Hace un par de años, algo cambió en las clases de estadística, y no fue anunciado formalmente. Los estudiantes comenzaron a presentar interpretaciones generadas por IA de sus resultados de JMP, interpretaciones fluidas, seguras y, a veces, completamente erróneas. El análisis estaba ahí. La comprensión, a menudo, no.
Esa brecha entre la generación dominante y el pensamiento frágil es ahora el principal desafío en la enseñanza del análisis de datos, pero prohibir la IA no es la solución. La verdadera pregunta es si estamos diseñando tareas que realmente requieran pensar.
En el primer episodio de esta serie de blogs, expuse cómo podría ser una buena enseñanza de estadística antes de la llegada de la IA. Este episodio trata sobre los cambios que se producen al usar la IA y cómo los instructores pueden aprovechar esos cambios en lugar de simplemente gestionarlos.
La nueva realidad del aula
Ethan Mollick, cuyo libro “Co-Intelligence” [5] se ha convertido en lectura obligatoria para cualquiera que reflexione seriamente sobre la IA en la educación, lo expresa claramente: los deberes escolares tal como los conocemos han llegado a su fin. Creo que tiene razón en líneas generales, pero más que una crisis, se trata de un reto de diseño.
Los estudiantes de hoy en día son extraordinariamente buenos para generar respuestas. Sin embargo, tienen menos confianza a la hora de evaluarlas . Pueden pegar la salida de JMP en una herramienta de IA de propósito general y obtener un párrafo de interpretación bien elaborado. Lo que no siempre pueden hacer es determinar si esa interpretación es correcta, si se eligió el modelo adecuado, si se verificaron los supuestos o si la conclusión se deriva realmente de los datos.
Ahí es donde el rol del instructor puede cambiar, pasando de ser un mero transmisor de información a convertirse más bien en un guía del razonamiento. A medida que el enfoque se desplaza de la mera explicación, como por ejemplo qué es un valor p, los instructores deberían diseñar experiencias de aprendizaje en las que los estudiantes deban comprender por qué un análisis en particular es apropiado y qué significa realmente el resultado en contexto.
Aumento, no automatización.
La cuestión central del diseño de cualquier herramienta de IA en la educación radica en si se utiliza para automatizar o para potenciar las capacidades humanas. La automatización sustituye una decisión humana, mientras que la potenciación la complementa y mejora. Estas funciones no son lo mismo, y confundirlas es la principal causa de la ansiedad que rodea a la IA en el aula.
El objetivo en la enseñanza de la estadística siempre debe ser el desarrollo de habilidades: una IA que ayude a los estudiantes a pensar con mayor claridad, no una IA que piense por ellos. Esta distinción influye en todo, desde las herramientas que se deben usar y cómo usarlas, hasta qué tareas aún son fiables para determinar si se ha producido el aprendizaje.
Lo que la IA realmente ofrece
Antes de abordar los riesgos, que son reales y se examinan en detalle en el Episodio 4, vale la pena mencionar cómo la IA beneficia realmente a un curso de estadística:
- Siempre disponibles. Los estudiantes pueden hacer preguntas a cualquier hora, sin tener que esperar al horario de oficina ni sentirse avergonzados por no haber seguido la clase.
- Infinitamente paciente. La IA explicará el mismo concepto tantas veces como sea necesario, de tantas maneras diferentes como se solicite.
- Libera tiempo en clase. Cuando las preguntas rutinarias sobre procedimientos se realizan fuera del aula, el tiempo restante se puede dedicar a la discusión, la interpretación y el tipo de ambigüedad que la IA realmente no puede resolver.
Un tipo diferente de IA: LearnBot en JMP
LearnBot [3] es un complemento gratuito que se puede descargar desde JMP Marketplace y al que se accede desde el menú Ayuda dentro de JMP Student Edition. Está entrenado con la documentación y los recursos de aprendizaje de JMP, lo que lo convierte en un tutor especializado y sensible al contexto, en lugar de un chatbot de propósito general.
LearnBot es una IA conversacional basada en texto que funciona como tutor de JMP y estadística. No tiene acceso a los datos ni a los resultados del estudiante. En cambio, los estudiantes describen lo que ven con sus propias palabras y LearnBot responde a esa descripción.
Esa proximidad es importante. En lugar de cambiar a una pestaña del navegador, el estudiante permanece dentro del entorno analítico con un solo clic, justo donde se está realizando el trabajo.
Y el acto mismo de describir los resultados a LearnBot constituye un momento de aprendizaje. Antes de formular una buena pregunta, hay que encontrar las palabras para describir lo que se observa. Es en esa articulación donde la comprensión se revela o se desmorona.
Consideremos un ejemplo concreto. Un estudiante realiza una regresión y observa un R² de 0,71 junto con un gráfico de residuos que muestra un patrón claro. Escribe en LearnBot: «Mi modelo de regresión múltiple muestra un R² de 0,71, pero el gráfico de residuos presenta una estructura o patrón claro. ¿Qué significa esto?».
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Mediante LearnBot en JMP Student Edition, el estudiante describe los resultados de su regresión y recibe orientación estadística y sobre JMP.
LearnBot explica qué indica un gráfico de residuos con patrones y luego pregunta: "¿Te gustaría recibir orientación sobre cómo agregar un término cuadrático o realizar una transformación en JMP?". Esa pregunta de seguimiento es clave. El objetivo no es dar la respuesta, sino estimular el razonamiento del estudiante.
Advait Sarkar [4] advierte del riesgo de convertirnos en “gerentes intermedios de nuestros propios pensamientos”, delegando el razonamiento a la IA en lugar de desarrollarlo nosotros mismos. LearnBot está diseñado para contrarrestar precisamente esa tendencia.
“Hay una diferencia entre una herramienta que responde a tu pregunta y otra que te ayuda a formular una mejor.” |
El verdadero cambio:Adiseño de la tarea
El mayor cambio para los instructores no radica en elegir qué herramientas de IA permitir, sino en rediseñar las tareas asignadas. La calidad del resultado que un estudiante obtiene de cualquier herramienta de IA depende en gran medida de la calidad de su propio trabajo. Compare estas dos indicaciones:
- ✘ Ejecute una regresión e informe el R².
- ✔ Compara dos modelos, justifica tu elección e identifica una suposición que no puedas verificar.
La segunda tarea no puede subcontratarse sin comprenderla. El flujo de trabajo visual y exploratorio de JMP invita de forma natural a este tipo de interpretación, lo cual es una de las razones por las que funciona bien como entorno de enseñanza incluso cuando la IA forma parte del proceso.
Un aula más inteligente
En entornos híbridos o de aula invertida, su eficacia se potencia aún más. Los estudiantes exploran datos y utilizan la IA para resolver dudas antes de clase. El tiempo en clase se centra entonces en el debate, el análisis crítico y la resolución de la ambigüedad del mundo real que ninguna IA resuelve eficazmente en la actualidad.
Como lo expresa Russ Wolfinger de JMP [6]: la IA complementa, no reemplaza. La labor del instructor consiste en diseñar el entorno de aprendizaje de manera que la mejora sea la experiencia real de los estudiantes, no un atajo para evitar el razonamiento necesario.
El episodio 3 profundiza en JMP Assistant: sus flujos de trabajo analíticos concretos, lo que puede y no puede hacer, y cómo usarlo de manera que los estudiantes mantengan el control.
Prueba esto
Instala LearnBot [3] desde JMP Marketplace y ábrelo desde el menú Ayuda en JMP Student Edition. Proporciona a los estudiantes un conjunto de datos y pídeles que realicen un análisis de su elección. Luego, pídeles que describan con sus propias palabras un resultado que les genere dudas a LearnBot y que compartan la información en la siguiente clase. Lo que escriben a LearnBot suele revelar más sobre su comprensión que el propio análisis.
Referencias
[1] Programa Académico JMP , jmp.com/academic
[2] Edición para estudiantes de JMP , jmp.com/student
[3]LearnBot (Mercado de JMP) , marketplace.jmp.com
[4] Advait Sarkar, “Cómo evitar que la IA mate tu pensamiento crítico”, Charla TED, 2025
[5] Ethan Mollick, “Co-Inteligencia: Vivir y trabajar con IA”, Portfolio/Penguin, 2024
[6] Russ Wolfinger, “Las siete principales maneras en que los científicos e ingenieros deben prepararse para la era impulsada por la IA”, documento técnico de JMP
[7]Revisión del informe universitario GAISE (en curso, 2025)
Acerca de laaautor
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 2 de 5 • Siguiente: El asistente JMP en la práctica: ENlo que puede hacer por ti
