Prompt-Based Learning: una metodología educativa para el diseño instruccional con inteligencia artificial
Resumen
El Prompt-Based Learning (PBL) es una metodología emergente que transforma el rol de los prompts —instrucciones textuales diseñadas para interactuar con modelos de lenguaje generativos (LLMs)— en recursos didácticos de alto valor pedagógico. A través de un enfoque basado en cinco fases progresivas, PBL permite al profesorado integrar la inteligencia artificial generativa en su práctica educativa cotidiana, promoviendo aprendizajes personalizados, críticos y creativos. Este artículo analiza su fundamentación teórica, estructura metodológica, beneficios, desafíos y aplicaciones, articulando el marco académico actual con propuestas didácticas accesibles, prácticas y contextualizadas.
Ver infografía textual en: https://celebrated-zabaione-3770f3.netlify.app
1. Introducción: del uso instrumental a la pedagogía del prompt
Los modelos de lenguaje como ChatGPT, Claude o Gemini han inaugurado una nueva etapa para la inteligencia artificial en educación. Más allá de su uso como herramientas para resolver tareas, empieza a consolidarse una metodología pedagógica basada en la interacción crítica, estructurada y reflexiva con estos modelos: el Prompt-Based Learning (PBL). Este enfoque no solo responde a una tendencia tecnológica, sino que se alinea con la transformación del aprendizaje hacia entornos más flexibles, personalizados y dialógicos.
¿Por qué PBL representa una innovación educativa?
Permite una integración sistemática y pedagógicamente justificada de la IA en el aula.
Activa procesos de metacognición y reflexión crítica en estudiantes y docentes.
Promueve una cultura de diseño instruccional basado en evidencia, interacción y mejora continua.
Desplaza el foco desde el contenido al proceso: cómo preguntamos, cómo iteramos, cómo evaluamos y cómo aprendemos a aprender.
2. Fundamentos técnico-pedagógicos del Prompt-Based Learning
a) Origen en la ingeniería de prompts
Desde la perspectiva computacional, prompt-based learning se refiere al uso de secuencias textuales diseñadas para activar inferencias específicas en modelos preentrenados sin necesidad de reentrenamiento (Kamath et al., 2024). A diferencia del fine-tuning, que ajusta parámetros internos, el PBL actúa como una puerta semántica, utilizando el conocimiento ya presente en los modelos.
“Prompting enables us to use the semantic knowledge embedded in LLMs to complete tasks without additional tuning” (Kamath et al., 2024, p. 84).
b) Tipos de prompting
Zero-shot prompting: el modelo responde sin ejemplos previos.
One-shot prompting: se da un ejemplo para orientar la tarea.
Few-shot prompting: se ofrecen varios ejemplos para inducir el comportamiento deseado.
Chain-of-thought prompting: se guía el razonamiento paso a paso.
Multi-prompting: combinación de estrategias para tareas complejas.
c) Diseño de prompts (Prompt Design)
Según Zia (2022), un prompt eficaz puede componerse de:
Entrada: tarea o pregunta concreta.
Contexto: restricciones, formato deseado, estilo.
Ejemplos: modelo de respuesta deseada (few-shot learning).
Especificación de salida: formato de respuesta (texto, JSON, HTML, etc.).
3. Estructura metodológica: las 5 fases del Prompt-Based Learning
Inspirado en la infografía desarrollada por IAforTeachers.com, el método se organiza en cinco pasos prácticos y secuenciales. Esta estructura permite su adaptación a distintos niveles educativos y áreas disciplinares.
🟦 Fase 1. Define el reto educativo
¿Qué hacer? Identifica una necesidad concreta de aprendizaje y vincúlala con competencias clave.
Ejemplo práctico: “Mejorar la comprensión lectora en textos científicos de 3º de ESO mediante análisis guiado por IA”
Beneficios: Diagnóstico de necesidades, alineación curricular, sentido pedagógico de la IA.
🟦 Fase 2. Selecciona el tipo de prompt
¿Qué hacer? Define si usarás un prompt abierto, dirigido, de evaluación, creativo o de prototipado.
Ejemplo práctico: “Divide este texto en ideas principales, explica términos técnicos y sugiere preguntas de comprensión”
Beneficios: Alineación con el nivel cognitivo, claridad de objetivos.
🟦 Fase 3. Prototipa en IA
¿Qué hacer? Redacta el prompt, pruébalo en ChatGPT o Claude, analiza su desempeño y ajusta según resultados.
Ejemplo práctico: “Explica la fotosíntesis a estudiantes de 15 años usando analogías cotidianas y genera 3 preguntas de autoevaluación”
Beneficios: Feedback inmediato, mejora iterativa, personalización del contenido.
🟦 Fase 4. Evalúa el resultado
¿Qué hacer? Contrasta la respuesta generada con los objetivos pedagógicos y analiza su calidad, utilidad y ética.
Ejemplo práctico: “¿Motiva la curiosidad? ¿Fomenta el pensamiento crítico?”
Beneficios: Desarrollo del juicio crítico, garantía de pertinencia didáctica.
🟦 Fase 5. Reflexiona y mejora
¿Qué hacer? Recoge evidencia, ajusta el prompt y documenta aprendizajes para futuras aplicaciones.
Ejemplo práctico: “¿Qué aprendiste sobre claridad, utilidad y motivación en tus prompts?”
Beneficios: Mejora continua, creación de repositorios, evaluación formativa.
4. Principios pedagógicos del Prompt-Based Learning
La metodología se sostiene sobre tres pilares fundamentales que debemos tener en cuenta a la hora de construir las prácticas:
5. Aplicaciones educativas y proyección
Ámbitos de aplicación:
Redacción académica y ensayos críticos
Análisis de fuentes históricas o científicas
Resolución guiada de problemas matemáticos
Generación de textos narrativos o creativos
Diseño de rúbricas y autoevaluaciones
Traducción y comparación cultural de textos
Áreas emergentes:
Evaluación automatizada de tareas abiertas (en próximos años)
Codiseño de actividades con IA
Personalización de itinerarios de aprendizaje
6. Desafíos y oportunidades
7. Conclusión
El Prompt-Based Learning es mucho más que una estrategia de interacción con herramientas de IA. Es una metodología emergente que sitúa al profesorado como diseñador instruccional y al estudiantado como protagonista del aprendizaje. Basado en evidencia empírica, fundamentos técnicos y principios pedagógicos sólidos, el PBL es una vía accesible, eficaz y transformadora para integrar la inteligencia artificial de forma crítica, creativa y contextualizada en la educación del siglo XXI.
“Cada prompt es una oportunidad para repensar cómo aprendemos y enseñamos”
— IAforTeachers.com
Es parte de nuestro objetivo en IAForTeachers.com (en construcción)
📚 Referencias bibliográficas
Kamath, U., Liu, J., & Whitaker, C. (2024). Prompt-Based Learning. In Large Language Models: A Deep Dive. Springer. https://doi.org/10.1007/978-3-031-65647-7_3
Zia, T. (2022). Prompt Learning: A New Way to Train Foundation Models in AI. Techopedia. https://acortar.link/P7uW7d
Lee, D., & Palmer, E. (2025). Prompt engineering in higher education: A systematic review to help inform curricula. International Journal of Educational Technology in Higher Education, 22(1), 7. https://doi.org/10.1186/s41239-025-00503-7
Chen, E., Wang, D., Xu, L., Cao, C., Fang, X., & Lin, J. (2024). A Systematic Review on Prompt Engineering in Large Language Models for K-12 STEM Education (No. arXiv:2410.11123). arXiv. https://doi.org/10.48550/arXiv.2410.11123
MiddleWeb (2024). Prompt Engineering: The New Literacy Skill. https://middleweb.com/52275/