Congreso In-Red 2023

UPV, 13 – 14 de julio de 2023

Doi:https://doi.org/10.4995/INRED2023.2023.16621

El rol de la inteligencia artificial generativa en la educación:

beneficios potenciales de ChatGPT para promover el
aprendizaje en tareas de programación en Python*

Rocı́o del Amor1 , Adrián Colomer1,2 y Valery Naranjo1,2

1
Instituto Universitario de Investigación en Tecnologı́a Centrada en el Ser Humano, ,
HUMAN-tech, Universitat Politècnica de València, Valencia, Spain, [email protected]
2
ValgrAI - Valencian Graduate School and Research Network for Artificial Intelligence

How to cite: R. del Amor, A. Colomer y V. Naranjo. 2023. ChatGPT para promover el
aprendizaje en tareas de programación. En libro de actas: IX Congreso de Innovación Educativa
y Docencia en Red. Valencia, 13 – 14 de julio de 2023. Doi:https://doi.org/10.4995/
INRED2023.2023.16621

Abstract
One of the essential conditions for a successful learning process for students is the
possibility of having access to resources that allow them to clarify their doubts when
dealing with the activities proposed by the educational team. The new generations of
students, now made up of digitized people, push us to update the learning process. This
article proposes the use of ChatGPT as a tool to support the resolution of doubts in a
programming project. The authors suggest that this tool can be more effective than the
information available in libraries and online documentation, especially for students with
less programming experience, as it provides them with a tool to ask specific questions
and receive direct and personalized answers. The results of the study show that students
achieved higher performance when using ChatGPT to resolve their queries compared to
other available sources of information. This suggests that ChatGPT can be a useful tool
to enhance the learning process and encourage student success in programming projects.
Keywords: Digitalisation, Artificial Intelligence, ChatGPT, Programming assistant,
Natural Language Processing (NLP).

Resumen
Una de las condiciones esenciales para el éxito del proceso de aprendizaje del alumnado
es la posibilidad de acceder a recursos que le permitan aclarar sus dudas a la hora
de abordar las actividades propuestas por el equipo docente. Las nuevas generaciones
de estudiantes, ya digitalizados, nos empujan a actualizar el proceso de aprendizaje.

* El trabajo de Rocı́o del Amor ha sido financiado por el Ministerio Español de Universidades (FPU20/05263). El

trabajo de Adrián Colomer ha sido parcialmente financiado por ValgrAI - Valencian Graduate School and Research
Network for Artificial Intelligence & Generalitat Valenciana (VALGRAI/22/P/1) y la Universitat Politècnica de
València (PAID-PD-22).

2023, Universitat Politècnica de València

Congreso In-Red (2023)

851
 ChatGPT para promover el aprendizaje en tareas de programación

Este artı́culo propone el uso de ChatGPT como herramienta de apoyo a la resolución

de dudas en un proyecto de programación. Se plantea la hipótesis de que ChatGPT
puede ser más eficaz que la información disponible en bibliotecas y documentación en
lı́nea, especialmente para los estudiantes con menos experiencia en programación, ya
que esta herramienta les permite hacer preguntas especı́ficas y recibir respuestas directas
y personalizadas. Los resultados del estudio muestran que los estudiantes que utilizaron
ChatGPT para resolver sus dudas obtuvieron mejores resultados que los que recurrieron
a otras fuentes de información disponibles. Este hallazgo sugiere que ChatGPT podrı́a
ser útil para mejorar el proceso de aprendizaje y promover el éxito de los estudiantes
en proyectos de programación.
Keywords: Digitalización, Inteligencia artificial (IA), ChatGPT, Asistente de progra-
mación, Procesamiento del Lenguaje Natural (PLN).

1 Introducción

La revolución digital ha transformado una multitud de sectores, incluyendo el mundo de la educa-

ción. La digitalización ha mejorado el acceso a la información y el aprendizaje en lı́nea, cambiando
significativamente la forma en la que los estudiantes aprenden y los educadores enseñan. La pan-
demia COVID-19 ha acelerado aún más esta transformación. El cierre de escuelas y universidades
a nivel mundial obligó a los educadores y estudiantes a depender cada vez más de la tecnologı́a
para continuar con sus actividades académicas. En este contexto, la inteligencia artificial (IA) se
presenta como una tecnologı́a para promover el avance y la innovación en los entornos educativos
(Zhai, 2022).

La IA ha comenzado a utilizarse en educación para mejorar la calidad del aprendizaje, adaptando

los procesos educativos a las necesidades individuales de cada estudiante y proporcionando una
retroalimentación personalizada en tiempo real. Además, la IA también ha optimizado el tiempo
y los recursos de los educadores, brindándoles datos analı́ticos en tiempo real para mejorar la
enseñanza y el aprendizaje. Un ejemplo de ello, es la última innovación de Google Classroom
(Kiecza, 2022), que usa la IA para ayudar a alumnos y profesores. Otros ejemplos incluyen el uso
de la IA para automatizar tareas administrativas de rutina y diagnosticar las competencias de los
estudiantes, ofreciendo contenido de aprendizaje y comentarios adaptados a su progreso individual.
Es importante tener en cuenta que el desarrollo de tecnologı́as de IA aplicadas a la educación debe
ser abordado desde un enfoque ético y deontológico desde su fase de diseño hasta su posterior
desarrollo (Selwyn, 2020). La creciente importancia de la IA en el ámbito de la enseñanza y el
aprendizaje requiere que todos los paı́ses trabajen juntos para garantizar que la IA permanezca bajo
el control humano y se diseñe y aplique para el bien común (Urbán, 2021). Se debe comprender que
la IA debe utilizarse para aumentar y amplificar las capacidades humanas, no para reemplazarlas.

Una de las herramientas de IA emergentes que ha empezado a emplearse con fines educativos es
ChatGPT, desarrollado en 2022 por OpenAI (OpenAI, 2023). ChatGPT es una interfaz conversa-
cional de inteligencia artificial que utiliza el procesamiento del lenguaje natural (NLP, de sus siglas
en inglés) (Mhlanga, 2023). El uso del procesamiento del lenguaje Natural y una IA generativa ha
permitido a ChatGPT producir texto similar al humano y mantener un estilo conversacional más
realista. Además de imitar la conversación humana, sus capacidades van mucho más allá, pudiendo
resolver cualquier tarea que se le proponga. En entornos educativos, este modelo no solo puede
ayudar a diseñar evaluaciones, elaborar ensayos y traducir idiomas, sino que también permite a los

2023, Universitat Politècnica de València

Congreso In-Red (2023)

852
 R. del Amor, A. Colomer y V. Naranjo

usuarios plantear y responder a diversas preguntas, resumir textos e interactuar con él como con
compañeros (Sok y Heng, 2023).

Cada vez hay más publicaciones que exploran el uso potencial de ChatGPT para la enseñanza
(Stokel-Walker, 2022; Susnjak, 2022) e incluso algunos han proporcionado directrices sobre su uso
en las aulas (Lieberman, 2023; Mollick y Mollick, 2022). A pesar de las posibles ventajas educativas,
muchos investigadores han argumentado que ChatGPT también presenta desventajas significativas
(Baidoo-Anu y Owusu Ansah, 2023; Cotton et al., 2023; Gordijn y Have, 2023). Por ejemplo, un
estudio de Mogali (Mogali, 2023) descubrió que, con una evaluación inicial, ChatGPT no respondı́a
sistemáticamente con información precisa cuando se le preguntaba sobre hechos anatómicos en su
versión actual. Por lo tanto, resulta evidente que la existencia de esta herramienta puntera tiene
tanto ventajas como limitaciones a tener en cuenta.

Las tareas educativas relacionadas con el desarrollo de código para resolver problemas de progra-
mación necesitan de una innovación docente, ya que los ı́ndices de superación de las asignaturas de
programación son bajos y las tasas de abandono se sitúan en torno al 28-33 % (Marco-Galindo et al.,
2022). La IA podrı́a intervenir guiando a los alumnos a desarrollar un código eficiente, corrigiendo
errores y asesorándoles en qué librerı́as de programación deben consultar para mejorar su proceso
de aprendizaje. Hasta donde sabemos, no hay ningún estudio que evalúe el uso de ChatGPT en
tareas educacionales de programación. Esto motiva el desarrollo del presente trabajo, en el que se
propone un estudio experimental para comprobar cómo ChatGPT podrı́a guiar, resolver dudas y
asesorar a los alumnos en el desarrollo de tareas de programación, concretamente en la creación
de modelos de deep learning aplicados al análisis de imágenes. Esta experimentación se llevó a
cabo sobre 30 estudiantes con diferentes perfiles, matriculados en la octava edición del Curso de
Formación Permanente “Deep Learning aplicado al análisis de señales e imágenes”de la Universitat
Politècnica de València.

2 Objetivos

El objetivo principal de este artı́culo es evaluar el desempeño de los estudiantes en un micropro-

yecto de programación utilizando ChatGPT como apoyo a la resolución de dudas. En concreto, se
introduce el uso de ChatGPT en el desarrollo y evaluación de un modelo basado en inteligencia
artificial para la clasificación de imágenes utilizando el lenguaje de programación Python.

Para ello se plantean los siguientes objetivos especı́ficos:

Comparar el tiempo que tardan los alumnos que utilizan ChatGPT en la realización de las
tareas con los que utilizan la documentación de internet.

Determinar si el uso de ChatGPT aumenta el número de alumnos que pueden acabar con
satisfacción las tareas propuestas.

Analizar los resultados de los modelos basados en inteligencia artificial desarrollados por los
alumnos que utilizan ChatGPT y por los que usan la documentación de internet, con el
objetivo de explorar si existen diferencias significativas.

Evaluar las ventajas e inconvenientes de la utilización de ChatGPT en el proceso de en-

señanza-aprendizaje de los alumnos en comparación con la documentación de internet.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

853
 ChatGPT para promover el aprendizaje en tareas de programación

Fig. 1: Formularios sobre la experiencia previa de los participantes involucrados en el estudio. (a) Respuesta a la
pregunta: ¿Con qué lenguajes de programación tienes experiencia? (b) Respuesta a la pregunta: ¿Conoces algunos
de los siguientes frameworks de desarrollo de soluciones de deep learning? (c) Respuesta a la pregunta: ¿Conoces
alguna/s de las siguientes librerı́as de desarrollo de soluciones de deep learning?

Validar el uso de tecnologı́as basadas en inteligencia artificial como complemento en la reso-

lución de problemas, confiando que este hecho contribuirá favorablemente en la mejora de la
calidad de programación del alumno.

3 Desarrollo de la innovación

En esta sección se explica el diseño del proceso experimental utilizado para abordar los objetivos
mencionados previamente. El experimento educativo en el que se basa este trabajo está dentro del
contexto de la educación universitaria. En concreto, esta experiencia docente fue desarrollada por
un grupo de 30 estudiantes matriculados en el curso “Deep learning aplicado al análisis de señales e
imágenes” impartido en la Universidad Politécnica de Valencia. Este curso se compone de 40 horas
presenciales en las que se explican los conceptos básicos de la inteligencia artificial aplicada tanto
a imágenes como a señales. El curso está distribuido en 8 clases de 5 horas cada una. El estudio
que se presenta en este artı́culo se realizó en la séptima clase del curso, cuando los estudiantes
ya tenı́an los conocimientos básicos para la aplicación de algoritmos basados en deep learning en
la clasificación de imágenes. Cabe destacar que previo al estudio, todos los alumnos firmaron un
consentimiento informado de participación en el mismo.

Como primer paso al diseño de la experimentación, se les preguntó a los alumnos por los conoci-
mientos previos de programación, ya que estos pertenecı́an a titulaciones diversas. Las respuestas
obtenidas se visualizan en la Fig. 1. Como se puede observar, pocos alumnos tenı́an conocimiento
del lenguaje de programación python y muchos de ellos no habı́an realizado previamente ningún
tipo de algoritmo con inteligencia artificial. La dificultad del proyecto a realizar se adaptó teniendo
en cuenta estas limitaciones.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

854
 R. del Amor, A. Colomer y V. Naranjo

Para aplicar la metodologı́a propuesta en el aula, se siguieron una serie de pasos que se describen
a continuación, de manera que el aprendizaje fuese reflexivo y que los alumnos tuviesen una guı́a.
En primer lugar, se planteó el proyecto a los alumnos, desarrollo de una Pokédex mediante la apli-
cación de algoritmos basados en deep learning utilizando el lenguaje de programación de Python y
el entorno de Google Colab. Una vez expuesto el trabajo a realizar, los estudiantes fueron divididos
de forma aleatoria en dos grupos, grupo control y grupo experimental. En concreto, 16 alumnos
formaron parte del grupo control y los 14 restantes se incluyeron en el grupo experimental. El grupo
control podı́a desarrollar el proyecto consultando cualquier duda en la documentación de las prin-
cipales librerı́as de desarrollo de inteligencia artificial (keras y Tensorflow), internet y las prácticas
anteriores desarrolladas durante el curso. El grupo experimental solo podı́a resolver las dudas que
le surgiesen consultando a ChatGPT, quedando excluida cualquier documentación y los notebooks
de las prácticas previas que habı́an realizado los alumnos. A cada alumno, se le proporcionó un
formulario de google que servı́a como guı́a para el desarrollo del algoritmo propuesto. En este caso,
el formulario se componı́a de dos módulos: 1) creación de la solución basada en una arquitectu-
ra convolucional (Convolutional Neural Network); 2) validación y testeo del modelo desarrollado.
Para cada uno de los módulos, se les pidió a los alumnos que respondieran adecuadamente a las
preguntas que se les formularan. A continuación, se detalla cada uno de los módulos.

El primer módulo tenı́a como objetivo desarrollar y optimizar un modelo basado en deep learning.
En concreto, se querı́a diseñar una Pokédex para identificar diferentes tipos de Pokémon. A todos los
alumnos, independientemente del grupo en el que se encontrasen, se les proporcionó indicaciones
de cómo debı́an desarrollar el modelo. Se aconsejó sobre el uso de tres bloques convolucionales
de 1, 2 y 2 capas, respectivamente. Además, también se recomendó el uso de nuevas capas como
GlobalMaxPooling, que no habı́an sido estudiadas en las clases anteriores. Se dejó a libre elección de
los alumnos la aplicación de técnicas de normalización y regularización para mejorar los resultados,
ası́ como el número y tipo de transformaciones realizadas en el data augmentation que permitiesen
reducir el overfitting y mejorar los resultados. Como evaluación de este módulo, se les preguntó a los
alumnos el rendimiento obtenido por el modelo clasificador en el conjunto de validación (mejor valor
de accuracy y pérdidas), las instrucciones que habı́an tenido que consultar en keras/Tensorflow e
internet (en el caso del grupo control) y en ChatGPT en el caso del grupo experimental, ası́ como
el tiempo empleado. En la Fig. 2, se puede observar con más detalle el formulario que se les
proporcionó a los alumnos para la resolución del primer módulo.

Una vez desarrollada y entrenada la arquitectura de red, los alumnos podı́an comenzar con el
segundo módulo, validación y testeo del modelo desarrollado. Para ello, los alumnos tenı́an que
seleccionar 10 imágenes de diferentes Pokémon como set de testeo y realizar la predicción, clasifica-
ción de las imágenes en los diferentes Pokémon que existe. En concreto, se les pidió que recolectaran
la performance que habı́a obtenido su modelo clasificador en el conjunto de test (valor de accuracy,
recall y F1-score) ası́ las instrucciones consultadas y el tiempo requerido. En la Fig. 3, se puede
observar la guı́a que se les proporcionó a los alumnos.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

855
 ChatGPT para promover el aprendizaje en tareas de programación

Fig. 2: Guı́a proporcionada a los alumnos para la creación de un modelo basado en Convolutional Neuronal Network.
Cabe destacar que este formulario se diseñó para los alumnos que se encontraban dentro del grupo experimental.
Para el grupo control, se diseñó el mismo formulario pero se especificó que los alumnos solo podı́an consultar la
documentación de internet y prácticas anteriores para la resolución de dudas.

4 Resultados

A continuación, se desarrollan una serie de indicadores que permiten llevar a cabo una evaluación
cuantitativa acerca de la mejora que supone en el aprendizaje el empleo de ChatGPT. Para ello, se
evalúa el porcentaje de alumnos que concluyeron las tareas en el grupo experimental (haciendo uso
de ChatGPT) y grupo control (que hace uso de las librerı́as e información disponible en tensorflow,
internet y prácticas anteriores). Además, también se analiza el tiempo consumido por cada grupo
y el rendimiento obtenido por el modelo que han desarrollado.

4.1 Módulo 1: Creación de la solución basada en una arquitectura Convolutional

Neural Network (CNN)

Tal y como se ha comentado anteriormente, en este módulo se pretendı́a evaluar y comparar las
destrezas de los alumnos que utilizan diferentes asesores de dudas (internet vs. ChatGPT) en el
diseño de una red neuronal convolucional. En la Tabla 1, se muestra el número de alumnos que
consiguieron acabar el módulo para cada uno de los grupos (control y experimental) ası́ como
la media y desviación tı́pica de la precisión y el error que obtuvieron los modelos desarrollados
sobre el conjunto de validación. Tal y como se puede deducir, aunque el rendimiento y las pérdidas
de los modelos que obtuvieron cada uno de los grupos son bastante similares (no hay diferencias
significativas) donde más diferencia encontramos es en el porcentaje de respuestas. Mientras que

2023, Universitat Politècnica de València

Congreso In-Red (2023)

856
 R. del Amor, A. Colomer y V. Naranjo

Fig. 3: Guı́a proporcionada a los alumnos para la validación y el testeo del modelo entrenado. Cabe destacar que este
formulario se diseñó para los alumnos que se encontraban dentro del grupo experimental. Para el grupo control, se
diseñó el mismo formulario pero se especificó que los alumnos solo podı́an consultar la documentación de internet
y prácticas anteriores para la resolución de dudas.

en el grupo experimental el 87.71 % de los participantes pudieron finalizar la tarea correctamente,

solo el 37.5 % del grupo de control logró terminar la tarea. Estos resultados sugieren que el uso de
ChatGPT proporciona a los alumnos respuestas precisas que permiten que un mayor porcentaje
de estos acaben sus tareas satisfactoriamente.

En la Fig. 4, podemos observar la comparación de tiempos entre el grupo experimental y el grupo

control. El tiempo medio empleado por el grupo experimental y control es muy similar. Por tanto,
aunque en el grupo experimental hay más alumnos que permiten resolver adecuadamente la tarea,
el tiempo empleado por cada alumno es relativamente similar, lo que demuestra que el uso del
ChatGPT no ralentiza su trabajo sino que permite a un mayor porcentaje de alumnos acabar con
su tarea.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

857
 ChatGPT para promover el aprendizaje en tareas de programación

Tabla 1: Porcentaje de respuestas que se obtuvieron en cada uno de los grupos (estudiantes que consiguieron finalizar
el módulo) ası́ como la precisión y el error de los modelos que se entrenaron.

% respuestas Precisión Error

Grupo experimental 87.71 0.9500 ± 0.0510 0.1417 ± 0.0991
Grupo control 37.50 0.9461 ± 0.0719 0.2532 ± 0.2333

Fig. 4: Comparación de tiempos entre el grupo experimental y control para la resolución del módulo 1 del diseño
experimental. (a) Boxplot en el que comparamos el grupo experimental y control según la media del tiempo empleado
y la desviación tı́pica de cada grupo en minutos. (b) Gráfico de cajas y bigotes para la comparación de tiempos
entre el grupo experimental y control expresados en minutos.

4.2 Módulo 2: Validación y testeo de la arquitectura

En el segundo módulo, se evaluó el desempeño de los modelos generados por los alumnos en
un conjunto de nuevas imágenes denominadas imágenes de test. En la Tabla 2, podemos ver los
resultados obtenidos para cada uno de los grupos. Lo más destacable de este módulo es el porcentaje
de alumnos que logra resolver la tarea con la ayuda de ChatGPT y aquellos que lo hacen con el uso
de internet. Mientras que solo el 18.75 % de los alumnos pertenecientes al grupo control pueden
resolver adecuadamente la tarea, en el grupo control la resuelven el 42.86 %. En este caso, se puede
concluir que el uso de ChatGPT ayuda en gran medida a la realización de la tarea. En cuanto a
la evaluación de los modelos generados, se puede observar que las métricas obtenidas por el grupo
experimental son superiores a las obtenidas por el grupo experimental. Por lo que se puede concluir,
que los modelos desarrollados por los estudiantes pertenecientes al grupo experimental son más
robustos ya que generalizan mejor.

En cuanto a la comparación de tiempos, véase Fig. 5, en este caso el tiempo medio del grupo
experimental es superior al grupo control. Sin embargo, es reseñable que el número de alumnos
que finalmente terminan este módulo es más elevado en el grupo experimental, lo que puede causar
que el tiempo medio también lo sea.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

858
 R. del Amor, A. Colomer y V. Naranjo

Tabla 2: Porcentaje de respuestas que se obtuvieron en cada uno de los grupos (estudiantes que consiguieron finalizar
el módulo) ası́ como la precisión, el recall y el F1-score de los modelos en el conjunto de test.

% respuestas Precisión Recall F1-score

Grupo experimental 42.86 0.9383± 0.0530 0.9000 ± 0.1095 0.8997 ± 0.1060
Grupo control 18.75 0.7467 ± 0.1686 0.8099 ± 0.1153 0.7599 ± 0.1539

Fig. 5: Comparación de tiempos entre el grupo experimental y control para la resolución del módulo 2 del diseño
experimental. (a) Boxplot en el que comparamos el grupo experimental y control según la media del tiempo empleado
y la desviación tı́pica de cada grupo en minutos. (b) Gráfico de cajas y bigotes para la comparación de tiempos
entre el grupo experimental y control expresados en minutos.

4.3 Evaluación cualitativa de ChatGPT por el grupo experimental

Además, también hemos podido evaluar de forma cualitativa que le ha parecido a los alumnos el
uso de la herramienta ChatGPT. Algunos ejemplos pueden leerse a continuación:

Creo que ChatGPT ha sido una buena herramienta para hacer el proyecto. Puede ser muy útil para
crear un código esqueleto con las caracterı́sticas que quieras. Pero es necesario repasarlo y saber
lo que estas haciendo en todo momento ya que el chatGPT no tiene a toda la información que tú
tienes.

ChatGPT da un muy buen punto de partida (al dar ejemplos completos y bien explicados).

Es de gran ayuda cuando quieres buscar algo concreto, ya que la respuesta es instantánea. Sin
embargo, si no tienes mucha idea de lo que buscar puede ser muy lioso, por muchas preguntas que
le hagas, si no sabes lo que quieres que te conteste es difı́cil de entenderlo.

Otro aspecto que me ha gustado es que le pones tu propio código y te lo explica y te dice los errores.
Del mismo modo, le puedes pedir que te explique una función en concreto y todos sus parámetros.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

859
 ChatGPT para promover el aprendizaje en tareas de programación

5 Conclusiones

Este estudio presenta un experimento docente en el que se evalúa el uso de ChatGPT, una he-
rramienta de procesamiento de lenguaje natural, para la resolución de dudas en programación.
El objetivo del estudio es explorar si el uso de ChatGPT mejora la eficiencia y la inclusión en el
aprendizaje de programación. Más concretamente, este experimento se plantea durante la conse-
cución del proyecto final del curso “Deep learning aplicado al análisis de señales e imágenes”. El
alumnado fue dividido aleatoriamente en dos grupos: uno con acceso a ChatGPT y otro con acceso
solo a internet y prácticas anteriores. Los resultados del estudio muestran que el uso de ChatGPT
puede mejorar la eficiencia en la realización de tareas de programación y aumentar la cantidad
de estudiantes que logran completar la tarea. Este hallazgo puede ser particularmente importante
para los estudiantes que tienen dificultades para completar las tareas de programación debido a
la falta de conocimiento previo o experiencia en el campo. Por lo tanto, el uso de herramientas de
apoyo basadas en tecnologı́a de lenguaje natural puede ayudar a mejorar la inclusión y equidad en
el aprendizaje de la programación, siempre que los estudiantes razonen y entiendan en su totalidad
las respuestas que se les proporciona.

Como lı́neas futuras de investigación, se recomienda abordar la cuestión de cómo los alumnos
pueden interactuar con ChatGPT para obtener el máximo beneficio de su potencial ası́ como ası́
como las implicaciones éticas y morales que genera su uso. Especı́ficamente, se sugiere explorar cómo
se pueden formular las preguntas de manera más eficiente para reducir el tiempo de espera y obtener
respuestas precisas y útiles. Se considera que la mejora de la interacción entre los estudiantes y la
herramienta de procesamiento de lenguaje natural es un aspecto clave para optimizar su uso en el
aprendizaje de la programación.

Referencias bibliográficas

Baidoo-Anu, D., & Owusu Ansah, L. (2023). Education in the era of generative artificial intelli-
gence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning.
Available at SSRN 4337484.

Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2023). Chatting and Cheating: Ensuring academic
integrity in the era of ChatGPT.

Gordijn, B., & Have, H. t. (2023). ChatGPT: evolution or revolution? Medicine, Health Care and
Philosophy, 1-2.

Kiecza, D. (2022). Classroom: Practice sets: A more personal path to learning. The Keyword Google.

Lieberman, M. (2023). What Is ChatGPT and how Is It used in education. Education Week.
https://www. edweek. org/technology/what-is-chatgpt-and-how-is-it-used-in-education/2023/01.

Marco-Galindo, M.-J., Minguillón, J., Garcıa-Solórzano, D., Sancho-Vinuesa, T., et al. (2022). ¿
Por qué los estudiantes de una asignatura inicial de programación se convierten en repetidores?

2023, Universitat Politècnica de València

Congreso In-Red (2023)

860
 R. del Amor, A. Colomer y V. Naranjo

Mhlanga, D. (2023). Open AI in education, the responsible and ethical use of ChatGPT towards li-
felong learning. Education, the Responsible and Ethical Use of ChatGPT Towards Lifelong Learning
(February 11, 2023).

Mogali, S. R. (2023). Initial impressions of ChatGPT for anatomy education. Anatomical Sciences
Education.

Mollick, E. R., & Mollick, L. (2022). New Modes of Learning Enabled by AI Chatbots: Three
Methods and Assignments. Available at SSRN.

OpenAI. (2023). ChatGPT: Optimizing language models for dialogue.

Selwyn, N. (2020). ¿ Deberıan los robots sustituir al profesorado?: la IA y el futuro de la educación.

Ediciones Morata.

Sok, S., & Heng, K. (2023). ChatGPT for Education and Research: A Review of Benefits and
Risks. Available at SSRN 4378735.

Stokel-Walker, C. (2022). AI bot ChatGPT writes smart essays-should academics worry? Nature.

Susnjak, T. (2022). ChatGPT: The End of Online Exam Integrity? arXiv preprint arXiv:2212.09292.

Urbán, A. (2021). UNESCO busca regular éticamente a la Inteligencia artificial. El Universal.

Zhai, X. (2022). ChatGPT user experience: Implications for education. Available at SSRN 4312418.

2023, Universitat Politècnica de València

Congreso In-Red (2023)

861