Una profesora de ecuaciones diferenciales pide a su grupo un modelo de algo que puedan medir en la escuela. Un estudiante elige el café de la cafetería: toma la temperatura cada dos minutos con un termómetro de cocina y quiere un modelo que prediga cuándo estará bebible. Lo que ella revisa es la honestidad de los supuestos («el vaso no cambia de forma», «el aire del local se queda a 22 °C») y si el estudiante sabe qué variable manda. La IA puede verificar cálculos y proponer reformulaciones; decidir qué simplificación es aceptable para este café le toca al estudiante.
Qué es y para qué sirve#
Un modelo matemático es una representación simplificada de un fenómeno mediante variables, relaciones y supuestos. Lo que se revisa es la trazabilidad entre fenómeno → variables relevantes → relaciones → predicciones → contraste con la realidad (en el caso del café: del termómetro a la ecuación y de la ecuación a «estará a 60 °C en ocho minutos»).
Dónde entra la IA en este tipo de trabajo: revisa que no falten variables estándar (por ejemplo, la tapa del vaso), ayuda con el álgebra y la notación, acompaña el análisis de sensibilidad («¿qué pasa si el aire está a 30 °C?») y cuestiona los supuestos. La IA es asesora de modelado; la decisión sobre qué simplificar es del estudiante.
Taxonomía de Bloom y progresión de prompts#
Este tipo de trabajo moviliza los niveles 3 a 6 de la taxonomía de Bloom, con nivel dominante 4 — Analizar (la articulación de variables y sus interacciones). Para ti, la tabla es un banco de prompts: copia el de la fase que tu grupo suele saltarse (casi siempre la crítica de supuestos) y sustituye los corchetes por el fenómeno de tu curso.
Desliza horizontalmente para consultar todas las columnas.
| Nivel de la taxonomía de Bloom | Movimiento del modelo | Qué hace el estudiante | Prompt sugerido |
|---|---|---|---|
| 4 — Analizar | Identificación de variables | Decide qué variables son relevantes para su fenómeno y cómo se relacionan entre sí; no ejecuta un procedimiento, distingue qué entra y qué puede ignorar | “Quiero modelar [fenómeno] y propongo estas variables: [lista]. ¿Falta alguna variable estándar para este tipo de fenómeno y qué representaría físicamente? No plantees la ecuación; yo la formularé.” |
| 3–4 — Aplicar y Analizar (dominante) | Sensibilidad y relaciones | Ejecuta el procedimiento conocido —sustituye cada parámetro en el modelo y calcula el resultado (aplicar)— y estudia cuál domina y qué ocurre en los extremos (analizar) | “Mi modelo es [ecuación o relaciones] con estos parámetros: [valores]. ¿Qué parámetros conviene variar primero para saber cuál domina el resultado y qué esperaría en los extremos? No calcules por mí; yo haré las corridas.” |
| 5–6 — Evaluar/Crear | Crítica de supuestos | Identifica las simplificaciones del modelo y propone alternativas | “Mi modelo asume: [lista de supuestos]. ¿Cuál de estos supuestos limita más las predicciones, en qué condiciones deja de cumplirse y qué reformulación lo relajaría? Yo decidiré qué simplificación conservo.” |
Competencias que desarrolla#
- Ingeniería — modelación cuantitativa, abstracción matemática, validación contra datos, predicción justificada.
- Cognitivas — pensamiento abstracto, análisis sistémico, juicio sobre simplificaciones aceptables, razonamiento causal.
Secuencia de la actividad (proceso → producto)#
Fase 1 — Fenómeno y variables
Observación primero
Caracterización del fenómeno y propuesta inicial de variables relevantes por parte del estudiante. La IA verifica que no se omitan variables estándar de la disciplina.Fase 2 — Relaciones y formulación
Construcción del modelo
Planteamiento de ecuaciones o relaciones. La IA ayuda con álgebra, notación y formas canónicas; el estudiante valida que la formulación representa el fenómeno.Fase 3 — Análisis de sensibilidad
Probar el modelo
Variación sistemática de parámetros y observación de resultados. Identificación de variables dominantes y de comportamientos extremos.Fase 4 — Crítica y reformulación
Honestidad sobre límites
Identificación de los supuestos que limitan el modelo y propuesta de mejoras. La IA actúa como crítica metodológica.
Qué entrega el estudiante además del modelo#
Riesgo medio de sustitución de autoría en este diseño —no una medición universal del formato—: una ecuación, su notación y hasta un párrafo de sensibilidad se generan con apariencia rigurosa sin que el estudiante haya entendido nada (el registro de riesgos de más abajo señala el mismo problema: álgebra correcta con supuestos opacos). Los datos también pueden inventarse: no hay garantía de que la traza empírica sea más difícil de fabricar que la ecuación. Lo que ayuda a distinguirla es pedir, en el momento, que el estudiante explique por qué esa variable pesa en su fenómeno y no en otro —una señal a la que prestar atención, no una prueba—. Las dos piezas que más te dicen son la justificación de cada variable (una línea por variable, anclada al fenómeno medido) y la tabla de sensibilidad:
Desliza horizontalmente para consultar todas las columnas.
| Evidencia | Estado | Forma concreta |
|---|---|---|
| Bitácora del diálogo con IA | recomendada | Registro breve por fase: qué se pidió, qué se aceptó o descartó y qué se comprobó; no la conversación completa |
| Ajuste del prompt cuando hizo falta | opcional | Un ajuste y su razón en fases 3 o 4 si la complejidad lo amerita — no se exige una cifra fija |
| Anotaciones de validación del output | recomendada | Qué se aceptó/rechazó, especialmente en álgebra |
| Justificación escrita de cada variable | obligatoria | Por qué entra y qué representa físicamente |
| Tabla o gráfico de sensibilidad | obligatoria | Cómo varía el resultado con cada variable clave |
| Lista explícita de supuestos | obligatoria | Cada simplificación nombrada |
| Bitácora metacognitiva | recomendada | Qué aprendió sobre modelar este fenómeno |
| Declaración de uso de IA | obligatoria | Modelo, contexto y propósito |
Cómo se evalúa (rúbrica de proceso)#
Con esta rúbrica revisas la lista de supuestos y la tabla de sensibilidad, no sólo la ecuación final; ajusta los pesos a tu curso (por ejemplo, más peso a «metacognición» si te importa que nombren sus límites):
Desliza horizontalmente para consultar todas las columnas.
| Criterio | N1 Inicial | N2 En desarrollo | N3 Competente | N4 Avanzado | Peso |
|---|---|---|---|---|---|
| Pertinencia del prompt | Vago | Relación parcial | Claro y adecuado | Pertinente y estratégico | 10% |
| Nivel cognitivo del prompt | Pide el modelo armado | Algo de análisis | Análisis de variables | Pensamiento crítico — IA como crítico de supuestos | 15% |
| Uso crítico de la respuesta | Acepta sin cuestionar | Cuestiona superficialmente | Contrasta y analiza | Evalúa críticamente y reformula con argumento | 20% |
| Integración en el trabajo | Copia | Uso limitado | Integra y adapta | Transforma; el modelo es propio | 20% |
| Iteración del prompt | No ajusta | Ajustes mínimos | Mejora prompts | Itera estratégicamente | 10% |
| Metacognición | No reflexiona | Reflexión superficial | Explica su aprendizaje | Analiza límites y supuestos asumidos | 15% |
| Uso ético | Inadecuado | Básico | Adecuado | Crítico y consciente | 10% |
Riesgos y salvaguardas#
- Variables sin justificación física. Aparecen en el modelo sólo porque la IA las mencionó. Salvaguarda: justificación escrita obligatoria por cada variable.
- Álgebra correcta, supuestos opacos. El modelo funciona formalmente pero no se nombran las simplificaciones. Salvaguarda: lista explícita de supuestos como entregable separado.
- Sin análisis de sensibilidad. Se presenta un único caso “típico” como si representara el modelo. Salvaguarda: tabla o gráfico de sensibilidad obligatorio.
- Errores algebraicos heredados de la IA. La IA puede equivocarse en manipulaciones simbólicas. Salvaguarda: el estudiante verifica los pasos críticos manualmente o con software simbólico.
Asignatura de ejemplo#
Matemáticas aplicadas, física, cualquier ingeniería con componente cuantitativo, investigación de operaciones, economía aplicada.
Ejemplos y enlaces#
- Trabajo cercano: Programación con IA — implementación del modelo en código.
- Trabajo cercano: Análisis económico con IA — modelado aplicado a decisiones.
- Trabajo cercano: Prototipo con IA — modelo como soporte de diseño.