La forma de preguntar a la IA puede revelar cómo piensa un estudiante
Embedded Files
Vicerrectorado de Enseñanza Virtual 09/10/2026 ⏱️ 5 min
Cuando un estudiante utiliza ChatGPT para resolver una tarea, el resultado final no es la única información relevante. La forma en la que plantea sus preguntas reformula el problema o utiliza las respuestas de la IA también puede aportar información sobre su manera de trabajar. Una investigación reciente con estudiantes de Ingeniería ha encontrado que determinados patrones de interacción con ChatGPT fueron capaces de predecir el rendimiento en diferentes tareas académicas incluso mejor que el expediente académico previo (The Internet and Higher Education, 2026).
El estudio analizó a 128 estudiantes de último curso pertenecientes a cuatro titulaciones de Ingeniería.
Durante diferentes sesiones, los participantes utilizaron ChatGPT-4o para enfrentarse a cuatro tipos de tareas habituales en educación superior: análisis de casos, diseño de ingeniería, resolución de problemas de varios pasos y análisis de datos experimentales.
Los investigadores no se limitaron a evaluar el resultado final.
También analizaron cómo interactuaban los estudiantes con la IA y construyeron diez métricas destinadas a describir diferentes comportamientos durante las conversaciones.
El objetivo era comprobar si la forma de utilizar ChatGPT podía estar relacionada con el rendimiento académico obtenido en las tareas.
La eficiencia de las consultas fue uno de los principales predictores
Entre las variables analizadas, dos destacaron especialmente: la eficiencia de las consultas y la estrategia utilizada para abordar la resolución de problemas.
Los estudiantes que estructuraban mejor sus interacciones formulaban consultas más eficientes y utilizaban ChatGPT de forma más orientada al problema tendían a obtener mejores resultados.
Los investigadores encontraron además distintos patrones de comportamiento entre los estudiantes, lo que sugiere que no todos utilizan una herramienta como ChatGPT de la misma manera incluso cuando disponen del mismo modelo y deben resolver la misma actividad.
La diferencia no estaría, por tanto, únicamente en tener acceso a inteligencia artificial, sino en cómo se incorpora esa herramienta al proceso de resolución.
El prompting llegó a predecir mejor el rendimiento que el expediente
Uno de los resultados más llamativos del estudio aparece al comparar estas métricas de interacción con el rendimiento académico previo de los estudiantes.
Las estrategias de prompting utilizadas durante las actividades llegaron a aportar mayor capacidad predictiva sobre el rendimiento en las tareas que el CGPA, equivalente a la nota media acumulada del estudiante.
Esto no significa que aprender determinadas fórmulas de prompting permita obtener automáticamente mejores resultados académicos.
Los propios datos apuntan a algo más interesante: la forma de conversar con una IA puede estar reflejando capacidades relacionadas con la manera en la que el estudiante estructura un problema, identifica la información que necesita, ajusta una estrategia o decide cómo continuar.
El prompt como evidencia del proceso de aprendizaje
Este resultado abre una posibilidad especialmente interesante para la evaluación universitaria.
Cuando un estudiante entrega únicamente el producto final de una actividad realizada con IA, gran parte del proceso que ha seguido desaparece.
Dos estudiantes pueden entregar resultados similares después de haber utilizado ChatGPT de formas completamente diferentes.
Uno puede haber pedido directamente la solución.
Otro puede haber planteado primero el problema, solicitado diferentes alternativas, comprobado supuestos, detectado errores y refinado progresivamente su respuesta.
El producto final podría ser parecido, pero el proceso de aprendizaje es claramente distinto.
Analizar determinadas partes de la interacción con la IA puede ayudar a recuperar parte de esa información.
De enseñar “el prompt perfecto” a enseñar estrategias de interacción
Durante los últimos años se ha popularizado la idea de que utilizar correctamente inteligencia artificial requiere aprender determinadas estructuras o fórmulas para escribir mejores prompts.
Sin embargo, desde una perspectiva educativa puede resultar más interesante enseñar al estudiante a mantener una interacción de calidad con la IA.
Eso implica saber dividir un problema complejo, proporcionar el contexto necesario, reformular una consulta cuando la respuesta no resulta útil, contrastar alternativas y verificar los resultados generados.
El objetivo no sería memorizar una determinada estructura de prompt, sino desarrollar estrategias que permitan utilizar la IA como apoyo durante un proceso de razonamiento.
¿Puede utilizarse el historial de interacción como parte de la evaluación?
El estudio también permite plantear nuevas posibilidades para diseñar actividades académicas.
En tareas donde se permita utilizar inteligencia artificial, el docente podría pedir al estudiante que conserve determinadas evidencias del proceso seguido.
Por ejemplo, podría solicitar una selección de los prompts utilizados, explicar qué consultas fueron modificando durante la actividad, identificar una respuesta de la IA que tuvieron que corregir o justificar qué información generada decidieron utilizar y cuál descartaron.
Esto permitiría desplazar parte de la evaluación desde el producto hacia el proceso de interacción y toma de decisiones.
No sería necesario evaluar cada conversación completa ni convertir el número de prompts en una nueva métrica de calificación. Lo interesante sería utilizar esas evidencias para comprender cómo se ha construido el resultado.
La interacción con la IA también puede formar parte del aprendizaje
A medida que la inteligencia artificial se incorpora a las actividades universitarias, diferenciar entre resultado y proceso puede adquirir cada vez más importancia.
Si una herramienta puede generar rápidamente textos, cálculos o propuestas, el valor educativo puede desplazarse hacia capacidades como identificar un problema, formular buenas preguntas, comprobar una respuesta, detectar errores y decidir qué hacer con la información obtenida.
En ese contexto, el prompting deja de ser únicamente una técnica para obtener mejores respuestas.
También puede convertirse en una ventana al proceso de razonamiento del estudiante.
Y eso abre una nueva posibilidad para la educación superior: no limitarse a preguntar qué produjo el estudiante con ayuda de la IA, sino también cómo trabajó con ella para llegar hasta ese resultado.
Zhang, X., Wang, Y., & Li, C. (2026). Calibrating Generative AI Use for Sustainable Higher Education: Cross-Sectional Evidence on Perceived Capability and Dependence. Sustainability, 18(19), 9871. https://doi.org/10.3390/su18199871
Report abuse