El pasado 13 de agosto el Massachusetts Institute of Technology (MIT) publicó el Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, documento en el que se hace un análisis profundo acerca de los retos que enfrenta la educación con el advenimiento de la inteligencia artificial (IA) en la forma de modelos de lenguaje (Large Language Models-LLM). En este la universidad hace una profunda revisión sobre cómo enfrentar la relación de dependencia de los estudiantes con la IA y la lucha de los profesores contra esta. Es importante destacar, antes de presentar los resultados, que todo el reporte está sustentado en una serie de principios éticos y morales que se establecen desde el inicio como principios guías de todo el proceso de reflexión y sus subsiguientes consecuencias. Estos son: ser humilde, ser audaz, poner a la humanidad al frente, abrazar el aprendizaje, enseñar con intencionalidad, reconocer que no hay una talla única para todos, aumentar y no automatizar, pensar más allá del aula y del campus.
Con estos principios en mente, los investigadores presentan un reporte en el cual establecen una hoja de ruta para hacer una revisión profunda del proceso educativo, que va desde el cuestionamiento de las notas como método de clasificación, hasta el proceso fundamental de la relación entre los alumnos y su ambiente. Es importante tomar nota sobre este ejercicio, ya que versa sobre el umbral en el cual se encuentra el proceso educativo y la sociedad en general, y cómo debemos adaptarnos a la existencia de la IA, sus virtudes y sus peligros.
Las recomendaciones del comité se agrupan en tres bloques. El primero busca adaptar los procesos educativos a un mundo consciente de la IA; el segundo, poner a las personas, la comunidad y la experiencia residencial en el centro; el tercero, construir procesos, equipos y herramientas para la reflexión, la iteración y la mejora continuas. Los tres bloques parten de la premisa de que la IA ya es capaz de producir soluciones creíbles para casi cualquier tarea escrita del currículo, desde ensayos hasta pruebas matemáticas y proyectos de código, y ese poder solo va a crecer en los próximos años.
El primer bloque es el más extenso: es aquí donde el reporte pone en duda las herramientas tradicionales de la evaluación universitaria. El comité pide a los profesores replantear, antes que nada, qué es lo que realmente quieren que un estudiante sepa hacer al final de un curso, y diseñar desde ahí evaluaciones “AI-aware”, conscientes de que la inteligencia artificial existe en el mundo y que los estudiantes pueden recurrir a ella, con o sin autorización. La pregunta que atraviesa toda la sección parte de la premisa de que la IA permite delegar el trabajo cognitivo, entonces ¿cómo se evalúa lo que un estudiante realmente sabe y comprende? La respuesta del comité más que prohibir su uso está enfocada en desplazar el peso de la evaluación hacia formatos menos vulnerables a la delegación, como exámenes orales, portafolios de semestre completo, trabajos fuera de clase acompañados de conversaciones en persona: actividades que permiten demostrar el dominio de la competencia y el conocimiento que se pretende impartir.
Sobre las notas en particular, el comité plantea, como experimento mental, que si el MIT no tuviera sistema de calificaciones, buena parte de los incentivos para hacer trampa con IA simplemente desaparecerían. No llega a recomendar eliminarlas directamente, pero sí advierte contra la tentación de resolver el problema cargando el peso de la nota hacia exámenes presenciales. Como alternativa, propone dar mayor estatus a los portafolios de proyectos como evidencia de dominio, en línea con lo que ya hacen muchos empleadores, que ponderan menos el valor académico y más el desempeño en ejercicios de competencias y resolución de problemas, propios de su proceso de selección.
El reporte también dedica un espacio considerable a desmontar la ilusión de que la tecnología puede fiscalizar el problema que la tecnología misma creó. Los detectores de IA, advierte el comité, arrastran a estudiantes y profesores a una carrera armamentista en la cual no hay ganador. Cuanto más se perfeccionan los detectores, más se perfeccionan los “humanizadores” de texto generado por IA, en un ciclo de esfuerzo que no beneficia a nadie. Peor aún, esas herramientas tienden a marcar como sospechoso el texto de hablantes no nativos del inglés y de estudiantes neurodivergentes, y cualquier tasa, por muy baja que sea, de falsos positivos basta para instalar una atmósfera de sospecha entre profesores y alumnos que termina por dañar la esencia misma de la relación pedagógica.
El segundo bloque, centrado en la comunidad y la experiencia residencial, propone reconstruir de forma deliberada los rituales de encuentro presencial (paneles con estudiantes, personal e industria; “Tech Free Times” sin clases ni reuniones) y exige a los propios profesores transparencia sobre su uso de IA en la preparación de clases y en la retroalimentación, para no imponer un doble estándar. En materia de formación, distingue tres competencias que deben enseñarse por separado: usar la IA de forma efectiva (saber cuándo no recurrir a ella), de forma responsable (distinguir cuándo la IA aumenta el trabajo humano y cuándo simplemente lo reemplaza) y de forma ética (entender la procedencia de los datos de entrenamiento y el sesgo de sus resultados).
En el cierre, los propios autores, provenientes de las cinco escuelas del MIT y de generaciones y disciplinas distintas, señalan que coincidieron en una misma preocupación de fondo sobre los riesgos que la IA impone a sus estudiantes y a su comunidad, y en la misma urgencia de liderar un modelo educativo que ponga la sabiduría y la conexión humanas por delante de la eficiencia. El llamado final no es a incorporar la IA en todo lo que la institución hace, sino a dejar de ser ajenos al hecho de que ya está transformando qué aprenden los estudiantes y cómo lo aprenden.
Fuente: https://aiandeducation.mit.edu/report/