1. Introducción

La inteligencia artificial ha experimentado un notable desarrollo en la última década, demostrando ser capaz de procesar grandes cantidades de datos en un tiempo asombrosamente corto que los humanos no pueden igualar e, incluso, generar nuevos datos a partir de este material. En particular, desde la introducción de ChatGPT a finales de 2022, su uso ha dado un salto cualitativo y se ha convertido en algo casi habitual entre muchos estudiosos de una amplia gama de disciplinas, como la lingüística, la enseñanza de idiomas y la lexicografía. En el contexto educativo, ya son varias las publicaciones que de manera inmediata han intentado guiar el uso e incorporación de esta tecnología en la enseñanza (^{Dokukina y Gumanova, 2020}; ^{Belda-Medina y Calvo-Ferrer, 2022}; ^{Chaudhry y Kazim, 2022}; ^{Muñoz-Basols et al., 2024}). La mayoría de estos estudios han explorado cómo hacer uso de los potenciales datos proporcionados para facilitar la tarea docente. En este sentido, la comunicación con los chatbots es uno de los grandes retos que tienen por delante tanto investigadores, como docentes, que pretendan beneficiarse de su rápida generación de datos.

Este artículo se enmarca en una nueva corriente inaugurada junto al investigador Tarp, que ha dado frutos ya en diversas publicaciones (^{Huete-García y Tarp, 2024}; ^{Tarp y Nomdedeu-Rull, 2024}) y que está destinada al uso de los chatbots como apoyo indispensable para el desarrollo de datos relevantes en disciplinas como la lexicografía aplicada a la enseñanza de lenguas. Esta nueva metodología de trabajo, como ^{Calañas Continente y Domínguez Vázquez (2023}, pp. 13-14) describen, contribuye a la creación de estándares que interconecten los datos existentes para desarrollar herramientas que permitan converger y explotar diferentes fuentes.

Si bien es cierto que existen ya otros estudios centrados en la relación entre la lexicografía y el uso de chatbots con fines lexicográficos (^{Fuertes-Olivera, 2024}; ^{De Schryver, 2023}; ^{Rees y Lew, 2024}), en el estudio de ^{Huete-García y Tarp (2024}) se describen algunas de nuestras experiencias en un proyecto en curso de un asistente de escritura en español, en colaboración con una empresa danesa de alta tecnología lingüística. Allí, el uso de ChatGPT resulta claramente útil, ya que aumenta significativamente la productividad, aunque sin llegar a ser perfecto. En ese proyecto, el modelo lingüístico basado en IA de ChatGPT se utiliza para entrenar y preparar otro modelo lingüístico basado en IA que se utilizará como apoyo al asistente de escritura. Ese estudio se focalizó en lo que se ha denominado posteriormente como "tecnología para la educación", pero los datos inducidos por el chatbot pueden tener una clara aplicación como material en sí mismo para la enseñanza en el aula. Esto se ha llamado recientemente como "tecnología en la educación" (^{Dooly y Comas Quinn, 2024}, p. 28).

Por esta razón, el presente estudio busca explorar los retos y avances de aplicación de esta nueva metodología para generar datos pedagógicamente explotables y adaptados a las necesidades de potenciales estudiantes. Así, la pregunta de investigación que motiva este estudio es "¿Puede verdaderamente un chatbot imitar a un estudiante de español real?", por lo que el objetivo principal es determinar si un chatbot puede imitar la escritura de un estudiante de español. Se parte de la hipótesis de que los chatbots actuales todavía no están preparados para imitar a la perfección a estudiantes dadas sus limitaciones de sesgo e ideología (^{Xue et al., 2023}), además de que se cuestiona el poder de la (mal) llamada "inteligencia" artificial1. Para cumplir con este objetivo, se llevó a cabo una investigación de prompt enginering que consiste en analizar la capacidad de los chatbots ChatGPT (OpenAI), Copilot (Microsoft) y Gemini (Google), a partir de la comparación de sus funcionalidades para determinar cuál es capaz de imitar con mayor precisión este rol.

Todo ello con base en una serie de variables especificadas en los prompt al generar los datos demandados. De esta forma, se expone la fiabilidad de los datos aportados por las herramientas de IA generativa y se proporciona una guía que sirve como ejemplo para que los diferentes profesionales "eduquen" a los chatbots para su uso adecuado en el contexto de la enseñanza de lenguas. Debe aclararse, como se especifica posteriormente, que no se ha contemplado la variable del nivel de lengua porque los chatbots todavía no pueden obtener estos datos de ninguna fuente accesible.

A lo largo de este artículo se realiza, en primer lugar, un breve repaso del uso de la IA en el contexto de la enseñanza de lenguas (2) y qué implicaciones tiene desde dos perspectivas fundamentales: para la generación de datos con fines pedagógicos (2.1) y como aliada indispensable del desarrollo de herramientas para la enseñanza del español (2.2). Posteriormente, se expone la metodología empleada para el análisis y desarrollo de prompts específicos que faciliten la inducción de datos útiles para fines pedagógicos (3). El resultado se plasma en un apartado destinado al análisis contrastivo de la capacidad cognitiva o generativa de estas tecnologías basadas en inteligencia artificial (IA) (4), lo cual da respuesta a la pregunta inicial. Finalmente, las conclusiones de este estudio revelan las principales ventajas del uso de chatbots como intérpretes del rol de estudiante para la enseñanza de español, entre las que destacan la generación específica de textos con errores especializados (5).

2. Usos recientes de la IA en enseñanza de lenguas

La introducción de la inteligencia artificial generativa ha cambiado nuestra relación con la tecnología a gran escala, así como las interrelaciones que se establecen en el proceso de enseñanza entre aprendices y máquinas para acceder a datos que generen conocimiento. En el caso de la enseñanza de lenguas, parece evidente que desempeñará un papel fundamental en las interacciones pedagógicas entre los seres humanos y las máquinas, algo que ya lleva dándose de forma prácticamente natural desde la irrupción de las TIC en el terreno educativo. Este tipo de interacción, más sofisticada si cabe, a pesar de tener su origen en la aparición de ChatGPT en noviembre de 2022, ya se está desarrollando en multitud de herramientas de lengua que hacen uso de la IA generativa para desarrollar sus datos o adaptarse al usuario (^{Escobar Hernández, 2021}), como es el caso de algunos asistentes de escritura en desarrollo (^{Huete-García y Tarp, 2024}; ^{Tarp y Nomdedeu-Rull, 2024}) o algunos asistentes y herramientas ya existentes como el caso de Grammarly (2009) o DeepL (2017).

Según describen ^{Muñoz-Basols y Fuertes Gutiérrez (2024}), existen hasta tres grandes categorías de aplicación inmediata de la IA en la enseñanza de lenguas: (1) el aprendizaje informal, (2) la autonomía del aprendiente y (3) la (auto)evaluación. En este estudio se desarrolla la categoría número 2, ya que los datos proporcionados por los chatbots pueden utilizarse con fines lexicográficos y como material en sí mismo que puede ser explotado en el aula. En este caso, los datos generados por los chatbots podrían utilizarse para tareas de comprensión de lectura, escritura creativa (^{Sharples y Pérez, 2022}) o bien como revisión del proceso de escritura (^{Martín-Marchante, 2022}), donde se insertaría nuestra propuesta (§ 4). Esta se ocupa fundamentalmente de abordar la reflexión léxico-gramatical a partir de la corrección de textos. Este tipo de tratamiento, además de tener un impacto positivo en el proceso de aprendizaje del español, puede poner en tela de juicio la eficacia de los modelos de IA, con lo cual reforzaría el argumento de que los aprendices no deben depender totalmente de estos para el aprendizaje o realización de tareas sin una reflexión crítica previa.

Una de las funcionalidades principales de los chatbots basados en IA generativa es la enseñanza de la expresión escrita. ^{MacArthur (2009}) afirma que el aprendizaje mediante el uso de procesadores de texto depende de una combinación de tecnología y guía pedagógica que ayude a los aprendices a sacar su mayor rendimiento a estas herramientas. En esta misma línea, el uso de chatbots se entiende como una extensión de un campo, el del procesamiento de textos, que ha sido trabajado sustancialmente como tecnología de escritura (^{Dalton y Hannafin, 1987}; ^{Wolfe et al., 1996}; ^{Álvarez-Higuita, 2009}; ^{Martín-Marchante, 2022}; entre otros). Así pues, hace tiempo quedó demostrado que estos sistemas pueden tener un impacto positivo en las aulas de enseñanza de lenguas, donde la aplicación de estos sistemas fomenta un aprendizaje autónomo que facilita la corrección y autorregulación (^{Pokrivcakova, 2019}).

Sin embargo, a pesar de las múltiples funcionalidades que se han venido estudiando y analizando de la eficiencia de estos sistemas, no existen estudios que hayan utilizado los sistemas de IA generativa para la producción voluntaria de errores que puedan emplearse en el proceso de enseñanza-aprendizaje de lenguas. A pesar de que sí se ha tenido que lidiar ya con los errores tanto de forma como de sesgo emitidos de manera automática por los chatbots. Estos errores pasan por respuestas correctas para el algoritmo (^{Gutiérrez y Restrepo et al., 2019}; ^{Martínez Martínez, 2021}), con las implicaciones sociales que ello conlleva. Para describir cómo se integraría esta modalidad en el caso de la enseñanza de lenguas y otros ámbitos afines como el de la lexicografía, se han desarrollado dos subapartados descriptivos que siguen la línea propuesta por ^{Dooly y ComasQuinn (2024}).

3. Metodología

Para dar respuesta a la pregunta de investigación se optó por seleccionar un total de tres de los chatbots más populares del mercado: ChatGPT (Open AI), Gemini (Google) y Copilot (Microsoft). Estos se trabajaron en un estudio previo con fines lexicográficos para la descripción analítica (^{Fuentes Morán et al., 2024}). El objetivo fue comparar la efectividad de los resultados proporcionados entre ellos. Se aplicó una metodología totalmente novedosa y experimental que consiste en la formulación de prompts para interacturar con el chatbot a través de diferentes pruebas, de las más generales a las más específicas. Esta metodología se desarrolló y aplicó por primera vez en la fase creación de dos corpus paralelos en español con fines lexicográficos (^{Huete-García y Tarp, 2024}). Determinar si un chatbot es capaz de imitar a un estudiante de español real es un gran reto; ya que, como afirma ^{Bailini (2024}, p. 226):

[…] el desarrollo de sistemas de Inteligencia Artificial (IA) de tipo chatbot, como ChatGPT, capaces de generar textos coherentes y correctos sobre cualquier tema y con un buen nivel de razonamiento crítico hace muy difícil, si no imposible, detectar si un texto es el resultado de una producción humana auténtica o de una máquina.

Por ello, para conocer el grado de cercanía de las respuestas del chatbot con las de un estudiante real, se tuvo en consideración su capacidad para cometer errores lo más fieles posibles a los del ser humano, en cuanto a la redacción de textos académicos. En ese sentido, las variables que se incorporaron en los prompt fueron el "QUÉ", "OBJETIVO1", "ROL" y "OBJETIVO2" en la pregunta introductoria; mientras que "TIPO DE TEXTO", "NÚMERO DE PALABRAS", "TEMA", "COMPLEMENTO" y "RESULTADO" para la instrucción específica. No obstante, para obtener respuestas adecuadas fueron necesarias algunas pruebas previas que tuvieron como objetivo evitar la falta de precisión o, incluso, generación de datos falsos/inventados, lo cual se ha calificado como "alucinaciones" (hallucinations) (^{Bang et al., 2023}). En una primera fase, se optó por dar con frases breves ordenadas en tablas, para lo que se preguntó lo siguiente:

Proporciona 10 argumentos que formen parte del ensayo sobre la guerra con errores frecuentes en español en una columna, y su corrección en la columna de la derecha. (ChatGPT, OpenAI, 2023)

La respuesta de la IA mezcló errores de tipo lingüístico y moral (véase Tabla 1), por lo que la especificación de etiquetas es importante para alcanzar el objetivo principal.

En general, cuando se le especifican los datos, la respuesta es más satisfactoria, aunque no se libra de las limitaciones propias de la IA, que se bloquea si recibe instrucciones complejas y con una sobrecarga informativa. Los chatbots pueden proporcionar datos adecuados si no los colapsamos con datos instructivos: es decir, cuanto más breves y específicos son los datos, mejor es la respuesta (véase Tabla 2).

El siguiente reto fue evitar la repetición de errores básicos relacionados con la concordancia de palabras o la ausencia de tildes. Para ello, se debe especificar el tipo de error que queremos que el asistente incorpore. Sin embargo, la forma de hacerlo es importante para que lo genere adecuadamente. Por ejemplo, usar una etiqueta como "error de estilo" o "error de registro" es tan general y abstracta que la IA no es capaz de emitir una respuesta precisa. En cambio, cuando se trata de errores lingüísticos identificables como "de concordancia" (§ 4.3), la respuesta es más precisa. No obstante, esto no siempre funciona, y en la búsqueda de errores gramaticales específicos podemos dar con casos concretos cuya respuesta no es satisfactoria porque el chatbot desconoce la naturaleza lingüística o funcionamiento gramatical de ellos. En estos casos, podría funcionar la delimitación y descripción del error para que el propio chatbot lo aprenda y pueda emularlo, puesto que genera respuestas más específicas sobre lo que el propio chat ha emitido o descrito previamente. Tomando en cuenta el siguiente esquema, se puede alcanzar un nivel de concreción mayor:

Las etiquetas son relevantes porque cada elemento de la oración está interconectado con el resto y el chatbot puede hacer una búsqueda y procesar sobre aquel contenido que tiene que emitir posteriormente. A continuación, se proporciona el modelo de pregunta/instrucciones de ejemplo que se ha utilizado después de las pruebas emitidas (véase Tabla 3).

El "ROL" es una de las etiquetas clave del proceso de obtención de los textos en este estudio porque predispone al chatbot a asumir un papel lo más realista posible. Teniendo en cuenta que los chatbots son sistemas que no están diseñados para proporcionar datos con errores, hacerle asumir un rol es una estrategia casi perfecta para este cometido. De este modo, al solicitar al chatbot que actúe como un estudiante real, le permite emular errores reales con mayor facilidad, además de dar la versión corregida con fines didácticos (OBJETIVO1). Hay que añadir que sin la especificación de lo que hemos clasificado como "ROL" y el "OBJETIVO2", el chatbot puede negarse a proporcionar datos con errores o bien no los genera de manera automática porque no está programado para ello. Una posible solución a la ejecución de textos con errores variados y específicos es la formulación concreta del error como se manifiesta en el ejemplo de la Tabla 4.

Las etiquetas que se añaden en este caso son las de "TEMA GRAMATICAL" y "ERROR GRAMATICAL". La primera hace referencia simplemente al elemento lingüístico que queremos que figure en el texto; ya que, de no manifestarlo, es improbable que el chatbot lo incorpore. La segunda es la descripción del problema gramatical o de lengua que queremos que se incorpore. Es recomendable que el "ERROR GRAMATICAL" sea una frase que el chatbot haya emitido previamente para facilitar su tarea de comprensión e identificación. Para ello puede preguntarse por un listado adecuadamente ordenado: "¿Puedes darme una lista de 10 errores gramaticales frecuentes en un estudiante de español como lengua extranjera?".

Tras la aplicación de esta metodología en fase de desarrollo, se usaron los dos tipos de prompts generales y específicos como resultado de las múltiples pruebas, los cuales proporcionaron datos suficientes para probar la efectividad y el grado de exactitud de los chatbots en relación con el objetivo planteado en esta investigación. Gracias a esto, se solicitó a los chatbots que presentaran dos versiones de los textos: una que simulara estar escrita por un estudiante de español en fase de aprendizaje y sus correspondientes errores naturales, mientras que la otra debía ser ese mismo texto corregido.

4. Análisis e implicaciones didácticas

Una vez aplicados los dos tipos de prompts estudiados en el proceso metodológico, se optó por llevar a cabo un análisis contrastivo basado en la frecuencia y modalidad de errores generados. Generalmente, se contemplan dos categorías de errores: 1) errores de motivación cognitiva y 2) errores fortuitos (^{Díaz Villa, 2005}). Esta clasificación sigue, asimismo, la tradicionalmente utilizada en los estudios relacionados con aprendizaje de lenguas, donde resulta de gran interés distinguir entre errores de competencia y errores de actuación (^{Chomsky, 1986}). Así pues, los errores de motivación cognitiva (o de competencia) implican el desconocimiento de la norma ortográfica y gramatical, mientras que los fortuitos (o de actuación) tienen lugar accidentalmente y están motivados por factores extralingüísticos. Optar por una clasificación cerrada permite, como afirma Díaz Villa (2005) siguiendo el ejemplo de otros estudios previos (^{Ramírez Bustamante et al., 1994}; Wedbjer, 1999; Becker et al., 1999), evaluar el funcionamiento del sistema de errores en cuanto a la cobertura de casos obtenida. En nuestro caso, el análisis de esta tipología va a determinar cuál es el grado de autenticidad del tipo de textos emulados por el chatbot y, por tanto, su exactitud a la hora de proporcionar textos que emulen las características propias de un estudiante de español real.

4.3 El uso de los textos mediante IA como recurso docente

El estudio y análisis de errores en niveles intermedios ha sido trabajado ampliamente de manera analítica (^{Ferreira Cabrera et al., 2014}; ^{Ferreira Cabrera y Elejalde Gómez, 2017}; entre otros). Estos estudios han contribuido de sobremanera a identificar aquellos errores más frecuentes en los corpus de errores disponibles en aras de guiar nuevas y mejores soluciones pedagógicas. Algunos de estos errores frecuentes son el uso incorrecto de las categorías gramaticales, la falsa selección de género y número en la concordancia gramatical y la omisión de tildes en la ortografía acentual. Las pruebas realizadas y expuestas en el apartado de análisis muestran que los chatbots emulan con relativa facilidad la omisión de tildes, pero todavía no son capaces de procesar y generar los otros tipos de errores, salvo que se les solicite un ejemplo explícito y articulado mediante sustitución de palabras.

No obstante, con el alcance actual de los chatbots y su capacidad para esta tarea, se puede dar con una forma de trabajar sistemática y aplicable a otros proyectos, asumibles por cualquier especialista, y cuyas propuestas prácticas se presentan en este subapartado. Con este fin, se ha optado por un enfoque orientado al significado (MOI) (^{Barcroft y Muñoz-Basols, 2022}). Este enfoque de tipo léxico consiste en poner el foco metodológico en el significado, con lo cual se garantiza un aprendizaje del léxico en contexto que considera el proceso de adquisición una parte fundamental. Se proponen dos formas de trabajar con los datos generados por IA. En primer lugar, a través de la generación de textos que presenten errores inducidos que cada docente quiera trabajar en clase de lengua; y, en segundo lugar, la generación de datos temáticos que generen el debate y la discusión en torno a los sesgos cognitivos de la IA. De esta forma se contribuye a afianzar mejor el aprendizaje del léxico. En la Figura 1 se ejemplifica brevemente cuáles serían algunos de los pasos fundamentales.

Figura 1 Breve esquema de secuenciación didáctica genérica 

En el primer ejemplo se trata de trabajar un aspecto gramatical específico, con lo cual se pueden generar algunos textos con errores de concordancia de género y número en español. Con las muestras obtenidas, se solicita a los estudiantes que identifiquen y marquen los errores y, a continuación, intenten explicar el significado y función de estos en el contexto ofrecido. En la Tabla 7 se muestran dos ejemplos de textos generados con ChatGPT y Copilot. Tal y como se ha ido evidenciado en ejemplos previos, ChatGPT es el chatbot que mejor responde a nuestros prompts al proporcionar datos variados y veraces. (Tabla 8)

Tabla 8 Ejemplos de ensayos escritos con errores de concordancia de género y número 

ChatGPT

El medio ambiente es muy importante para nuestra vida y debemos cuidarla para que las futuras generaciones puedan disfrutar de un planeta sano. La problema de la contaminación afecta tanto a los seres humanos como a los animales y plantas. Si no tomamos medidas ahora, podríamos enfrentarnos a consecuencias grave en el futuro. Es necesario que todos pongamos de nuestra parte para reducir las emisiones de gases contaminante y promover el uso de energías renovables.Las bosques son esenciales para mantener el equilibrio del ecosistema. Desafortunadamente, muchos de ellos están siendo destruido a un ritmo alarmante. Esto no solo afecta a la biodiversidad, sino que también contribuye al cambio climático. Las campañas de reforestación deberían ser una prioridad para los gobiernos y las comunidad local.Otro aspecto importante es el manejo de los residuos. Muchas personas no reciclan correctamente, lo que provoca que grandes cantidades de plásticos y otros materiales dañinos terminen en los océanos. Las animal marinos sufren las consecuencias de nuestra negligencia, y muchas especies están en peligro de extinción.En resumen, proteger el medio ambiente es una responsabilidad de todos. Si cada uno de nosotros hace un esfuerzo, podremos asegurar un futuro más limpio y saludable para nuestras generaciones futuras. Es hora de actuar y hacer la diferencia.

Copilot

El medio ambiente es muy importante para todos nosotros. Es necesario que cuidemos de ella para que nuestras futuras generaciones puedan disfrutar de un planeta limpio y sano. Hay muchas maneras en que podemos proteger el medio ambiente.Primero, debemos reciclar. El reciclaje es importante porque ayuda a reducir la cantidad de basura que producimos. Si todos reciclamos, habrá menos contaminación en el aire y en el agua. Además, debemos usar menos plástico. Los plásticos son muy malos para el medio ambiente y debemos evitarlos tanto como sea posible.Otra forma de proteger el medio ambiente es plantar árboles. Los árboles son muy importantes porque producen oxígeno y nos dan sombra. También debemos cuidar de las animales. Si no protegemos a las animales, podrían desaparecer y eso sería muy triste. En conclusión, debemos tomar medidas para proteger el medio ambiente. Si todos hacemos nuestra parte, tendremos un mundo mejor para vivir.

Por lo que respecta a los errores de sesgo cognitivo, el tema elegido para el ensayo será de gran importancia. Esta es una gran oportunidad para reflexionar sobre conceptos culturales léxicos como "siesta". Para ello, se puede solicitar a los chatbot emitir un ensayo sobre algún aspecto sociocultural del mundo hispánico. A modo de ejemplo, se solicitó un ensayo sobre "la cultura de la siesta". A partir de los textos emitidos se puede pedir a los estudiantes que definan "siesta" según su opinión y después lo comparen con lo expresado en los textos mediados por la herramienta de IA.

Tabla 9 Ejemplos de estereotipos asociados a «la siesta» por los chatbots 

ChatGPT	Los comercios suelen cerrar durante unas horas en la tarde para permitir a las personas ir a sus casas y descansar. Esta pausa en la jornada laboral también es vista como una oportunidad para pasar tiempo con las familias.
Copilot	Todas las personas se acuestan después de almorzar y se despiertan después de una hora o dos. Durante la siesta, las calles están tranquilas y no hay mucho tráfico. Las tiendas y los restaurantes están cerrados. La gente se toma su tiempo para descansar y disfrutar de la vida.
Gemini	La siesta se ha asociado tradicionalmente con las zonas rurales de España, donde el calor del mediodía dificultaba el trabajo físico al aire libre. Sin embargo, en la actualidad, la siesta también se practica en las ciudades, y se ha convertido en una parte importante del estilo de vida español.

Se podrían aprovechar los ejemplos de sesgo para que los estudiantes investiguen sobre ese concepto cultural en otras fuentes objetivas. Este procedimiento no solamente ayudaría al aprendizaje de la significancia de "la siesta" en el mundo hispano, sino también a desmentir algunos estereotipos y prejuicios asociados con esa cultura. Entre estos, están la cultura del poco esfuerzo o la asociación de esa actividad con zonas alejadas de las ciudades, algo que los chatbots reproducen. Algunos ejemplos de estos potenciales sesgos se muestran en la Tabla 9.

5. Conclusiones

El trabajo de inducción de errores con IA fue y sigue siendo un reto porque estas herramientas nunca estuvieron diseñadas para ello. Además, se suma el hecho de que los chatbots cuentan con limitaciones de sesgo e ideologías subyacentes fruto de diferentes procesos sociocognitivos, lo que no ha facilitado la tarea. Los sesgos suelen afectar tanto a algoritmos, diseño, tratamiento de datos, como a otros aspectos que también son la causa de la propia interacción entre los usuarios y el chatbot (^{Xue et al., 2023}). En tal sentido, el gran reto para nuestras investigaciones fue provocar que el chatbot consiguiera emitir datos para los que no estaba programado, como en el caso de inducir errores voluntariamente, incluso si se trataba con fines pedagógicos (^{Huete-García y Tarp, 2024}; Tarp y Nomdedeu Rull, 2024).

El objetivo de este estudio fue demostrar si los datos creados por los chatbots podían realmente emular los de un estudiante real. Después del análisis, se ha refutado nuestra hipótesis de que no pueden hacerlo todavía con máximas garantías. En otras palabras, el conocimiento humano es fundamental para modular las respuestas de estos sistemas, tanto para la formulación de los prompt como para explotar pedagógicamente los datos (^{Huete-García y Tarp, 2024}). Por tanto, se concluye que un chatbot no es capaz de crear errores que se cometen por competencia o actuación. Es preciso manifestar que se trata de un proceso en el que estamos exigiendo al chatbot que entienda el mecanismo de formación de los errores lingüísticos humanos, lo cual se ve afectado por una serie de factores pragmáticos y cognitivos que resultan complejos de entender incluso para los seres humanos.

Sin embargo, los chatbots pueden reproducir errores pautados. Estos textos con errores sirven para diferentes fines como el desarrollo interno y preparación de herramientas lexicográficas (como los asistentes de escritura) o el planteamiento de explotaciones didácticas a partir de los datos emitidos. Asimismo, ha quedado comprobado que son una buena herramienta para crear datos que incluyan ejemplos de errores próximos a la dislexia y otros trastornos del lenguaje. Para este cometido, es necesario el uso de unos prompts específicos y muy pautados, como los que se han descrito. Así, si bien los chatbots de IA generativa todavía no están lo suficientemente preparados para imitar a un estudiante de español real con facilidad, su fuente inagotable de datos puede resultar de enorme valor para la enseñanza de segundas lenguas, especialmente cuando se trata de generar datos preparados para el aprendizaje y práctica de la escritura en español.

Por lo tanto, esta investigación ha descrito una nueva función de los chatbots y ha explicado una metodología de trabajo que facilita la interacción entre los chatbots y el ser humano para desarrollar el campo de los errores lingüísticos generados por IA. Cabe señalar que este tipo de investigaciones cuentan con las limitaciones propias de las características y alcance de los chatbots, los cuales están aún en constante actualización y desarrollo. Una investigación futura que puede derivarse de estos estudios es el desarrollo de prompts que permitan emitir mayor variedad de errores en textos sin necesidad de especificar con tanta precisión. Esto proporcionaría una evolución necesaria para poder seguir aprovechando las ventajas de la IA generativa sin que ella domine al ser humano.