9  Consejos, trucos y prompts útiles

Finalmente, aquí hay un resumen de algunas cosas relevantes a tener en mente cuando se usan LLMs para la enseñanza y el aprendizaje.

9.1 Consideraciones útiles

9.1.1 Da suficiente contexto

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

estoy enseñando un curso de división superior para estudiantes de matemáticas en una institución de educación superior. revisa los siguientes problemas para claridad en el lenguaje. [adjuntar o copiar y pegar los enunciados de los problemas...]

9.1.2 Seguimientos

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

9.1.3 Retroalimentación y reformulación

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

para el texto a continuación, dame retroalimentación como si fueras un editor. enfócate en la claridad del texto, así como en el lenguaje usado. esto es para un curso de química de división inferior. revisa consistencia, gramática y lenguaje técnico. mantén mi voz.

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 dado. Un enfoque particular podría incluirse en el prompt para mejorar la utilidad de la salida.

9.1.5 Razonamiento descubierto

Una buena forma de mejorar la calidad de las salidas de LLM es haciéndole un prompt para que explique su razonamiento. Cuando se usa para resolver problemas o analizar situaciones, incluir que explique o muestre su razonamiento al final usualmente lleva a mejores resultados.

9.1.6 Tutor/discípulo (para aprendices)

Puedes dotar a los LLMs con roles (temporales). Úsalo como un 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 forma muy efectiva de aprender un tema es enseñándolo. Considera también dotar a los LLMs con un rol de discípulo. Puedes hacerle un prompt para 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 dar 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

De igual manera, 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 (aprendices)

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

9.2.2 Calificar (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 y problemático. Para tareas de tipo clasificación (como calificar), los LLMs están sesgados hacia sus datos de entrenamiento. Además, debido a su naturaleza probabilística, estas clasificaciones podrían no ser replicables. 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 salidas no factuales. Este problema está mejorando, sin embargo, es importante siempre verificar las salidas y no tomarlas como 100% verdaderas.

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

Hacer prompts a los LLMs para producir 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 hacer prompts para que solo respondan con una respuesta corta puede producir ruido en la salida.