Un profesor de laboratorio de metrología dimensional entrega a cada estudiante un eje torneado, un micrómetro de 0,01 mm y el certificado de calibración del bloque patrón. Pide diez mediciones del diámetro y un reporte de una página con el valor, su incertidumbre según la GUM (la guía internacional para expresar la incertidumbre) y la cadena de trazabilidad. Una medición se revisa por lo que se sabe sobre lo que no se sabe: la incertidumbre declarada con honestidad. La IA puede revisar la trazabilidad y el cálculo; la medición y la responsabilidad del valor reportado («24,98 ± 0,03 mm») son de quien midió.
Qué es y para qué sirve#
La metrología se ocupa de medir con rigor: trazabilidad, incertidumbre, calibración y reporte coherente del resultado. Lo que el estudiante aprende aquí: reconocer las fuentes de error (la temperatura del taller, la fuerza con que cierra el micrómetro), calcular la incertidumbre según GUM y reportar con disciplina.
Dónde entra la IA en este tipo de trabajo: lista las fuentes típicas de incertidumbre para el instrumento (por ejemplo, la dilatación del eje si se mide recién torneado), señala si los residuos de las diez lecturas muestran un error sistemático o aleatorio, y revisa que la incertidumbre declarada sea coherente con la trazabilidad del patrón y la resolución del micrómetro.
Taxonomía de Bloom y progresión de prompts#
Nivel dominante 4 — Analizar (la lectura de patrones de error). Para ti, la tabla es un banco de prompts: copia el de la fase que quieras reforzar (casi siempre la de residuos, donde el grupo corrige sin haber mirado el patrón) y sustituye los corchetes por tu magnitud e instrumento.
Desliza horizontalmente para consultar todas las columnas.
| Nivel de la taxonomía de Bloom | Movimiento metrológico | Qué hace el estudiante | Prompt sugerido |
|---|---|---|---|
| 3 — Aplicar | Fuentes de incertidumbre | Lista fuentes típicas según GUM | “Voy a medir [magnitud] con [instrumento]. ¿Qué fuentes de incertidumbre son típicas y cómo se cuantifican según GUM?” |
| 4 — Analizar (dominante) | Patrones de error | Identifica error sistemático vs. aleatorio en residuos | “Tengo estas mediciones: [datos]. ¿Qué patrones de error sistemático o aleatorio sugieren los residuos? No me des la corrección; sólo identifica el patrón.” |
| 5 — Evaluar | Coherencia del reporte | Verifica coherencia entre incertidumbre, trazabilidad y resolución | “Mi resultado es [valor ± incertidumbre]. ¿Mi incertidumbre combinada está reportada coherentemente con la trazabilidad de mis patrones y la resolución del instrumento?” |
Competencias que desarrolla#
- Ingeniería — disciplina metrológica, manejo de incertidumbre, reporte trazable.
Secuencia de la actividad (proceso → producto)#
Fase 1 — Encuadre metrológico
Antes de medir
Definición de magnitud, método, instrumento y trazabilidad esperada. La IA mapea fuentes típicas de incertidumbre.Fase 2 — Medición
Sin IA
Adquisición de datos según protocolo; la IA no participa.Fase 3 — Análisis de residuos
Patrones de error
Lectura de patrones y propuesta de causas con verificación manual de los cálculos.Fase 4 — Reporte
Coherencia
Reporte final del valor con su incertidumbre, trazabilidad y resolución; verificación cruzada de coherencia.
Qué entrega el estudiante además del reporte#
Riesgo bajo de sustitución de autoría: sin datos crudos y hoja de cálculo el reporte se cae solo. Junto con el valor reportado, el estudiante entrega estas piezas (las diez lecturas con fecha y temperatura, la hoja GUM, el certificado del patrón):
Desliza horizontalmente para consultar todas las columnas.
| Evidencia | Estado | Forma concreta |
|---|---|---|
| Bitácora del diálogo con IA | recomendada | Registro breve por fase: qué se pidió, qué se aceptó o descartó y qué se comprobó; no la conversación completa |
| Datos crudos de medición | obligatoria | Archivos o planilla con metadatos |
| Hoja de cálculo de incertidumbre | obligatoria | Cálculo paso a paso según GUM |
| Trazabilidad de patrones | obligatoria | Certificados o referencias verificables |
| Anotaciones de validación | obligatoria | Patrones de error identificados y verificados |
| Bitácora metacognitiva | recomendada | Qué aprendió sobre medir con responsabilidad |
| Declaración de uso de IA | obligatoria | Modelo, contexto y propósito |
Cómo se evalúa (rúbrica de proceso)#
Con esta rúbrica revisas la hoja de cálculo y la bitácora, no sólo el número final; ajusta los pesos a tu curso (por ejemplo, más peso a «uso ético» si te preocupa la incertidumbre subdeclarada):
Desliza horizontalmente para consultar todas las columnas.
| Criterio | N1 Inicial | N2 En desarrollo | N3 Competente | N4 Avanzado | Peso |
|---|---|---|---|---|---|
| Pertinencia del prompt | Vago | Relación parcial | Claro y adecuado | Pertinente y estratégico | 10% |
| Nivel cognitivo del prompt | Pide el cálculo | Algo de análisis | Análisis de residuos | Pensamiento crítico — IA como verificador metrológico | 15% |
| Uso crítico de la respuesta | Acepta sin cuestionar | Cuestiona poco | Contrasta y analiza | Evalúa y reformula | 20% |
| Integración en el trabajo | Copia | Uso limitado | Integra y adapta | Transforma; el reporte es propio | 20% |
| Iteración del prompt | No ajusta | Ajustes mínimos | Mejora prompts | Itera estratégicamente | 10% |
| Metacognición | No reflexiona | Reflexión superficial | Explica su aprendizaje | Analiza decisiones de declaración de incertidumbre | 15% |
| Uso ético | Inadecuado | Básico | Adecuado | Crítico — honestidad en incertidumbre | 10% |
Riesgos y salvaguardas#
- Incertidumbre subdeclarada. Reportar valores sin componentes importantes de incertidumbre. Salvaguarda: hoja de cálculo según GUM obligatoria.
- Trazabilidad ausente. Salvaguarda: certificados verificables obligatorios.
- Patrones de error no investigados. Salvaguarda: el prompt nivel 4 obliga a identificar el patrón antes de corregir.
- Errores de cálculo heredados de la IA. Salvaguarda: verificación manual de los pasos críticos.
Asignatura de ejemplo#
Ingeniería industrial, mecánica, control de calidad, laboratorios de medición, metrología dimensional o eléctrica.
Ejemplos y enlaces#
- Trabajo cercano: Análisis de materiales con IA — uso de mediciones para caracterización.
- Trabajo cercano: Reporte técnico con IA — comunicación del resultado.