Depender de modelos de lenguaje grandes (LLM) para resumir información puede disminuir la adquisición de conocimientos, según un estudio reciente en el que participaron más de 10.000 participantes. Los profesores de marketing Jin Ho Yun y Shiri Melumad fueron coautores de un artículo que detalla este hallazgo en siete estudios. A los participantes se les asignó la tarea de aprender un tema, como la horticultura, a través de un LLM como ChatGPT o una búsqueda estándar en Google. Los investigadores no impusieron restricciones a la duración del uso de la herramienta ni a la interacción de los participantes. Posteriormente, los participantes escribieron consejos para un amigo basándose en la información aprendida. Los datos mostraron consistentemente que aquellos que utilizaron LLM para aprender percibieron que aprendieron menos e invirtieron menos esfuerzo en la creación de consejos. Sus consejos fueron más breves, menos objetivos y más genéricos. Una muestra independiente de lectores encontró que los consejos derivados del LLM eran menos informativos, menos útiles y era menos probable que los adoptaran. Estas diferencias persistieron en diversos contextos. Un experimento controló las posibles variaciones en el eclecticismo de la información al exponer a los participantes a hechos idénticos de las búsquedas de Google y ChatGPT. Otro experimento mantuvo constante la plataforma de búsqueda (Google) mientras variaba si los participantes aprendían de los resultados estándar de Google o de la función de descripción general de IA de Google. Incluso con los hechos y la plataforma estandarizados, aprender a partir de respuestas sintetizadas de LLM resultó en un conocimiento menos profundo en comparación con la recopilación, interpretación y síntesis de información a través de enlaces web estándar. El estudio atribuye esta disminución del aprendizaje a una menor participación activa. Las búsquedas en Google implican más «fricción», requiriendo navegación, lectura, interpretación y síntesis de varios enlaces web, lo que fomenta una representación mental más profunda. Los LLM realizan este proceso para el usuario, cambiando el aprendizaje de activo a pasivo. Los investigadores no recomiendan evitar los LLM dados sus beneficios en otros contextos. En cambio, sugieren que los usuarios se vuelvan más estratégicos al comprender dónde los LLM son beneficiosos o perjudiciales para sus objetivos. Para obtener respuestas rápidas y objetivas, los LLM son adecuados. Sin embargo, para desarrollar un conocimiento profundo y generalizable, depender únicamente de las síntesis de LLM es menos eficaz. La experimentación adicional involucró un modelo GPT especializado que proporciona enlaces web en tiempo real junto con respuestas sintetizadas. Los participantes que recibieron un resumen de LLM no estaban motivados para explorar fuentes originales, lo que llevó a un conocimiento más superficial en comparación con aquellos que usaban Google estándar. Las investigaciones futuras explorarán herramientas de IA generativa que introduzcan «fricciones saludables» para fomentar el aprendizaje activo más allá de respuestas fácilmente sintetizadas, particularmente en la educación secundaria. Este artículo se republica desde La conversación.
