Las cuatro etapas de la Sinapsis Algorítmica

En la primera parte presentamos el concepto de la Sinapsis Algorítmica. En esta segunda parte, nos dedicamos a describir las cuatro fases que componen este revolucionario enfoque educativo .

Imagen: IdeogramAI

La educación universitaria se encuentra en una encrucijada única en la historia de la humanidad, donde la integración de tecnologías avanzadas redefine la forma en que se produce y se transmite el conocimiento. Un concepto emergente que está ganando relevancia en el contexto educativo es la Sinapsis Algorítmica (SA). Este término describe la simbiosis entre el cerebro humano y los modelos de lenguaje de Anteligencia Artificial (Modelos de Lenguaje de Gran Escala) en el proceso de creación de contenido digital. La SA no solo representa una metáfora poderosa para comprender la interacción entre humanos y máquinas, sino que también proporciona un marco práctico para mejorar la generación de contenido educativo de manera balanceada y aceptable.

En esencia, la SA permite a los educadores universitarios aprovechar las capacidades avanzadas de los modelos de IA para amplificar su creatividad y eficiencia. Los LLM (GPT-4, Gemini, Copilot, MetaAI, etc.) han demostrado una notable habilidad para comprender y generar texto de manera coherente y contextualmente relevante. Estos modelos pueden analizar grandes volúmenes de información, identificar patrones y proporcionar respuestas detalladas, lo que resulta invaluable para los profesores que buscan desarrollar materiales educativos de alta calidad. Al combinar la intuición, el juicio y la experiencia humana con la capacidad de procesamiento y generación de datos de los LLM, los educadores podrían crear contenidos más enriquecidos, diversificados y accesibles.

La implementación de la SA en la educación no se trata simplemente de delegar la ejecución de tareas a una máquina, sino de establecer una colaboración dinámica en la que la capacidad humana y la tecnología se potencian mutuamente. Por ejemplo, un profesor podría utilizar un modelo generativo para esbozar los puntos principales de un tema complejo, generar ejemplos adicionales, ejercicios prácticos o incluso traducir contenido a múltiples idiomas para llegar a audiencias extendidas. Además, estos modelos ayudan a personalizar el aprendizaje, proporcionando retroalimentación y materiales adaptados a las necesidades específicas de cada alumno, lo que fomenta una experiencia educativa más abierta, ubicua e inclusiva.

A medida que avanzamos hacia una era donde la IA Generativa se integra cada vez más en nuestras actividades diarias, la SA se perfila como un enfoque novel de la disrupción educativa. Los profesores universitarios interesados en explorar y utilizar la IA Generativa encontrarán en esta fusión una oportunidad para transformar su educación, mejorando tanto la calidad del contenido como las actividades instruccionales y las experiencias de aprendizaje. La clave del éxito radicará en entender cómo equilibrar esta colaboración, reconociendo las fortalezas y limitaciones tanto del cerebro humano como de los modelos generativos de la IA para establecer una sinergia que promueva un futuro educativo más brillante y equitativo.

Según el informe de Copyleaks (2023), para el 2026, casi el 90% de todo el contenido en línea será generado por IA. Como resultado de la saturación del contenido genetativo, surgen preocupaciones sobre la contaminación de datos y el colapso inevitable de modelos que plantean dudas sobre la calidad y confiabilidad del texto generado por IA.

A continuación se presenta una infografía de la SA con el objetivo de describir las cuatro etapas de generación del contenido ciber-humano. Cada etapa se divide en lo que ocurre en el cerebro, lo que ocurre en el modelo LLM y el resultado final a través de la conexión sináptica entre ambos.

Este gráfico detalla las etapas de la sinapsis algorítmica, destacando las interacciones y diferencias entre los procesos cognitivos del cerebro humano y los procesos generativos de los modelos de lenguaje de larga escala (LLM). Cada etapa refleja una fase crítica en la generación y refinamiento de contenido digital, donde la colaboración entre humanos y algoritmos maximiza la calidad y efectividad del producto final.

La Sinapsis Algorítmica es un proceso iterativo y dinámico. Las etapas pueden solaparse y repetirse a medida que se refina el contenido digital. Para alcanzar niveles óptimos, se recomienda aprender a redactar indicaciones detalladas (prompts) para que los modelos LLM puedan procesar los elementos esenciales en la generación de contenido digital.

Uno de los principales objetivos de este enfoque educativo pretende que los educadores ayuden a activar la parte generativa del cerebro que es la encargada de convetir las ideas y planes en acciones concretas. Esto incluye las palabras habladas y escritas. Pero la parte difícil de la inteligencia es accionar esas ideas y planes generadas por los modelos algorítmicos. Las ideas humanas se forman en la corteza prefrontal del cerebro. Pero el cerebelo y la corteza motora se encargan de convertirlas en acciones ejecutables. No deberíamos permitir que la agencia estudiantil se reduzca a la simple generación de contenidos algorítmicos, de la misma manera que se reducía las capacidades del sowftware a la instrucción de imprimir el papel. Si las actividades mentales de los estudiantes consisten en la simple ejecución de prompts, la IA los sustituirá por completo. Pero si la actividad instruccional los impulsa a alcanzar niveles cognitivos superiores, la IA los potenciará exponencialmente. Es ahí a donde quiere llegar la Sinapsis Algorítmica.

¿Cuáles son sus beneficios?

• Mayor creatividad y productividad: La colaboración entre humanos y modelos LLM amplifica el potencial creativo y permite generar contenido digital de alta calidad.
• Mejor precisión y confiabilidad: La revisión y evaluación humana ayudan a garantizar la exactitud del contenido y minimizar errores, sesgos, contenido engañoso e inexacto.
• Productos personalizados y adaptables: La SA fomenta el desarrollo de contenido adaptado a diferentes públicos y necesidades. 
• Aprendizaje continuo: El proceso iterativo de la SA fomenta el aprendizaje continuo de los humanos y los modelos generativos LLM que se entrenan constantemente a través de interacciones. 
• Preparación para el Mundo Digital: La educación algorítmica fomenta habilidades como el pensamiento computacional, la resolución de problemas y la creatividad, que son esenciales en el siglo 21.
• Aprendizaje colaborativo y pensamiento adaptativo innovador: Estas habilidades son cada vez más demandadas en un mundo de transformaciones sin precedentes y radicalmente inciertas.

Este enfoque educativo representa una nueva era en las formas de aprender y trabajar en entornos colaborativos aumentados, donde la inteligencia humana y la potencia algorítmica se unen para crear productos innovadores y valiosos. Su objetivo principal es evitar que los estudiantes, educadores y creadores de contenido, tengan altos niveles de dependencia de la IAGen en la realización de sus tareas académicas o proyectos profesionales.

Asimismo, profundizar en este enfoque educativo nos permite cuestionar y superar las limitaciones de los enfoques educativos tradicionales. Los sistemas educativos actuales a menudo se centran en la memorización y la transmisión de conocimientos de manera lineal y unidireccional. En cambio, la sinapsis algorítmica nos invita a adoptar un enfoque más dinámico, donde los estudiantes son protagonistas activos de su propio aprendizaje al formular preguntas sobre temas de interés. Esto implica promover la resolución de problemas, la creatividad y el pensamiento crítico.

El papel más importante de la educación en la era de la IA es preparar a los estudiantes para vivir y trabajar en un mundo que será fundamentalmente remodelado por la IA. En estos precisos momentos, es están entrenando máquinas para lacer lo mismo que nosotros los profesores le pedimos a nuestros estudiantes que hagan en nuestros cursos: desarrollar capacidades de aprendizaje.

El plan de estudios vigente no fue diseñado para preparar a los estudiantes en el mundo moderno de la IA. Esto no significa que ya no sea relevante, pero sí significa que debemos arriesgarnos a sustituirlo por experiencias de aprendizaje que los preparen para utilizar la IA de manera apropiada, ética y responsable.

En su muro de LinkedIn, Javier Martínez (2024) compartió una interesante reflexión sobre este tema:

¿Por qué la IA va a cambiar la formación, la educación y el aprendizaje en general? Porque tiene sentido para todo aquello donde tienes una pregunta. Y aprender sobre todo, tiene que ver con hacerse preguntas (acerca de lo que te interesa), aunque el colegio nos engañó haciéndonos creer que estudiar tiene que ver con saberse la respuesta correcta sobre lo que no nos interesa.

En un aula, un profesor no puede responder cada pregunta de cada alumno en cada momento… y por eso, nadie pregunta. La IA te responderá o te entregará elementos para que puedas encontrar respuestas a tus preguntas. Podrás aprender todo lo que te importe. Hay que olvidarse de esperar a que alguien te enseñe. Y tendremos que repensar el rol de los profesores y de las instituciones educativas.

Claro que existen riesgos en el uso educativo de la IA. Pero las amenazas se combaten mejor al incorporar la Alfabetización IA en la estructura del sistema, en vez de depender de las determinaciones de una junta de gobierno o de algunas conferencias teóricas sobre la IA en la Educación Superior. El panorama de la IA está en constante evolución, por lo que el enfoque más sostenible es fomentar una cultura de conversaciones constantes sobre la IA que dote a estudiantes, docentes, personal administrativo con los conocimientos y habilidades necesarias para tomar decisiones informadas sobre su manejo socio-académico (Chris Goodall, 2024).

La educación de hoy requiere que los estudiantes a desarrollen conocimientos transversales y comprender los impactos que la IA tendrá en la sociedad. Tenemos que cultivarles habilidades duraderas como la comunicación y el pensamiento crítico. Aprender a trabajar eficazmente con sistemas automatizados que los preparen para formar parte de la naturaleza cambiante del trabajo. Si no estamos preparando a los estudiantes para el mundo de la IA, ¿para qué los estamos preparando?

En este momento, las universidades están haciendo un trabajo pésimo al hacer que los estudiantes realmente piensen y descubran su lugar en el universo. Incluso, las mejores escuelas de la Ivy League se centran en producir los mejores engranajes en la actual máquina económica insostenible. ¿Comenzamos nuestras clases con una discusión sobre ética? ¡No! ¿Alguna vez nos preguntamos si toda esta tecnología moderna está realmente ayudando al mundo? ¡No! ¿Podríamos, por favor, detenernos y preguntarnos si la búsqueda interminable de conocimientos y nuevos productos es una pérdida de tiempo gigantesca? ¡Espero que sí! Entonces, ¿qué tal si hacemos una pausa en la locura de la especialización interminable y enseñamos a los jóvenes a cambiar verdaderamente el mundo? (Jason Polak, 2024).

No solo reflexionemos sobre la IA en la Educación, sino también en la IA en la Sociedad...

Sinapsis Algorítmica: Un nuevo enfoque educativo

Imagen generada en Ideogram

La Inteligencia Artificial Generativa (IAGen) está desafiando los límites convencionales del sistema educativo superior al abrir nuevas rutas de aprendizaje algorítmico. Al rebasar las fronteras educativas tradicionalistas, la IAGen está revolucionando la forma en que los estudiantes acceden al conocimiento y activan sus conexiones mentales con las herramientas generativas. Esta tecnología emergente, no solo facilita el diseño de la instrucción y la realización de tareas, proyectos o exámenes, sino que también plantea desafíos éticos y metodológicos a ser analizados a profundidad. En este contexto dinámico, la IAGen emerge como una fuerza transformadora que promete rediseñar la educación superior y preparar a los estudiantes para un futuro cada vez más digitalizado y complejo.

Según la firma empresarial Gartner (2024), define a la IA como una tecnología que parece emular el desempeño humano, tradicionalmente aprendiendo, llegando a sus propias conclusiones, pareciendo entender el contenido complejo, participando en diálogos naturales con personas, mejorando el desempeño cognitivo humano o sustituyendo a las personas en la ejecución de tareas no rutinarias. La IA aplica técnicas avanzadas de análisis basadas en la lógica, incluido el aprendizaje automático, para interpretar hechos, apoyar, automatizar decisiones y realizar acciones.

Una de las principales implicaciones de la IA Generativa es la transformación del modelo de interacción persona-máquina. Se está produciendo la transición desde un paradigma determinista, basado en la ejecución de comandos concretos para obtener resultados únicos, a otro de tipo estocástico. Basado en una conversación con el modelo de lenguaje de larga escala (LLM), los resultados no necesariamente serán siempre idénticos, aunque sí equivalentes. Son el producto de complejos cálculos estadísticos realizados por algoritmos, imposibles de reproducir a posterioridad (Xavier Mas, 2024).

Los algoritmos se definen como conjuntos de instrucciones o reglas que se utilizan para realizar tareas específicas de forma autónoma por parte del modelo generativo de IA. Estos son diseñados para imitar la forma en que los humanos piensan y toman decisiones, utilizando técnicas como el aprendizaje automático, procesamiento del lenguaje natural y las capacidades de procesamiento de información de los súper-computadores. Suelen basarse en reglas y se construyen mediante procesamientos iterativos para reconocer patrones que permiten hacer predicciones basadas en el entrenamiento de datos. La evolución de tecnologías como la nube y el big data han contribuido a que la IA sea más rápida, económica y accesible a las personas. 

En el contexto educativo superior, la IAG se integra en diferentes actividades instruccionales. Enumeramos las que se pueden realizar en este momento de desarrollo tecnológico:

1. Creación de materiales educativos: Diseño y desarrollo de materiales educativos como contenidos textuuales, presentaciones digitales, ejercicios de práctica, audio podcast, video-animaciones y otros recursos de aprendizaje. Estos materiales se pueden personar según las necesidades y preferencias de los estudiantes, adaptándose a su nivel de conocimiento, estilo de aprendizaje y áreas de interés.

2. Formulación de ejercicios y problemas: Generación de situaciones hipotéticas para la práctica y evaluación, abarcando diferentes niveles de dificultad y áreas del conocimiento. Los estudiantes practican y aplican los conceptos aprendidos de manera interactiva y personalizada.

3. Tutoría y retroalimentación personalizada: Proporcionan retroalimentación personalizada y apoyo individualizado a los estudiantes. Identificación de áreas a mejorar, ofrecimiento de explicaciones adicionales y sugerencias para acceder recursos complementarios que refuercen los aprendizajes.

4. Experiencias de Aprendizaje: Diseño de actividades instruccionales, técnicas o estrategias innovadoras, programas de estudio, estructuras curriculares ramificadas, secuencias de aprendizaje activo, actividades complementarias basadas en el análisis predictivo.

5. Investigación y desarrollo: Análisis de grandes volúmenes de datos para identificar tendencias, patrones de aprendizaje, áreas de mejora en la enseñanza y el aprendizaje.

   Útiles para la investigación y desarrollo de nuevas prácticas docentes y enfoques instruccionales innovadores.

De igual manera, la IA Generativa plantea nuevos retos y desafíos en la Educación Superior que merecen ser examinados con mayor profundidad:

1. La posibilidad de generar un texto, resumir un artículo, crear una imagen, analizar un conjunto de datos u obtener una secuencia de código informático con una simple petición verbal, conlleva riesgos. Uno de los más visibles es la pérdida de control por parte de los humanos, tanto de los procesos de trabajo como de la calidad de los resultados. Este riesgo se acentúa especialmente si delegamos en la IA la emulación de habilidades de pensamiento de orden superior, gracias a la capacidad de ésta para ofrecer resultados plausibles y convencionalmente aceptables. Un escenario como éste podría conducir a un abandono progresivo del desempeño de dichas habilidades por parte de los humanos, con el consecuente desentrenamiento y pérdida de capacidades cognitivas superiores (Xavier Mas, 2024).

2. La dependencia excesiva de las herramientas de IA Generativa para realizar las tareas académicas, en lugar del pensamiento crítico y el esfuerzo mental, pudieran afectar la retención de la memoria, el funcionamiento cognitivo y las capacidades de pensamiento crítico. Así lo demuestra la investigación de Muhammad Abbas, Farooq Ahmed Jam & Tariq Iqbal Khan (2024).

3. Algunos educadores expresan preocupación por los posibles efectos negativos de la Agencia Estudiantil en términos del desarrollo de capacidades humanas de intervenir en su entorno de manera consciente y autónoma para toma de decisiones informadas y el control sobre los procesos de aprendizaje. Esto implica que los estudiantes sean entes activos en su proceso de crecimiento y desarrollo humano al establecer metas, tomar decisiones sobre qué aprender, cómo aprenderlo y cómo evaluar su propio desempeño. Que sean capaces de identificar sus propias limitaciones para aprender a superarlas por sí mismos sin depender de entes externos que les prescriba los recursos de apoyo necesarios en la construcción activa de su propio conocimiento. La investigación de Ali Darvishi, Hassan Khosravi, Shazia Sadiq , Dragan Gašević y George Siemens (2024) levanta esta bandera y nos invita a seguir investigando sobre este fenómeno educativo emergente.
4. Una limitación importante es la falta de capacidad de la IA para comprender y hacer inferencias sobre los estados mentales, los procesos de pensamiento y el conocimiento existente de los estudiantes. Sin esta capacidad, los tutores de IA luchan por identificar y abordar los conceptos erróneos de los estudiantes individuales, brindar orientación personalizada y desarrollar las conexiones personales que motivan e involucran a los alumnos a lo largo del tiempo. Los pensadores críticos pueden realizar habilidades como el análisis, sin duda, pero también realizan estas tareas de manera reflexiva y con humildad intelectual. Llegan a juicios subjetivos. La IA no puede pensar críticamente porque no sabe qué valorar, tiene un sesgo hacia la equidad y, desde luego, no puede reflexionar sobre sus propios pensamientos (Cristóbal Cobo, 2024).
   
   
5. Yann LeCunn (2024) expone que la parte generativa del cerebro es lo que convierte las ideas y los planes en acciones, incluidas las palabras habladas y escritas. Pero la parte difícil de la inteligencia es llegar a esas ideas y planes. En el cerebro, las ideas se forman en la corteza prefrontal. Convertirlas en acciones se ejecuta en la corteza motora y el cerebelo. Reducir la inteligencia a la generación es como reducir el software a las instrucciones de imprimir en el papel.
   
   
6. Noam Chumsky (2023) entiende que estos programas están atrapados en una fase pre-humana o no-humana de la evolución cognitiva. Su defecto más profundo es la ausencia de la capacidad más crítica de cualquier inteligencia para describir o predecir algo. “Por muy útiles que puedan ser estos programas en algunos ámbitos concretos (programación informática, o rimas de versos ligeros), sabemos por la ciencia de la lingüística y la filosofía del conocimiento que difieren profundamente de la forma en que los seres humanos razonan y utilizan el lenguaje. Estas diferencias imponen limitaciones significativas a lo que pueden hacer, codificándolos con defectos inerradicables” (Alexis Paiva, 2023).
7. Se plantean cuestionamientos sobre la responsabilidad y el sesgo algorítmico. Es fundamental asegurar que los modelos IAGen utilizados en educación sean transparentes, explicables y justos, evitando la reproducción de prejuicios y discriminaciones. También es necesario establecer mecanismos de rendición de cuentas y supervisión para garantizar que los sistemas de IA no tomen decisiones que puedan perjudicar a los estudiantes.

Los planteamientos presentados, nos llevan a profundizar sobre la posibilidad de enfrentar una nueva emergencia educativa con la proliferación de herramientas generativas de la IA. Estamos frente a una creación humana en sus primeras etapas de desarrollo que seguirá expandiendo sus capacidades algorítmicas hasta alcanzar altos niveles NeuroTecnológicos. Nos referimos a un campo en rápido crecimiento dirigido a entender el funcionamiento del cerebro humano con la finalidad de crear tecnologías que interactúen con él. Por tanto, el sistema educativo superior enfrenta la dicotomía de los grandes avances de la IA generativa, así como desafíos significativos que requieren respuestas urgentes y efectivas.

Es por esta razón que decidimos publicar este post con la finalidad de aportar al fenómeno tecno-educativo que está provocando la IAGen en el escenario universitario. Actualmente, estamos experimentando con modelos algorítmicos utilizados principalmente para aumentar las capacidades creativas y automatizar algunas las tareas humanas. Sin embargo, creemos que la integración de la IA Educativa debería dirigirse más hacia las formas de humanizar las generaciones algorítmicas en los procesos de aprendizaje.

El campo de la neurociencia nos permite estudiar a nivel sináptico cómo funcionan nuestros cerebros. La sinápsis neuronal es un proceso fundamental en el funcionamiento del sistema nervioso que permite la comunicación entre las neuronas. Se trata de una conexión especializada entre dos neuronas, donde se transmite la información en forma de señales electro-químicas. La neurona presináptica es la encargada de enviar la señal, mientras que la neurona postsináptica la recibe. La comunicación entre ambas neuronas se realiza a través de pequeñas estructuras llamadas vesículas sinápticas que contienen neurotransmisores. Estos son sustancias químicas encargadas de transmitir la señal de una neurona a otra.

Cuando una señal eléctrica llega a la neurona presináptica, se producen cambios en su membrana que desencadenan la liberación de los neurotransmisores en el espacio sináptico. Estos neurotransmisores se unen a receptores específicos en la membrana de la neurona postsináptica, generando una respuesta eléctrica en esta última. De modo que, la sinápsis neuronal es esencial para el procesamiento de la información en el cerebro y juega un papel crucial en funciones cognitivas como el aprendizaje y la memoria. El enfoque educativo de la Sinapsis Algorítmica es una propuesta que hacemos con el objetivo de activar las capacidades humanas en el núcleo de la educación algorítmica (Juan Domingo Farnós), de la misma manera que pretendemos llevar a los estudiantes al centro de su proceso de aprendizaje.

La Sinapsis Algorítmica (SA) se define como la fusión revolucionaria de la capacidad neuronal del cerebro humano con los procesos algorítmicos de la inteligencia artificial (IA). Mediante esta simbiosis, las conexiones neuronales del cerebro interactúan con los algoritmos de la IA para potenciar los procesos mentales que provocan el aprendizaje. Este enfoque se basa en la analogía entre las sinapsis cerebral y los algoritmos de la IAGen. Al igual que la sinapsis permite la transmisión de señales entre neuronas, los algoritmos en la IA permiten el procesamiento y transmisión de información a través de redes neuronales artificiales. La SA representa una nueva frontera en la investigación y desarrollo de la IA Educativa con el potencial de revolucionar la forma en que los humanos interactuamos con la tecnología y expandimos nuestras capacidades de aprendizaje.

En la imagen superior, podremos contextualizar la práxis colaborativa ciber-humana. El cerebro encomienda la responsabilidad de ser creativa, proporcionar razonamiento abstracto, intuición y emocionalidad. Mientras que la IA es responsable de la velocidad de procesamiento, la capacidad para dimensionar datos masivos y encontrar patrones difíciles en los grupos de datos utilizados para el entrenamiento de la base de datos. Tal intervención es relevante cuando se trata de usuarios de IAGen en procesos de aprendizaje humano. Los usuarios de la IA interactúan con modelos LLM que generan contenidos en diversos formatos, pero en paralelo, existe una programación algorítmica para aprender y evolucionar en base a la interacción humana. De modo que la SA sirve como un puente entre las funciones electro-químicas de la mente humana y las operaciones algorítmicas ejecutables en los modelos de integración de larga escala.  

Además, la SA también puede ser vista como una práctica instruccional centrada en ampliar las capacidades cognitivas y creativas del ser humano. Al integrar la IAGen en los procesos de pensamiento y aprendizaje, los usuarios integrarían diferentes de recursos digitales con otras perspectivas transversales, investigaciones científicas y modelos mentales emergentes. Esto podría conducir a avances significativos en los campos de la ciencia, arte, ingeniería, educación y muchos otros, impulsados por una colaboración simbiótica entre la mente humana y la IA Generativa.

Hablamos de un enfoque tecno-educativo que establece una convergencia revolucionaria entre la inteligencia humana y la generativa, en la cual las capacidades únicas de cada una se complementan y potencian mutuamente para impulsar aprendizajes y la creatividad hacia nueva fronteras del conocimiento. Su objetivo final consiste en activar las zonas neuronales para conectarlas con las capacidades algorítmicas de los modelos generativos. Nuestros cerebros no deberían operar para la simple entrega generativa, sino para la construcción de relaciones sostenibles, pensamientos abstractos, ideas complejas, decisiones informadas, procesos anaíticos y solución de conflictos altamente complicados. Hablamos de cerebros aumentados, no de cerebros memorísticos.

En el contexto de la transformación digital, la gente y los ordenadores están entrando en una intrigante simbiosis. No es solo que los algoritmos actúen sobre nosotros, sino que nosotros también actuamos sobre los algoritmos. Desde esta perspectiva, lo importante no son solo los efectos de los algoritmos sobre los actores sociales, sino las interrelaciones entre los algoritmos y los actos sociales de adaptación Daniel Innerarity (2024). 

Cuando utilizamos tecnologías que no opacan o trastornan los que signifca el ser humano, estamos hablando de lo que se conoce como Ingeniería Positiva (IP). Desde el punto de vista educativo, la IP se centra en el diseño, desarrollo e implantación responsable y ética de las herramientas de Tecnología Educativa (EdTech) que amplifican los procesos mentales. Amplificar consiste en visualizar las conexiones mentales de los aprendices en diversidad de aplicaciónes tecnológicas. Lo que busca es mejorar la calidad de vida de los aprendices, así como su bienestar individial y colectivo.

Un aspecto fundamental de la IP es su compromiso con el empoderamiento humano. Esto implica diseñar tecnologías que promuevan la autonomía, inclusión y el desarrollo personal, en lugar de crear sistemas que subyuguen o excluyan a las personas. Por ejemplo, en el campo de la IA Educativa, esto recaerá en el desarrollo de algoritmos en sistemas transparentes, interpretables y justos, evitando así la creación de sistemas algorítmicos que perpetúen los sesgos y discriminación.

De modo que:

1. Saber formular instrucciones claras, completas y sin ambigüedades.
2. Evaluar de forma crítica los resultados proporcionados por los modelos generativos.
3. Aplicar el razonamiento lógico a través del dominio del lenguaje. 
4. Liderar una conversación para llegar a obtener los resultados esperados... 

... son algunas recomendaciones necesarias de Xavier Mas (2024) para potenciar las capacidades ciber-humanas. 

Aunque algunas arquitecturas IA (redes neuronales digitales y sistemas de aprendizaje profundo), están diseñadas para emular la estructura y función de las redes neuronales humanas, están muy lejos de ser equivalentes a un cerebro humano. Un LLM puede describirse como un cerebro sin entradas sensoriales ni agencia. Un cerebro sin mente, conciencia y autoconciencia. Al construir respuestas a preguntas textuales, la IAGen predice palabras una por una sin comprender ni ser consciente de su significado. Como un loro que repite lo que ha oído del humano sin comprender lo que significan esas palabras, los LLM son una
actuación de exposición sin comprensión ni metacognición.

No se trata de producir un texto bien estructurado sino de desarrollar la capacidad mental de organizar las propias ideas, conectarlas con las ideas de otros, analizar afirmaciones, sintetizar conocimientos y satisfacer nuestra necesidad fundamental de comunicarnos con los demás y aprender de ellos (Lydia Cao y Chris Dede, 2024).

 

En última instancia, la Sinápsis Algorítmica aspira a utilizar la IAGen como un recurso tecno-educativo que promueve el progreso humano, enriqueciendo nuestras vidas de manera significativa y sostenible. Al hacerlo, busca garantizar que el avance tecnológico esté alineado con los valores humanos fundamentales, preservando la dignidad, la libertad y el bienestar de las personas en un mundo cada vez más digitalizado.