La Comisión Europea acuñó el término Industria 5.0 a principios de 2021 con el objetivo de enfocar los retos que afronta la digitalización industrial desde un punto de vista más sostenible, centrado en las personas y resiliencia1. En este nuevo paradigma, los trabajadores, complementan las tecnologías alrededor de la revolución tecnológica digital de la Industria 4.0, añadiendo valor y prosperidad al proceso industrial, más allá del empleo y el crecimiento, colocando el bienestar de la sociedad en el centro. En este contexto el rol de los trabajadores cambia considerablemente, participando de una forma activa y diferenciadora en el diseño y desarrollo de nuevos procesos industriales, con los robots e inteligencia artificial (AI) con tecnologías facilitadoras. Esto abre la urgente necesidad de formar a los estudiantes de ingeniería, especialmente en el ámbito industrial, con las competencias necesarias para analizar y resolver problemas complicados y complejos, donde personas y máquinas colaboran para una tarea común, centrando la solución en el bienestar de la sociedad. 

Una técnica ampliamente reconocida para favorecer la formación en competencias para aprender a analizar y resolver problemas reales es el Aprendizaje Basado en Retos (ABR)2, ya que permite la relación activa entre los contenidos de las materias implicadas y la aplicación real de los mismos. Los beneficios en el desarrollo de trabajo colaborativo, pensamiento crítico o toma de decisiones entre otras son ampliamente reconocidos en la literatura3 4. Sin embargo, una sociedad altamente cambiante como la que vivimos, con profundos retos medioambientales, sociales y económicos, donde la tecnología juega un papel cada vez más importante, requiere que los futuros ingenieros desarrollen otras competencias más allá del trabajo multidisciplinar o colaborativo, como son la curiosidad, empatía y creatividad. Para facilitar la adquisición de estas competencias, frecuentemente, las actividades de ABR se proponen bajo el paraguas metodológico de las técnicas de Design Thinking (DT)proporcionando de este modo a los alumnos las herramientas necesarias para resolver de forma creativa un problema real complejo. Este proceso requiere el desarrollo de la empatía y creatividad para comprender las necesidades de la sociedad, junto a técnicas de prototipado y validación, con el fin de validar las ideas y crear soluciones que realmente cubran las necesidades del usuario 5.  

En la E.T.S Ingeniería y Diseño Industrial se han desarrollado en los últimos años metodologías para la incorporación sistemática de DT y otras técnicas de creatividad en los futuros profesionales del ámbito industrial 6 7. Pero, siendo la creatividad el valor añadido y la empatía características fundamentales que la Industria 5.0 resalta de sus futuros trabajadores, ¿cómo proporcionar a los estudiantes de ingeniería las herramientas necesarias para que desarrollen estas competencias en un entorno altamente digitalizado? ¿Cómo entrenarles para colaborar e interactuar en entornos inteligentes basados en Internet of Things (IoT) y en computación cognitiva?  

Motores del cambio tanto a nivel industrial como en la sociedad, son tecnologías como el Internet of Things (IoT), o la IA (Inteligencia Artificial), por lo que se hace necesario integrar estas herramientas de automatización IA en los procesos creativos. Herramientas como ChatGPT, Midjourney, o ChatSonic tienen el potencial de favorecer el proceso creativo humano, y exhiben la robustez de esta tecnología para mejorar y optimizar nuestras capacidades de resolución de problemas 8. Sin embargo, los pensamientos generados computacionalmente no siguen el proceso creativo humano 9. ¿Cómo enseñar a los estudiantes de ingeniería y diseño industrial a colaborar y converger con pensamientos generados computacionalmente? DT nos facilita el proceso de resolución de problemas combinando procesos lineales y cíclicos donde combinamos fases donde empatizamos, definimos e ideamos con fases donde prototipamos y validamos. Los procesos computacionales siguen secuencias lógicas para resolver problemas. De forma directa, DT no es una metodología aplicada sobre sistemas de IA, sino que necesita adaptarse para conseguir esa convergencia entre objetivos humanos y respuestas computacionales.  

En este punto, planteamos la necesidad de proporcionar a los alumnos de la ingeniería y diseño industrial las habilidades necesarias para hacer proompting (término informal para introducir el proceso iterativo de escribir o modificar una respuesta, prompt, en un sistema de IA) de una forma eficiente, eficaz y crítica. De este modo, las herramientas de automatización IA pueden convertirse en otra herramienta para ensalzar su proceso creativo y de resolución de problemas en el marco de los procesos de ABR de las asignaturas de Grado de la E.T.S de Ingeniería y Diseño Industrial.  

Puesto que proompting se puede considerar un proceso de Computational Thinking (CT)10, una técnica igual de resolutiva para problemas reales complejos como DT, el objetivo es embeber los ciclos de CT dentro de cada una de las fases de DT para facilitar el diseño del proceso de proompting eficiente y para que los estudiantes desarrollen sentido crítico en el proceso de diálogo y creación con la IA 11. En CT, se descompone el problema en pequeñas unidades y se diseña un algoritmo para resolverlos, creando artefactos basados en el análisis, diseño y revisión de dichos artefactos. Esta metodología, ampliamente utilizada en programación, es una técnica desconocida entre otros estudiantes de ingeniería, y puede facilitar el uso de herramientas IA para guiar y mejorar la resolución de problemas reales mediante ABR. Además, se puede convertir en una primera experiencia para la adquisición de capacidades de colaboración persona-robot para el desarrollo de un objetivo productivo común. 

Para ello proponemos un método, que ayude a los alumnos, en el marco de ABR, a la aplicación sistemática de técnicas de DT sobre herramientas de automatización IA (en una primera fase ChatGPT y Midjourney) mediante la descomposición de cada una de sus fases (Empatizar, Definir, Idear, Prototipar, Validar) en subproblemas y subretos mediante la aplicación de CT (Descomposición, Reconocimiento de patrones, Algoritmos y Abstracción). Esta subdivisión en pequeñas unidades de información o subproblemas ayuda a generar el flujo de interacción con el sistema de IA y, por tanto, a proporcionar los prompts necesarios para la optimización de la capacidad de resolución de problemas de los alumnos. Además, al ser problemas más acotados, la discusión crítica del diálogo con la herramienta de IA es más sencilla, favoreciendo la inclusión metódica de la evaluación de los resultados obtenidos como parte del proceso de uso. En este punto, el uso sistemático de CT además proporcionará una herramienta de verificación de las respuestas del prompt, que favorezca el pensamiento crítico racional de la respuesta sobre el cual, generar la parcelación de los retos de la siguiente fase.  

FASE 1: Diseño de los materiales de estudio. En esta etapa se generará el material para los docentes de las asignaturas involucradas. El objetivo de esta fase es proporcionar una guía para que procedan a la adaptación de los casos de uso y retos que actualmente usan en el marco de la metodología ABR. Esto incluye la generación de puntos de validación en la aplicación de las técnicas mencionadas, que ayuden a los alumnos a desarrollar el espíritu crítico ante las respuestas y resultados de aplicar la IA en cada paso del proceso creativo.  

En paralelo, se generarán materiales didácticos para facilitar el aprendizaje de las bases de la metodología CT por parte de los estudiantes y de su aplicación como elemento de generación de prompts embebidos en las fases de DT que ya conocen. El material guiará a los alumnos tanto en el uso, como en la incorporación de las técnicas de CT y DT sobre las herramientas de IA usadas, así como, introducir elementos de verificación en cada una de las fases.  

La generación de estos materiales seguirá un enfoque práctico y visual que reduzca al mínimo la curva de aprendizaje para reducir resistencias al cambio y falta de motivación en los alumnos y profesores. Durante esta fase se contará con la ayuda de un becario que contribuirá al diseño de los materiales. Serán diseñados de forma auto-explicativa para facilitar el seguimiento y consulta durante el proceso de ejecución del reto planteado. Los materiales inicialmente planteados son los siguientes: 

Material para docentes: 

• Guía de generación de retos. Pautas para la generación de retos, previniendo posibles contrariedades relacionados con los sesgos éticos y sociales que actualmente tiene las herramientas AI 

• Guía de aplicación de la metodología. Introducción al Computational Thinking. Segmentación de retos en subproblemas para analizar mediante Design Thinking 

Material para alumnos 

• Guía de aplicación de la metodología. Introducción al Computational Thinking. Segmentación de retos en subproblemas para analizar mediante Design Thinking. Desarrollo del proceso de evaluación de los resultados y pensamiento crítico. Introducción a los aspectos éticos del uso de la IA 

Fase 2: Implementación: Aplicación del método propuesto, mediante los materiales generados en las asignaturas seleccionadas. Dada la heterogeneidad de las asignaturas involucradas en este proyecto, el método de implementación tiene que ser lo suficientemente flexible para adaptarse a las dinámicas ya estructuradas de cada docente y de cada asignatura. El material desarrollado en la fase anterior tiene como objetivo ser una guía que asiente las bases de la metodología propuesta, construyéndose sobre él, el desarrollo de los ABR, según las necesidades de cada materia. No obstante, se proponen una serie de pautas para favorecer el entendimiento del proceso por parte de los alumnos y generar la motivación necesaria para que desarrollen el aprendizaje propuesto. 

Sesión 0 (30 minutos): Introducción a las herramientas IA, sus implicaciones (beneficios/inconvenientes). 

Sesión 0 (90 minutos) Explicación de la metodología a aplicar sobre el caso de uso planteado. Se plantearán pequeños ejemplos para hacer en vivo que servirán para mostrar como evaluar los resultados desde el punto de vista crítico. Tras la introducción de la metodología y herramientas se proporcionará acceso al material. 

Sesión 1 (tiempo variable según las características de los retos planteados y la asignatura) Planteamiento de los retos a aplicar y ejecución del mismo de forma individual o colectiva según las necesidades de la asignatura donde se esté planteando. 

Fase 3: Evaluación de los resultados desarrollados en la fase 2. Dicha evaluación se realizará mediante encuestas a los alumnos y profesores y entrevistas personales. Se primará la aplicación de medidas cualitativas (con los parámetros de evaluación actualmente recogidos en las asignaturas) y el uso de cuestionarios cualitativos validados. Dicha retroalimentación se usará para detectar los puntos de mejora en la metodología y sus beneficios y facilitar la redacción de buenas prácticas que facilite la incorporación de esta innovación educativa a otras asignaturas y entornos. 

Durante la evaluación se pondrá énfasis en la evaluación cuantitativa y cualitativa de los siguientes aspectos del aprendizaje: 

1. Análisis Pre/post de las expectativas y preocupaciones sobre la IA de los alumnos  

2. Guiado y ayuda, incluyendo adecuación del material proporcionado, casos de uso para probar la herramienta de IA y la involucración del instructor durante la experiencia 

3. Exploración y limitaciones, donde se evaluará la familiaridad adquirida con las herramientas de Natural Language Processing usadas, la curva de aprendizaje, la generación de capacidad para la evaluación crítica de los resultados generados y los desafíos encontrados 

4. Integración de los procesos de Computational Thinking en la dinámica general del curso, incluyendo el impacto en la motivación de los alumnos, sus expectativas y los dilemas éticos derivados del uso de IA.