular la
transmisión de datos, con la esperanza de crear
una relación más transparente y fiable entre los consumidores y las empresas.
Aquí entran el Reglamento General de Protección de Datos europeo y la Ley de
Privacidad del Consumidor de California, que estipulan que las empresas deben
obtener el consentimiento de los consumidores antes de recopilar sus datos.
Estoy seguro de que esas normativas sirven para
proteger la privacidad individual; sin embargo, constituyen un recurso tan
limitador como limitado a la hora de abordar el problema en cuestión. La
privacidad no es algo binario. Cualquier normativa sobre privacidad deberá
alcanzar un equilibrio proactivo entre las consideraciones relativas a la
protección de datos y la comodidad para el usuario y lo que obtiene a cambio.
Este equilibrio es, en gran medida, subjetivo: cada individuo y cada país lo
ven de forma diferente.
De; Kai-Fu Lee (s.f.)
3.3. Ética y la
IA
3.3.1. Principales
hallazgos del informe en 12 países de América Latina y el Caribe
·
El 37% de
los participantes en la encuesta “Percepción de la importancia dada a la ética
de la IA en América Latina y el Caribe” (225 personas) percibe que se le está
dando muy poca importancia en la agenda pública. Asimismo, el 58% percibe que
las organizaciones de la sociedad civil y otras dedicadas a generar impacto
social están considerando muy poco o poco el uso de la IA para acelerar su
impacto.
·
Según la
encuesta mencionada, los temas de ética de la IA que más preocupan en la región
son: privacidad y seguridad de los datos personales (56%), fiabilidad y
seguridad de los sistemas (37%) y transparencia (33%). Asimismo, se percibe que
el sector privado es el que mayor influencia está teniendo en los temas
relacionados con la ética de IA (40%), seguido del sector académico (29%).
Mitigar los riesgos éticos de la IA se ha
convertido en uno de los temas de discusión internacional de mayor relevancia.
Organizaciones internacionales como el BID, el Foro Económico Mundial (FEM), el
IEEE, la OCDE, la Organización de las
Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) y la Unión
Europea (UE), sumadas a instituciones académicas como el Instituto de Ética
en la IA de la Universidad de Oxford, están trabajando en la formulación de
lineamientos, guías y herramientas para que los países promuevan el desarrollo
de sistemas autónomos centrados en los derechos humanos.
A finales de 2019 se había registrado la existencia de más de 90
documentos sobre principios de IA publicados por gobiernos, empresas y otros
actores con este propósito. Los temas más mencionados en ellos han sido
justicia, interpretabilidad y explicabilidad (Stanford University, 2019).
Entre las propuestas de principios éticos que han tenido más eco entre
los gobiernos figuran las presentadas en el 2019 por la OCDE y por el Grupo de
Expertos de Alto Nivel en IA de la UE. Los principios de la OCDE promueven
sistemas autónomos seguros, justos, confiables y robustos. A ellos se acogieron
formalmente 42 países incluyendo siete de ALC: Argentina, Brasil, Chile,
Colombia, Costa Rica, México y Perú.
Por otro lado, las Pautas de Ética para la Inteligencia Artificial
Confiable37 de la Unión Europea fueron desarrolladas por un grupo independiente
de 52 personas expertas provenientes de la academia, la sociedad civil y la
industria. Si bien estas recomendaciones fueron diseñadas para las
instituciones de la Unión Europea (UE), han servido como referente para otros
países e industrias interesados.
Existen
otros esfuerzos internacionales relevantes orientados a la elaboración de
protocolos y guías de ética de la IA para los sectores público y privado. Entre
estos se encuentra una serie de recomendaciones que publicará el Grupo de
Expertos en ética de IA de la UNESCO en 2020. El grupo internacional está
formado
por
24 integrantes, de los cuales cuatro son de ALC: dos de Argentina, una de
Brasil y otra de México. A su vez, el IEEE ha forjado una Alianza Global para
el diseño ético de sistemas autónomos e inteligentes, la cual desarrolla, entre
otras cosas, estándares de uso ético de la IA en diversos campos de actividad.
Esta
cuenta
con un círculo enfocado en ALC, cuya coordinación está a cargo de la
organización CMinds. Por su parte el BID, bajo su iniciativa fAIr LAC, cuenta
con un grupo de personas expertas del ámbito regional dedicado a desarrollar
diversas herramientas para el uso responsable de la IA.
En
el marco del presente informe, los temas que se incluyen dentro de la
definición de ética de IA se relacionan con el uso responsable de los datos
para asegurar que los sistemas autónomos e inteligentes se centren, desde su
diseño mismo, en el respeto y la protección de los derechos humanos. Se abordan
principalmente
temas
de justicia y no discriminación, privacidad, rendición de cuentas,
transparencia, explicabilidad y seguridad.
Esto
incluye tanto solventar los riesgos intrínsecos a los datos y los riesgos
técnicos de desarrollo e infraestructura, como disponer de una política pública
de transformación digital y formación de capacidades (Cabrol et al., 2020).
3.3.2. Valores fundamentales para el
desarrollo de inteligencias artificiales y sus usos éticos
La UNESCO (2023) plantea en el centro de la
conversación que todos los sistemas de inteligencia artificial debieran aportar
al bienestar de la humanidad como sociedad y la salud mental, emocional y
física de las personas que interactúan con ella, así como el desarrollo y la
prosperidad del ambiente. Siguiéndole entonces la pista a esta propuesta, los
valores que están en el centro de la dimensión ética de la inteligencia
artificial son:
a)
Respeto, protección y promoción de los derechos humanos y las libertades fundamentales para
la dignidad humana:
Imagina que una empresa de tecnología está
desarrollando un sistema de reconocimiento facial avanzado que puede utilizarse
para diferentes aplicaciones, como el acceso a edificios, la autenticación en
dispositivos, y la identificación en cámaras de seguridad. La empresa decide
implementar este sistema en colaboración con las autoridades de una ciudad para
mejorar la seguridad pública.
Sin embargo, durante el proceso de desarrollo,
surgen preocupaciones éticas relacionadas con la privacidad y los derechos
humanos. Para aplicar el principio de respeto a los derechos humanos y las
libertades fundamentales, la empresa toma las siguientes medidas:
· Transparencia y
consentimiento:
La empresa informa claramente a los ciudadanos
sobre el uso de su tecnología de reconocimiento facial. Antes de implementarla,
solicita el consentimiento de las personas que estarán sujetas a la vigilancia.
·
Limitación de uso:
La empresa establece estrictas políticas sobre
cómo se utilizará la tecnología. Se limita su uso a situaciones de seguridad
pública y se prohíbe su uso con fines comerciales o de seguimiento no
autorizado.
·
Protección de datos:
Se implementan medidas sólidas de seguridad de
datos para garantizar que la información recopilada se almacene y proteja de
manera segura. Además, se establece un protocolo claro para la eliminación de
datos después de un período de tiempo determinado.
·
Evaluación continua:
La empresa se compromete a llevar a cabo
auditorías y evaluaciones periódicas para verificar que el sistema de
reconocimiento facial cumple con los estándares éticos y no infringe los
derechos humanos.
·
Colaboración con defensores de derechos:
La
empresa colabora con organizaciones de derechos humanos y expertos en ética de
la inteligencia artificial para garantizar que su tecnología se desarrolle de
manera responsable y que cualquier preocupación se aborde de manera efectiva.
En este
ejemplo, la empresa demuestra su compromiso con el respeto, la protección y la
promoción de los derechos humanos y las libertades fundamentales al tomar
medidas concretas para garantizar que su tecnología de inteligencia artificial
se utilice de manera ética y que se respeten los derechos y la dignidad de las
personas involucradas.
b) Vivir en paz, en medio de las sociedades
interconectadas
c) Garantizar la diversidad y la inclusividad
d) Florecimiento del entorno y los ecosistemas
De: Suárez Jaramillo, N. y Pérez
Rodríguez, A.C. (2023).
e)
Garantizar la diversidad y la
inclusión
El respeto, la protección y la promoción
de la diversidad y la inclusión deberían garantizarse a lo largo del ciclo de
vida de los sistemas de IA, de conformidad con el derecho internacional, en
particular el derecho de los derechos humanos. Para ello se podría promover la participación
activa de todas las personas o grupos, con independencia de su raza, color,
ascendencia, género, edad, idioma, religión, opiniones políticas, origen nacional,
étnico o social, condición económica o social de nacimiento, discapacidad o
cualquier otro motivo.
La diversidad de las elecciones de estilo
de vida, creencias, opiniones, expresiones o experiencias personales, incluida
la utilización opcional de sistemas de IA y la concepción conjunta de estas
arquitecturas, no debería restringirse durante ninguna etapa del ciclo de vida
de dichos sistemas.
f) Vivir en sociedades pacíficas,
justas e interconectadas
Los actores de la IA deberían propiciar
sociedades pacíficas y justas, sobre la base de un futuro interconectado en
beneficio de todos, compatibles con los derechos humanos y las libertades
fundamentales, y participar en su construcción. El valor de vivir en sociedades
pacíficas y justas apunta al potencial de los sistemas de IA para contribuir a
lo largo de su ciclo de vida a la interconexión de todas las criaturas vivas
entre sí y con el medio natural.
La noción de interconexión de los seres
humanos se basa en el conocimiento de que cada uno de ellos pertenece a un todo
más amplio, que prospera cuando todas las partes que lo constituyen pueden
progresar.
Vivir en sociedades pacíficas, justas e
interconectadas requiere un vínculo orgánico, inmediato y no calculado de
solidaridad, caracterizado por una búsqueda permanente de relaciones pacíficas,
tendentes al cuidado de los demás y del medio natural en el sentido más amplio
del término.
Este valor exige que se promuevan la paz,
la inclusión y la justicia, la equidad y la interconexión durante el ciclo de
vida de los sistemas de IA, en la medida en que los procesos de dicho ciclo de
vida no deberían segregar ni cosificar a los seres humanos y las comunidades ni
mermar su libertad, su autonomía de decisión y su seguridad, así como tampoco
dividir y enfrentar entre sí a las personas y los grupos ni amenazar la
coexistencia entre los seres humanos, los demás seres vivos y el medio natural.
De: UNESCO (2022).
3.4. Un problema latente: la conectividad
El siguiente es un
resumen de los hallazgos que se registran en
este informe. Cabe señalar que no se pretende generalizar estos aspectos
sobresalientes a toda la región, ya que los 12 países aquí analizados se
encuentran entre los más avanzados tanto de América Latina como del Caribe en
lo que se refiere a sentar las bases para la adopción de la IA como herramienta
al servicio el bien social. Por ello, en adelante los autores se referirán a
este conjunto de países como ALC12.
·
La falta de
infraestructura digital en la región surge como un reto clave en cuanto a la
democratización de los beneficios de la IA. La Comisión Económica para América
Latina y el Caribe (CEPAL) estima que el acceso a la tecnología puede ser hasta
diez veces superior en zonas urbanas en comparación con las rurales.
·
Independientemente
de las diferencias que se registren entre las zonas urbanas y rurales,
predomina la falta de conectividad en los 12 países estudiados, dado que menos
del 70% de la población en promedio de ALC12 tiene acceso a internet.
·
La existencia de redes
5G es un elemento competitivo para el ecosistema de IA local —acelera y
fortalece los servicios de conectividad—, lo que implica que un sistema de IA
puede analizar datos y aprender más rápidamente de lo que lo hace en la actualidad.
En este sentido, Argentina, Colombia y Uruguay están realizando pruebas,
mientras que México, Brasil y Perú ya están licitando espectros.
·
Los 12 países de la muestra se enfrentan a retos sistémicos como son las
brechas de desigualdad. En ellos el coeficiente de GINI promedio es de 46%,
posicionando a la región como una de las más desiguales del mundo, junto con
África subsahariana. Esto abre una oportunidad para explorar la manera en que
la IA podría convertirse en una herramienta poderosa para reducir esta brecha.
·
En el 2018 se duplicó el capital de riesgo en ALC (un total de USD 1,98
mil millones sumando todos los subsectores). Si bien todavía se encuentra en un
estado temprano, el emprendimiento de impacto y su fomento a través de capital
de riesgo está creciendo en la región. De cualquier manera, existen todavía
diferencias bastante marcadas entre los países en cuanto al nivel de evolución
y adopción de la IA por parte de este sector.
De: Gómez Mont et.al.
(2020)
3.5. Estado actual de la IA en el Perú
Dada
la brecha digital existente entre las zonas urbanas y rurales, el Gobierno de
Perú elaboró en 2006 la Agenda Digital. Allí se estableció que Perú orientaría
sus acciones de política pública, de manera intersectorial, hacia la
penetración y masificación de las TIC.
Actualmente
el país está realizando esfuerzos por desarrollar una nueva estrategia digital.
En 2017 se creó la Secretaría de Gobierno Digital, organismo que lidera los
procesos de innovación tecnológica y de transformación digital del Estado,
administra sus plataformas digitales y se desempeña como ente rector del Sistema
Nacional de Informática.
A
partir de su creación en 2018, se iniciaron actividades encaminadas a elaborar
los lineamientos para la formulación del Plan de Gobierno Digital (PGD). Este
último incluye un diagnóstico de la situación actual del gobierno digital en el
país, sus objetivos, los proyectos que se llevarán a cabo en el marco de sus
atribuciones y la metodología de elaboración del documento.
Estrategia de datos/Portal de datos abiertos: Sí
En 2017 se publicó la Estrategia Nacional de Datos Abiertos
Gubernamentales del Perú, cuya finalidad es promover la innovación para generar
valor público mediante la utilización de datos abiertos, y al mismo tiempo
contribuir al desarrollo económico y social del país. Igualmente busca
fortalecer la participación ciudadana, así como la innovación, colaboración y
mejora de los servicios públicos en el marco de un gobierno abierto.
Entre otras cosas, la estrategia contempla la creación del Portal
Nacional de Datos Abiertos, el cual ofrece materiales didácticos y lineamientos
que aseguran la homogeneidad de la presentación de los datos, entre ellos el
Modelo de Datos Abiertos Gubernamentales, la Guía para la Apertura de Datos
Gubernamentales,
el Instructivo para el Registro de Datasets y los Lineamientos de la
Estructura de Metadatos. Este portal fue reconocido por la OCDE, junto con los
de México e Inglaterra, como uno de los de acceso más simple para la ciudadanía,
facilitando la gestión y los servicios que suministra el Estado (Economista
América, 2019).
Actualmente, el Portal de Datos Abiertos permite consultar 1.551
conjuntos de datos de 1.386 entidades gubernamentales.
Estrategia de IA: No
Al momento de preparar este informe, Perú no contaba con una estrategia
nacional de IA.
Infraestructura y datos
La población tiene poco acceso
a internet: solo llega al 53% de los peruanos (UNESCO, 2019). Asimismo,
el Índice de Adopción Digital señala que Perú se encuentra en un 55%, lo que implica
que está a medio camino hacia una adopción generalizada de las tecnologías
digitales (Banco Mundial, 2016).
Según el Índice de Disponibilidad de Red, el país se sitúa en el número
10 de 12 considerados para el presente informe, solo por delante de la
República Dominicana y Paraguay.
Respecto al desarrollo de
infraestructura necesaria para que un mayor porcentaje de la población
tenga más y mejor acceso a internet y al uso de nuevas tecnologías, Perú está
planeando iniciar un proceso para licitar espectro en las bandas de 700 MHz y
3,5 GHz con el propósito de adoptar redes 5G (Jaimovich, 2019). Perú tiene un
puntaje de 0,401/1 en el Índice Global de Ciberseguridad 2018 de la Unión
Internacional de Telecomunicaciones (ITU), con lo cual se ubica en el puesto 12
de 33 países en las Américas y en el 95 de145 en el mundo.
De: Gómez Mont et.al.
(2020)
3.6.
Pobreza de información e igualdad algorítmica: Poner los avances de la
IA al alcance de las poblaciones más vulnerables
¿Qué
camino debo seguir esta mañana para llevar a mi hija al colegio? compruebo la
ruta con Google Maps, que me aconseja evitar la vía principal con motivo del
intenso tráfico.
Esto
ha sido de gran utilidad, ya que tengo prisa y no puedo llegar tarde a mi
próxima cita del trabajo. De camino al colegio, mi hija me cuenta su tarea del día
y me explica que la han puesto en pareja con un estudiante finlandés al que
tiene que escribir una carta. “¿Cómo os entendéis?” Le pregunté. “Utilizamos nuestras
tabletas”, me responde sin dudar ni un instante. Por último, llegamos al
colegio. Dejo a mi hija
y
sigo escuchando las noticias por la radio mientras hago una compra de comida
por Internet, utilizando el asistente personal de mi teléfono. Esto es algo
habitual para muchos de nosotros. En los países ricos, la IA y el aprendizaje
automático están pasando a formar parte de nuestra vida cotidiana. Los que viven
en lugares conectados tienen acceso a la información necesaria para sobrevivir,
así como a una buena educación y a una atención sanitaria de calidad. Sin
embargo, estos avances no solo no llegan a muchas de las personas más desconectadas
del mundo, sino que, además, éstas corren el peligro de quedar rezagadas por la
IA y el aprendizaje automático.
Una brecha digital que debemos reducir
La distribución desigual de las fuentes y contenidos informativos da
lugar a una generación de niños que no pueden acceder a la combinación óptima
de información que necesitan para tener éxito en sus vidas. Estos problemas
sistémicos se deben a la falta de infraestructuras (número insuficiente de
torres de telefonía móvil en las
comunidades), a la inadecuación de los contenidos (los niños del
Amazonas no disponen de iPads, por lo que éstos carecen de utilidad para su aprendizaje)
y también a la existencia de prejuicios por motivos de origen étnico, creencia
y cultura.
Según la UIT, 2.000 millones de personas seguirán estando privadas de
acceso a Internet en 2020, y por lo tanto, se quedarán a la zaga de la
revolución de la IA. ¿Cómo podemos reducir esta brecha? ¿Cómo podemos crear una
sociedad inclusiva que brinde las mismas oportunidades y posibilidades de
elección a todos los niños?
¿Cómo podemos utilizar las nuevas fuentes de datos como las imágenes por
satélite y combinarlas con los modelos de IA que aprovechan los patrones
subyacentes para cartografiar todas las escuelas del mundo? ¿Cómo podemos
optimizar el acceso al contenido educativo para garantizar que los niños estén
preparados para los trabajos del futuro? ¿Cómo podemos aprovechar los avances del
reconocimiento facial para saber el estado nutricional de un niño a partir de
una fotografía?
¿Cómo pueden ayudarnos los modelos predictivos a evitar la propagación de una enfermedad? (Pág. 26)
De; Zurutuza, Naroa (2018).
3.7. El uso de la IA para la gestión y la impartición de la
educación
Las tecnologías de la IA se utilizan cada vez más para
facilitar la gestión y la impartición de la educación. En lugar de apoyar la enseñanza
o el aprendizaje directamente, estas aplicaciones orientadas al sistema están diseñadas
para automatizar aspectos de la gestión escolar, basándose en los Sistemas de
Información sobre la Gestión de la Educación (SIGE) (Villanueva, 2003), e
incluyendo admisiones, horarios, control de asistencia y tareas, además de
inspecciones escolares. A veces se utiliza un enfoque de recopilación de datos
conocido como ‘analítica del aprendizaje’ (du Boulay et al., 2018) para analizar
los macrodatos generados en los sistemas de gestión de aprendizaje (SGA) con el
fin de brindar información a los docentes y a los gestores, y también
orientación a los estudiantes. Por ejemplo, algunas analíticas de aprendizaje predicen
qué estudiantes están en riesgo de fracasar. Los resultados suelen adoptar la
forma de ‘tableros’ visuales (Verbert et al., 2013) y se utilizan para informar
la toma de
decisiones basadas en datos (James et al., 2008; Marsh
et al., 2006).
Por ejemplo, los datos obtenidos a partir de los
sistemas de gestión del aprendizaje creados para los refugiados podrían ayudar
a determinar la oferta óptima de oportunidades educativas y de apoyo. La IA
también ha demostrado su potencial para organizar los contenidos de aprendizaje
en diferentes plataformas, con base en el análisis de las necesidades
personalizadas de los estudiantes y su nivel de estudio. Por ejemplo, un
proyecto tiene como objetivo
recopilar los varios millares de recursos educativos
abiertos, haciéndolos más fácilmente accesibles para todos los estudiantes
(Kreitmayer et al., 2018).
Sin embargo, para que cualquier análisis basado en
datos sea útil, con conclusiones confiables y equitativas, los datos originales,
así como sus proxys deben ser precisos y estar libres de sesgos y
supuestos deficientes, en tanto
que los enfoques computacionales aplicados deben ser tanto
apropiados como robustos, requisitos simples que con frecuencia no se cumplen
rigurosamente (Holmes et al., 2019). En cualquier caso, hay ejemplos de
empresas de IA que recopilan enormes cantidades de datos de la interacción
entre estudiantes con el fin de utilizar técnicas de aprendizaje automático
para ‘buscar patrones’. El objetivo es mejorar el aprendizaje de los estudiantes
ensenando al software a identificar cuándo los niños están confundidos o
aburridos, para ayudarles a concentrarse.
Sin embargo, el enfoque es controvertido, dado que
este tipo de recopilación de datos está caracterizado como ‘limítrofes con las evaluaciones de salud mental..., [que] fomentan una visión de los niños como pacientes potenciales
que necesitan tratamiento’ (Herold, 2018).
En algunos contextos, las herramientas de IA bajo esta
categoría también se han utilizado para supervisar la atención de los
estudiantes en clase (Connor, 2018), mientras que otras se han utilizado para
realizar un seguimiento de la asistencia (Harwell, 2019) y predecir el
rendimiento de los docentes, con consecuencias preocupantes (O'Neil, 2017).
Estos aspectos de las aplicaciones orientadas al
sistema deberían formar parte del debate más amplio sobre IA y educación.
a)
Sistemas de Aprendizaje Basado en la Colaboración y el Diálogo
Los sistemas de Aprendizaje Basado en la Colaboración
y el Diálogo (ABCD) utilizan el procesamiento del lenguaje natural y otras
técnicas de IA para simular un diálogo tutorial practicado entre tutores
humanos y estudiantes mientras estos trabajan paso a paso en tareas en línea,
sobre todo en temas de informática, pero más recientemente también en dominios
menos estructurados. Los sistemas ABCD adoptan un enfoque socrático de la
tutoría, investigando con preguntas generadas por la IA, en lugar de brindar instrucción,
para desarrollar una conversación en la que se orienta a los estudiantes a que
descubran por sí mismos la solución adecuada para un problema. El objetivo es
animar a los estudiantes a crear explicaciones conjuntas que les permitan
alcanzar una comprensión profunda del tema, en lugar del entendimiento superficial
que puede obtenerse con algunos STI instructivos.
En la actualidad, hay relativamente pocos sistemas
ABCD en uso. La mayoría se aplica en proyectos de investigación.
El más probado es AutoTutor (Graesser et al., 2001).
Watson Tutor es un sistema comercial desarrollado por IBM y Pearson Education.
b)
Entornos de aprendizaje exploratorio
Una alternativa a los enfoques paso a paso de los STI
y los sistemas ABCD son los entornos de aprendizaje exploratorio (EAE). Los EAE
adoptan una filosofía constructivista: en lugar de seguir una secuencia paso a
paso como el modelo de ‘transmisión de conocimientos’ favorecido por los STI,
se anima a los estudiantes a construir activamente su propio conocimiento
explorando el entorno de aprendizaje y estableciendo conexiones con su esquema
previo de conocimientos. El papel de la IA en los EAE es minimizar la
sobrecarga cognitiva que suele asociarse al aprendizaje exploratorio, brindando
orientación y retroalimentación basadas en el rastreo de conocimientos y el
aprendizaje realizado por los sistemas. Esta retroalimentación aborda los conceptos
erróneos y propone enfoques alternativos para apoyar al estudiante mientras
explora.
En términos generales, los EAE aún deben salir de los laboratorios
de investigación. Algunos ejemplos son ECHOES (Bernardini et al., 2014);
Fractions Lab (Rummel et al., 2016); y Betty's Brain (Leelawong y Biswas,
2008).
c)
Evaluación Automatizada de la Escritura
En vez de que los estudiantes trabajen en las
computadoras y reciban apoyo adaptativo inmediato, la evaluación automatizada de
la escritura (EAES) utiliza el procesamiento del lenguaje natural y otras
técnicas de IA para brindar retroalimentación automática sobre la escritura. En
general, existen dos enfoques de EAES que se entrelazan: EAES formativa, que
permite al estudiante mejorar su escritura antes de presentarla para
evaluación, y EAES sumativa, que facilita la calificación automática de la
escritura de los estudiantes.
De hecho, la mayor parte de las EAES se centran en la calificación
en vez de en la retroalimentación. Estas se han disenado principalmente para
reducir los costos de evaluación y, por lo tanto, pueden considerarse como un
componente de las aplicaciones orientadas a los sistemas. Sin embargo, desde
que se introdujeron, las EAES sumativas han sido controversiales (Feathers,
2019). Por ejemplo, han sido criticadas por dar crédito a los estudiantes por
características superficiales como la longitud de la frase, incluso si el texto
no tiene ningún sentido - pueden ser ‘engañadas por galimatías’.
Los sistemas tampoco son capaces de evaluar la
creatividad. Lo más preocupante es que los algoritmos en los que se basa la
EAES a veces están sesgados, especialmente en detrimento de los estudiantes
pertenecientes a minorías, posiblemente debido a los diferentes usos del vocabulario
y la estructura de las frases. La EAES sumativa tampoco aborda el acceso fácil
a las tareas escolares y universitarias ‘falsas’, es decir, a las redacciones
escritas por las tecnologías de IA, aprovechando la experiencia en el campo temático
e imitando el estilo de escritura de cada estudiante. Es probable que estas
sean muy difíciles de detectar.
Por último, el uso de la IA para calificar los
trabajos tampoco reconoce el valor de la calificación. Aunque la corrección puede
llevar mucho tiempo y ser tediosa, también puede ser la mejor oportunidad para
que los docentes comprendan las competencias de sus estudiantes.
Sin embargo, algunas actividades de EAES dirigidas a
los estudiantes priorizan la entrega de retroalimentación que está diseñada
para ser procesable - para ayudar al
estudiante a mejorar su escritura y para promover
procesos de orden superior, como el aprendizaje autorregulado y la metacognición.
La EAES, tanto formativa como sumativa, se utiliza actualmente
en muchos contextos educativos a través de programas como WriteToLearn,
e-Rater y Turnitin.
d)
Aprendizaje de idiomas y lectura con apoyo de la IA
Las herramientas de lectura y aprendizaje de idiomas
utilizan cada vez más la IA para mejorar
su abordaje. Por ejemplo, algunas utilizan la personalización del plan de
aprendizaje al estilo de los STI, junto con el reconocimiento del habla impulsado
por la IA. Normalmente, el reconocimiento del habla se emplea para comparar la
producción de los estudiantes con muestras grabadas de hablantes nativos, con el
fin de brindar retroalimentación automática que ayude al estudiante a mejorar
su pronunciación. Otros usos de la traducción automática consisten en ayudar a
los estudiantes a leer material didáctico en otros idiomas y permitir que estudiantes
de diferentes culturas interactúen más fácilmente entre sí. Por su parte, otros
sistemas detectan y analizan
automáticamente las habilidades de lectura para
ofrecer retroalimentación personalizada a los estudiantes.
Entre las aplicaciones de IA para lectura y
aprendizaje de idiomas se encuentran AI Teacher, Amazing English, Babbel y
Duolingo.
e)
Robots inteligentes
También se está explorando el uso de robots
habilitados por la IA o ‘inteligentes’ en la educación (Belpaeme, 2018),
especialmente en entornos para ninos y ninas con discapacidades o dificultades
de aprendizaje. Por ejemplo, se han creado robots humanoides con capacidad de
habla para estudiantes en el espectro autista que proporcionan interacciones
mecánicas predecibles en lugar de humanas, lo que puede resultar confuso para
estos estudiantes. El objetivo es desarrollar sus habilidades comunicativas y sociales
(Dautenhahn et al., 2009).
Otro ejemplo son los robots de telepresencia para que los
estudiantes que no pueden ir a la escuela, quizá por una enfermedad o una crisis
humanitaria o de refugiados, puedan acceder al aula. Un tercer ejemplo es el
uso de robots humanoides, como Nao o Pepper en las clases de educación preescolar en Singapur (Graham, 2018),
para introducir a los niños pequeños en la programación
informática y otros temas de ciencia, tecnología, ingeniería y matemáticas
(CTIM).
f)
Aprendizaje colaborativo con IA
Se sabe que el
aprendizaje colaborativo, en el que los estudiantes trabajan juntos para
resolver problemas, mejora los resultados del aprendizaje (Luckin et al.,
2017), pero la colaboración efectiva entre estudiantes puede ser difícil de lograr.
La IA puede transformar el aprendizaje colaborativo de varias maneras: una
herramienta podría ayudar a conectar a los estudiantes a distancia; podría
identificar a los estudiantes más adecuados para determinadas tareas
colaborativas y agruparlos en consecuencia; o podría contribuir activamente a
las discusiones de grupo, como un agente virtual. Aunque no se han identificado ejemplos específicos, actualmente es un área de interés para la investigación (por
ejemplo, Cukurova et al., 2017).
3.8. El uso de la IA para capacitar a los docentes y
mejorar la enseñanza
A pesar de su potencial para empoderar a los docentes,
el uso de aplicaciones de IA orientadas a los docentes para mejorar la enseñanza
y potenciar a los docentes ha recibido hasta ahora mucha menos atención que la
IA orientada a los estudiantes, que por definición sustituye al docente.
En la actualidad, los investigadores y desarrolladores
suelen incluir a los docentes sólo al final del proceso, por ejemplo, añadiendo
un panel para mostrar los datos del STI de los estudiantes. Sin embargo, esto
está empezando a cambiar lentamente.
Muchas aplicaciones de IA orientadas a los docentes pretenden
ayudarles a reducir la carga de trabajo automatizando tareas como la
evaluación, la detección de plagio, la gestión y la retroalimentación. A menudo
se argumenta que esto debería liberar tiempo para que los docentes inviertan en
otras tareas, como proporcionar un apoyo más eficaz a los estudiantes de forma
individual. Sin embargo, a medida que se desarrolla la IA, es posible que los docentes
se vean liberados de tantas tareas, al punto de que la necesidad percibida de
los docentes se reduzca a casi nada.
Aunque esto podría tener algunas ventajas en contextos
en los que los docentes son escasos, el objetivo de eliminar la necesidad de
docentes humanos revela una incomprensión fundamental de su papel social
esencial en el proceso de aprendizaje.
No obstante, existe un amplio consenso de que, a
medida que las herramientas de IA estén más disponibles en las aulas, es probable
que el papel de los docentes cambie. Lo que aún no está claro es cómo ocurrirá
esto. Sin embargo, sabemos que los docentes tendrán que adquirir nuevas
competencias que les permitan trabajar eficazmente con la IA y emprender un
desarrollo profesional adecuado para fomentar sus capacidades humanas y
sociales.
a)
Modelo de ‘doble docente’ humano de IA
Aunque hay algunas excepciones notables, gran parte de
la IA en la educación se ha diseñado -intencionadamente o no para sustituir
algunas tareas docentes, en lugar de ayudarlos a enseñar con mayor eficacia.
Algunas escuelas de las zonas rurales más remotas de China ya utilizan lo que
se conoce como ‘modelo de doble docente’. En este enfoque, un docente experto
imparte una clase a través de un enlace de video a los estudiantes de un aula lejana,
que reciben orientación adicional de un docente local con menos experiencia (iResearch
Global, 2019).
Una posibilidad futura es que un asistente de enseñanza
de IA pueda dar apoyo a uno de estos roles. La IA podría ayudar al docente
humano en muchas tareas, incluyendo la prestación de experiencia especializada o
recursos de desarrollo profesional, la colaboración con colegas, tanto dentro
como fuera del entorno particular, la supervisión del rendimiento de los
estudiantes y el seguimiento del progreso a lo largo del tiempo.
Qué y cómo enseñar a los estudiantes seguiría siendo
responsabilidad y prerrogativa del docente. El papel de la herramienta de IA sería
simplemente facilitar el trabajo del docente y hacerlo más colaborativo. Un
ejemplo es el ‘aula de IA de LeWaijiao’, que fue diseñada para apoyar a los
docentes humanos para que puedan realizar todas las tareas clave.
b)
Asistentes de enseñanza impulsados por la IA
Como ya se ha dicho, muchas tecnologías están
diseñadas con el objetivo de liberar a los docentes de actividades que consumen
mucho tiempo, como pasar lista, corregir tareas y responder a las mismas preguntas
una y otra vez.
Sin embargo, al hacerlo, ‘asumen’ de hecho gran parte
de la enseñanza (algunos afirman que ofrecen actividades de aprendizaje
personalizadas ‘mejor que’ los docentes), interfieren en la relación docente-estudiante
y pueden reducir a los docentes a un papel funcional. Por ejemplo, uno de los
objetivos de la evaluación automatizada de la escritura (EAES) es aliviar a los
docentes de la carga de la corrección.
Sin embargo, como hemos señalado, aunque la
calificación puede ser onerosa, a menudo es una oportunidad clave para que los docentes
aprendan sobre las estrategias y capacidades de sus estudiantes. Esto puede perderse
con el uso de la EAES.
Además, este enfoque subestima claramente las
habilidades y experiencias únicas de los docentes, así como las necesidades
sociales y de orientación de los estudiantes. En lugar de limitarse a automatizar
la enseñanza basada en computadoras, la IA podría ayudar a abrir posibilidades
de enseñanza y aprendizaje que de otro modo serían difíciles de lograr, o que
desafiarían o incluso sería disruptivas en relación con las pedagogías existentes.
Este enfoque tendría como objetivo aumentar la
experiencia de los docentes, tal vez por medio de un asistente de ensenanza de
IA (AE IA) (Luckin y Holmes, 2017). Existen algunas aplicaciones de IA
diseñadas para capacitar a los docentes y a las escuelas para facilitar la transformación
del aprendizaje. Se han llevado a cabo algunas investigaciones al respecto, pero
es necesario superar muchas cuestiones técnicas y éticas antes de que puedan
emplearse en entornos reales.
De : Miao, Fengchun et
al. (2021)
IV.
BENEFICIOS DE LA INNOVACIÓN:
4.1.
Beneficios
Específicos para la Sociedad:
· Mayor Inclusión Educativa: EducamIA facilita la
inclusión de estudiantes con diversas necesidades en el aula regular.
· Mejora del Rendimiento Académico: La personalización
del aprendizaje permite a cada estudiante avanzar a su propio ritmo, mejorando
su rendimiento académico.
· Reducción de la Brecha Educativa: EducamIA ayuda a
cerrar la brecha en el rendimiento académico entre estudiantes de diferentes
orígenes y capacidades.
· Desarrollo de Habilidades del Siglo XXI: EducAI fomenta el
desarrollo de habilidades como el pensamiento crítico, la resolución de
problemas y la colaboración.
4.2.
Principales Beneficiarios:
·
Estudiantes con discapacidades o
dificultades de aprendizaje.
·
Estudiantes de
entornos desfavorecidos.
·
Docentes que buscan herramientas para
personalizar la instrucción.
·
Padres y cuidadores que desean apoyar el
aprendizaje de sus hijos.
4.3.
Contexto de Mayor
Impacto:
·
Escuelas con Alta Diversidad.
·
Zonas Rurales o Desfavorecidas.
·
Educación a Distancia.
3.8.1.
V.
CONSIDERACIONES ÉTICAS,
PRIVACIDAD Y RESPONSABILIDAD
5.1. Riesgos Éticos:
5.1.1. Sesgo en los Datos: Los algoritmos de IA
pueden reflejar y amplificar los sesgos presentes en los datos de
entrenamiento, lo que podría resultar en una instrucción discriminatoria.
¿Qué es
un sesgo?
Es una interpretación errónea sistemática de la información disponible
que ejerce influencia en la manera de procesar los pensamientos, emitir juicios
y tomar decisiones. El concepto de sesgo cognitivo fue introducido por los
psicólogos israelíes Kahneman y Tversky en 1972.
Tipos:
· Sesgo de confirmación: Es la tendencia a buscar, propiciar, interpretar o recordar
información de manera que confirma algo que ya has decidido previamente,
o que favorece creencias y suposiciones muy arraigadas.
Es el caso, por ejemplo, de personas que apoyan o
se oponen a un tema determinado, y no solo buscan información para reforzar sus
tesis, sino que, además, las interpretan de forma que defienda sus ideas
preconcebidas.
· Sesgo de negatividad: Prestas más atención, y le das
mucha más importancia a experiencias e información negativa, en
vez de positiva o neutral. Alguien da un paseo por un paraje
espectacular entre montañas y valles de gran belleza, y se rompe
una pierna. ¿Qué va a recordar mucho más vívidamente?
· Sesgo de anclaje: En este caso, te centras casi exclusivamente en la primera
información que recibes para tomar una decisión.
En el transcurso de una negociación salarial el
aspirante a un puesto de empleo se ve influenciado por la primera cifra
mencionada en las negociaciones, en vez de examinar de manera racional otras
posibles opciones.
· Sesgo de observación selectiva: Este tipo de sesgo cognitivo se da cuando
diriges tu atención a algo en función de tus expectativas, y
desatiendes el resto de la información.
Te compras un coche y a partir de ese momento empiezas
a ver coches de esa marca y ese color por todas partes.
· Sesgo de impacto: Es la tendencia a sobreestimar la intensidad y duración de una
reacción ante acontecimientos o eventos futuros de carácter bueno o
malo. El hecho de que te toque la lotería, por ejemplo, no va a
variar tu nivel de felicidad ni tu estado emocional promedio y poco
después, dejas de verlo como algo excepcional.
· Sesgo de Status Quo: A causa de este sesgo cognitivo se tiende a favorecer las
decisiones que mantienen el Status Quo, es decir, el estado de cosas
actual. Las personas afectadas por este sesgo eligen no desviarse de los comportamientos
establecidos a menos que haya un incentivo convincente para cambiar.
De: Suárez Jaramillo, N. y Pérez Rodríguez, A.C.
(2023).
5.1.2. Privacidad de los Datos: EducamIA recopila
datos personales del estudiante, lo que plantea preocupaciones sobre la
privacidad y la seguridad de la información.
La privacidad de datos en el
contexto de la inteligencia artificial, destacan los riesgos asociados con el
uso de datos personales en el entrenamiento y operación de sistemas de IA. Es
fundamental garantizar que la IA respete la privacidad y los derechos de las
personas cuyos datos se utilizan, y que los usuarios deben informarse sobre los
riesgos relacionados con la seguridad de los datos que proporcionan a la IA.
Además, se recomienda tener en
cuenta los dilemas éticos y legales relacionados con la propiedad y la
privacidad de los datos. Esto incluye medidas como la protección de datos, la
transparencia en el uso de la tecnología y la implementación de protocolos claros
para la eliminación de datos después de su uso.
5.1.3. Dependencia de la Tecnología: El uso excesivo de
EducamIA podría generar dependencia de la tecnología y limitar el desarrollo de
habilidades sociales y emocionales.
Aquí juega un papel
importante la familia para orientar el uso de la tecnología, previniendo los
riesgos en su salud, el tutor o docente de la escuela explicando a través de
estrategias de cómo hacer buen uso de las IA evitando la dependencia o que lo
tomen como un juego hasta convertirse en una ludopatía involucrando a otras
personas.
5.2. Estrategias para el Uso Responsable de la
IA:
·
Buena explicación y
claridad en los conceptos: Los algoritmos de IA deben ser
transparentes y explicables, permitiendo a los usuarios comprender cómo se
toman las decisiones.
En las instituciones
educativas existe el área de EPT o aula de innovación pedagógica, es primordial
que el docente encargado de esta área explique con palabras entendibles para
sus alumnos de los algoritmos a utilizar o quizás con ejemplos claros.
·
Sustento y
participación pedagógica: EducamIA debe utilizarse como una
herramienta de apoyo para los docentes, no como un reemplazo.
El trabajo docente
jamás será reemplazado por una máquina o un programa de IA, con su trabajo las
emociones, creatividad y actitudes, servirán de ejemplo a sus estudiantes y
futuros profesionales.
5.3. Medidas Concretas para Mitigar Riesgos
Éticos:
· Establecer un comité ético institucional para la IA: Constituir un grupo multidisciplinario (Directivos y docentes) responsable
de supervisar la aplicación de las políticas éticas, evaluar riesgos, indagar
sobre incidentes y ofrecer asesoría.
· Definir roles y responsabilidades (Tutores y cotutores de la IA): Aclarar quién tiene la responsabilidad en cada fase del ciclo de vida
de la IA, que incluye diseño, desarrollo, implementación, monitoreo y respuesta
a incidentes éticos.
· Diseño y Desarrollo Responsable con promoción de la Inclusión: Garantizar que los grupos encargados de diseñar y desarrollar la IA sean
variados en términos de género, raza, etnicidad, etc., para prevenir la entrada
de sesgos implícitos.
· Selección y tratamiento de los datos de entrenamiento: Emplear conjuntos de datos de entrenamiento que sean diversos,
representativos y de alta calidad, para detectar y reducir posibles sesgos.
· Diseño que favorezca la explicación clara de conceptos: Establecer mecanismos para dar a los usuarios explicaciones sobre cómo
funciona la IA cuando sea pertinente.
·
Diseño enfocado en el usuario y el impacto social: Considerar las repercusiones sociales y los posibles efectos adversos
de la IA en los usuarios y en la sociedad en general durante el proceso de
diseño y desarrollo.
VI. APLICACIÓN DE LA IA GENERATIVA
6.1. Aporte de la IA
generativa en EducamIA:
6.1.1. Generación de textos adaptados:
·
Diferentes niveles de dificultad: La IA puede generar explicaciones
de un mismo concepto en diferentes niveles de complejidad, adaptándose a las
necesidades de estudiantes con diversos ritmos de aprendizaje o conocimientos
previos.
·
Estilos de aprendizaje variados: Puede generar contenido en
diferentes formatos textuales (resúmenes, ejemplos detallados, analogías,
preguntas y respuestas) para atender a distintos estilos de aprendizaje.
· Adaptación lingüística: Podría generar contenido en
diferentes idiomas o dialectos, facilitando el acceso a estudiantes con
diversas lenguas maternas.
·
Apoyo a estudiantes con dislexia: Generación de textos con formatos
específicos (fuentes, espaciado, resaltado) que faciliten la lectura.
6.1.2.
Creación de Materiales Visuales y Multimedia:
· Generación de imágenes y gráficos: La IA puede crear ilustraciones,
diagramas, infografías y otros elementos visuales para complementar el
contenido textual, facilitando la comprensión de conceptos abstractos.
· Generación de videos explicativos cortos: A partir de un texto o guion, la IA
podría generar animaciones o videos sencillos para explicar temas específicos
de manera visual y atractiva.
· Creación de avatares y personajes inclusivos: Generación de representaciones
visuales diversas que reflejen la variedad de identidades de los usuarios.
De: Krunal Shah (2024).
6.1.3. Generación de contenido Interactivo:
·
Creación de preguntas y ejercicios personalizados: La IA puede generar preguntas de
opción múltiple, verdadero/falso, completar espacios en blanco, etc., adaptadas
al nivel y progreso del estudiante.
·
Diseño de simulaciones y escenarios virtuales: La IA podría ayudar a crear
entornos virtuales interactivos para el aprendizaje práctico en diversas áreas.
·
Generación de narrativas y juegos educativos: Creación de historias interactivas
y juegos que hagan el aprendizaje más atractivo y participativo.
6.1.4.
Apoyo en la Creación de Contenido para Docentes:
·
Generación de planes de lección y guías didácticas: La IA puede ayudar a los docentes a
estructurar sus clases y crear materiales de apoyo.
·
Creación de rúbricas de evaluación: Generación de criterios de
evaluación claros y objetivos.
·
Sugerencias de actividades y recursos: La IA puede proponer actividades
complementarias, enlaces a recursos externos y diferentes enfoques pedagógicos.
De: Miao,
Fengchun, Holmes, Wayne (2023).
6.1.5.
Generación y Aumento de Datos para el Entrenamiento de
la IA Inclusiva:
· Generación de Datos Sintéticos: Para entrenar modelos de IA que
consideren la diversidad de los usuarios (diferentes capacidades, estilos de
aprendizaje, etc.), la IA generativa puede crear datos sintéticos que
representen estas variaciones. Esto es especialmente útil cuando los datos
reales son escasos o sensibles.
· Aumento de Datos para Grupos Minoritarios: La IA puede generar ejemplos
adicionales para grupos minoritarios o con necesidades específicas, asegurando
que los modelos de IA sean justos y equitativos en su funcionamiento.
· Generación de Datos de Interacción: Simulación de diferentes tipos de
interacciones de los usuarios con la plataforma (preguntas, respuestas,
navegación) para probar la usabilidad y accesibilidad.
6.1.6.
Personalización y Adaptación de la Experiencia del
Usuario:
· Generación de Rutas de Aprendizaje Personalizadas: Basándose en el perfil, progreso y
preferencias del estudiante, la IA puede generar itinerarios de aprendizaje
únicos y adaptados a sus necesidades.
· Generación de Retroalimentación Personalizada: La IA puede analizar el desempeño
del estudiante y generar comentarios específicos y constructivos, identificando
áreas de mejora y fortalezas.
· Adaptación Dinámica de la Interfaz: La IA podría ajustar elementos de
la interfaz (tamaño de fuente, contraste, navegación) según las preferencias o
necesidades de accesibilidad del usuario.
· Generación de Ayuda y Soporte Contextual: La IA puede generar respuestas a
preguntas frecuentes o proporcionar ayuda específica basada en el contexto en
el que se encuentra el usuario.
De: Reales, J.M. Tendencias de
la IA generativa en la educación 2024-2025.
6.2.
¿Cómo
implementar la IA Generativa en el Proyecto integrador?
6.2.1.
En docentes:
· Capacitación
para el uso de la plataforma
· Generar
círculos de estudios virtuales para la generación de planes de estudio según
área y grados afines
· Creación
de sesiones y unidades de aprendizaje con repositorio temporalizado
· Generación
de rúbricas y test de evaluaciones adaptadas a sus planes de estudio, grado y
nivel según el DCN en vigencia
· Generación
de datos para la creación de organizadores visuales con hipervínculos de
acuerdo a temas, sesiones y grados de complejidad
· Agregar
datos para la creación de registros de asistencia, evaluación y de Siagie
6.2.2.
En estudiantes:
· Generación
de textos, cuentos, narraciones de acuerdo el contexto, edad y nivel de
complejidad
· Creación
de cuentos con imágenes utilizando TOME de acuerdo al grado y nivel de estudios
·
Generación
de textos para convertirlos en audios en varios idiomas
· Generación
de informes de investigación con referencias bibliográficas de acuerdo al
estilo APA, Vancouver, ISO
·
Generación
de imágenes interactivas para cuentos o clips de videos
·
Aplicación
de modelos en 3D para generar nuevas imágenes de construcción tipo holograma
6.3.
Beneficios y desafíos del uso de la IA Generativa en
el Proyecto integrador
· Los chatbots de IA pueden automatizar
tareas rutinarias como la calificación de cuestionarios, la respuesta a
preguntas frecuentes y la gestión de horarios. La IA también puede
generar planes de lecciones, hojas de trabajo y materiales para el aula y
redactar correos electrónicos, anuncios y respuestas a consultas comunes de los
estudiantes. Además, pueden generar
informes de estudiantes personalizados.
Al automatizar las tareas
administrativas y de creación de contenido, la IA puede liberar tiempo valioso
para los docentes, permitiéndoles centrarse en interacciones más significativas
con los estudiantes
· Un desafío importante es el potencial de
los modelos de IA generativa para producir información inexacta, engañosa o
sesgada.
Por
lo tanto, la supervisión humana y los mecanismos de validación son esenciales
para verificar la precisión y la calidad del contenido generado por la IA.
Además, los sistemas de IA pueden
heredar sesgos de los datos con los que se entrenan, lo que resulta en
contenido sesgado que podría afectar la equidad en la educación.
Es necesario implementar estrategias
para mitigar el sesgo, como el uso de datos de entrenamiento diversos y la
realización de comprobaciones de equidad.
Un
riesgo particular es el potencial de la IA para generar
"alucinaciones" o contenido que no es veraz. Esto requiere una
revisión cuidadosa y la participación de expertos humanos para garantizar la
precisión real del contenido educativo generado por la IA.
VII.
CONCLUSIONES
FINALES
·
Lo
aprendido en este curso ha cubierto mis expectativas como docente, el estudio
de la IA me ayudó a centrar mis objetivos como educador. Hace un año he creado
un cuento utilizando TOME, hace un mes con el inicio de clases en mi
Institución Educativa aplique más programas de IA. Es decir, gracias al curso se
me hizo más fácil y didáctico la aplicación de la IA
· Esta
experiencia me ha servido para planificar capacitaciones con otros docentes de
Instituciones que están ávidas por aprender. Hoy me siento capaz de lograrlo
porque tengo el sustento teórico y práctico que me servirán para cumplir mi
objetivo.
· Gracias
a las clases recibidas me siento con la capacidad de regresar a enseñar a la
Universidad porque lo recibido en estos cuatro módulos es innovador y ha tenido
impacto positivo en mí.
VIII. BIBLIOGRAFÍA:
· Gómez Cardosa, D., Garcia
Brustenga, G. (s.f.)¿Cómo preguntar a la IA? Prompts de utilidad
para el profesorado para utilizar IA generativa. España: Universitat Oberta de Catalunya
· Gómez Mont et.al. (2020) LA INTELIGENCIA ARTIFICIAL AL SERVICIO DEL BIEN
SOCIAL EN AMÉRICA LATINA Y EL CARIBE: panorámica regional e instantáneas de
doce países.(DOI: http://dx.doi.org/10.18235/0002393)
· Kai-Fu Lee (El Trabajo en la era de los datos). En: https://www.bbva.com/wp-content/uploads/2024/07/BBVA-OpenMind-libro-2020-Trabajo-en-la-Era-de-los-Datos.pdf
· Krunal Shah (2024).
IA generativa en educación: principales casos de uso que ayudan a los
educadores. En: https://www.thirdrocktechkno.com/blog/generative-ai-in-education-top-use-cases-helping-educators/
·
Reales, J. M. Tendencias de
la IA generativa en la educación 2024-2025. Evol campus. En: https://www.evolmind.com/blog/tendencias-ia-generativa-en-educacion/
·
Martín Gutiérrez, S. y López
Martín, E. (2023). Guía de uso de las
herramientas de Inteligencia Artificial Generativa para el estudiantado. España. Universidad
Nacional de Educación a Distancia. UNED
·
Miao, Fengchun et al. (2021). Inteligencia artificial y educación: Guía para las personas a cargo de formular políticas. UNESCO. En: https://unesdoc.unesco.org/ark:/48223/pf0000379376
·
Miao, Fengchun, Holmes, Wayne (2023). Guía para el uso
de IA generativa en educación e investigación. UNESCO. En: https://virtualeduca.org/mediacenter/guia-de-la-unesco-para-el-uso-de-la-ia-generativa-en-educacion-herramientas-y-recomendaciones-para-docentes-universitarios/
·
Presidencia del consejo de Ministros (s.f.). Estrategia nacional para IA, Documento de Trabajo
para la Participación de la Ciudadanía. Lima. Perú.
· UNAM (2023). Recomendaciones
para el uso de Inteligencia Artificial Generativa en la docencia. México: Grupo
de trabajo de Inteligencia Artificial Generativa de la UNAM.
En: https://cuaed.unam.mx/descargas/recomendaciones-uso-iagen-docencia-unam-2023.pdf
·
UNESCO (2022). Recomendación sobre la ética de la inteligencia artificial.
En:https://www.unesco.org/es/articles/recomendacion-sobre-la-etica-de-la-inteligencia-artificial
· Zurutuza, Naroa (2018). Inteligencia Artificial para
el bien en el mundo. ITU News MAGAZINE.
En: https://www.itu.int/en/itunews/Documents/2018/2018-01/2018_ITUNews01-es.pdf
