IA para Profesores de Física
Manuscrito técnico sobre el uso de la inteligencia artificial en la enseñanza de la Física para profesores en Perú.
La IA como Entrenador de Pensamiento Científico
Qué significa pensar como físico
Antes de generar un solo prompt, usted debe tener claro qué está tratando de entrenar. La Física no consiste en demostrar que una teoría es verdadera. Consiste en construir modelos que expliquen observaciones, hagan predicciones precisas y permitan encontrar dónde esos modelos dejan de funcionar. Que un modelo falle es lo esperado, porque si nunca pudiera estar equivocado no sería científico. La habilidad del físico no es evitar la refutación sino construir modelos lo bastante precisos para que la realidad pueda mostrarle dónde fallan.
Esto tiene una consecuencia directa en el aula. El error no es un fracaso del estudiante sino información. Un estudiante que predice mal, mide mal o argumenta con un modelo incompleto no ha fallado en el sentido escolar tradicional. Ha generado exactamente el tipo de dato que la ciencia necesita para avanzar. Su confianza no proviene de dejar de equivocarse sino de desarrollar la capacidad de revisar su pensamiento cuando la evidencia lo contradice.
Este principio organiza todo el capítulo. La IA no se usa para que el estudiante llegue más rápido a la respuesta correcta sino para que practique, una y otra vez, el ciclo: proponer un modelo, predecir con él, confrontarlo con la evidencia y revisarlo. Cada sección siguiente es una herramienta para sostener ese ciclo.
De "explícame el tema" a "entrena mi razonamiento"
El error más común al incorporar IA a su práctica es pedirle una mejor explicación de Newton, de la energía o del campo eléctrico. Ese uso es legítimo pero limitado. Coloca al estudiante otra vez en el rol pasivo de receptor.
En lugar de
"Explica la Primera Ley de Newton"
pídale a la IA que diseñe una situación que ponga a prueba el modelo mental del estudiante. La diferencia no es de forma sino de función. Una explicación entrega la respuesta. Una situación bien diseñada expone la fisura en el razonamiento del estudiante y lo obliga a repararla él mismo.
Las siguientes herramientas son las formas concretas de lograr esto con IA.
Cuestionar las concepciones erróneas del estudiante
Antes de corregir una idea, hay que identificarla con precisión. Las concepciones erróneas en Física no son aleatorias. Están documentadas, son recurrentes entre generaciones de estudiantes y tienen una lógica interna coherente, por eso una simple explicación no las erradica.
Plantilla de prompt
Eres un tutor de Física que usa preguntas en vez de explicaciones. Un estudiante de secundaria cree que los objetos más pesados caen más rápido que los livianos. Hazle preguntas que lo lleven a descubrir por sí mismo por qué esa idea es incorrecta. No le des la respuesta. Solo haz preguntas que lo obliguen a confrontar su modelo mental.
Generar preguntas de predicción
Pedirle al estudiante que prediga, con su modelo actual, qué va a ocurrir antes de mostrarle el resultado es el paso que más expone la fragilidad o solidez de su razonamiento. Una predicción equivocada, hecha con convicción, vale pedagógicamente más que una respuesta correcta memorizada.
Plantilla de prompt
Eres un profesor de Física. Diseña tres situaciones hipotéticas sobre el movimiento de un péndulo para que un estudiante de secundaria prediga qué ocurrirá antes de ver el resultado. Cada situación debe aumentar en complejidad: primero un cambio de masa, luego de longitud, luego de amplitud. Incluye la respuesta esperada después de cada predicción.
Generar contraejemplos
Un contraejemplo bien elegido hace en segundos lo que una explicación larga no logra: muestra que el modelo del estudiante, aplicado consistentemente, produce una conclusión absurda o contradictoria.
Plantilla de prompt
Eres un profesor de Física. Un estudiante sostiene que "un objeto en movimiento siempre se detiene si no hay una fuerza aplicada". Genera un contraejemplo simple de la vida cotidiana que muestre que esa afirmación lleva a una conclusión absurda. Preséntalo como una pregunta breve, no como una explicación.
Generar experimentos
El experimento es el árbitro final entre modelos en competencia. No se trata de "demostrar" la teoría correcta, sino de diseñar una prueba capaz de distinguir entre dos explicaciones que, hasta ese punto, son igualmente plausibles para el estudiante.
Plantilla de prompt
Eres un profesor de Física. Diseña un experimento casero con materiales accesibles para que un estudiante de secundaria distinga entre dos ideas opuestas: los objetos caen porque la Tierra los atrae o caen porque buscan su lugar natural. El experimento debe producir un resultado que solo una de esas ideas pueda explicar.
Generar escenarios "qué pasaría si"
Esta herramienta lleva el modelo del estudiante a un territorio no explorado directamente en clase, forzándolo a extrapolar. Es la versión física del pensamiento contrafactual: si mi modelo es correcto, ¿qué tendría que ocurrir en esta otra situación?
Plantilla de prompt
Eres un profesor de Física. Plantea una situación contrafactual a un estudiante de secundaria: "¿Qué pasaría si la Luna estuviera el doble de cerca de la Tierra?" Pídele que use su modelo actual de gravedad para predecir tres cambios observables. Después de su respuesta, proporciónale la predicción correcta y pídele que compare ambas.
Generar preguntas socráticas
A diferencia de las preguntas de predicción o los contraejemplos, la secuencia socrática no confronta al estudiante con un dato externo, sino con las consecuencias lógicas de su propia afirmación, formuladas por él mismo paso a paso.
Plantilla de prompt
Eres un tutor socrático de Física. Un estudiante afirma que "la energía se consume cuando usamos un electrodoméstico". No lo corrijas directamente. Haz una serie de preguntas que lo lleven a descubrir que la energía se transforma, no se consume, y a distinguir entre energía y potencia. Limítate a preguntar.
Generar problemas de diseño de ingeniería
Cuando el estudiante debe diseñar una solución bajo restricciones reales (costo, material, seguridad), no puede refugiarse en una fórmula aislada: se ve obligado a integrar varios modelos físicos a la vez y a aceptar que su primer diseño probablemente fallará, lo cual es, otra vez, el punto central del capítulo.
Plantilla de prompt
Eres un profesor de Física. Diseña un problema de ingeniería para estudiantes de secundaria donde deban construir un puente de papel que soporte el mayor peso posible usando solo 5 hojas de papel y 20 cm de cinta adhesiva. El problema debe obligarlos a aplicar conceptos de fuerza normal, tensión y distribución de carga. Incluye criterios de evaluación y restricciones de materiales y tiempo.
Su rol en este ciclo
Ninguna de estas herramientas lo reemplaza a usted. Todas dependen de su criterio para elegir el momento correcto de usarlas. La IA puede generar la concepción errónea documentada, el contraejemplo preciso o el experimento discriminante, pero usted decide cuándo el estudiante está listo para confrontar su modelo, y sostiene el espacio para que el error se viva como parte legítima del proceso científico, no como una falla personal.
La meta final de este capítulo no es que los estudiantes dejen de equivocarse sino que al equivocarse sepan exactamente qué hacer con ese error: usarlo para construir un modelo mejor. Esa es la confianza que un curso de Física bien enseñado debería dejar en cada estudiante.
El Prompt como Instrumento de Laboratorio
De la pregunta a la instrucción
El error más común al incorporar IA a su práctica es pensar que escribir un prompt es simplemente hacer una pregunta clara. "Explícame la segunda ley de Newton" parece suficiente. El modelo de IA responde, y la respuesta suele ser correcta. El problema no es la respuesta sino lo que no ocurre: el estudiante sigue siendo receptor.
Para usar un instrumento, un físico necesita entender cómo funciona. Un voltímetro no mide corriente porque sí, mide diferencia de potencial porque su circuito interno está diseñado para eso. Con un modelo de IA ocurre algo similar: su arquitectura determina qué tipo de instrucciones puede seguir y cómo las procesa. El Transformer introdujo el mecanismo de atención, que permite al modelo ponderar qué partes del prompt son relevantes para predecir cada palabra siguiente (Vaswani et al., 2017). Durante el entrenamiento con grandes volúmenes de texto, el modelo aprende a representar el lenguaje como una distribución de probabilidad sobre secuencias de tokens (Brown et al., 2020). Cuando usted escribe un prompt, esa distribución se desplaza hacia las regiones que históricamente han seguido a instrucciones similares. A escalas suficientemente grandes, emergen capacidades como el seguimiento de instrucciones y la inferencia de varios pasos (Wei et al., 2022).
Esto tiene una consecuencia directa en su práctica: el verbo que elige determina la operación que el modelo de IA ejecuta. Explica activa un camino dentro del modelo. Predice activa otro. Clasifica activa otro distinto. Un profesor que escribe siempre "explica" para todo está usando un solo instrumento para todas las mediciones.
El verbo elige la operación
En Física, seleccionar el instrumento correcto es parte del método experimental. No se mide un campo eléctrico con un termómetro. Con el modelo de IA ocurre lo mismo: cada verbo principal activa una operación interna distinta y produce un tipo de respuesta diferente.
Explica: el modelo recupera información y la organiza en un discurso coherente. Útil cuando el estudiante necesita una exposición clara de un concepto. No expone su razonamiento.
Plantilla de prompt
Eres un profesor de Física. Explica el principio de conservación de la energía para estudiantes de secundaria. Usa un ejemplo cotidiano y no incluyas ecuaciones.
Predice: el modelo extiende un modelo físico a una situación no especificada en el prompt. Útil para entrenar el ciclo de predicción-confirmación.
Plantilla de prompt
Eres un profesor de Física. Un estudiante deja caer una hoja de papel y una moneda desde la misma altura. Sin hacer cálculos, predice cuál llega primero al suelo y explica por qué. Después de su respuesta, confronta su predicción con el resultado real.
Clasifica: el modelo asigna categorías según criterios físicos. Útil para evaluar si el estudiante distingue entre conceptos.
Plantilla de prompt
Eres un profesor de Física. Clasifica los siguientes procesos como reversibles o irreversibles: difusión de un gas, oscilación de un péndulo sin fricción, mezcla de tinta en agua. Justifica cada clasificación.
Genera: el modelo produce contenido original a partir de cero, sin un texto fuente. Útil para crear problemas, analogías o situaciones nuevas.
Plantilla de prompt
Eres un profesor de Física. Genera tres problemas de cinemática para estudiantes de secundaria. Cada problema debe requerir que el estudiante elija entre dos ecuaciones distintas y decida cuál aplicar según el contexto. Incluye las respuestas.
Diseña: el modelo planifica una secuencia de pasos o un experimento bajo restricciones. Útil para entrenar pensamiento de ingeniería.
Plantilla de prompt
Eres un profesor de Física. Diseña un experimento casero para que un estudiante de secundaria determine si la masa afecta el período de un péndulo. Especifica materiales, procedimiento y qué variable debe medir.
Restricciones como condiciones de contorno
Una ecuación diferencial sin condiciones de contorno tiene infinitas soluciones. Un prompt sin restricciones produce una respuesta genérica, útil para nadie en particular. Especificar audiencia, formato y extensión acota el espacio de respuesta del modelo con la misma necesidad con que las condiciones de contorno acotan una solución física.
Tres tipos de restricciones que todo prompt debería incluir:
- Nivel: secundaria, universitario, experto. Sin esto, el modelo elige un nivel por defecto que suele ser más técnico de lo que su clase necesita.
- Formato: tabla, viñetas, párrafo, diálogo. Sin esto, el modelo elige prosa narrativa.
- Extensión: número de oraciones, palabras o párrafos. Sin esto, el modelo tiende a ser verbose.
Plantilla de prompt
Eres un profesor de Física. Explica el concepto de campo eléctrico para estudiantes de secundaria en exactamente tres oraciones. No uses ecuaciones. Termina con una pregunta que los obligue a aplicar la idea a un ejemplo cotidiano.
El contexto como condición inicial
En un sistema dinámico, la trayectoria depende de las condiciones iniciales. En una conversación con un modelo de IA, cada mensaje anterior modifica el estado interno. Un mismo prompt produce respuestas distintas según lo que se haya dicho antes.
Esto tiene dos consecuencias prácticas. Primera: puede encadenar prompts para profundizar progresivamente. El primer prompt establece el tema y el tono; el segundo aprovecha ese contexto para una pregunta más específica. Segunda: cuando el modelo se desvía, un nuevo mensaje que reformule la instrucción suele ser más efectivo que insistir en la misma frase. Si el contexto se contamina (por ejemplo, después de varias correcciones el modelo empieza a contradecirse), iniciar una conversación nueva es la única solución confiable.
Plantilla de prompt
Eres un tutor de Física. Un estudiante de secundaria acaba de aprender el concepto de aceleración. En la conversación anterior identificaste que confunde aceleración con velocidad. Continúa la tutoría. Pídele que describa qué pasa con la aceleración cuando un objeto sube y baja en tiro vertical. No le digas si está bien o mal, solo haz preguntas.
Validación: el físico verifica sus instrumentos
Ningún instrumento de medición es infalible. Un físico conoce el rango de validez de sus instrumentos y verifica los resultados que caen fuera de ese rango. El modelo de IA produce respuestas con alta confianza incluso cuando está equivocado, como un instrumento mal calibrado que da lecturas precisas pero incorrectas.
Tres modos de fallo documentados en prompts de Física. Primero: el modelo inventa referencias bibliográficas que parecen plausibles pero no existen. Segundo: aplica fórmulas incorrectas al contexto, por ejemplo usa conservación de energía cuando el problema involucra una colisión inelástica donde la energía no se conserva. Tercero: confunde conceptos similares, como energía cinética y momento lineal, o campo eléctrico y campo magnético.
La verificación tiene un protocolo simple: pedirle al modelo que revise su propia respuesta. No es infalible, pero reduce significativamente los errores detectables. La herramienta más confiable sigue siendo su propio conocimiento de Física.
Plantilla de prompt
Eres un profesor de Física. Revisa la siguiente respuesta que diste sobre el efecto fotoeléctrico. Identifica cualquier error, imprecisión o suposición no declarada. Si encuentras errores, corrígelos y explica por qué el original estaba equivocado.
El objetivo de este capítulo no es que usted memorice plantillas. Es que tenga un marco para diseñar las suyas propias, conociendo los principios que gobiernan cómo responde el instrumento que tiene en las manos. Un prompt bien diseñado es reproducible, está documentado y produce resultados interpretables, como un protocolo de laboratorio.
Historial de cambios
2026-07-28
- Publicación inicial del manuscrito.
- Pipeline de publicación Markdown operativo.
- Capítulo 2 añadido: "El Prompt como Instrumento de Laboratorio".
- Referencias actualizadas con 3 citas verificadas (Vaswani et al., 2017; Brown et al., 2020; Wei et al., 2022).
- Navegación reorganizada: Capítulo 1 y Capítulo 2 con numeración independiente y títulos sin prefijo numérico.
Historia del documento
| Fecha | Hito |
|---|---|
| 2026-07-28 | Inicio del manuscrito. Publicación de la edición preliminar 0.1.0. |
Referencias
Marco normativo peruano
- Ministerio de Educación del Perú. Currículo Nacional de la Educación Básica. MINEDU, 2016.
- Ley Universitaria N.º 30220.
- SUNEDU. Modelo de Licenciamiento Institucional.
Literatura académica
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://doi.org/10.48550/arXiv.1706.03762
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165
Wei, J., Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., Yogatama, D., Bosma, M., Zhou, D., Metzler, D., Chi, E. H., Hashimoto, T., Vinyals, O., Liang, P., Dean, J., & Fedus, W. (2022). Emergent Abilities of Large Language Models. Transactions on Machine Learning Research. https://doi.org/10.48550/arXiv.2206.07682
Conclusiones
Este manuscrito es un trabajo en construcción activa. Si es usted profesor de física, investigador en educación o tomador de decisiones en el sistema educativo peruano, su lectura y seguimiento son bienvenidos.
La invitación es a leer, cuestionar y, cuando corresponda, aplicar. No hay promesas de resultados. Hay un compromiso con el rigor, la transparencia y la mejora continua.
El conocimiento no se construye apresuradamente.