Transformar la simple “bitácora de prompts” en un Documento de Trazabilidad y Auditoría de IA (DTA) no solo es posible, sino que es el estándar de oro para la ciencia de datos reproducible y la ingeniería ética moderna.
En el contexto de su plan de estudios (especialmente en los Ejes I y V, y en la metodología de “ciencia reproducible y uso responsable de IA”), este documento deja de ser un simple diario para convertirse en una evidencia forense y científica de que el estudiante mantuvo el control cognitivo, verificó los supuestos y asumió la responsabilidad ingenieril del resultado.
A continuación, presento la guía detallada para implementar este documento con sus estudiantes.
Un Documento de Trazabilidad en ingeniería permite rastrear un requisito o decisión desde su origen hasta su implementación final. En el contexto de su asignatura, el DTA rastrea: Pregunta de Ingeniería \(\rightarrow\) Reserva Cognitiva (Hipótesis manual) \(\rightarrow\) Prompt \(\rightarrow\) Respuesta del Agente \(\rightarrow\) Auditoría Humana (Validación) \(\rightarrow\) Código/Resultado Final.
Esto garantiza que la IA fue una herramienta de ejecución y exploración, pero el estudiante fue el director científico.
Dado que su plan de estudios exige productos reproducibles, el DTA
debe redactarse en Quarto o RMarkdown. Esto permite que
el texto, el código de verificación y las tablas de auditoría convivan
en un solo archivo .qmd o .Rmd.
El documento debe dividirse en las siguientes secciones para cada hito o módulo (ej. Módulo DBCA, Módulo RSM):
Esta sección obliga al estudiante a pensar antes de teclear. * Pregunta de Ingeniería: ¿Qué se busca resolver? * Hipótesis / Predicción Manual: “Espero que el modelo de segundo orden muestre un punto estacionario de tipo máximo porque…” * Cálculos o Croquis Previos: (Pueden ser fotos escaneadas de cuadernos físicos o ecuaciones escritas en LaTeX).
utils/rsm_models.py y el dataset
data/rendimiento_maiz.csv”).Ver la Sección 3 abajo para el detalle de cómo capturar esto sin saturar el documento.
El error más común es “copiar y pegar” cientos de líneas de código que el agente generó, lo que hace el documento ilegible. Para un Modo Agente (que modifica múltiples archivos y ejecuta terminales), la respuesta debe registrarse mediante Resúmenes de Cambios (Diffs) y Evidencias de Salida.
Instruya a sus estudiantes para usar la siguiente plantilla dentro de la Fase 3:
En lugar de pegar todo el código, el estudiante debe describir qué
archivos creó o modificó el agente. > Ejemplo de
registro: > * Archivos creados:
utils/rsm_stationary.py (Función para calcular matriz B y
vector b). > * Archivos modificados:
pages/06_RSM.py (Se integró la nueva pestaña de punto
estacionario). > * Comando de terminal ejecutado:
pytest tests/test_rsm.py (El agente corrió pruebas
unitarias).
El agente genera resultados. El estudiante debe extraer solo la evidencia estadística clave y pegarla como tabla o imagen. > Ejemplo de registro: > * Salida del Agente en la terminal: “El punto estacionario se calculó en \(x_1 = 1.2, x_2 = -0.5\). Los eigenvalores de la matriz B son -4.2 y -1.1. Clasificación: Máximo local.” > * Acción del estudiante: Copiar la matriz B y los eigenvalores en una tabla de Quarto para dejar constancia.
Si el agente cometió un error estadístico o advirtió sobre una
limitación, debe quedar registrado. > Ejemplo de
registro: > * Advertencia del Agente: “El agente
indicó que statsmodels no maneja nativamente los errores
anidados del DPD y sugirió usar R.” > * Acción del
estudiante: “Se procedió a validar el modelo DPD usando el paquete
agricolae en R para contrastar.”
Para que esto sea ágil y no se convierta en una carga burocrática, sugiera este flujo de trabajo en VSCode / Quarto:
bitacora_trazabilidad.qmd.git commit -m "Auditoría DBCA: Validación cruzada con R exitosa. Ver DTA sección 2".Para que los estudiantes tomen esto en serio, el DTA debe tener un peso en la nota. Sugiero los siguientes criterios de evaluación para el documento:
| Criterio | Descripción | Ponderación Sugerida |
|---|---|---|
| Reserva Cognitiva | Evidencia hipótesis, cálculos manuales o croquis antes de usar la IA. Demuestra pensamiento propio. | 20% |
| Trazabilidad del Prompt | Los prompts están bien estructurados, son específicos y muestran el contexto entregado al agente. | 15% |
| Calidad de la Auditoría | El estudiante no solo copia la salida, sino que la contrasta (Python vs R), verifica supuestos y detecta errores de la IA. | 30% |
| Integridad y Ética | Transparencia total. Si la IA cometió un error y el estudiante lo corrigió, se valora más que si la IA lo hizo perfecto a la primera. | 15% |
| Reproducibilidad | El documento Quarto/RMarkdown compila sin errores, incluye el código de validación y está enlazado al repositorio de GitHub. | 20% |
Desde una perspectiva de mayordomía intelectual y ética cristiana (que subyace en su enfoque de la “verdad” y la “responsabilidad”), este documento enseña a los estudiantes un principio fundamental: La herramienta no exime al artesano de la responsabilidad de la obra.
Cuando un estudiante firma la “Fase 4: Auditoría Humana” en su DTA, está practicando la integridad académica y profesional. Está declarando: “Yo he examinado esta evidencia, yo he verificado los supuestos, y yo asumo la responsabilidad de esta conclusión ingenieril ante la sociedad y ante Dios”. Esto los prepara no solo como programadores, sino como Ingenieros Agrícolas éticos, capaces de dar cuentas de sus decisiones técnicas.
Quedo a su disposición si desea que redacte una plantilla en
formato Quarto (.qmd) lista para que usted se la
entregue a sus estudiantes como ejemplo de cómo debe lucir este
Documento de Trazabilidad.