flowchart LR A["Modelo<br/>(Generación probabilística<br/>P(y | x))"] --> B["Prompt<br/>(Configuración del contexto)"] --> C["Verbo<br/>(Tipo de inferencia solicitada)"] --> D["Inferencia<br/>(Operación cognitiva)"] --> E["Afirmación<br/>(Tipo de claim producido)"] --> F["Compromiso<br/>Epistemológico"] --> G["Riesgo<br/>Epistemológico"] --> H["Restricciones<br/>(Acotan generación)"] --> I["Verificación<br/>(Criterios explícitos)"] --> J["Juicio Humano<br/>(Aceptar / Cuestionar / Refutar)"]
Prompting Científico con Inteligencia Artificial
Pensamiento científico, validación y reproducibilidad con IA
Bienvenidos al curso de Prompting Científico con Inteligencia Artificial, que te permitirá aprender habilidades para diseñar instrucciones rigurosas y evaluar críticamente las respuestas generadas por IA.
1 Bienvenido al curso! 🚀
Prompting científico para interactuar con IA con rigor y pensamiento crítico.
2 Qué aprenderás ?
2.1 Prompting Científico
Diseñar instrucciones claras, estructuradas y justificadas para sistemas de IA.
2.2 Pensamiento Crítico
Evaluar, cuestionar y validar respuestas generadas por IA.
2.3 Metodología y Rigor
Aplicar criterios científicos, reproducibilidad y trazabilidad en el uso de IA.
2.4 Desarrollo Asistido por IA
Usar IA de forma metodológica en el desarrollo de software y proyectos técnicos.
3 Estructura del Taller
Módulo 1 — 4 h
Fundamentos del Prompting Científico
Este módulo introduce el funcionamiento de los modelos de lenguaje (LLMs) como sistemas de predicción probabilística condicionada (P(y x)), su proceso de alineamiento (RLHF) y sus límites epistemológicos. Se establece la diferencia entre plausibilidad textual y validez científica, y se introduce el prompt como instrumento metodológico que condiciona el tipo de inferencia producida.
Módulo: 1 | Duración estimada: 4 horas
Módulo 2 — 4 h
Diseño científico de prompts para sistemas de inteligencia artificial
Este módulo se centra en el diseño de prompts como una práctica científica y metodológica. Se estudian estrategias para formular instrucciones claras, estructuradas y reproducibles, considerando el contexto, los supuestos y los criterios de evaluación necesarios para interactuar de manera rigurosa con sistemas de inteligencia artificial en bioinformática, genética y desarrollo de software.
Módulo: 2 | Duración estimada: 4 horas
Módulo 3 — 4 h
Anatomía del prompt científico: siete componentes
Este módulo formaliza los siete componentes del prompt científico (Rol, Contexto, Alcance, Tarea, Restricciones, Salida esperada, Verificación) y los niveles de riesgo epistemológico según el verbo utilizado. Se desarrolla criterio para diseñar prompts evaluables y se introduce la distinción entre Checkpoint y Gate como mecanismos de control.
Módulo: 3 | Duración estimada: 4 horas
Módulo 4 — 4 h
Protocolos Multi-fase de Prompting Científico
Este módulo amplía la unidad de diseño del prompt individual a la arquitectura de interacción completa. Se aprende a diseñar protocolos de cinco fases con separación epistémica real: cada fase tiene una función diferenciada, un nivel de inferencia explícito y un punto de control humano (checkpoint o gate) antes de avanzar. Se aplica al caso de estudio MalT y a un proyecto integrador con artículo propio.
Módulo: 4 | Duración estimada: 4 horas
4 Características principales
Enfoque Epistemológico
El curso no se limita al uso instrumental de la IA. Se centra en el control del tipo de afirmaciones producidas, el análisis del compromiso epistemológico y la responsabilidad científica del usuario.
Casos Aplicados en Bioinformática y Genética
Los ejemplos y ejercicios están anclados en problemas reales de genética, análisis de datos ómicos y desarrollo técnico, evitando escenarios abstractos o genéricos.
Verificación y Reproducibilidad
Cada prompt se diseña para ser evaluable, contrastable y reproducible. Se entrenan mecanismos de verificación explícitos y criterios de validación humana.
Integración Metodológica
El curso articula diseño de prompts, evaluación crítica e iteración técnica dentro de un marco coherente que culmina en un proyecto integrador.
5 Requisitos Previos
NotaQue necesitas saber
5.1 Prerrequisitos generales
- Conocimientos básicos de programación o lógica computacional.
- Comprensión básica del método científico y del razonamiento crítico.
- Experiencia previa en contextos científicos, técnicos o de análisis de datos (deseable).
- Disposición para reflexionar críticamente sobre el uso de la inteligencia artificial.
- Actitud abierta al aprendizaje metodológico y a la evaluación rigurosa de resultados.
5.2 Prerrequisitos técnicos
- Contar con acceso a una herramienta de IA conversacional (por ejemplo, ChatGPT u otra equivalente).
- Tener acceso a un entorno de desarrollo para programación, como Visual Studio Code, Cursor u otro editor similar.
- Capacidad para ejecutar código localmente o en un entorno controlado (terminal, notebooks o IDE).
- Acceso a internet para interactuar con herramientas de IA y consultar documentación técnica.
6 Información del curso
El taller se organiza en cuatro módulos temáticos (sidebar: Módulo 1 → 2 → 3 → 4). La tabla siguiente conecta cada encuentro con la lectura previa y las evidencias.
| Sesión | Bloque | Lectura previa | Actividad en clase | Duración | Entregable |
|---|---|---|---|---|---|
| 1 | Mód. 1 — Actos 1–3 | — | Actividades de tokenización; (P(y x)) y RLHF | 2 h | — |
| 2 | Mód. 1 — Acto 4 + lectura async | Tabla de modelos (async) | Discusión complacencia y alineamiento; cierre del mapa LLM | 2 h | Checkpoint Mód. 1 |
| 3 | Mód. 2 — §1–§3 | Mód. 2 (inicio) | Cinco componentes del prompt; Rol, Contexto, Tarea | 2 h | — |
| 4 | Mód. 2 — §4–§5 | Mód. 2 (completo) | Restricciones, Salida esperada; técnicas zero-shot, few-shot, multi-step | 2 h | Checkpoint Mód. 2 |
| 5 | Mód. 3 — §1–§4 | Mód. 3 (inicio) | Siete componentes; verbos y riesgo epistemológico; modos exploratorio y verificable | 2 h | — |
| 6 | Mód. 3 — §5–§7 | Mód. 3 (completo) | Prompts buenos y malos; ejercicio “Rescata el prompt” | 2 h | Checkpoint Mód. 3 |
| 7 | Mód. 4 — protocolo MalT | Mód. 4 (inicio + caso MalT) | Fases 1–4 en vivo; gates epistémicos | 2 h | Avance documentado |
| 8 | Revisión y cierre | Entrega completa | Discusión post-entrega | 2 h | Proyecto final |
Convención: Módulo 1 = fundamentos del LLM (tokens → P(y|x) → RLHF). Módulo 2 = diseño de prompts (5 componentes, técnicas). Módulo 3 = anatomía del prompt científico (7 componentes, verificación). Módulo 4 = protocolos multi-fase (caso MalT, gates). Lectura async = RLAIF, DPO, tabla de modelos.
| Sesiones | Bloque temático | Horas | Evidencias |
|---|---|---|---|
| 1–2 | Módulo 1 — Fundamentos del LLM | 4 h | Checkpoint 1 + participación |
| 3–4 | Módulo 2 — Diseño de prompts científicos | 4 h | Checkpoint 2 + ejercicios |
| 5–6 | Módulo 3 — Anatomía del prompt científico | 4 h | Checkpoint 3 + ejercicios |
| 7–8 | Módulo 4 — Protocolos multi-etapa y proyecto | 4 h | Checkpoint 4 + Proyecto final (40 %) |
| Total | ~16 h |
7 Evaluación
| Componente | Porcentaje | Descripción |
|---|---|---|
| Participación crítica | 10% | Discusión fundamentada y reflexión sobre el uso de IA |
| Ejercicios de prompting | 25% | Diseño, iteración y justificación de prompts |
| Prácticas técnicas | 25% | Uso metodológico de IA en contextos científicos y de software |
| Proyecto final | 40% | Integración de prompting científico, validación y rigor metodológico |
Escala de evaluación
- A: 90–100
- B: 80–89
- C: 70–79
- D: 60–69
- F: < 60
8 Recursos
8.1 Materiales requeridos
- Material de lectura y notas del curso (proporcionados a lo largo del módulo).
- Computadora personal con acceso a internet y capacidad para ejecutar código localmente.
- Entorno de desarrollo para programación (por ejemplo, Visual Studio Code, Cursor u otro editor equivalente).
- Acceso a una herramienta de IA conversacional (por ejemplo, ChatGPT u otro sistema equivalente).
8.2 Recursos recomendados
- Documentación oficial de lenguajes y herramientas de programación utilizados durante el curso.
- Artículos y lecturas seleccionadas sobre inteligencia artificial, pensamiento crítico y metodología científica.
- Recursos en línea sobre buenas prácticas en desarrollo de software y reproducibilidad.
- Guías y ejemplos de prompting aplicados a contextos científicos y técnicos (proporcionados durante el curso).
8.3 Apoyo y comunicación
- Horario de asesorías: Se indicará durante el curso.
- Espacio de discusión: Plataforma del curso para preguntas, comentarios y discusión académica.
- Correo de contacto: heladia@ccg.unam.mx
9 Resultados de aprendizaje
Al finalizar este curso, el estudiante será capaz de:
- Comprender los fundamentos epistemológicos y metodológicos del uso de la inteligencia artificial en contextos científicos y técnicos.
- Diseñar prompts de manera rigurosa, clara y estructurada para interactuar con sistemas de IA.
- Evaluar críticamente las respuestas generadas por IA, identificando errores, sesgos, supuestos y alucinaciones.
- Iterar y refinar prompts con base en criterios científicos y objetivos definidos.
- Aplicar prompting científico en el desarrollo de software asistido por IA, manteniendo buenas prácticas y responsabilidad técnica.
- Justificar decisiones y resultados derivados del uso de IA mediante razonamiento crítico y evidencia.
10 Arquitectura conceptual del curso
Este curso no se organiza únicamente por temas, sino por una cadena conceptual acumulativa que articula el uso de la IA con criterios científicos.
La progresión lógica es la siguiente:
- El modelo no razona; genera texto condicionado por una distribución probabilística ( P(y | x) ).
- El prompt configura el contexto que condiciona esa generación.
- El verbo especifica el tipo de inferencia solicitada.
- El tipo de inferencia determina el tipo de afirmación producida.
- El tipo de afirmación implica un grado de compromiso epistemológico.
- A mayor compromiso, mayor riesgo epistemológico.
- Las restricciones acotan el espacio de generación.
- La verificación habilita evaluación externa.
- El juicio humano valida, cuestiona o refuta lo generado.
Esta arquitectura resume el principio central del curso:
la IA no produce conocimiento por sí misma; el conocimiento emerge cuando las salidas generadas son diseñadas, evaluadas y validadas bajo criterios científicos.
A continuación se muestra esta progresión de manera esquemática:
11 Conoce a tu instructora
11.1 Heladia Salgado
Lic. en Informática
Centro de Ciencias Genómicas, UNAM
Técnica Académica y docente en bioinformática y análisis computacional, con experiencia en el uso metodológico y crítico de herramientas de inteligencia artificial en contextos científicos y de desarrollo de software. Su trabajo se centra en el diseño de procesos reproducibles, el pensamiento científico aplicado y la formación de criterio para el uso responsable de la IA en investigación y educación.
12 Testimonios
13 Preguntas frecuentes
¿Cuál es la duración del curso?
El taller está diseñado para desarrollarse en aproximadamente 16 horas distribuidas en 8 sesiones de 2 horas cada una. En formato intensivo puede impartirse en 2 días.
¿Qué ocurre si me atraso en alguna actividad?
El curso promueve un aprendizaje reflexivo y metodológico. Si enfrentas dificultades o retrasos, se recomienda comunicarte con la instructora para acordar estrategias de seguimiento y recuperación, priorizando la comprensión sobre la velocidad.
¿Necesito experiencia previa en inteligencia artificial?
No se requiere experiencia previa en inteligencia artificial. El curso se enfoca en el uso crítico, metodológico y científico de estos sistemas, partiendo de fundamentos conceptuales y prácticos.
¿Este curso es solo teórico?
No. El curso combina fundamentos conceptuales con ejercicios prácticos de prompting y desarrollo asistido por IA, enfatizando la evaluación crítica, la validación y la aplicación responsable en contextos científicos y técnicos.
¿Puedo acceder a los materiales después de finalizar el curso?
Sí. Los materiales del curso permanecerán disponibles para su consulta posterior, permitiendo revisar contenidos, ejemplos y recursos una vez concluido el curso.