Deuda / delegación cognitva con ChatGPT

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872. DOI: 10.48550/arXiv.2506.08872.

Matiz importante: no parece ser un artículo publicado originalmente en una revista científica revisada por pares, sino un preprint en arXiv. La propia página del proyecto indica que, cuando se subió en junio de 2025, no había sido revisado por pares y que las conclusiones debían tratarse como preliminares.

Sí existe un texto publicado en revista científica que comenta ese estudio:

Armitage, R. (2025). Your brain on ChatGPT. British Journal of General Practice, 75(758), 410.
DOI: 10.3399/bjgp25X743181

Pero ese artículo de Richard Armitage es una pieza/comentario breve en British Journal of General Practice que cita el preprint de Kosmyna et al.; no es el estudio experimental original del MIT. En PubMed aparece explícitamente como referencia el trabajo de Kosmyna et al. en arXiv.

👉 ¿Cómo crees deberían estar respondiendo las universidades a esta tendencia?

 Este gráfico de The Economist debería estar en la oficina de cada rector.

Muestra el cambio en empleo de graduados universitarios entre 2022 y 2024.

La tendencia es clara: a mayor exposición a la IA, mayor caída en empleo.

Ciencias de la información: -15%
Ciencias de la computación: -10%
Finanzas: -5%
Ingeniería eléctrica: -8%

Mientras tanto, filosofía y psicología se mantienen estables.

Condensar años de publicaciones sobre estadística, análisis de datos y ciencia de datos en una sola guía

 He observado que muchos errores en análisis de datos no se deben a algoritmos complejos ni a falta de comprensión del software estadístico, sino por algo mucho más básico:

❌ Formular mal la pregunta de investigación.
❌ Confiar ciegamente en el R².
❌ Ignorar la calidad de los datos.
❌ Interpretar mal un resultado significativo (y uno no significativo).
❌ Utilizar modelos sin comprender sus supuestos.
❌ Realizar múltiples pruebas sin controlar los falsos positivos.
❌ Confundir capacidad predictiva con capacidad explicativa.

Por eso he recopilado algunos de los contenidos que considero útiles para cualquier persona que trabaje con datos, ya sea en investigación, análisis de negocio, ciencia de datos o IA. Conceptos básicos:

Antes de tu próxima entrevista 👇🏻

 La mayoría de candidatos pierde oportunidades por esto:

❌ No saben vender su impacto. ❌ Hablan mucho, pero no dicen nada. ❌ Explican tareas en vez de resultados. ❌Llegan sin haber investigado la empresa. ❌ Responden “lo típico” que dice todo el mundo. Si quieres destacar de verdad: ✅ Cuenta situaciones concretas donde hayas generado impacto. ✅ Cuida tu comunicación no verbal: postura, mirada y energía. ✅ Usa el método STAR para estructurar tus respuestas. ✅ Practica en voz alta hasta sonar natural. ✅ Lleva ejemplos REALES preparados. Te aseguro que si haces estas cosas, notarás un antes y un después. 🔖 Guarda este post para repasarlo antes de tu próxima entrevista.

Tu analista, tu profesor y tu asistente de investigación: IA

 

TU CEREBRO TE LO AGRADECERÁ

 

Paper sobre IA en Educación Primaria

 Concluimos que:

✅ Es plenamente posible y beneficioso enseñar conceptos de ML a niños de 10 años mediante un enfoque de aprendizaje activo.
🧠 Tras usar herramientas como Teachable Machine y RAISE, los alumnos mostraron una mejora significativa en su comprensión de cómo se entrenan y generan los modelos de IA.
💻 Aquellos estudiantes con experiencia previa en programación por bloques obtuvieron mejores resultados y mayor motivación.
🌟 Un 94,6% de los participantes manifestó disfrutar creando sus propios modelos.
⚖️ Alfabetización crítica: es esencial unir el conocimiento técnico con la reflexión ética para formar ciudadanos críticos ante los sesgos tecnológicos.

Referencia completa: Sáez López, J. M., Redondo Duarte, S., Neubauer Esteban, A., & Pena Garrido, M. (2026). Teaching artificial intelligence through machine learning: an active learning approach in primary education classrooms IJERI: International Journal of Educational Research and Innovation, (25), 1-14. https://lnkd.in/exDrukqy