top of page

Aprender Física en la era de la IA: del dato al modelo


La IA ya no es un accesorio, está transformando cómo se hace ciencia y cómo deberíamos enseñarla. Este artículo plantea un giro práctico para los cursos de Física: del dato al modelo y del modelo a la decisión, con ética y sostenibilidad en el centro. Incluye cinco movimientos aplicables: Tecsup Coach, analítica ligera, evaluación con evidencia y un proyecto integrador, y criterios simples para medir impacto real.


¿Por qué ahora?


En 2024, avances vinculados a IA y ciencia recibieron la máxima atención académica. Ello nos obliga a replantear qué significa aprender Física en un contexto donde los datos, los modelos y los algoritmos median la investigación y la innovación. La conversación educativa se desplaza desde “usar una app” hasta pensar con datos y validar modelos en prácticas auténticas de laboratorio.


Qué cambia en las clases de Física


1) La IA como práctica científica educativa: Los estudiantes ya no solo aplican fórmulas: curan datos, modelan, validan y comunican incertidumbre. Ese ciclo debe ser visible en informes, bitácoras y rúbricas.


2) Personalización responsable: Sistemas de tutoría y chatbots bien diseñados mejoran comprensión conceptual y retroalimentación, si cuidamos privacidad, sesgos y transparencia.


3) Ecosistema de herramientas: Del ajuste de curvas asistido a Tecsup Coach  con material del curso, pasando por analítica de aprendizaje ligera para evaluación formativa. La clave no es “más IA”, sino IA donde agrega valor.


4) Ética y sostenibilidad: Incluir discusiones sobre huella energética/hídrica, riesgos de sesgo y trazabilidad de decisiones algorítmicas prepara a estudiantes para un uso crítico y profesional.


Cinco movimientos prácticos 


1) Inserta el ciclo “Problema → Datos → Modelo → Decisión” en cada práctica


  • Adquiere datos (sensor), limpia, ajusta y pide a la IA que explique supuestos y límites del modelo.

  • Evalúa con rúbricas de calidad de evidencia y razonamiento con datos (no solo con el número final).


2) Crea un micro-tutor Tecsup Coach para Física 


  • Alimenta el tutor con tus guías, ecuaciones y FAQ.

  • Úsalo para preguntas socráticas y aclaraciones de procedimiento (no para resolver ítems).

  • Indicador: mejor calidad de preguntas en clase y menor tiempo de dudas repetidas.


3) Implementa un Tecsup Coach de laboratorio


  • Base de conocimiento: seguridad, instrumentos, errores típicos.

  • Indicador: menos incidentes de mal uso y más metacognición en las bitácoras.


4) Evaluación formativa con analítica ligera


  • En MRUV o tiro parabólico, solicita a la IA tres hipótesis alternativas para discrepancias y pruebas sugeridas.

  • Indicador: incremento del re-trabajo experimental guiado y mejores informes.


5) Proyecto integrador: “IA que explica Física”


  • Un agente que enseñe una ley, justificando el modelo con datos reales.

  • Indicador: transferencia a contextos nuevos y calidad de explicaciones generadas.


¿Cómo medir impacto?


  • Comprensión conceptual: pre/post con justificación breve y rúbrica de explicación.

  • Habilidad con datos: rúbrica del pipeline (adquisición, limpieza, modelo, validación, comunicación).

  • Carga docente: minutos en retroalimentación repetitiva (debería disminuir con tutor/Tecsup coach).

  • Ética y sostenibilidad: checklist de buenas prácticas.


Ética, seguridad y sostenibilidad: mínimos no negociables


  • Transparencia: documenta qué paso usa IA, con qué datos y con qué límites.

  • Privacidad: anonimiza y evita entrenar modelos externos con datos estudiantiles.

  • Huella ambiental: usa IA donde aporte valor; discute en clase el consumo de energía y agua de los modelos.

  • Sesgos y validación: contrasta salidas algorítmicas con evidencia empírica de tu laboratorio.


Para empezar: Checklist 


  1. Resultado de aprendizaje: elige uno que mejore con datos/modelos (por ejemplo: “justifica la ley de Hooke con evidencia experimental”).

  2. Actividad piloto: añade un paso de análisis automatizado (ajuste + explicación guiada por IA) con verificación humana.

  3. Tutor/Tecsup coach mínimo viable: RAG (Generación aumentada por recuperación) con tus guías (solo lectura) para dudas recurrentes y seguridad de laboratorio.

  4. Cierre reflexivo: “¿Qué decidió la IA? ¿Qué decidimos nosotros? ¿Por qué?” (registro en bitácora).


De usuarios a autores de ciencia con IA


El objetivo no es que los estudiantes “usen un chatbot”, sino que piensen como profesionales en ciencias en un ecosistema donde la IA es una herramienta más: poderosa, útil y limitada. Si logramos que curen datos, validen modelos, comuniquen incertidumbre y discutan implicaciones éticas y ambientales, estaremos formando profesionales listos para industrias emergentes y para una ciencia más abierta, rigurosa y responsable.


Referencias 


  1. Erduran, S., & Levrini, O. (2024). The impact of artificial intelligence on scientific practices: an emergent area of research for science education. International Journal of Science Education, 46(18), 1982–1989. https://doi.org/10.1080/09500693.2024.2306604

  2. Holme, T. A. (2024). Education Implications of Artificial Intelligence–Based Chemistry and Physics Nobel Prizes. Journal of Chemical Education, 101, 4533–4534.

  3. Mahligawati, F., Allanas, E., Butarbutar, M. H., & Nordin, N. A. N. (2023). Artificial intelligence in Physics Education: a comprehensive literature review. Journal of Physics: Conference Series, 2596, 012080.

  4. Prahani, B. K., Rizki, I. A., Jatmiko, B., Suprapto, N., & Amelia, T. (2022). Artificial Intelligence in Education Research During the Last Ten Years: A Review and Bibliometric Study. International Journal of Emerging Technologies in Learning (iJET), 17(8). https://doi.org/10.3991/ijet.v17i08.29833

  5. Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New Era of Artificial Intelligence in Education: Towards a Sustainable Multifaceted Revolution. Sustainability, 15, 12451. https://doi.org/10.3390/su151612451

 
 
bottom of page