Unidad 3 · Del objetivo al texto

Escribir el planteamiento del problema en la era de la IA · 🏁 Hito H1 (15%)

Autor/a
Afiliación

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

De la pregunta al texto académico. Convertimos el iceberg + ARV de U2 en un Planteamiento del Problema (PRON) de ≤ 2 páginas con estructura Funnel (Bem 2003 · Swales 1990 CARS · Booth-Colomb-Williams 2016). Tres pilares: (1) objetivos como producto de conocimiento — 1 OG + 3 OE con verbos medibles por nivel cognitivo (Hurtado 1996 · convergencia internacional con Bloom-Anderson 2001 y Locke-Latham 1990); (2) escritura activa con IA en modo AIAS 3 — borrador humano primero, IA edita; voz humana auditada para evitar convergencia (Doshi-Hauser 2024 · Noy-Zhang 2023); (3) audit log AIAS obligatorio — prompts literales · decisiones aceptadas/rechazadas · tasa personal de alucinación de citas (Buchanan et al. 2024 baseline >30%) · firma honesta.

Sesión: S03 · Miércoles 13/05/2026 · 18:00–22:00 · 4h · Modo: Studio activo · Lab IA²: integrado · 🏁 Entregable: PRON (15% nota final)

Estructura del intensivo (4 bloques)

Bloque Hora Tema Artefacto
Sprint 1 18:00–18:50 Elevator pitch progresivo 30·60·90 s + objetivos (Hurtado · 1 OG + 3 OE) OG v1 + verbos-llave
☕ Descanso 18:50–19:10 20 min —
Sprint 2 19:10–20:00 Originalidad en era IA + estructura Funnel/CARS/Craft + TEEL Plan estructural del PRON
☕ Descanso 20:00–20:10 10 min —
Sprint 3 20:10–21:50 Escritura activa del PRON (4 párrafos · IA en modo AIAS 3) Texto + audit log AIAS 8 secciones
🏁 Cierre H1 21:50–22:00 Peer-check + submit Brightspace PRON entregado

Presentación de la unidad

Tip

🎥 Abrir presentación

Atajos: F fullscreen · ←/→ navegar · Esc overview · S speaker notes · B chalkboard · ? ayuda

🏁 Hito H1 · Planteamiento del Problema (15%)

Anatomía del entregable
  1. §1 · Contexto general (🌊 Capa 1) · 6–8 líneas · 1–2 citas canónicas.
  2. §2 · Situación problemática + datos (🏔️ Capa 2) · 8–10 líneas · 2–3 citas con cifras.
  3. §3 · Mecanismos + gap explícito (🧊 Capa 3) · 8–10 líneas · “Sin embargo, …”.
  4. §4 · Pregunta + 1 OG + 3 OE (🔬 Capa 4) · 8–12 líneas.
  5. Anexo A · Declaración AIAS (Perkins et al., 2024) nivel 1–5.
  6. Anexo B · Audit log AIAS · 8 secciones (meta-datos · borrador SIN IA · Voice Card + prompts literales · matriz de decisión · verificación anti-alucinación · 4 preguntas de auto-auditoría · % humano por sección · firma).

Rúbrica · 4 ejes 25% c/u: Adopción moderna · Honestidad metodológica · Calidad técnica · Trazabilidad aumentada.

Entrega: Brightspace antes de 21:55 · lockdown estricto.

Conversar con el corpus de la unidad

💬 NotebookLM · Unidad 3

NotebookLM tiene cargadas todas las lecturas, slides y notas de esta unidad. Pregúntale cualquier concepto, cita o conexión y te responde con referencia al material.

Abrir NotebookLM →

Requiere cuenta de Google. La conversación con el bot es parte del experimento: usar IA² para aprender IA².

Recursos relacionados

Bibliografía clave de la unidad

🎯 Objetivos · niveles cognitivos

  • Hurtado de Barrera (1996) — Metodología Holística · canónico LATAM · 4 niveles + 10 tipologías + Objetivo ≠ Actividad
  • Anderson & Krathwohl (2001) — Taxonomía de Bloom revisada · convergencia internacional
  • Locke & Latham (1990) — Goal Setting Theory · origen del marco SMART

📝 Escritura académica · estructura Funnel

  • Bem (2003) — Writing the Empirical Journal Article · Funnel canónico
  • Swales (1990) — Genre Analysis · modelo CARS (Move 1·2·3)
  • Booth et al. (2016) — The Craft of Research · common ground / disruption / consequence
  • McCloskey (2000) — Economical Writing · 31 reglas de estilo para economistas

🤖 Escritura con IA · trade-offs · audit log

  • Noy & Zhang (2023) — RCT N=453 · +59% productividad · compresión hacia la media
  • Doshi & Hauser (2024) — RCT N=293 · +26.6% creatividad individual · −15% diversidad colectiva
  • Dell’Acqua et al. (2023) — Jagged technological frontier · estrategia Centaur vs Cyborg
  • Buchanan et al. (2024) — ChatGPT Hallucinates Citations · baseline >30% en economía
  • Shumailov et al. (2024) — Nature · model collapse al entrenar IA con outputs de IA
  • Perkins et al. (2024) — AI Assessment Scale · 5 niveles · referencia obligatoria H1

🔬 Transparencia metodológica · anunciado para U6

  • Banerjee et al. (2020) — In Praise of Moderation: PAPs (NBER WP 26993)
  • Brodeur et al. (2024) — Evidencia causal: PAP reduce p-hacking 30–40%
  • Munafò et al. (2017) — Manifesto for reproducible science (Nature HB)
  • Nosek et al. (2022) — Las 3 R’s: replicabilidad · robustez · reproducibilidad
  • Gelman & Loken (2014) — Garden of forking paths
📚 Bibliografía completa

La unidad referencia la bibliografía maestra del curso (110+ entradas) y mantiene fichas propias (fichas/*.md) para todas las refs centrales — incluyendo shadow citations sin PDF.

📥 Descargar references.bib

Volver arriba

Referencias

Anderson, L. W., & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Longman.
Banerjee, A., Duflo, E., Finkelstein, A., Katz, L. F., Olken, B. A., & Sautmann, A. (2020). In Praise of Moderation: Suggestions for the Scope and Use of Pre-Analysis Plans for RCTs in Economics (NBER Working Paper 26993). National Bureau of Economic Research. https://doi.org/10.3386/w26993
Bem, D. J. (2003). Writing the Empirical Journal Article. En J. M. Darley, M. P. Zanna, & H. L. Roediger III (Eds.), The Compleat Academic: A Career Guide (2nd ed., pp. 185-219). American Psychological Association.
Booth, W. C., Colomb, G. G., Williams, J. M., Bizup, J., & FitzGerald, W. T. (2016). The Craft of Research (4th ed.). University of Chicago Press.
Brodeur, A., Cook, N., Hartley, J., & Heyes, A. (2024). Do Pre-Analysis Plans Reduce Publication Bias and p-Hacking? An Empirical Investigation. Journal of Economic Perspectives.
Buchanan, J., Hill, S., & Shapoval, O. (2024). ChatGPT Hallucinates Non-existent Citations: Evidence from Economics. The American Economist, 69(1), 80-87. https://doi.org/10.1177/05694345231218454
Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality (Working Paper 24-013). Harvard Business School.
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
Gelman, A., & Loken, E. (2014). The Statistical Crisis in Science: Data-dependent analysis—a "garden of forking paths"—explains why many statistically significant comparisons don’t hold up. American Scientist, 102(6), 460.
Hurtado de Barrera, J. (1996). Metodología de la Investigación Holística. SYPAL.
Locke, E. A., & Latham, G. P. (1990). A Theory of Goal Setting and Task Performance.
McCloskey, D. N. (2000). Economical Writing. Long Grove.
Munafò, M. R., Nosek, B. A., Bishop, D. V. M., Button, K. S., Chambers, C. D., Percie du Sert, N., Simonsohn, U., Wagenmakers, E.-J., Ware, J. J., & Ioannidis, J. P. A. (2017). A Manifesto for Reproducible Science. Nature Human Behaviour, 1(1), 0021. https://doi.org/10.1038/s41562-016-0021
Nosek, B. A., Hardwicke, T. E., Moshontz, H., Allard, A., et al. (2022). Replicability, Robustness, and Reproducibility in Psychological Science. Annual Review of Psychology, 73, 719-748. https://doi.org/10.1146/annurev-psych-020821-114157
Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755-759. https://doi.org/10.1038/s41586-024-07566-y
Swales, J. M. (1990). Genre Analysis: English in Academic and Research Settings. Cambridge University Press.