LA MENTE: GUION

  

🔹 Contexto de Aplicación

Esta guía tutorial está diseñada para estudiantes de programación básica a nivel universitario, utilizando la herramienta PSEint para la resolución de problemas de lógica y algoritmia. El objetivo es proporcionar un conjunto de ejercicios prácticos que refuercen los conceptos fundamentales de estructuras secuenciales y condicionales.

🔹 Motor de IA Utilizado

• Base Textual: GPT-4
• Refinamiento (Fine-Tuning por prompt):  Gemini

🔹 Bitácora de Iteraciones: El Proceso de Fine-Tuning

1. Implementación Básica (La Base Genérica)

Prompt Inicial:

"Por favor, genera 3 problemas de programación básica para practicar en PSEint."

Resultado de la IA (Iteración 1 - Salida genérica):

(IA): Aquí tienes 3 ejercicios para PSEint:

1. Suma: Solicita al usuario dos números y muestra la suma.
2. Par o impar: Pide un número y determina si es par o impar.
3. Promedio: Lee tres calificaciones y calcula el promedio final.

2. Mejora Avanzada (El Fine-Tuning mediante Prompts)

Prompt de Rol y Contexto Académico:

*"Actúa como un Diseñador Instruccional experto en Ingeniería de Software. Tu objetivo es refinar el siguiente prompt para que genere problemas de práctica de PSEint de alta calidad, contextualizados en el mundo real y listos para una guía de laboratorio de la Universidad de Panamá.

"Por favor, genera 3 problemas de programación básica para practicar en PSEint."

El prompt final debe estructurar los problemas con:

1. Un título claro.
2. Un enunciado que incluya un contexto de la vida real (problema narrativo).
3. Entradas, procesos y salidas bien definidos.
4. Un nivel de dificultad incremental, pasando de secuencial a condicional.

No generes los problemas aún, solo devuelve el PROMPT REFINADO Y OPTIMIZADO."*

Resultado de la IA (Iteración 2 - El PROMPT REFINADO):

(IA): ¡Hola! He refinado el prompt. Úsalo para obtener tus ejercicios académicos estructurados:

*"Genera tres (3) problemas de programación estructurada para PSEint, diseñados para una guía de laboratorio universitaria. Para cada problema, sigue estrictamente esta estructura:

Título del Problema: (Un nombre breve y descriptivo del contexto real, p.ej., 'Sistema de Facturación Exprés').

Dificultad y Conceptos: (Indica el nivel: Secuencial, Condicional Simple/Doble, y los conceptos aplicados).

Enunciado Narrativo (Caso Real): (Describe una situación cotidiana o empresarial breve en la que se requiera automatizar una solución, incluyendo todos los datos de entrada y las reglas de negocio necesarias para el proceso).

Entradas Requeridas: (Lista detallada de las variables de entrada con sus tipos de datos esperados, ej: Entero, Real).

Procesos a Realizar: (Explicación paso a paso de los cálculos y las decisiones que debe tomar el algoritmo, detallando fórmulas y condiciones lógicas).

Salidas Esperadas: (Lista de los resultados y mensajes de retroalimentación que el algoritmo debe mostrar al usuario).

Asegúrate de que los problemas tengan una dificultad incremental: el primero totalmente secuencial, el segundo con una condicional simple y el tercero con una condicional doble o anidada."*

✅ DESPLIEGUE DEL TEXTO FINAL REFINADO: GUION TUTORIAL

 

Guía de Ejercicios Prácticos: Fundamentos de Algoritmia en PSEint

Esta guía presenta tres casos prácticos diseñados para ser desarrollados en el software PSEint, incrementando la complejidad desde la programación secuencial hasta el uso de estructuras condicionales simples y dobles.

Problema 1: Cálculo de Consumo de Combustible en Logística

Dificultad y Conceptos: Secuencial / Operaciones aritméticas básicas.

Enunciado Narrativo (Caso Real): Una empresa de transporte de carga local en la Ciudad de Panamá necesita un algoritmo para que sus conductores calculen rápidamente el rendimiento de combustible de sus camiones al finalizar una ruta. El algoritmo debe recibir la cantidad de kilómetros recorridos y el total de galones de combustible utilizados, para luego determinar cuántos kilómetros rinde el vehículo por galón de combustible.

Entradas Requeridas:

• kilometrosRecorridos (Real, positivo): Total de km realizados en la ruta.
• galonesConsumidos (Real, positivo): Cantidad de combustible repostado en galones.

Procesos a Realizar:

1. Cálculo: Dividir los kilometrosRecorridos entre los galonesConsumidos.rendimiento = kilometrosRecorridos / galonesConsumidos

Salidas Esperadas:

• Mostrar un mensaje claro con el resultado: "El rendimiento del camión en esta ruta fue de X kilómetros por galón."

 

Problema 2: Control de Aforo y Alarma de Capacidad en un Evento Académico

Dificultad y Conceptos: Condicional Simple / Toma de decisiones secuencial.

Enunciado Narrativo (Caso Real): La facultad de Ingeniería está organizando un simposio en un auditorio con una capacidad máxima de 150 personas. Se requiere un algoritmo de control para el personal de puerta. El programa solicitará el total de personas que ya han ingresado y la cantidad de personas que desean entrar en grupo en ese momento. El algoritmo sumará ambos valores y, si el total excede el aforo, mostrará un mensaje de alerta de "CAPACIDAD MÁXIMA ALCANZADA".

Entradas Requeridas:

• personasIngresadas (Entero, >= 0): Cantidad de asistentes que ya están en el auditorio.
• personasDeseanEntrar (Entero, > 0): Número de personas en el grupo que está en la entrada.

Procesos a Realizar:

1. Suma del Total: Calcular totalProyectado = personasIngresadas + personasDeseanEntrar.
2. Validación de Aforo (Condicional Simple): Evaluar si totalProyectado > 150.
• Si es verdadero: Generar un mensaje de alerta.

Salidas Esperadas:

• Mostrar el mensaje: "CAPACIDAD MÁXIMA ALCANZADA. Aforo proyectado: X / 150. No se permite el ingreso." (Solo si se excede la capacidad).

 

Problema 3: Sistema de Nómina con Bonificación por Horas Extras

Dificultad y Conceptos: Condicional Doble / Lógica de pago incremental.

Enunciado Narrativo (Caso Real): Una pequeña empresa de desarrollo de software en Panamá paga a sus programadores una tarifa fija por hora ($25.00/h). La jornada laboral normal es de 40 horas semanales. Para incentivar la productividad, la empresa paga las horas extras (horas trabajadas por encima de 40) con una bonificación del 50% sobre la tarifa normal (tarifa x 1.5). El algoritmo debe calcular el salario bruto semanal del programador basado en las horas totales trabajadas.

Entradas Requeridas:

• horasTrabajadasSemanales (Real, > 0): Total de horas que el programador trabajó en la semana.

Procesos a Realizar:

1. Definición de Tarifas: Establecer tarifaNormal = 25.00 y tarifaExtra = 25.00 * 1.5.
2. Cálculo de Salario (Condicional Doble):
• Si horasTrabajadasSemanales <= 40:
• salarioBruto = horasTrabajadasSemanales * tarifaNormal.
• Si horasTrabajadasSemanales > 40:
• horasNormales = 40.
• horasExtras = horasTrabajadasSemanales - 40.
• pagoNormal = horasNormales * tarifaNormal.
• pagoExtra = horasExtras * tarifaExtra.
• salarioBruto = pagoNormal + pagoExtra.

Salidas Esperadas:

• Mostrar el desglose del pago: "El salario bruto semanal es de $X (basado en Y horas totales)."

🔹 Reflexión Crítica:

El proceso de fine-tuning mediante prompts avanzados ha demostrado ser una herramienta indispensable para transformar la interacción con modelos de lenguaje de una simple consulta a una especialización técnica. Al actuar como diseñador instruccional y ajustar manualmente el rol, el contexto y la estructura del prompt, logramos que la IA pasara de generar respuestas genéricas a entregar un producto pedagógico de alto valor, estructurado como una guía de laboratorio real y listo para ser utilizado en el aula universitaria. Esto resalta que la calidad del output de la IA es directamente proporcional a la calidad y precisión del input instruccional.

Esta metodología permite, por un lado, automatizar tareas repetitivas en el diseño de guías de estudio, y por el otro, asegura la coherencia narrativa y la profundidad académica. Al aplicar este flujo, el docente se convierte en un auditor crítico de la tecnología, capaz de orquestar la IA para que sirva a objetivos pedagógicos complejos. El ajuste fino no solo optimiza la precisión técnica, sino que también permite impregnar el material con el contexto local (como las empresas de Panamá o la UP), añadiendo una capa de relevancia que la IA genérica no puede ofrecer por sí sola.

🔹 Contexto de aplicación:

Uso estas herramientas de IA generativa para preparar guías de estudio y de laboratorios. Me ayudan a preparar mis materiales en poco tiempo y los resultados son de muy alta calidad.