.png)
Evita alucinaciones en tu investigación: anatomía de un prompt
- Tesicafé
- hace 33 minutos
- 5 Min. de lectura
Conoce las metodologías GPEI y CREAR que te ayudarán a interactuar con la inteligencia artificial de manera ética y profesional para la elaboración de tu tesis y otros trabajos de investigación.
El uso de la inteligencia artificial en la investigación académica exige algo más que “hacerle preguntas” al sistema. Es por esto que en Reflexive Prompt Engineering A Framework for Responsible Prompt Engineering and Interaction Design de la Technical University of Munich Universidad Técnica de Munich define la ingeniería de prompts como la práctica de crear y refinar indicaciones con el fin de generar los resultados deseados por parte de los sitemas de inteligencia artificial.
Para evitar prácticas de deshonestidad, la ingeniería de prompts busca mejorar la calidad de los resultados, es fundamental que los tesistas aprendan a estructurar sus prompts. Es por eso que se han desarrollado métodos como el GPEI (Goal, Promt, Evaluation e Iteration), propuesto por académicos de la Universidad Nacional de Colombia, y el método CLEAR (Logical, Explicit, Adaptive, Reflective), diseñado en la universidad de Nuevo México, que te ayudarán a perfeccionar tus interacciones con la IA, asegurando que los resultados sean precisos y éticamente responsables.
De forma puntual, el enfoque GPEI propone definir una meta clara —por ejemplo, construir un estado del arte—, diseñar la indicación de forma estratégica, evaluar la respuesta obtenida e iterar el proceso hasta refinar los resultados. A continuación, te desglosamos paso a paso este método desarrollado por (nombres de los autores y especialidad):
Definir la Meta (Goal)
Antes de escribir cualquier instrucción, debes tener claro el objetivo final, ya que esto determinará la estructura de todo el proceso. Por ejemplo, "conviértete en mi asistente de investigación; nuestra meta es construir el estado del arte sobre el uso de la IA en estudiantes de posgrado".
Diseño de la Indicación (Prompt)
En este paso "programas" la interacción mediante instrucciones. Lo principal es asignarle un rol a la IA; por ejemplo: "Tu rol es de especialista en metodología cualitativa y ciencias sociales".
Parte de la indicación o prompt es la contextualización, que implica proporcionar información específica del proyecto, como los indicadores (ética, agencia, uso responsable), el método (cualitativo) y la unidad de análisis (estudiantes de una universidad específica); establecer límites, indicando lo que no se debe hacer, por ejemplo: “No uses información falsa" o "No mezcles enfoques cuantitativos si el estudio es cualitativo"; usar marcos de referencia como guías externas, para que la IA construya sus respuestas con base en documentos verificados.
Evaluación (Evaluation)
En este paso debes ejercer tu pensamiento crítico para analizar la respuesta de la IA considerando la precisión de los resultados. Cuestiónate si la respuesta es acorde a tu campo de estudio y si se cumplen los límites planteados. Detecta si la IA ha alucinado datos y verifica la información solicitándole las fuentes originales
Iteración (Iteration / Itinera)
Esta metodología entiende la interacción del tesista y la IA como un proceso dialéctico, no como una respuesta única. Por ello, este paso requiere iterar de forma continua al corregir, replantear, contraargumentar y refinar las respuestas que ofrece la IA.
A su vez, es recomendable que compares las respuestas de distintos modelos de lenguaje utilizando el mismo prompt en herramientas como ChatGPT, Gemini o Hugging Face, con el fin de evaluar cuál se ajusta mejor a los objetivos y límites de la investigación.
De acuerdo con el autor de CLEAR, el Dr. Leo S. Lo, experto en aprendizaje en la era de IA, su método agiliza la interacción con modelos de lenguaje por medio de la ingeniería de prompts, facilitando la creación y evaluación de contenido generado de manera efectiva. Este enfoque busca integrar el pensamiento crítico y la alfabetización informacional¹ en el proceso de investigación. El acrónimo representa los siguientes principios básicos a seguir:
Conciso (Concise)
Las instrucciones deben ser breves y directas al punto. Sin embargo, en el contexto de la investigación académica, el Dr. Lugo Sánchez, director de Tesicafé, sugiere que la precisión es más importante que la brevedad; ser demasiado conciso puede llevar a "alucinaciones" (datos inventados) si no se le proporciona a la IA la información necesaria para responder correctamente. Busca un equilibrio donde la instrucción sea compacta, pero al mismo tiempo contenga la información necesaria para la tarea de redacción.
Lógico (Logical):
El prompt debe tener una estructura que guíe a la IA de manera racional. Es decir, no debe ser una lista desordenada de peticiones, sino una secuencia organizada de instrucciones que guíe a la IA de manera racional.
Explícito (Explicit)
Las peticiones deben ser claras y sin ambigüedades, especificando exactamente qué se requiere del modelo. Al igual que en el GPEI, debes especificar el rol o la tarea específica. Cuanto más explícito seas sobre los límites, mejores serán los resultados.
Adaptativo (Adaptive)
El método implica un proceso flexible donde el usuario refina y ajusta sus instrucciones según los resultados obtenidos en la interacción. No te conformes con la primera respuesta sugerida por la IA. Por ejemplo, si identificas una respuesta monótona o “automatizada”, ajusta tu instrucción pidiendo un tono más reflexivo o que incorpore perspectivas adicionales.
Reflexivo (Reflective)
Tú como investigador debes evaluar de manera constante la calidad, relevancia y veracidad de la respuesta de la IA. Analiza si el texto generado es coherente y si las referencias citadas son reales. También, pregúntate si el resultado cumple con los objetivos de tu investigación o si detectas posibles sesgos informativos o incluso lingüísticos que la IA pueda estar reproduciendo.
Ambos métodos pueden sonar similares, ya que tanto GPEI y CLEAR son herramientas de ingeniería de prompts que mejoran la interacción con modelos de lenguaje de IA. Ambos pueden ser útiles en contextos académicos y profesionales; perfeccionan la precisión, utilidad y veracidad de las respuestas generadas; y reducen el riesgo de información inventada.
Sumado a que, al mismo tiempo, coinciden en la interacción con la IA como un proceso iterativo y no lineal, en el que debes ajustar continuamente tus instrucciones. Además, los dos modelos enfatizan la evaluación crítica del contenido producido, en la que debes tomar un rol activo como evaluador, para prevenir prácticas de deshonestidad académica.
Sin embargo, no logran ser lo mismo: la gran diferencia radica en que el GPEI se estructura como un proceso secuencial compuesto por etapas claramente definidas que guían paso a paso la ejecución de una tarea. En contraste, CLEAR no opera como una secuencia, sino como un conjunto de principios o criterios que orientan tanto la formulación como la revisión de los prompts, ofreciendo mayor flexibilidad en su aplicación.
Si quieres saber cómo se pueden aplicar estos métodos con ejemplos, te invitamos a consultar nuestro canal de Youtube donde encontrarás el video Haz tu tesis con apoyo de IA 5: prompts avanzados y guías de entrevista del cual surgió esta entrada de blog. Consulta también nuestros seminarios, talleres y capacitaciones. Contáctanos a tesicafepagina@gmail.com o amijares.tesicafe@gmail.com
Integra la IA en tu investigación cualitativa con enfoque crítico.
En la segunda edición de nuestro Laboratorio Social con IA conocerás herramienta
s diseñadas para metodologías cualitativas y aprenderás a utilizarlas sin perder el análisis humano, ético y reflexivo que exige la investigación académica.
Declaración: Esta nota fue escrita con ayuda de ChatGPT para la redacción de este texto y Google NotebookLM para resumir información. Sin embargo, se hizo bajo los criterios éticos de uso, donde hubo intervención y supervisión humana para las tareas de redacción final y revisión de resultados de la IA por Andrea Oropeza, así como una revisión final por Arlette Morales y Angelina Mijares.