Este glosario se enfoca en términos relacionados con la Inteligencia Artificial (IA) para facilitar la comprensión de los diversos recursos digitales que toman estas nuevas definiciones en el quehacer educativo, con el fin de ayudar a socializar esta valiosa información.

AIED

El uso de la inteligencia artificial en la educación (AIED por sus siglas en inglés) se refiere al empleo de la IA dentro del campo educativo. Es necesario destacar que su uso ha tomado cuatro roles: tutor inteligente, tutelado, herramienta de aprendizaje/compañero y asesor en la formulación de políticas.

Alfabetización en IA

Es la capacidad de comprender, interactuar y utilizar IA de manera efectiva y ética dentro de una amplia gama de contextos socioculturales. Esto implica tener un conocimiento sobre su funcionamiento y principios.

Se podría decir que es el conjunto de competencias que permiten evaluar, comunicar y colaborar de forma efectiva y crítica con esta tecnología.

Algoritmo

Los algoritmos son una serie de instrucciones a seguir para realizar cálculos, operaciones o procesos. En otras palabras, es un paso a paso que detalla cómo completar una tarea.

Su funcionamiento comienza con la toma de datos de entrenamiento, los cuales le ayudan a aprender a perfeccionarse. Existen algoritmos que aprenden por sí mismos (aprendizaje automático), así como aquellos que requieren de un programador para llevar a cabo este proceso.

Por lo tanto, para que la IA pueda funcionar se necesita un conjunto complejo de algoritmos que la puedan impulsar.

Amplificación de la inteligencia

La amplificación de la inteligencia (Intelligence Augmentation en inglés) o IA aumentada se centra en el desarrollo de tecnología para mejorar las capacidades cognitivas de los seres humanos, sin buscar su reemplazo.

Analíticas de aprendizaje

En educación, las analíticas de aprendizaje (learning analytics en inglés) es un campo emergente en la educación de carácter multidisciplinario, ya que integra informática, ciencias de la educación, estadística, minería de datos, pedagogía y ciencias de la conducta. En otras palabras, es el empleo de los datos para comprender y mejorar los procesos de enseñanza-aprendizaje.

Entre sus objetivos se encuentran los siguientes: apoyar las estrategias de instrucción, identificar estudiantes de riesgo para brindar intervenciones efectivas, mejorar las experiencias de aprendizaje mediante el seguimiento de actividades y de retroalimentación, etcétera.

Se utiliza en la realidad virtual (RV) y la realidad aumentada (RA), en asistentes inteligentes, entre otros.

Aprendizaje adaptativo

El aprendizaje adaptativo (adaptive learning) emplea la instrucción basada en datos para ajustar las experiencias de aprendizaje de cada estudiante (ya sea en términos de dificultad, ritmo, etc.). Este tipo de aprendizaje rastrea datos diversos, tales como el progreso, la participación y el desempeño. Con esta información se pueden diseñar e implementar experiencias de aprendizaje personalizadas.

Aprendizaje automático

El aprendizaje profundo (deep learning en inglés) es un subconjunto del aprendizaje automático (machine learning), el cual emplea redes neuronales profundas para aprender de los datos. Este tipo de aprendizaje toma como inspiración el funcionamiento del cerebro humano para procesar datos.

También reconoce patrones complejos (texto, sonido, imagen, etc.) para analizar la información y obtener predicciones concretas.

La funcionalidad del aprendizaje profundo se puede encontrar en controles de TV que se activan por voz, IA generativa, detección de fraudes, recomendación de productos, vehículos autónomos, chatbots, reconocimiento facial, entre otros.

Chatbot

Es un programa que simula una conversación humana con el usuario. Es importante recalcar que no todos los chatbots utilizan IA, pero ahora es más común que integren esa tecnología.

Tienen mucha relevancia en el área de atención al cliente, en el comercio electrónico (e-commerce), así como en áreas que requieran de un asistente virtual.

Datos

Unidades de información que han sido transformadas, con la finalidad de que puedan procesarse y transferirse con eficiencia.

Enseñar con IA

Implica la integración de la IA en la educación para impulsar los procesos de enseñanza-aprendizaje.

Enseñanza para la IA

Se refiere al desarrollo de conocimientos, habilidades y competencias para utilizar la IA de forma responsable y eficiente (relacionado con la alfabetización en IA). Puede ser implementado en cualquier nivel educativo y es necesario para que los estudiantes se puedan desarrollar plenamente en el mundo actual.

Conlleva el aumento de habilidades de pensamiento crítico, resolución de problemas, comprensión ética de la IA, conceptos básicos de la tecnología, entre otros.

Enseñar sobre la IA

Se relaciona con el uso y aplicación de los conocimientos sobre IA para desarrollar herramientas, programas, entre otros. Por ejemplo, los planes de estudio que integran programación, robótica, etc., en las aulas.

Integración

Se dice que hay una integración cuando un programa/producto armoniza con las capacidades y beneficios de la IA para mejorar aspectos diversos (funcionalidad, rendimiento, personalización, seguridad, etc.). Por lo tanto, no debe verse como dos herramientas por separado, sino como una incorporación de ambos.

Inteligencia artificial

Es la rama de la informática encargada de replicar las capacidades de pensamiento y toma de decisiones del cerebro humano. Los sistemas de IA se ocupan de realizar tareas complejas, mismos que requieren de algoritmos y datos para funcionar. Estos sistemas pueden ser basados en reglas (rule-based system) o con algoritmos de aprendizaje automático.

Varios autores señalan que el término de la IA es volátil y se encuentra en constante evolución, por lo que, conforme pase el tiempo, se tendrán nuevas definiciones que ajusten este concepto a los avances correspondientes.

IA débil

La inteligencia artificial débil o estrecha es aquella que aplica técnicas y algoritmos de aprendizaje automático y procesamiento del lenguaje natural para realizar tareas muy específicas de forma automatizada, por lo que tienen capacidad limitada fuera de ese rango de tareas.

Se centra en tareas definidas, tales como la identificación de patrones, reconocimiento de imágenes, etcétera. Se puede encontrar en diversas aplicaciones como chatbots, vehículos autónomos, entre otros.

IA ética

Se encarga de estudiar y dar respuesta a los dilemas éticos y sociales relacionados con el diseño, desarrollo e implementación de la IA.

IA fuerte

La inteligencia artificial fuerte o inteligencia artificial general (AIG) es una forma teórica que pretende desarrollar capacidades mentales y funciones que imitan al cerebro humano. Aunque sigue siendo un concepto teórico, esta tendría la capacidad de aprender y razonar, un gran sentido de adaptación a nuevas situaciones, así como la posesión y comprensión de otros estados mentales.

IA generativa

La inteligencia artificial generativa o gen AI es un sistema de IA capaz de generar contenido original, ya sea texto, audio, imagen, código, etc., el cual utiliza modelos de aprendizaje automático (modelos de aprendizaje profundo), para entender patrones y posteriormente generar nuevos datos.

Modelo de lenguaje de gran tamaño

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) son sistemas entrenados con grandes cantidades de datos que pueden generar contenido en lenguaje natural. Un ejemplo muy claro de esta tecnología es ChatGPT, Gemini, Google Translate, etcétera.

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural (PLN) (Natural Language Processing (NLP) en inglés) es un área de la IA y la lingüística computacional que estudia la interacción de los sistemas con el lenguaje humano.

El PNL se utiliza para que los sistemas puedan reconocer y entender el lenguaje humano para realizar infinidad de tareas, tales como: procesos de traducción, reconocer y responder a los comandos de voz (asistentes virtuales como Alexa), entre otros.

Prompt

Instrucción o conjunto de instrucciones (input) que se le da a un sistema de IA para que genere una respuesta.

Red neuronal

También se les conoce como redes neuronales artificiales (ANN) o redes neuronales simuladas (SNN). Es un modelo de aprendizaje automático (machine learning) inspirado en el funcionamiento del cerebro humano. Las redes neuronales, aunque complejas, imitan el funcionamiento de las neuronas. Por ende, requieren de entrenamiento con datos para funcionar correctamente, en términos de aprendizaje y mejoramiento de su precisión.

Las neuronas artificiales se organizan en capas para formar una red. Existen tres tipos de capas: de entrada (input), ocultas (procesamiento) y de salida (output).

Sesgo

Son los errores sistémicos y repetibles en un algoritmo que producen prejuicios o inclinaciones, resultando en discriminación, por lo que para ciertos grupos será más favorable que para otro.

Los sesgos pueden producirse cuando no hay diversidad en los datos, así como por la falta de evaluación y monitoreo, y la carencia de transparencia para saber cómo el sistema toma decisiones para detectarlos.

Sistema inteligente de tutoría

También conocido como Intelligent Tutoring Systems (ITS), es un programa de IA que simula ser un tutor/profesor que brinda una experiencia personalizada.

Puede ser usado para varios escenarios en educación: monitoreo, asesoría, retroalimentación y simulaciones de entornos de aprendizaje.

Visión computacional

La visión computacional o (computer vision en inglés) es un campo de la inteligencia artificial que le permite a los sistemas analizar el contenido visual, con el objetivo de que puedan tomar decisiones o hacer recomendaciones basadas en esos contenidos.

---

La inteligencia artificial es un campo emergente y volátil, por lo que algunos de los términos podrán sufrir modificaciones a lo largo del tiempo. Sin embargo, esta es una guía útil, hasta el momento, de la terminología clave que le permitirá al docente identificar y comprender más sobre esta tecnología en el campo educativo.