Desde el lanzamiento de ChatGPT a finales de 2022, millones de personas han comenzado a utilizar grandes modelos de lenguaje para acceder al conocimiento. Y es fácil comprender su atractivo: formular una pregunta, obtener una síntesis impecable y seguir adelante; se siente como un aprendizaje sin esfuerzo.
por Shiri Melumad, Universidad de Pensilvania
Sin embargo, un nuevo artículo del que soy coautor ofrece evidencia experimental de que esta facilidad puede tener un costo: cuando las personas recurren a grandes modelos de lenguaje para resumir información sobre un tema, tienden a desarrollar un conocimiento más superficial sobre el mismo en comparación con el aprendizaje a través de una búsqueda estándar en Google.
Mi coautor, Jin Ho Yun , y yo , ambos profesores de marketing, publicamos este hallazgo en un artículo basado en siete estudios con más de 10 000 participantes. La mayoría de los estudios utilizaron el mismo paradigma básico: se pidió a los participantes que aprendieran sobre un tema, como por ejemplo cómo cultivar un huerto, y se les asignó aleatoriamente a hacerlo utilizando una herramienta de aprendizaje en línea como ChatGPT o el método tradicional, navegando por enlaces mediante una búsqueda estándar en Google.
No se impusieron restricciones sobre cómo usar las herramientas; podían buscar en Google todo el tiempo que quisieran y seguir consultando ChatGPT si necesitaban más información. Una vez finalizada su investigación, se les pidió que escribieran un consejo a un amigo sobre el tema, basándose en lo que habían aprendido.
Los datos revelaron un patrón consistente: quienes aprendieron sobre un tema mediante un máster en derecho (LLM) en lugar de una búsqueda en internet sintieron que aprendieron menos, invirtieron menos esfuerzo en redactar sus consejos y, en última instancia, escribieron consejos más breves, menos precisos y más genéricos. A su vez, cuando estos consejos se presentaron a una muestra independiente de lectores, que desconocían la herramienta utilizada para informarse sobre el tema, los consideraron menos informativos, menos útiles y menos propensos a adoptarlos.
Descubrimos que estas diferencias se mantenían constantes en diversos contextos. Por ejemplo, una posible razón por la que los usuarios de LLM escribieron consejos más breves y genéricos es simplemente que los resultados de LLM los expusieron a información menos variada que los resultados de Google. Para controlar esta posibilidad, realizamos un experimento en el que los participantes estuvieron expuestos a un conjunto idéntico de datos en los resultados de sus búsquedas en Google y ChatGPT. Asimismo, en otro experimento, mantuvimos constante la plataforma de búsqueda (Google) y variamos si los participantes aprendieron de los resultados estándar de Google o de la función de Resumen de IA de Google.
Los resultados confirmaron que, incluso manteniendo constantes los hechos y la plataforma, aprender de las respuestas sintetizadas de LLM condujo a un conocimiento menos profundo en comparación con recopilar, interpretar y sintetizar información por uno mismo a través de enlaces web estándar.
Por qué es importante
¿Por qué el uso de los LLM parecía disminuir el aprendizaje? Uno de los principios más fundamentales del desarrollo de habilidades es que las personas aprenden mejor cuando participan activamente con el material que intentan aprender.
Cuando nos informamos sobre un tema a través de una búsqueda en Google, nos enfrentamos a mucha más “fricción”: debemos navegar por diferentes enlaces web, leer fuentes de información e interpretarlas y sintetizarlas nosotros mismos.
Si bien resulta más complejo, este proceso de aprendizaje conduce al desarrollo de una representación mental más profunda y original del tema en cuestión. Sin embargo, con los sistemas de aprendizaje basados en lenguaje natural (LLM), todo este proceso se realiza en nombre del usuario, transformando el aprendizaje de un proceso activo a uno pasivo.
¿Qué sigue?
Para ser claros, no creemos que la solución a estos problemas sea evitar el uso de las LLM, especialmente dados los innegables beneficios que ofrecen en muchos contextos. Más bien, nuestro mensaje es que las personas simplemente necesitan convertirse en usuarias más inteligentes o estratégicas de las LLM, lo cual comienza por comprender los ámbitos en los que las LLM son beneficiosas o perjudiciales para sus objetivos.
¿Necesitas una respuesta rápida y objetiva a una pregunta? Puedes usar tu asistente virtual de IA favorito. Pero si tu objetivo es desarrollar un conocimiento profundo y generalizable en un área, depender únicamente de las síntesis de LLM te resultará menos útil.
Como parte de mi investigación sobre la psicología de las nuevas tecnologías y los nuevos medios, también me interesa saber si es posible convertir el aprendizaje de LLM en un proceso más activo. En otro experimento, pusimos a prueba esta posibilidad haciendo que los participantes interactuaran con un modelo GPT especializado que ofrecía enlaces web en tiempo real junto con sus respuestas sintetizadas. Sin embargo, observamos que, una vez que los participantes recibían un resumen de LLM, no se sentían motivados a profundizar en las fuentes originales. El resultado fue que los participantes adquirieron un conocimiento más superficial en comparación con quienes utilizaron Google estándar.
Partiendo de esta base, en mis futuras investigaciones planeo estudiar herramientas de IA generativa que impongan dificultades constructivas en las tareas de aprendizaje; específicamente, examinar qué tipos de obstáculos o barreras motivan con mayor éxito a los usuarios a aprender activamente más allá de las respuestas fáciles y sintetizadas. Estas herramientas serían particularmente cruciales en la educación secundaria, donde uno de los principales retos para los educadores es cómo preparar mejor a los estudiantes para desarrollar habilidades fundamentales de lectura, escritura y matemáticas, al tiempo que los preparan para un mundo real donde las maestrías en derecho probablemente serán parte integral de su vida diaria.
El Resumen de Investigación es una breve reseña de trabajos académicos interesantes.
Shiri Melumad , profesora asociada de marketing de la Universidad de Pensilvania.
Fuente del artículo: Este artículo se republica de The Conversation bajo una licencia Creative Commons. Lea el artículo original .
Fuente de la imagen de cabecera: Arkan Perdana en Unsplash
Fuente: https://realkm.com/2026/03/26/learning-with-ai-falls-short-compared-to-old-fashioned-web-search/