Aplicando los modelos de prompt TAG, RISE, RTF y BAB para optimizar el aprendizaje
Como estudiante autodidacta con enfoque en la heutagogía (aprendizaje autónomo), he comenzado a estructurar mi proceso de estudio usando los modelos de prompt que vimos en clase. Mi objetivo es convertirme en científico de datos y para lograrlo he utilizado las siguientes estructuras:
- Prompt TAG
Tarea: Escríbeme diez preguntas clave para identificar mi estilo de aprendizaje.
Acción: Quiero entender cómo identificar mi estilo y preferencia de aprendizaje.
Objetivo: Esta identificación es para mejorar mi proceso de aprendizaje y elegir las mejores maneras de aprender.
- Prompt RISE aplicado a mi proceso
Rol (R): Imagínate que eres un experto en heutagogía y desarrollo de talento en ciencia de datos.
Entrada (I): Descubrí que mi estilo de aprendizaje es mixto: aprendo mejor leyendo, practicando, enseñando a otros y repasando semanalmente.
Pasos (S): Proporcióname dos estrategias de aprendizaje paso a paso para este estilo:
Estrategia 1: Aprendizaje activo basado en proyectos
Paso 1: Seleccionar un proyecto pequeño en ciencia de datos.
Paso 2: Estudiar la teoría relacionada al proyecto.
Paso 3: Aplicar la teoría con datos reales.
Paso 4: Compartir el proyecto en un repositorio con explicación.
Estrategia 2: Enseñanza como refuerzo del aprendizaje
Paso 1: Estudiar un concepto clave (por ejemplo, regresión lineal).
Paso 2: Preparar una mini clase o tutorial.
Paso 3: Explicar el concepto a otra persona o grabarlo en video.
Paso 4: Evaluar los puntos débiles al explicar y reforzar esas áreas.
Expectativa (E): Necesito optimizar mi proceso de aprendizaje para poder aplicarlo en mi trabajo, compartiendo conocimientos con mi equipo de asistentes y formando capacidades técnicas desde lo práctico.
- Prompt RTF aplicado a mi planificación
Rol: Actúa como un mentor en ciencia de datos con enfoque educativo.
Tarea: Crea una hoja de ruta de 8 semanas para dominar los fundamentos de ciencia de datos.
Formato: Muéstramelo como una tabla con objetivos semanales, recursos sugeridos y ejercicios prácticos.
- Prompt BAB aplicado a mi situación
Antes: He tenido dificultades para mantener la constancia en mis estudios por factores externos y la falta de estructura.
Después: Quiero avanzar con claridad y disciplina hacia mi meta de ser científico de datos, dominando fundamentos, estadísticas, Python, SQL, Machine Learning y visualización.
Incluir: Necesito un sistema de estudio flexible con repasos semanales, práctica real y validación constante de lo aprendido.
Plan de estudio resumido (8 semanas)
Semana Objetivo principal Recurso clave Práctica sugerida
1 Fundamentos de programación en Python Curso básico + W3Schools Problemas simples (cálculos, listas)
2 Tipos de datos y estructuras Real Python Crear un sistema de notas escolar
3 Fundamentos de estadística Khan Academy + Python Describir un dataset con Pandas
4 SQL básico Mode SQL Tutorial Consultas simples de filtrado y JOIN
5 Análisis exploratorio de datos Kaggle Notebooks Analizar dataset de Titanic
6 Introducción a Machine Learning Curso de Scikit-learn Clasificador simple con sklearn
7 Visualización de datos Matplotlib y Seaborn Gráficos de barras, líneas y dispersión
8 Proyecto final y repaso general Combinar todo lo anterior Subir a GitHub y documentar
Preguntas de repaso para seguir creciendo
¿Cuál es mi estilo de aprendizaje dominante? ¿Ha cambiado con el tiempo?
¿Qué técnicas de estudio me han funcionado más este mes y por qué?
¿Qué proyecto puedo hacer esta semana que combine teoría y práctica?
¿Cómo estoy aplicando lo que aprendo en un contexto real o laboral?
¿Qué obstáculos he enfrentado al estudiar y cómo los he resuelto?
¿Qué conceptos aún no domino y necesitan más práctica o revisión?
¿Estoy siendo constante con mi repaso semanal? ¿Qué podría mejorar?
¿He intentado enseñar lo que aprendí? ¿Cómo fue la experiencia?
¿Qué hábitos o rutinas me ayudan a concentrarme y ser productivo?
¿Qué ajustes puedo hacer en mi plan de estudios para la próxima semana?
