9  Consejos, trucos y prompts útiles

Finalmente, aquí hay un resumen de algunas cosas relevantes que tener en cuenta al usar LLMs para la enseñanza y el aprendizaje.

9.1 Consideraciones útiles

9.1.1 Proporciona suficiente contexto

Incluye información en tu prompt sobre tu rol y el propósito de tu solicitud.

estoy enseñando un curso de nivel superior para estudiantes de matemáticas en una institución de pregrado. revisa los siguientes problemas para claridad en el lenguaje. [adjunta o copia y pega los enunciados del problema]

9.1.2 Seguimientos

Así como con la escritura, los LLMs proporcionan mejores resultados con ediciones/seguimientos. En lugar de elaborar un prompt integral único, pide mejoras o aclaraciones con seguimientos.

9.1.3 Retroalimentación y reformulación

Pide a los LLMs que den retroalimentación sobre un texto dado. Puedes llevarlo un paso más allá asignando al LLM un rol editorial:

para el texto de abajo, dame retroalimentación como si fueras un editor. enfócate en la claridad del texto, así como en el lenguaje utilizado. esto es para un curso de química de nivel inferior. revisa consistencia, gramática y lenguaje técnico.

9.1.4 Resúmenes y esquemas*

Los LLMs pueden ser muy útiles para resumir texto e identificar elementos importantes. Sin embargo, resumir un texto implica identificar elementos importantes en él. Esta identificación puede ser muy contextual y dependiente del curso. El mismo texto podría tener múltiples perspectivas de lo que es más relevante dependiendo del enfoque particular de un curso o instructor determinado. Un enfoque particular podría incluirse en el prompt para mejorar la utilidad del resultado.

9.1.5 Razonamiento descubierto

Una buena manera de mejorar la calidad de los resultados de los LLM es pedirle que explique su razonamiento. Cuando se usa para resolver problemas o analizar situaciones, incluir que explique su razonamiento al final generalmente lleva a mejores resultados.

9.1.6 Tutor/discípulo (para estudiantes)

Puedes dotar a los LLMs de roles (temporales). Úsalo como tutor si quieres que te ayude a aclarar conceptos relacionados con una clase:

soy un estudiante de segundo año tomando BIO 20 en UCSC. eres un tutor de biología ayudándome con mi tarea. te haré algunas preguntas relacionadas con conceptos que no están muy claros para mí. ayúdame a entenderlos y guíame a través de estas preguntas de tarea.

Una manera muy efectiva de aprender un tema es enseñándolo. Considera también dotar a los LLMs de un rol de discípulo. Puedes pedirle que olvide todo lo que sabe sobre un tema y que tú se lo explicarás.

olvida todo lo que sabes sobre movimiento de proyectiles. te explicaré los conceptos importantes relacionados con esto. hazme preguntas aclaratorias cuando algo no esté claro.

9.1.7 Estudiante de prueba (para instructores)

Puedes darle al LLM el rol de un estudiante de prueba en tu clase y pedirle que revise una tarea para claridad y nivel.

eres un estudiante en mi clase de cálculo 1. en este momento, estamos cubriendo la regla de la cadena. revisa la siguiente tarea para claridad (para estudiantes de primer año en STEM) y estima el nivel de los problemas.

9.2 Consideraciones cuidadosas

Del mismo modo, hay algunos usos que pueden ser problemáticos, no ideales o incluso peligrosos para la enseñanza y el aprendizaje.

9.2.1 Escribir ensayos o resolver problemas (estudiantes)

Los LLMs están mejorando en estas tareas, sin embargo se necesita hacer consideraciones cuidadosas aquí. Como estudiante, uno de los objetivos principales de escribir un ensayo o resolver una pregunta/problema es el proceso de hacerlo tú mismo. El aprendizaje ocurre al pensar sobre cómo estructurar el ensayo, sobre cómo abordar la pregunta o problema, y el ensayo y error para finalmente lograr el objetivo. Generar ensayos o soluciones se salta el proceso de aprendizaje por completo.

9.2.2 Calificación (instructores)

Aún más cuando los LLMs se comportan como una caja negra, usarlos para tareas de alto riesgo como calificar tareas puede ser altamente inexacto. Para tareas de tipo clasificación (como calificar), los LLMs están sesgados hacia sus datos de entrenamiento. Si esto no está claro, los resultados pueden ser muy injustos e inconsistentes. Además de esto, usar LLMs para calificar puede ser problemático debido a problemas de privacidad al compartir datos de estudiantes.

9.2.3 Alucinaciones

En general, los LLMs son modelos estocásticos que producen texto. Como tal, son propensos a generar resultados no factuales. Este problema está mejorando, sin embargo, es importante siempre verificar los resultados y no tomarlos como 100% verdaderos.

9.2.4 Cálculos

Los LLMs son modelos de lenguaje y en general, no tienen motores computacionales. Como tal, no son óptimos para realizar cálculos, como aritmética o cálculo. Es mucho mejor usar una calculadora en su lugar, ya que los resultados son confiables y reproducibles.

9.2.5 Respuestas cortas

Pedir a los LLMs que produzcan respuestas cortas (algunas veces una sola palabra) puede aumentar las posibilidades de alucinaciones. Una de las mejores estrategias para mejorar la precisión en los LLMs es hacer que expliquen su razonamiento. Ir en la dirección opuesta y pedir que solo respondan con una respuesta corta puede producir ruido en el resultado.