IA: Tu Copiloto Académico

Universidad Francisco Marroquín
Profesores: Alberto Javier de Torres Pachón y Miguel González Calvo
Duración: 10 sesiones · Junio–Julio 2026

Descripción

Curso práctico sobre el uso de la inteligencia artificial generativa como copiloto académico. A lo largo de diez sesiones el estudiante aprende a convertir herramientas como ChatGPT, Gemini, Copilot, Claude o NotebookLM en un sistema personal de planificación, estudio, producción escrita y lectura activa, sin renunciar al pensamiento crítico ni a la integridad académica. El curso combina fundamentos de IA generativa y prompting con métodos consolidados de gestión del conocimiento —captura, organización y repaso espaciado— para que cada alumno construya un flujo de trabajo propio y sostenible.

Sesiones a cargo de Miguel: 2, 4 y 6.

Contenidos

Módulo 1 · Fundamentos de la IA generativa

1. ¿Qué es la IA generativa y por qué cambia tu vida universitaria?
   • Qué son los LLMs y cómo “piensan” (sin tecnicismos)
   • Panorama de herramientas: ChatGPT, Gemini, Copilot, Claude — cuándo usar cuál
   • Anatomía de una instrucción efectiva (prompt)
   • Límites éticos: qué es ayuda y qué es trampa
2. Prompting para estudiantes: del prompt básico al profesional
   • Técnicas: role prompting, Chain of Thought, few-shot
   • El prompt como conversación: iterar y refinar
   • Construcción de un prompt-kit personal reutilizable

Módulo 2 · El plan maestro: diseña tu semestre con IA

3. Mapea tu semestre antes de que te aplaste
   • Inventario de carga académica: entregas, exámenes y proyectos en un solo mapa
   • Detección de semanas críticas y picos de trabajo con IA
   • Herramientas: Notion AI, Google Calendar + Gemini, ChatGPT como planificador
4. Captura y organización: construye tu segunda mente
   • El método Captura → Organización → Repaso espaciado
   • Captura inteligente de notas con IA (clase, vídeo, lectura)
   • Mapas conceptuales generados con IA
   • Herramientas: NotebookLM, Obsidian + IA, Notion

Módulo 3 · El sistema definitivo de estudio

5. De la planificación macro al sistema diario
   • Descomposición de proyectos grandes en tareas accionables
   • Bloques de tiempo e IA como gestora de prioridades
   • Gestión de imprevistos: renegociar el plan con el asistente
6. Repaso espaciado y comprensión profunda con IA
   • Por qué la ciencia avala el repaso espaciado
   • Generación automática de flashcards y autoevaluaciones
   • El tutor-IA como interlocutor socrático
   • Técnica Feynman: explicar para aprender

Módulo 4 · Sprints de producción asistidos

7. De la hoja en blanco al borrador estructurado
   • Flujo de producción: Esquema → Borrador → Revisión → Entrega
   • Prompts para cada fase del proceso escritor
   • IA como co-redactora frente a IA como correctora
8. Calidad, ética y entrega a tiempo
   • Checklist de calidad académica asistido por IA
   • Cómo verificar que la IA no alucina datos ni referencias
   • Citación correcta, detección de plagio y declaración del uso de IA

Módulo 5 · Lectura activa 2.0

9. Devorar libros y artículos académicos con IA
   • Estrategia de lectura en tres capas: escaneo, comprensión, síntesis
   • Dialogar con documentos: NotebookLM, Claude, ChatGPT
   • Extraer ideas clave, identificar argumentos y conectar textos
10. Integración final y proyección al futuro
    • Síntesis del método completo: Plan → Estudio → Producción → Lectura
    • Proyecto final: Sistema Personal de Copiloto Académico

Diapositivas

• Sesión 2 · Prompting para estudiantes

Evaluación

Bibliografía

Gestión del conocimiento y aprendizaje:

• Söhnke Ahrens. El método Zettelkasten: Cómo tomar notas eficaces (How to Take Smart Notes)
• Tiago Forte. Crea tu segundo cerebro (Building a Second Brain)
• Peter C. Brown, Henry L. Roediger III, Mark A. McDaniel. Make It Stick: The Science of Successful Learning (2014). Harvard University Press
• Barbara Oakley. A Mind for Numbers: How to Excel at Math and Science

Modelos de lenguaje y fundamentos:

• Brown, Tom B., Benjamin Mann, Nick Ryder, et al. «Language Models Are Few-Shot Learners». arXiv:2005.14165. Preprint, arXiv, 2020. https://doi.org/10.48550/arXiv.2005.14165.
• Mukherjee, Subhabrata, Arindam Mitra, Ganesh Jawahar, Sahaj Agarwal, Hamid Palangi, y Ahmed Awadallah. «Orca: Progressive Learning from Complex Explanation Traces of GPT-4». arXiv:2306.02707. Preprint, arXiv, 5 de junio de 2023. https://doi.org/10.48550/arXiv.2306.02707.
• Liu, Nelson F., Kevin Lin, John Hewitt, et al. «Lost in the Middle: How Language Models Use Long Contexts». arXiv:2307.03172. Preprint, arXiv, 20 de noviembre de 2023. https://doi.org/10.48550/arXiv.2307.03172.

Técnicas de prompting y razonamiento:

• Wei, Jason, Xuezhi Wang, Dale Schuurmans, et al. «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». arXiv:2201.11903. Preprint, arXiv, 10 de enero de 2023. https://doi.org/10.48550/arXiv.2201.11903.
• Wang, Lei, Wanyu Xu, Yihuai Lan, et al. «Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models». arXiv:2305.04091. Preprint, arXiv, 26 de mayo de 2023. https://doi.org/10.48550/arXiv.2305.04091.
• Khot, Tushar, Harsh Trivedi, Matthew Finlayson, et al. «Decomposed Prompting: A Modular Approach for Solving Complex Tasks». arXiv:2210.02406. Versión 2. Preprint, arXiv, 11 de abril de 2023. https://doi.org/10.48550/arXiv.2210.02406.
• Yao, Shunyu, Jeffrey Zhao, Dian Yu, et al. «ReAct: Synergizing Reasoning and Acting in Language Models». arXiv:2210.03629. Preprint, arXiv, 10 de marzo de 2023. https://doi.org/10.48550/arXiv.2210.03629.
• Xu, Binfeng, Zhiyuan Peng, Bowen Lei, Subhabrata Mukherjee, Yuchen Liu, y Dongkuan Xu. «ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models». arXiv:2305.18323. Preprint, arXiv, 23 de mayo de 2023. https://doi.org/10.48550/arXiv.2305.18323.
• Kim, Sehoon, Suhong Moon, Ryan Tabrizi, et al. «An LLM Compiler for Parallel Function Calling». arXiv:2312.04511. Preprint, arXiv, 5 de junio de 2024. https://doi.org/10.48550/arXiv.2312.04511.

Evaluación y seguimiento de instrucciones:

• Badshah, Sher, y Hassan Sajjad. «Reference-Guided Verdict: LLMs-as-Judges in Automatic Evaluation of Free-Form Text». arXiv:2408.09235. Preprint, arXiv, 20 de agosto de 2024. https://doi.org/10.48550/arXiv.2408.09235.
• Zhou, Jeffrey, Tianjian Lu, Swaroop Mishra, et al. «Instruction-Following Evaluation for Large Language Models». arXiv:2311.07911. Preprint, arXiv, 14 de noviembre de 2023. https://doi.org/10.48550/arXiv.2311.07911.

Explicabilidad y ética:

• European Data Protection Supervisor. TechDispatch: Explainable Artificial Intelligence. #2/2023. Publications Office, 2023. https://data.europa.eu/doi/10.2804/802043.

Aplicaciones y casos de estudio:

• Gupta, Akshat. «Are ChatGPT and GPT-4 Good Poker Players? — A Pre-Flop Analysis». arXiv:2308.12466. Preprint, arXiv, 21 de diciembre de 2023. https://doi.org/10.48550/arXiv.2308.12466.
• Zhuang, Richard, Akshat Gupta, Richard Yang, Aniket Rahane, Zhengyu Li, y Gopala Anumanchipalli. «PokerBench: Training Large Language Models to Become Professional Poker Players». arXiv:2501.08328. Preprint, arXiv, 24 de enero de 2025. https://doi.org/10.48550/arXiv.2501.08328.
• White, Halbert. «Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns». IEEE International Conference on Neural Networks, 1988, 451-58 vol. 2. https://doi.org/10.1109/ICNN.1988.23959.