La IA generadora de texto ofrece ventajas significativas en productividad y estructuración de ideas, pero su eficacia depende de una supervisión activa y un diseño intencional de prompts. El uso responsable de IA en trabajos de titulación implica combinar la rigurosidad en la selección de fuentes con una comunicación clara y adaptativa con la herramienta asegura resultados académicamente válidos. Los estudiantes que adoptan este enfoque equilibrado optimizan recursos tecnológicos, fomentando una autoría responsable y crítica.
La búsqueda manual de información: cimiento para una IA efectiva en el uso responsable de IA en trabajos de titulación
La fase inicial de recopilación manual de fuentes académicas demanda un enfoque metódico y selectivo. Plataformas como Google Académico, Scopus o Web of Science permiten acceder a artículos revisados por pares, tesis y estudios indexados, filtrando resultados por relevancia, año o citaciones. Estos repositorios ofrecen ventajas como la identificación de autores líderes en un campo o la visualización de redes de investigación, facilitando la selección de materiales actualizados y autorizados. Al priorizar documentos con alto impacto académico, los estudiantes aseguran que la IA reciba insumos verificables, reduciendo la probabilidad de incorporar teorías desactualizadas o datos marginales.
Además, las bases de datos institucionales, como JSTOR o ScienceDirect, brindan acceso a publicaciones especializadas y series históricas, esenciales para contextualizar marcos teóricos. Su uso requiere habilidades de búsqueda avanzada, como operadores booleanos o palabras clave estratificadas, para delimitar temas complejos. Por ejemplo, al investigar inteligencia artificial en educación, combinar términos como *»machine learning»*, *»pedagogía»* y *»evaluación»* refina los resultados. Este nivel de precisión evita la saturación informativa y orienta a la IA hacia correlaciones significativas entre conceptos, en lugar de generalizaciones superficiales.
Así, la integración de repositorios abiertos, como arXiv o ERIC, complementa la diversidad de perspectivas, incluyendo preprints o informes gubernamentales. Estos recursos, aunque menos convencionales, aportan datos emergentes o enfoques interdisciplinarios que enriquecen el análisis. Al contrastar fuentes primarias y secundarias, los estudiantes equilibran rigurosidad e innovación, alimentando a la IA con un espectro amplio pero crítico de información. Este proceso no solo optimiza la calidad de las respuestas generadas, sino que construye una base ética para evitar sesgos algorítmicos, asegurando que el trabajo final refleje autenticidad y profundidad académica.
Articulación de respuestas en tercera persona: coherencia y profesionalismo como uso responsable de IA en trabajos de titulación
Al interactuar con modelos de lenguaje, se recomienda estructurar solicitudes bajo una narrativa impersonal, evitando enfoques subjetivos o coloquiales. Esta práctica alinea las respuestas con estándares académicos, facilitando la integración coherente del contenido generado en secciones como marcos teóricos o análisis de resultados. Frases como «el estudio sugiere» o «la evidencia indica» refuerzan el tono objetivo, mientras que conectores como «por otro lado» o «en consecuencia» mantienen la fluidez entre ideas.
Eliminación de términos redundantes y simplificación lingüística
Para maximizar la claridad, es prioritario evitar vocablos como «imprescindible» o «crucial», los cuales pueden percibirse como redundantes en contextos académicos. En su lugar, optar por expresiones directas como «necesario» o «relevante» aporta precisión. Además, reducir el uso de la palabra «que» mediante frases más activas mejora la legibilidad. Por ejemplo, en lugar de «es importante destacar que los resultados muestran…», reformular como «los resultados evidencian…» agiliza el mensaje. Todo este proceso debe ser ejecutado de forma manual, con una revisión crítica.
Manejo de tiempos verbales: adaptación al contexto académico
El empleo adecuado de tiempos verbales asegura coherencia temporal. Al describir metodologías o hallazgos pasados, el pretérito imperfecto («el experimento demostró») resulta más efectivo que el pretérito perfecto («ha demostrado»). Para secciones teóricas o conclusiones, el presente («los datos confirman») o futuro («futuras investigaciones explorarán») mantienen vigencia y proyección. Esta alternancia evita monotonía y ajusta el tono a cada fase del trabajo.
Evolución de prompts durante el desarrollo del trabajo
A medida que avanza la investigación, los prompts deben refinarse para abordar necesidades emergentes. En etapas iniciales, solicitar a la IA «sintetizar teorías sobre X» puede ser útil. Posteriormente, prompts específicos como «contrastar los enfoques de Autor A y Autor B en el contexto de Y» generan análisis más profundos. Incorporar hallazgos propios o correcciones del tutor en nuevas consultas enriquece progresivamente la interacción, orientando a la herramienta hacia contribuciones originales y alineadas con los objetivos del trabajo.
Modelo de prompt efectivo
Con base en la descripción previa, se plantea el siguiente modelo de prompt efectivo. El mismo, contiene las instrucciones iniciales de un nuevo chat, que puede aplicarse tanto en ChatGPT como en Deepseek o Copilot. Esta instrucción guiará las respuestas de la herramienta a los diferentes pedidos e instrucciones que se hagan en el chat:
En este chat, debes formular todas tus respuestas en párrafos narrativos redactados en tercera persona, articulados con las suficientes frases de transición, y evitando en tu respuesta el uso de términos y expresiones como «exhaustivo», «imprescindible», «base fundamental», «crucial», «no solo», «sino que también» y similares, y reduciendo el uso de la palabra «que» al mínimo. Recuerda utilizar en tus respuestas el tiempo verbal necesario. Además, debes utilizar el tiempo verbal pasado solo cuando el contexto así lo demande, pero alternativamente, en función del contexto, debes usar el presente y también el futuro. Por tanto, debes utilizar el tiempo verbal necesario según el contexto, pero al redactar secciones en tiempo pasado, cuando sea necesario hacerlo, debes evitar el pretérito perfecto, con el verbo conjugado «haber», como «ha llegado», «ha tenido», y similares, optando por el pretérito imperfecto, con «llegó», «tuvo», etc.
