Las calificaciones suspensas se disparan con el uso de IA, mientras disminuyen las habilidades matemáticas en las clases de CS de Berkeley

Artículo original ↗ Discusión en Hacker News ↗

Titular y encuadre

  • Varios comentaristas consideran que el título del artículo es ambiguo o sensacionalista, pero la discusión pronto pasa al fondo: IA, trampa, habilidades matemáticas y política de admisiones en CS en Berkeley y más allá.

Uso de IA, trampa y calificaciones suspensas

  • Muchos ven a los LLM como una forma de rebajar la barrera para hacer trampa en tareas de programación y matemáticas: estudiantes pegan salidas completas de GPT con construcciones nunca enseñadas, o escriben soluciones matemáticas demasiado formales que claramente no son suyas.
  • En los exámenes presenciales sin IA, aparece entonces una brecha: los estudiantes que “externalizaron” las tareas no pueden rendir, lo que hace subir las F.
  • Otros señalan que hacer trampa en CS introductorio ya era común (por ejemplo, plagio detectado por MOSS) y que los LLM sobre todo amplifican un problema ya existente.

Preparación matemática y estándares de admisión

  • Una gran hipótesis alternativa: el deterioro de la preparación matemática precede a los LLM y está vinculado a la eliminación de los exámenes estandarizados (SAT/ACT) en UC y a cambios en las matemáticas de secundaria.
  • Algunos citan peticiones firmadas por cientos de profesores de STEM de la UC para restablecer los exámenes, argumentando que son los mejores predictores del rendimiento STEM universitario, incluso controlando por demografía.
  • Otros cuestionan el momento: si los exámenes terminaron en 2021, ¿por qué el fuerte pico de suspensos en 2026 en lugar de una tendencia suave? La causalidad se debate ampliamente y sigue sin estar clara.

Cómo usan los LLM los estudiantes y profesionales

  • Dos patrones contrapuestos:
    • Uso productivo: como explicador, ayuda para leer código, depurador o tutor personalizado; para generar problemas de práctica; o para explorar temas avanzados más allá de la calidad docente local.
    • Uso perjudicial: dejar que haga las tareas o incluso escriba correos, lo que lleva a una comprensión superficial y a la incapacidad de resolver problemas en vivo.
  • Varios profesionales informan sentirse “más perezosos” o notar atrofia de habilidades; otros afirman grandes ganancias de productividad cuando ya entienden el dominio.

Efectos cognitivos y culturales percibidos

  • Muchos se preocupan por el deterioro cognitivo a largo plazo: dependencia de los LLM para pensar, similar a cómo el GPS erosionó las habilidades de navegación, pero a un nivel mucho más profundo.
  • Otros argumentan que esto es solo otra ola de descarga cognitiva (como las calculadoras, la búsqueda o las redes sociales), pero reconocen que la escala y la profundidad aquí son inéditas.

Calidad docente y rediseño de la evaluación

  • Algunos culpan a los profesores y a los estilos de clase (leer diapositivas, poca pedagogía), mientras otros señalan que Berkeley tiene personal docente dedicado y una pedagogía fuerte en CS.
  • Respuestas propuestas:
    • Más exámenes presenciales, sin dispositivos, y cuestionarios frecuentes de bajo riesgo.
    • Aulas invertidas, donde el contenido se consume en casa y el tiempo de clase se usa para resolver problemas.
    • Enseñanza explícita de “cómo usar la IA para aprender” frente a “cómo usarla para eludir el aprendizaje”.
  • Hay desacuerdo sobre las curvas de calificación: algunos las ven como una forma de ocultar problemas; otros como necesarias cuando las pruebas están mal calibradas.

Ideas de política y preguntas abiertas

  • Las sugerencias van desde prohibir la IA generativa para menores hasta abrazarla como un tutor estilo “Young Lady’s Illustrated Primer”, pero con restricciones.
  • Muchos coinciden en que el desafío central es rediseñar la educación y la evaluación para que la IA amplifique el aprendizaje genuino en lugar de reemplazarlo.