Cuando comencé mi doctorado en tecnología del habla en la Universidad Ruhr de Bochum a principios de la década de 1990, la IA no era un término que se usara a la ligera. Teníamos modelos ocultos de Markov, redes neuronales con pocas capas y una enorme cantidad de ingeniería de características manual. Había que entenderlo todo. No había atajos para las estadísticas: ni para los datos, ni para los modelos, ni para las decisiones. Había que saber qué se hacía y por qué.
Han pasado tres décadas. Ahora trabajo con profesores universitarios de toda Europa que intentan enseñar esa misma disciplina —el razonamiento estadístico y el juicio analítico— a estudiantes que llevan consigo más capacidad informática que la que tenía todo nuestro instituto en 1994. Y muchos de esos estudiantes llegan esperando una herramienta que piense por ellos.
Esa tensión es el tema central de esta serie. No se trata de si la IA tiene cabida en las clases de estadística —que la tiene, de alguna forma—, sino de cómo nos aseguramos de que perfeccione, en lugar de reemplazar, el razonamiento que intentamos enseñar.
Sin embargo, antes de hablar de IA, quiero defender una idea más fundamental: cómo es una herramienta de enseñanza realmente buena antes de que la IA entre en escena.
El problema con la mayoría de las herramientas de enseñanza
Enseñar estadística es difícil. No principalmente porque las matemáticas sean inaccesibles, ya que la mayoría de los contenidos introductorios no representan un obstáculo para un estudiante universitario motivado. La verdadera dificultad radica en conectar el método con el propósito. Los estudiantes aprenden una prueba t, una prueba chi-cuadrado y una regresión. Lo que a menudo no aprenden es cuándo usar cada una y por qué esa elección es importante.
Las herramientas que requieren programación, como R o Python, desvían la carga cognitiva hacia la sintaxis. Los estudiantes dedican la sesión a depurar un bucle en lugar de analizar sus datos. Esto no es una crítica a dichas herramientas; son realmente potentes e importantes. Sin embargo, en los cursos introductorios de estadística, este tipo de herramientas suelen ser un obstáculo.
En el otro extremo, las herramientas totalmente automatizadas responden a la pregunta antes de que el estudiante haya tenido la oportunidad de formularla.
Lo que la mayoría de los instructores buscan, pero rara vez encuentran, es un punto intermedio: una herramienta lo suficientemente potente para un análisis profundo, pero a la vez lo suficientemente estructurada para facilitar el aprendizaje. Debe ser algo que se utilice en un entorno profesional, no una herramienta didáctica simplificada.
Lo que realmente ofrece JMP Student Edition
JMP Student Edition [2] es la versión de JMP diseñada específicamente para uso académico. No se trata de una versión reducida. Cubre el rango analítico que realmente necesitan los cursos de estadística introductoria e intermedia, y es el mismo entorno con el que muchos estudiantes se encontrarán si, tras graduarse, se incorporan al sector industrial o a la investigación.
Lo que lo hace idóneo para la enseñanza es una combinación de factores que son fáciles de subestimar:
- Lo visual antes que lo numérico. JMP sitúa los gráficos en el centro del análisis. Los estudiantes ven los datos antes de ver las estadísticas. No se trata de una preferencia de diseño, sino de una elección pedagógica que se ajusta al desarrollo real de la intuición estadística.
- Interactivo por defecto. Los gráficos se actualizan en tiempo real. Puedes seleccionar un punto, una región o una barra, y el resto de la información se mostrará automáticamente. Los estudiantes exploran en lugar de calcular.
- Se requiere interpretación . JMP no les dice a los estudiantes qué significan sus resultados. Genera resultados, ya sean distribuciones, gráficos de residuos o estadísticos de prueba, y luego espera que el analista los interprete. El aprendizaje se produce en el espacio entre los resultados y su interpretación.
- Amplitud sin complejidad innecesaria. La plataforma abarca el marco del Informe Universitario GAISE [5], las directrices ampliamente utilizadas para la enseñanza de estadística introductoria, sin abrumar a los principiantes. El menú completo está disponible para que el curso pueda diseñarse adecuadamente.
Este último punto es más importante de lo que parece. El profesor Koo Rijpkema y yo exploramos esta característica directamente en una presentación y seminario web reciente de JMP Discovery Summit Europe [4]: JMP es una herramienta de nivel profesional, y su amplitud puede resultar abrumadora para los nuevos usuarios. Estructurar el entorno de aprendizaje decidiendo qué menús, qué flujos de trabajo y qué nivel de salida utilizar es, en sí mismo, una parte importante del diseño del curso. JMP Student Edition ofrece a los instructores suficiente margen para tomar esas decisiones con criterio.
Un flujo de aprendizaje natural
Muchos profesores eligen JMP Student Edition porque prefieren la metodología de análisis estadístico de JMP: comenzar con los datos, explorarlos visualmente y luego avanzar hacia la inferencia. Esta secuencia no es arbitraria. Refleja cómo trabajan realmente los analistas experimentados y fomenta hábitos que perduran más allá del curso.
El Informe Universitario GAISE [5], el marco más citado para la enseñanza de estadística introductoria, recomienda precisamente este enfoque:
- Enseñe pensamiento estadístico, no solo procedimientos estadísticos.
- Utilice datos reales.
- Hacer hincapié en la comprensión conceptual por encima del cálculo mecánico.
- Fomentar el aprendizaje activo.
JMP Student Edition, utilizado con criterio, contribuye a alcanzar los cuatro objetivos.
Un puente práctico:RGuía basada en reglas con DAD
Una de mis herramientas favoritas para el aula es una extensión de JMP llamada Data Analysis Director (DAD) [3]. Dado que no se trata de IA generativa, no conversa, no genera texto ni produce explicaciones mediante un modelo de lenguaje. Su función es seguir una lógica analítica estructurada para guiar a los usuarios hacia el método de análisis adecuado.
Cuando un estudiante se enfrenta a una tarea de análisis específica, DAD formula una serie de preguntas clave: ¿Cuál es la variable de respuesta? ¿Los datos son continuos, nominales u ordinales? ¿Cuáles son las variables predictoras? En función de estas respuestas, sugiere un análisis adecuado y explica el razonamiento que justifica la sugerencia.
Puede parecer sencillo, pero es una herramienta de enseñanza increíblemente poderosa.
En clase, suelo darles a los estudiantes un conjunto de datos, como datos de satisfacción del cliente con variables de diferentes tipos, y les pido que utilicen el método DAD para elegir un análisis. Luego les hago una pregunta inesperada: ¿Están de acuerdo con él?
- ¿Qué suposiciones hace la herramienta?
- ¿Elegirías de otra manera?
- ¿Qué podría faltarle?
Use case for Data Analysis Director 19Caso de uso para el Director de Análisis de Datos 19
El verdadero aprendizaje se produce cuando se responden esas preguntas. DAD externaliza la lógica de decisión que un analista experimentado aplica automáticamente, pero que los principiantes a menudo desconocen. Hace visible el razonamiento, para que los estudiantes puedan examinarlo, cuestionarlo y aprender de él.
Y esa es la distinción clave: DAD no es un oráculo. Es un navegador de análisis basado en reglas , transparente, inspeccionable y determinista. A los estudiantes no se les da una respuesta. Se les muestra un punto de partida razonado y se les invita a interactuar con él.
“La IA debería perfeccionar, no reemplazar, nuestro razonamiento.” |
Antes de que la IA entre en escena
En este episodio nos hemos mantenido al margen de la IA generativa: los grandes modelos de lenguaje, los chatbots y las herramientas que pueden escribir código, redactar interpretaciones y responder prácticamente cualquier pregunta que un estudiante pueda formular. Eso llegará a partir del Episodio 2.
He comenzado deliberadamente esta serie con esta publicación que explica cómo JMP Student Edition ya fomenta un pensamiento estadístico sólido sin necesidad de activar ninguna función de IA. No estoy en contra de la IA, simplemente estoy sentando las bases antes de evaluarla. Si no se sabe cómo es un buen razonamiento analítico antes de que intervenga la IA, es muy difícil juzgar qué aporta realmente, así como qué resta silenciosamente.
El próximo episodio analiza precisamente eso: qué sucede cuando los modelos de lenguaje complejos se introducen en las clases de estadística, qué ofrecen realmente a los profesores y dónde empiezan a aparecer las primeras complicaciones.
Prueba esto
Instala Data Analysis Director [3] desde JMP Marketplace y ábrelo desde el menú Complementos. Luego, responde a todas las preguntas basándote en los datos que tengas disponibles. Deja que te sugiera un análisis y pregunta a tus alumnos si están de acuerdo y por qué. El debate posterior suele ser más instructivo que el análisis en sí.
Referencias
[1] Programa Académico JMP , jmp.com/academic
[2] Edición para estudiantes de JMP , jmp.com/student
[3] Director de análisis de datos (JMP Marketplace) , marketplace.jmp.com
[4] ¿ Perdido en JMP? Adelgazar para un mejor ajuste , Kraft & Rijpkema, JMP Discovery Summit EMEA 2026
[5]Informe universitario de GAISE (2016)
[6]Revisión del informe universitario GAISE (en curso, 2025)
Acerca del autor
Volker Kraft es Embajador Académico Principal (EMEA) en JMP Statistical Discovery (una empresa de SAS), y forma parte del Equipo Académico Global de JMP. Desde 2011, ha apoyado a universidades de toda Europa en la integración de JMP en la docencia y la investigación. Su trayectoria profesional se centra en la investigación de la tecnología del habla, un campo donde el rigor estadístico y el pragmatismo de la ingeniería coexistieron mucho antes de que la IA se popularizara. Puede contactarse con él a través de la Comunidad JMP o en LinkedIn .
Episodio 1 de 5 • Siguiente: La IA llega al aula: oportunidades para los profesores
