Revista Nebrija de Lingüística
Aplicada a la Enseñanza de Lenguas (RNAEL) ISSN
1699-6569 Vol.
19 Núm. 38 (2025) =
doi: 10.26378/rnlael1938612<=
/span> Recibido:14/01/2025 Aprobado: 24/03/2025 Publicado bajo licencia de Creative Commons Reconocimiento Sin Obra
Derivada 4.0 Internacional
Enfrentar
desafíos léxicos en la clase de ENE – (ayer), hoy (¿y mañana?)
Tackling lexical challenges in the Spanish Business Communication classroom – (yesterday), today (and tomorrow= ?)<= o:p>
Magdalena Zehetgruber
Universidad de Ciencias
Económicas y Empresariales de Viena
magdalena.zeh=
etgruber@wu.ac.at
Johannes Schnitzer
Universidad de Ciencias
Económicas y Empresariales de Viena
j=
ohannes.schnitzer@wu.ac.at
RESUMEN
Con la aparición de ChatG=
PT y
otros chatbots basados en la inteligencia artificial, los estudiantes de es=
pañol
de los negocios (ENE) cuentan con aún más opciones de las muchas ya disponi=
bles
desde la incorporación de las redes neuronales en los programas de traducci=
ón
automática para resolver problemas léxicos. Para entrenarlos y orientarlos =
en la
utilización consciente y efectiva de estas herramientas, es fundamental con=
ocer
la frecuencia y el modo en que las usan, así como sus reflexiones y actitud=
es
al respecto.
E=
ste
estudio, llevado a cabo en la Universidad de Ciencias Económicas y
Empresariales de Viena, analiza en qué medida los estudiantes aprovechan la=
asistencia
de la inteligencia artificial, sus preferencias por unos recursos sobre otr=
os y,
al mismo tiempo, su distancia crítica y falta de confianza plena en estas h=
erramientas.
Asimismo, al carecer de estrategias para evaluar los resultados de sus
búsquedas, reaccionan, en ocasiones, empeorando las propuestas formuladas p=
or
la inteligencia artificial. Esto pone de manifiesto la necesidad de
integrar en las clases de ENE un enfoque que fomente un uso más consciente y
estratégico de estos recursos.
Palabras clave: inteligen=
cia
artificial generativa, traducción automática, recursos lexicográficos
A=
BSTRACT
With the advent of ChatGPT (and other AI-powered chatbots), studen=
ts
in Spanish Business Communication have ever more options to find solutions =
for
lexical enquiries having become already a lot more accessible since the
introduction of neural networks in online machine translation. Nevertheless=
, in
order to advice students coherently on their use of AI-powered tools, it is
important to know how much and how exactly they use these tools and what th=
ey think
about them.
This study
conducted at Vienna University of Economics and Business shows clearly how =
much
students draw on the help of AI-based tools, that they show clear preferenc=
es
for certain tools and not for others, but at the same time that they are
reluctant at trusting them. In addition, they lack strategies on how to
evaluate results provided by AI-based tools and therefore sometimes worsen =
them.
As a consequence, classes in Spanish Business Communication should provide =
help
for students in order to use the tools available on a more strategic and
conscious basis.
Keywords: generative AI, online machi=
ne
translation, lexicographical ressources
Entre los
numerosos aspectos lingüísticos y culturales tratados en la clase de españo=
l de
los negocios (ENE), el componente léxico constituye un elemento central, pu=
esto
que remite directamente al conocimiento específico que caracteriza los
lenguajes de especialidad. Al mismo tiempo, al considerar las condiciones
reales en las que se desarrollan la inmensa mayoría de los cursos ENE (tiem=
po
disponible, nivel de los estudiantes y sus necesidades, formación de los
profesores, etc.) y la casi inabarcable amplitud del léxico económico, resu=
lta evidente
que el manejo eficaz de los recursos lexicográficos disponibles en cada mom=
ento
desempeña un papel fundamental en este proceso. Estos recursos están cambia=
ndo a
una velocidad vertiginosa en los últimos 25 años y, con ellos, el
comportamiento lexicográfico y redaccional de nuestros estudiantes.
En la Universidad de Ciencias Económicas y Empresaria=
les
de Viena, intentamos desde hace 10 años seguir esta evolución y observar a
nuestros estudiantes en el manejo de los distintos recursos lexicográficos.=
Los
primeros análisis, por razones obvias en ese momento, se enfocaron en el us=
o de
distintos tipos de diccionarios y, posteriormente, en el uso de programas de
traducción automática, cuando estos experimentaron un salto cualitativo por=
la
aparición de programas basados en redes neuronales y modelos de lenguaje de
gran tamaño . Sin embargo, a pesar de esta revolución
tecnológica y el subsiguiente cambio en el comportamiento lexicográfico de
nuestros estudiantes, comprobamos que los resultados en la redacción de tex=
tos
distaban mucho de los que, en teoría, hubieran tenido que conseguirse y que=
el
manejo de estas herramientas resultaba bastante deficiente. Los estudiantes=
se
precipitaban a usar el nuevo recurso disponible sin plantearse siquiera su
funcionamiento y, por la rapidez de esta evolución, sin haber recibido ning=
ún
tipo de instrucción al respecto. Simplemente no llegaban a ser conscientes =
de
que se trataba de un instrumento radicalmente diferente al diccionario bili=
ngüe
al que estaban acostumbrados . Y cuando nos encontrábamos justo en la últi=
ma
fase de la recolección de los datos empíricos para este último estudio,
irrumpió con una fuerza inusual ChatGPT, seguido poco después de otros chatbots =
basados
en la inteligencia artificial generativa, tales como Microsoft Copilot, Gemini, etc. Esto supuso otro cambio radical=
en
este ámbito y, por consiguiente, en nuestra investigación.
En virtud de lo anterior, el objetivo de estas líneas
consiste en analizar el uso que en estos momentos hacen los estudiantes de
Ciencias Económicas y Empresariales de herramientas basadas en la inteligen=
cia
artificial (tanto generativa como traductores automáticos) y tratar de
responder las siguientes preguntas:
=
●¿Qué recursos utilizan los
estudiantes hoy en día para enfrentar retos lexicográficos?
● &nb=
sp;
¿Cómo utilizan estos recursos y cuál es su nivel de
conocimiento y su conciencia lexicográfica respecto a las distintas
posibilidades de uso?
=
●¿Qué impacto tendrán estas nueva=
s posibilidades
de la inteligencia artificial y un comportamiento potencialmente modificado
para la didáctica del español para los negocios (ENE) y de qué manera puede=
n los
docentes afrontar estos desafíos?
Como veremos, responder a estas preguntas nos conduci=
rá a
reflexiones más amplias acerca de los contenidos que habría que abordar en =
una
clase de ENE para preparar a nuestros estudiantes de la mejor manera posibl=
e a afrontar
los desafíos lingüísticos de su futura vida profesional.
Puesto que nuestros análisis y consideraciones se
inscriben en las investigaciones existentes sobre el uso de aplicaciones
basadas en inteligencia artificial en la didáctica de lenguas extranjeras (=
especializadas),
en el próximo apartado propondremos una visión general sobre el estado de la
investigación en este campo. A continuación, presentaremos la investigación
actual y, para terminar, reflexionaremos a partir de los resultados consegu=
idos
sobre sus posibles implicaciones para una didáctica actualizada de ENE.
2.1 Evolución y calidad de los recursos
Como hemos
mencionado anteriormente, la aparición de programas de traducción basados en
redes neuronales supuso un salto cualitativo en la traducción automática (Hellmich, 2021; Torres-Simón y Pym, 2021). La mejora en la calidad de las traducciones ha sido=
tal
que varios autores hablan de una reducción de hasta un 85% de los errores c=
ometidos
por traductores automáticos modernos en comparación con la tecnología anter=
ior (Briggs, 2018; Ducar y Schocket, 2018: 780; =
Jolley
y Maimone, 2022; Le y Schuster, 2016; Wu et al., 2016). Las mejoras constatadas frente a la traducción
automática puramente estadística (la anterior a la introducción de las redes
neuronales) se refieren, entre otras, a la traducción literal, el trato de
palabras y expresiones polisémicas, la importancia de los errores de ortogr=
afía
en los textos base y aspectos de correferencialidad.
Por otra parte, las dimensiones de la pragmát=
ica lingüística
y las expectativas culturales, las cuestiones del registro lingüístico (a su
vez vinculadas al contexto lingüístico y extralingüístico), así como los si=
gnificados
connotativos, siguen siendo problemáticos en las traducciones, precisamente=
porque
el texto se genera utilizando métodos estadísticos sin que el sistema sea c=
apaz
de leer o procesar el lenguaje per se (Ducar y
Schocket, 2018: 785; Le y Schuster, 2016).
Asimismo, la variación regional continúa
suponiendo un problema para la traducción automática: normalmente, el ou=
tput,
es decir, el texto propuesto, viene redactado en la o las variedades domina=
ntes
de una lengua (de las que más datos existen); de manera que un input=
en
una variedad menos frecuente, o directamente dialectal, muchas veces, plant=
ea
problemas de interpretación o no es manejable para la inteligencia artifici=
al. Las
redes neuronales se basan en modelos de lenguaje de gran tamaño que no pres=
entan
neutralidad, por ejemplo, respecto al género o la relevancia económica de l=
as
lenguas. Esto significa que en sus producciones se prioriza el masculino y =
las
variedades de lenguas (incluso las lenguas mismas) con mayor relevancia
económica. Por esta razón, mejora la calidad de las traducciones entre las
lenguas más usadas y, por el contrario, cuando se trata de una lengua con p=
ocos
hablantes y con poca importancia económica, la calidad de la traducción sue=
le resultar
peor (Klimova et al., 2023: 666). Pero, a pesar de estas deficiencias, la implementac=
ión
de redes neuronales en los programas de traducción automática supuso una
auténtica revolución tecnológica con los cambios correspondientes ADDIN
ZOTERO_ITEM CSL_CITATION
{"citationID":"1Jy1BbjL","properties":{"=
formattedCitation":"(Maldonado
Gonz\\uc0\\u225{}lez & Li\\uc0\\u233{}bana Gonz\\uc0\\u225{}lez, 2023;
Mu\\uc0\\u241{}oz-Basols et\\uc0\\u160{}al.,
2023)","plainCitation":"(Maldonado González & Liéba=
na
González, 2023; Muñoz-Basols et al.,
2023)","noteIndex":0},"citationItems":[{"id&q=
uot;:889,"uris":["http://zotero.org/users/7260093/items/Q7HJ=
B5P9"],"itemData":{"id":889,"type":"=
;article-journal","abstract":"A
partir del análisis de varios ejemplos reales de trabajo, este artículo com=
para
la mayor o menor precisión léxica ofrecida por los diccionarios bilingües
frente a los motores de traducción automática basados en redes neuronales
cuando los usuarios no profesionales acuden a ellos para traducir textos.
Analizaremos el comportamiento de tres de estos motores de traducción
automática (Google Traductor, Bing Microsoft Translator y el traductor de
DeepL), y someteremos a evaluación un corpus compuesto por documentos reale=
s de
trabajo en el campo de la traducción. Dirigiremos nuestra atención a aquell=
os
fallos léxicos derivados del uso de motores de traducción automática que po=
nen
en riesgo la comprensión del texto final. Y, para terminar, compararemos los
resultados que habríamos obtenido si, para esas mismas tareas, hubiéramos
recurrido a diccionarios bilingües en vez de a motores de traducción
automática. El estudio constata cómo en el caso de la traducción de textos =
más
o menos complejos, la respuesta generada por los motores de TA resulta insu=
ficiente,
y cómo los datos lexicográficos recogidos en diferentes diccionarios biling=
ües
en línea, por lo general, aportan información lexicográfica mucho más compl=
eta
y adecuada para satisfacer las necesidades comunicativas del
usuario.","container-title":"Círculo de Lingüística
Aplicada a la
Comunicación","DOI":"10.5209/clac.79337","ISS=
N":"1576-4737","journalAbbreviation":"Círc.
lingüíst. apl. comun.","page":"133-161","sour=
ce":"DOI.org
(Crossref)","title":"La traducción automática y su uso =
en
la redacción de textos digitales: Análisis de algunos documentos reales de
trabajo","title-short":"La traducción automática y su u=
so
en la redacción de textos
digitales","volume":"95","author":[{&quo=
t;family":"Maldonado
González","given":"María
Concepción"},{"family":"Liébana
González","given":"María"}],"issued":{&q=
uot;date-parts":[["2023",9,18]]}}},{"id":1943,&quo=
t;uris":["http://zotero.org/users/7260093/items/URCJ5BH6"],&=
quot;itemData":{"id":1943,"type":"chapter&quo=
t;,"container-title":"La
enseñanza del español mediada por tecnología","edition":&quo=
t;1","event-place":"London","ISBN":"=
;978-1-00-314639-1","language":"en","note&quo=
t;:"DOI:
10.4324/9781003146391-1","page":"1-19","publi=
sher":"Routledge","publisher-place":"London&q=
uot;,"source":"DOI.org
(Crossref)","title":"Planning, Personalization,
Implementation (PPI)","URL":"https://www.taylorfrancis.=
com/books/9781003146391/chapters/10.4324/9781003146391-1","contai=
ner-author":[{"family":"Muñoz-Basols","given&=
quot;:"Javier"},{"family":"Fuertes
Gutiérrez","given":"Mara"},{"family":&qu=
ot;Cerezo","given":"Luis"}],"author":[{&=
quot;family":"Muñoz-Basols","given":"Javier&q=
uot;},{"family":"Gutiérrez","given":"Mara
Fuertes"},{"family":"Cerezo","given":&qu=
ot;Luis"}],"accessed":{"date-parts":[["2024&q=
uot;,12,12]]},"issued":{"date-parts":[["2023"=
,12,15]]}}}],"schema":"https://github.com/citation-style-lan=
guage/schema/raw/master/csl-citation.json"}
(Maldonado González y Liébana González, 2023;
Muñoz-Basols et al., 2023).
La inteligencia artificial generativa también=
se
basa en modelos de lenguaje de gran tamaño que constituyen la base de los
textos creados. Desde el lanzamiento de ChatGPT=
por OpenAI, la inteligencia artificial generativa aparece=
como un
tema de interés general, con la aparición periódica de nuevas versiones y
funciones por parte de diversos proveedores. Para la enseñanza de idiomas s=
ignifica
disponer de posibilidades completamente nuevas, pero no deja de plantear re=
tos
considerables. Los chatbots
controlados por la inteligencia artificial permiten a los alumnos interactu=
ar
en la lengua extranjera sin necesidad de un interlocutor humano, del mismo =
modo
que pueden generar textos en diferentes idiomas, aunque se utilice la prime=
ra
lengua para las indicaciones. Al comunicarse con el chatbot, los alumnos no solo
tienen la oportunidad de simular situaciones de comunicación, sino que tamb=
ién
proporcionan información lingüística, que puede, a su vez, ser analizada. E=
sto
significa que los chatbots son
capaces de actuar a la vez como compañeros de interacción, editores y
correctores; se puede preguntar por el significado de los términos, pedir q=
ue
se expliquen los errores o crear traducciones . Ahora bien, tanto la calidad de los resulta=
dos,
es decir, su corrección, como su adecuación a la situación respectiva, en la
mayoría de los usos dependerá de la manera en que se empleen. Por esta razó=
n,
cuando se trata de llevar a los estudiantes a un manejo competente y
profesional de las herramientas disponibles, el primer paso consiste en
analizar de qué manera concreta las explotan.
2.2 Estado d=
e la
investigación
La mayoría de los trabajos, tanto sobre el us=
o de
programas de traducción automática como de inteligencia artificial generati=
va en
el contexto de la adquisición de lenguas extranjeras, se basan en cuestiona=
rios
para estudiantes y docentes acerca de sus opiniones y valoraciones respecto=
a las
nuevas herramientas y del uso que hacen de ellas.
En general, la actitud de los estudiantes es positiva=
, al
considerar factores como los bajos costes de las herramientas en línea, el
ahorro de tiempo respecto al uso de diccionarios u otras herramientas y el
manejo fácil que les permite conseguir mejores resultados (Jolley y Ma=
imone,
2022). Por otra p=
arte,
se vislumbra asimismo cierta preocupación respecto a cuestiones como la pre=
cisión
de la traducción, la privacidad de la información o las implicaciones ética=
s .
El profesorado valora, además de los factores
mencionados, el potencial de los traductores automáticos y de la inteligenc=
ia
artificial generativa para fomentar la conciencia metalingüística de los
estudiantes siempre y cuando se usen de una manera deliberada y crítica (Hellmich, 2021; Jolley y Maimone, 2022;
Klekovkina y Denié-Higney, 2022; Klimova et al., 2023; Tourmen y Hoffm=
ann,
2022)
Uno de los efectos negativos de más envergadura o, en
todo caso, el mayor peligro que se le atribuye a la inteligencia artificial=
es el
de frenar los procesos de adquisición de la lengua extranjera. Ampliar
vocabulario o mejorar conocimientos gramaticales puede llegar a parecer obs=
oletos
y con la inteligencia artificial generativa el conjunto del proceso comunic=
ativo
se delega en las capacidades de unos algoritmos informáticos y métodos esta=
dísticos
con la correspondiente dependencia a estas aplicaciones (Hellmich, 2021; Jolley y Maimone, 2022: 34;
Klimova et al., 2023; Paterson, 2023; Tourmen y Hoffmann, 2022)=
. Por otra parte, la inteligencia artificial fomenta =
el
aprendizaje , a condición de que se use de una forma adecuada. Sin
embargo, delegar todo el proceso de producción de textos en una aplicación
informática, por sí mismo no mejora las capacidades de expresión en una len=
gua
y existen contextos en los que resulta imposible. La comunicación oral toda=
vía supone
un reto en este sentido, pero también se presentan otras situaciones, objet=
ivos
comunicativos o temáticas donde la inteligencia artificial no constituye la
respuesta adecuada, por ejemplo, en situaciones en las que la individualida=
d del
texto es muy importante, en ámbitos muy específicos o ante cuestiones relac=
ionadas
con la protección de datos. En consecuencia, es preciso reconsiderar la
concepción y la evaluación de la enseñanza de idiomas .
Ahora bien, a pesar de los estudios realizados hasta =
la
fecha, sigue existiendo cierta necesidad de observación y, sobre todo, de i=
nvestigación
en este campo: primero, la evolución vertiginosa de las herramientas exige =
una ocupación
continua con esta temática; segundo y actualmente el mayor reto, los trabaj=
os
realizados hasta la fecha consisten, como he=
mos
mencionado ya arriba, en análisis de cuestionarios y, en algunos casos, en
entrevistas. Carecemos de estudios que enfoquen el uso y manejo real, es decir, no
referido posteriormente que se hace de la inteligencia artificial y, aún me=
nos,
de la generativa como instrumento de traducción. Esta problemática se vincu=
la con
otra, concretamente con la diversidad de situaciones de uso que abordan: di=
stintos
grupos de usuarios (alumnos de enseñanza secundaria como en Fre=
dholm,
2021; estudiantes universitarios como en Torres-Simón y Pym, 2021); temáticas diferentes (textos económicos como en Bowker, 2020; o
jurídicos como en Briva-Iglesias, 2021); la combinación de lenguas (Maldonado González y Liébana González, 2023=
). Este abanico de objetos de estudio y perspectivas d=
ificulta
la posibilidad de comparar y generalizar los resultados de los trabajos
realizados.
Ante este trasfondo, realizamos nuestra investigación=
anterior
sobre el manejo de herramientas lexicográficas en el contexto de la enseñan=
za de
lenguajes de especialidad y describimos los desafíos que se derivan del uso=
de
traductores automáticos. Además de un cuestionario, usamos capturas de pant=
alla
para analizar el manejo de los recursos por parte de los estudiantes en la
redacción de una carta de solicitud. Llegamos a la conclusión de que nuestr=
os
estudiantes, en tanto que usuarios de una lengua extranjera, siguen teniendo
dificultades para usar programas de traducción automática y desconocen su
funcionamiento real .
Respecto al uso de la inteligencia artificial generat=
iva,
la situación es aún más precaria. A pesar de la elevada presencia del tema =
en
eventos académicos y de formación de todo tipo, su aplicación real por part=
e de
los estudiantes sigue siendo una incógnita. Los pocos estudios existentes p=
resentan
una orientación cualitativa y/o una base empírica muy reducida (como por ejemplo Baskara y Mukarto, 2023;
Huete-García y Tarp, 2024; Kohnke et al., 2023; Solak, 2024). Ahora bien, tampoco podría ser de otra mane=
ra
si tenemos en consideración la novedad de la herramienta y la gran variedad=
de
usos que ofrece en el ámbito de la enseñanza y el aprendizaje de lenguas
extranjeras. En estos momentos no presenciamos un simple cambio de soporte,=
un
enriquecimiento en las posibilidades de búsqueda o un avance en la eficienc=
ia
de trabajo, como supuso el paso del diccionario impreso al diccionario
electrónico o de un reducido número de diccionarios monolingües a los conte=
xtos
innumerables que ofrece un buscador de internet. Ahora nos encontramos ante=
una
auténtica revolución tecnológica y, por ende, didáctica, que afecta a los
planteamientos mismos de nuestra disciplina, con considerables implicaciones
para docentes y discentes. Para estar a la altura de estos cambios, habrá q=
ue
seguir muy de cerca cómo funcionan las herramientas más avanzadas, qué
posibilidades ofrecen, dónde fallan y, especialmente relevante en el contex=
to
de estas líneas, qué uso(s) hacen de ellas nuestros estudiantes para apoyar=
los
y guiarlos en su manejo eficiente (Briggs, 2018: 4; Carré et al., 2022:
190-191; Ducar y Schocket, 2018: 780-787).
3.1 Contexto y métodología
El presente estudio se realizó en la Universi=
dad
de Ciencias Económicas y Empresariales de Viena (WU – =
Wirtschaftsuniversität
Wien), donde el aprendizaje de una lengua
extranjera, además del inglés, es parte facultativa u obligatoria del
currículum según la carrera que se curse. Basándonos en los objetivos,
contenidos y métodos de nuestros estudios anteriores, en el semestre de ver=
ano
de 2024 analizamos con qué actitud y de qué manera los estudiantes que han
elegido el español, francés o italiano hacen uso de herramientas basadas en=
inteligencia
artificial (traductores automáticos y chatbots)
para afrontar desafíos de redacción de textos económicos.
El diseño de la investigación preveía las fases
siguientes:
1.&n=
bsp;
Un primer cuestionario en línea a principios de semes=
tre
(encuesta preliminar)
2.&n=
bsp;
Un test en forma de la redacción de una carta comerc=
ial en
el que se grabó a los estudiantes y se les pidió comentar su manera de proc=
eder
(protocolos de pensamiento en voz alta)
3.&n=
bsp;
Un segundo cuestionario igualmente en línea a finales=
del
semestre (encuesta posterior)
Aparte de es=
tas
tres fases, durante el semestre se insistió en la utilización de estas
herramientas y se realizó una unidad específica dedicada a este tema en la =
que se
demostraba un uso eficiente de la inteligencia artificial para una tarea si=
milar
a la que se solicitaba en el test. Esta unidad d=
idáctica
se elaboró a partir del último estudio de los autores (Zehetgruber=
y
Schnitzer, 2024) y
pretendía abordar los retos que plantea el uso de herramientas basadas en l=
a inteligencia
artificial a partir de una tematización teórica, así como mediante ejercicios prácticos.
S=
in
embargo, por razones organizativas y dado que la participación era absoluta=
mente
voluntaria, no todos los participiantes asistieron a todas las fases del
estudio, por lo que el input ex=
plícito
recibido no fue igual para todos los estudiantes.
El
grupo de participantes en el estudio estaba constituido por estudiantes de =
los cursos
finales previstos en el plan de estudios de nuestra universidad (edad media=
: 22
años) y disponían como mínimo de un nivel B1+ o B2 en la lengua meta respec=
tiva.
Este enfoque en el grupo de estudiantes con el nivel más alto de nuestros
cursos explica el menor número de participantes en comparación con nuestros
estudios previos (Zehetgruber y Schnitzer, 2024)<=
!--[if supportFields]>. Más o menos el 70% de los participantes eran hablant=
es
nativos del alemán y el resto se repartía entre las lenguas habladas en los
países vecinos de Austria, además del español, pero todos con conocimientos=
de
alemán suficientes para participar en la investigación.
La siguiente tabla muestr=
a el
número de participantes1 en cada fase, según la lengua estudiada=
:
|
Fase del estudio |
Participantes total |
Participantes español |
Participantes francés |
Participantes italiano |
|
Encuesta preliminar |
62 |
31 |
22 |
9 |
|
Test de redacción |
25 |
12 |
9 |
4 |
|
Encuesta posterior |
42 |
27 |
13 |
2 |
Tabla 1. Participantes en el proyecto
El objetivo de ambas encuestas consistía en conseguir=
una
imagen clara de la actitud de los estudiantes respecto a la inteligencia
artificial en el contexto de la redacción de textos profesionales escritos.=
Su
estructura y las preguntas que contenían eran muy parecidas, puesto que se
pretendía alcanzar el mayor grado de comparabilidad entre sus opiniones al
principio y al final de un semestre en el cual el tema se iba a tratar con =
más
intensidad que en los cursos anteriores. Además de los datos socio-estadíst=
icos,
la mayoría de las preguntas eran abiertas dirigidas a las situaciones de us=
o, las
valoraciones y la conciencia crítica que muestran nuestros estudiantes en el
manejo de la inteligencia artificial. Abordaban, al menos parcialmente, dif=
icultades
y retos en el manejo de los traductores automáticos ya identificados en el =
estudio
anterior en el que debían redactar una carta de solicitud de prácticas.
El test de redacción consistía en formular un mensaj=
e de
correo electrónico en el que un representante de una empresa ficticia se di=
rige
a los organizadores de una feria de productos de cuero para presentar su
empresa, manifestar su interés en exponer y pedir informaciones específicas
(costes, tamaño de los stands
disponibles, etc.). Las informaciones se suministraron en alemán en formato
electrónico (documento Word) y se grabó en vídeo todo el proceso de redacci=
ón,
es decir, tanto la pantalla como los comentarios y reflexiones de los
estudiantes, que habían sido instruidos previamente sobre este método
(protocolos de pensamiento en voz alta; en cuanto a este método ver Cowan, 2019; Wol=
l,
2018; Zhang y Zhang, 2020). De este mo=
do, se
buscaba no solo observar qué hacían realmente los estudiantes, sino también
indagar en sus reflexiones y motivaciones al elegir una u otra herramienta.=
Se
les permitió utilizar cualquier recurso que consideraran adecuado, sin
restricciones de tiempo, registrándose un promedio de trabajo de 33 minutos=
.
3.2 Resultados
3.2.1 Recursos utilizados
|
recurso |
Ø posición encuesta preliminar |
Ø posición encuesta posterior |
|
DeepL |
2,4 |
1,6 |
|
Pons Online Dictionary |
4,2 |
4,3 |
|
Google Search |
4,7 |
4,6 |
|
Leo |
4,7 |
5,2 |
|
Google Translate |
5,0 |
4,9 |
|
ChatGPT |
5,0 |
3,2 |
|
Linguee |
5,0 |
6,0 |
|
Pons Translator |
5,8 |
5,7 |
Tabla 2. Ranki=
ng de
los recursos más frecuentes indicados en las encuestas
El análisis de los recursos utilizados en el test de redacción arroja un resultado muy parecido:=
19 de
25 estudiantes acudieron para la redacción a traductores automáticos (casi
exclusivamente DeepL, sin duda el recurso más u=
sado)
y 14 de 25 a una inteligencia artificial generativa (casi exclusivamente Ch=
atGPT).
La siguiente tabla muestra el ranki=
ng
en cada fase del proyecto comparando los datos con los resultados del estud=
io
de 2022/23 (Zehetgruber=
y
Schnitzer, 2024). Se observa=
que
la frecuencia indicada en las encuestas es siempre superior a la frecuencia
real en el test, consecuencia de la naturaleza m=
ás
genérica de las preguntas en los cuestionarios frente a una tarea concreta.=
Figura 1. Frecuencia de uso de la=
s herramientas
utilizadas en las distintas fases del proyecto
3.2.2 Manejo de los recursos
Para analizar el manejo efectivo de los recur=
sos
nos valimos, en primer lugar, del test de redacc=
ión,
en el que constatamos maneras muy diversas de proceder. Todos los estudiant=
es necesitaron
bastante tiempo en redactar, controlar, revisar y reformular sus textos y n=
ecesitaron
por término medio 33 minutos para escribir un correo electrónico de unas 20=
0 palabras.
Este tiempo de trabajo tan extenso se debe a que todos los estudiantes se
apoyaron en distintos recursos para la redacción, a excepción de un partici=
pante
que usó solo ChatGPT, pero con varios prompts modificando de esta manera su redacción. Es de
señalar que ningún estudiante copió la indicación en un chatbot sin controlar y mod=
ificar
el resultado, aceptando una versión generada automáticamente. Como hemos ex=
puesto
en el apartado anterior, las herramientas más habituales eran DeepL y ChatGPT, en cuyo =
manejo,
sin embargo, se mostraron unas diferencias sustanciales:
DeepL se usa, por una parte, como diccionario
tradicional -es decir, para buscar palabras aisladas- pero, por otra, tambi=
én para
traducir oraciones, párrafos y textos enteros, para buscar sinónimos, contr=
olar
o comparar resultados encontrados en una herramienta con los de otra, para =
una
traducción inversa o para mejorar estilísticamente un texto redactado (medi=
ante
DeepLWrite).
En cambio, ChatGPT, cuyo empleo nos pareció especialm=
ente
interesante observar puesto que no disponíamos de datos de estudios anterio=
res,
ofrece un abanico de usos más amplio. Se utiliza con prompts muy dispares, tanto=
en lo
que se refiere a su número por estudiante (por término medio son cinco dife=
rentes,
aunque el número varía de un mínimo de uno a un máximo de diez) y su longit=
ud, así
como su naturaleza y finalidad. La lengua de comunicación con el programa s=
uele
ser el alemán, solo en casos aislados se recurrió a la lengua meta (véanse =
los
ejemplos abajo) o al inglés.
Como tipos de prompts típicos se pudieron distinguir los siguientes: <= o:p>
·
Copiar la indicación
Ich muss eine Mail
verfassen und möchte diese mit einem kurzen Absatz über das Unternehmen, in=
dem
ich arbeite, beginnen. Bitte formuliere aus den Informationen eine
Unternehmensbeschreibung und verwende alle Infos.
[Tengo que escribir un correo y quiero empezar con un breve párrafo sob=
re
la empresa para la que trabajo. Por favor, escribe con las informaciones una
descripcion de la empresa y utiliza todas las informaciones.]
· =
Buscar sinónimos
Kannst du mir Syno=
nyme
für Verwurzelung nennen?
[¿Puedes
darme sinónimos para “Verwurzelung”?]
·
Traducir
Transportweg auf Spanisch<= o:p>
[ruta
de transporte en español]
·
Pedir la corrección
¿Hay algunos errores o tienes ideas para mejo=
rar
el correo?
·
Pedir consejo
Como se termina un correo electr=
onico
formal? Necesito el parafo final. [¡sic!]
En las encuestas se preguntó por la manera de utilizar
los distintos recursos. Se les planteó a los estudiantes, por ejemplo, un
problema concreto: “No te acuerdas cómo se dice en la lengua que estudias “=
Unternehmensberatung”. ¿Dónde y cómo buscas es=
ta palabra?”.
Por su polisemia, el término requiere traducciones diferentes, a saber “ase=
soramiento
de empresas” (si se refiere a la actividad) o “sector de la consultoría” (s=
i se
refiere al sector). Basándonos en estudios anteriores (ver especia=
lmente
Zehetgruber y Schnitzer, 2024) presumíamos que la correcta elección de la
herramienta más adecuada para una búsqueda de este tipo suponía un reto para
nuestros estudiantes. Y, efectivamente, en la encuesta preliminar el número=
que
veía la solución en consultar un diccionario era igual a los que se inclina=
ron
por un traductor automático, sin indicar la necesidad de ingresar también un
contexto. Un gran número de los participantes no distinguía bien entre la
funcionalidad de un diccionario y la de un programa de traducción automátic=
a y
los manejaban igual, introduciendo palabras aisladas o expresiones truncada=
s. En
la encuesta posterior, con un planteamiento parecido, la cifra de los que p=
referían
apoyarse en uno u otro no cambió, pero los partidarios del traductor automá=
tico
insistían en sus respuestas en la necesidad de poner el término buscado en
contexto.
Observamos una situación similar en una pregunta que =
consistía
en valorar una estrategia determinada: “Para traducir la palabra XY se cons=
ultó
Google Translate de la manera siguiente: [descr=
ipción
de la consulta] ¿Te parece conveniente este procedimiento?” Constatamos cie=
rtas
dudas respecto a la mejor manera de proceder y valoraciones dispares, pero =
en la
encuesta posterior los estudiantes mostraron nuevamente una tendencia marca=
da a
insistir en la importancia de proporcionar un contexto adecuado al utilizar=
un
programa de traducción. Aparte de servirse del diccionario o de un programa=
de traducción
automática como solución a estos problemas léxicos, se indicó en ambas
encuestas la posibilidad de recurrir a la inteligencia artificial generativ=
a,
propuesta que se registró en mayor número en la encuesta posterior.
3.2.3 Actitudes de los estudiantes ac= erca del uso de recursos lexicográficos
|
recurso |
ventajas |
desventajas |
|
Diccionarios
bilingües |
- &=
nbsp;
traducen palabras
aisladas - &=
nbsp;
definiciones - &=
nbsp;
facilitan indica=
ciones
gramaticales - &=
nbsp;
corrección/adecu=
ación - &=
nbsp;
sinónimos - &=
nbsp;
usabilidad (rapi=
dez,
intuitivos) |
- &=
nbsp;
solo contienen p=
alabras
aisladas - no ayudan mucho para encontrar formulaciones propias - no siempre fiables - no siempre exhaustivos - poco prácticos (lentos) |
|
Programas de
traducción automática |
- &=
nbsp;
rapidez - &=
nbsp;
ofrecen propuest=
as
alternativas - traducción de expresiones, oraciones y textos - &=
nbsp;
proponen
traducciones en contexto - &=
nbsp;
ayuda con proble=
mas gramaticales |
- restricciones en las versiones gratuitas - solo pueden “traducir“ - propensos a errores - &=
nbsp;
necesitan verifi=
cación
y control - frenan el proceso de adquisición de la lengua |
|
Chatbots basados en inteligencia artificial generativa |
- rapidez - buena fuente de inspiración - &=
nbsp;
estructuran y
redactan solos - no necesitan reflexión por parte del usuario - &=
nbsp;
sirven para corr=
egir - &=
nbsp;
buenos resultado=
s |
- &=
nbsp;
parcialmente de =
pago - &=
nbsp;
lenguaje artific=
ial - &=
nbsp;
impersonal - no fomentan la reflexión propia - problemáticos en los controles de plagio - informaciones erróneas y alucinaciones |
|
Buscadores |
- &=
nbsp;
rapidez - dan una primera visión global - &=
nbsp;
ofrecen muchas
opciones - permiten la búsqueda de fuentes en lengua extranjera |
- propensos a errores muy generales - dan demasiados resultados, es fácil perder la orientación |
Tabla 3. Actitudes de los
estudiantes acerca de los recursos lexicográficos
Al analizar estas respuestas, observamos que las opin=
iones
acerca de los distintos recursos enfocan aspectos de índole muy diversa y q=
ue son
absolutamente heterogéneas y contradictorias. El mismo argumento se conside=
ra tanto positivo como negativo al mismo tiempo. Resulta notab=
le que
los distintos tipos de herramientas se asocian mucho con una deficiencia
intrínseca, es decir, con el error (ver abajo).
Además del interés general por conocer las opiniones =
de
nuestros estudiantes sobre los recursos utilizados, nos centramos en estudi=
ar sus
actitudes respecto a acudir a la inteligencia artificial generativa. El grá=
fico
siguiente muestra el grado de aprobación (respuestas “de acuerdo” y
“completamente de acuerdo”) a diferentes usos que sugerimos en las encuesta=
s.
Figura 2. Uso de la inteligencia artificial generativa (respuestas
“completamente de acuerdo”)
El gráfico muestra la disminución del papel de la int=
eligencia
artificial generativa como fuente de inspiración de una encuesta a otra, au=
nque
mantenga su importancia. Aumenta su uso para redactar directamente en lengu=
a extranjera,
a pesar de que la mayoría de los estudiantes parece preferir elaborar los
textos ellos mismos y recurrir a la inteligencia artificial para consultas =
más
precisas. Se desprende, sin lugar a dudas, que C=
hatGPT
y otras aplicaciones de este tipo de ninguna manera se consideran sustituto=
s de
programas de traducción automática. Esto viene confirmado asimismo por los
resultados del test, donde los estudiantes combi=
nan
frecuentemente el uso de ChatGPT con un traductor que les parece más fiable
para la búsqueda de palabras/frases. Por otra parte, el uso de la inteligen=
cia
artificial no provoca mayores consideraciones éticas, tal y como evidencia =
que menos
de una cuarta parte de los entrevistados lo considera como hacer trampa.
Como hemos visto, los textos generados, sea por chatbot, =
sea por
programas de traducción, no inspiran confianza suficiente como para no trat=
ar
de verificar el texto propuesto mediante otros recursos (otros programas
parecidos, diccionarios, búsquedas en Google. etc.). Este
escepticismo, sin embargo, resultó ser un arma de doble filo difícil de
gestionar, puesto que la actitud crítica de los estudiantes los lleva a
“corregir” textos (palabras, sintaxis, párrafos enteros) absolutamente
correctos. En no pocos casos, la versión retocada es peor que la propuesta =
por
la inteligencia artificial. El problema reside en que, aparentemente, un
estudiante con un nivel B1+/B2 en la lengua extranjera no dispone de la
capacidad de juzgar la corrección de un producto lingüístico en esta lengua=
. Considera
dudoso todo lo desconocido y esta inseguridad aumenta ante la diversidad de
propuestas provenientes de otros recursos.
El escepticismo, que se verbalizó en los protoco=
los
de pensamiento en voz alta que acompañaron al test, se
ve reflejado en los resultados de las encuestas. Tanto en la preliminar com=
o en
la posterior, se solicitaba a los estudiantes la valoración de una propuest=
a de
traducción. Mientras que en la encuesta preliminar esta propuesta era errón=
ea,
la de la encuesta posterior era absolutamente aceptable. No obstante, las
valoraciones de los estudiantes no reflejaron esta diferencia, aunque sí
coincidían (ligeramente más del 50% de los encuestados) en la
necesidad de comparar con un segundo programa de traducción automática y
aceptar la propuesta solo si proporcionaba el mismo resultado.
Figura=
3. Manejo de las propuestas de traducción automática: reacciones de los
estudiantes=
Esta era la única manera de control de propuestas que=
se
mencionó con cierta frecuencia y tanto en el test como
en las encuestas constatamos cierta inseguridad ante cómo proceder para
controlar o corregir una propuesta procedente de la inteligencia artificial=
. Los
estudiantes se manifestaban carentes de estrategias conscientes y sistemáti=
cas
para verificar la calidad de una solución a un problema lingüístico, bien
propuesta por terceros, bien elaborada por ellos mismos. En combinación con=
el escepticismo
mencionado, esta desorientación provoca que los retoques se realicen casi
exclusivamente “por intuición” (más o menos el 50% de las respuestas en las
encuestas) o “porque me suena familiar” (protocolos). De esta manera, ante =
un
problema terminológico o léxico en general, los estudiantes entran en una
especie de círculo vicioso al buscar términos o expresiones que desconocen,
pero al dudar de la propuesta, eligen en primer lugar lo que les parece
conocido. En todo caso, en la encuesta posterior constatamos una mayor
sensibilidad respecto a la importancia de búsquedas en contexto en el manej=
o de
programas de traducción (ver arriba), así como en el uso de buscadores
generales que, en esta ocasión, se mencionaron como instrumento de búsqueda=
de
contextos auténticos bien de unidades léxicas en sí, bien de sus frecuencia=
s de
utilización.
Respecto a los buscadores y, entre ellos, en un evide=
nte
primer lugar Google, constatamos que muchos estudiantes no distinguen apenas
entre el buscador general y su traductor respectivo (Google Translate,
Microsoft Translator). Seguramente, nos encontr=
amos
ante una de las razones por las que se mencionó en varias ocasiones la falt=
a de
fiabilidad de las traducciones de los buscadores. Este factor podría influi=
r en
las respuestas a otras preguntas respecto al uso de esta herramienta que tal
vez no alude a un verdadero uso como buscadores (por ejemplo, para determin=
ar, contextos,
frecuencias, etc.), sino a su función como punto de partida para activar el
programa de traducción respectivo. Esto podría explicar por qué DeepL produce más confianza que otros programas (en p=
rimer
lugar, Google Translate).
Otra estrategia fácilmente aplicable sería el uso del
traductor automático para realizar traducciones inversas, es decir, para
comprobar en la propia lengua si la oración o el texto propuestos correspon=
den
realmente a lo que se pretende decir. Sin embargo, pocos estudiantes mencio=
nan
esta posibilidad en las encuestas y en el test n=
o se
aplica en absoluto.
3.2.4 La conciencia lingüística de los estudiantes y sus estrategias de control
Un aspecto muy ligado a la actitud de los
estudiantes respecto a los recursos de los que disponen, y que repercute en=
cómo
los manejan, es el de su conciencia lingüística.
Los comentarios de los estudiantes en las encuestas y=
los
protocolos de pensamiento en voz alta constituyen una notable fuente de
información para analizar las dificultades percibidas en el proceso de
redacción en una lengua extranjera. Estas observaciones permiten identificar
tanto los desafíos que ellos mismos enfrentan como las limitaciones de los
distintos recursos.
Primero, los estudiantes demostraron disponer de bast=
ante
conciencia respecto a las diferencias estructurales entre las dos lenguas y,
por lo tanto, de las dificultades para la traducción. Las palabras compuest=
as del
alemán y expresiones fijas se identifican en varias ocasiones como elementos
que “habría que evitar o reformular” antes que traducir. Lo mismo ocurre co=
n ciertos
registros o grados de formalidad que se abordan como un auténtico desafío p=
ara
todos los recursos disponibles. Se constata la necesidad de pasar estos
elementos a un “alemán estándar” incluso antes de empezar una búsqueda o se=
propone
una explicación en lugar de una equivalencia. Sin embargo, una minoría lleg=
a a considerar
que la inteligencia artificial generativa (4 de 42) o un traductor automáti=
co
(4 de 42) constituye una ayuda también en esta transformación.
En el contexto universitario austriaco, el vocabulari=
o de
carácter regional merece una especial atención. Cuando los estudiantes
identifican que determinados términos pertenecen al léxico o terminología e=
specífica
de Austria (en nuestro cuestionario, por ejemplo, categorías de pensiones
específicas o terminología fiscal), no esperan hallar una solución en las
herramientas que consultan. Ya en la encuesta preliminar, la mitad de los p=
articipantes
indicó que en primer lugar había que comprender y explicar estos términos. =
Dos
tercios de los estudiantes (42 de 62) percibían la dificultad para una
traducción de estos conceptos y reconocían que los distintos recursos dispo=
nibles
presentaban límites para resolver estos problemas léxicos:
(1) Das Wort xy zu
übersetzen könnte Probleme bereiten, da es meines Wissens nur in Österreich=
so
existiert
[Traducir
la palabra x puede ser problemático puesto que, que yo sepa, solo se usa en
Austria]
(2) weil es ein Fachwo=
rt
ist
[porque
es un término específico]
(3) gibt es in der and=
eren
Sprache nicht
[no
habrá equivalente en la lengua extranjera]
(4) nicht wortwörtlich=
zu
übersetzen
[imposible
de traducir literalmente]
Además de ser conscientes de los retos que plantean l=
as distintas
áreas de variación lingüística, casi la mitad de los estudiantes (18 de 42)
reconoce los problemas que plantean las expresiones polisémicas fuera de
contexto (como la palabra Unternehmensberatung mencionada arriba). P=
or
otra parte, presentan poca conciencia sobre la dificultad de traducir
construcciones incompletas, por ejemplo: wir
würden bitten [=
pediríamos].
Los estudiantes no son conscientes de la necesidad de aportar los complemen=
tos contextuales
adecuados para alcanzar una traducción que sea precisa. Algunos participant=
es incluso
consideran más sensato construir ellos mismos estructuras morfosintácticas =
complejas
que buscarlas en una oración mediante un programa de traducción. En cambio,=
las
respuestas relativas a los aspectos ortográficos resultan contradictorias: =
mientras
que la mitad de los estudiantes no se percata de las faltas de ortografía o=
no
las considera un problema, la otra mitad opina que deben evitarse a toda co=
sta
en la búsqueda con programas de traducción o en los prompts para ChatGPT.
Aparentemente, sigue existiendo cierta duda respecto a las consecuencias de
estos fallos formales, puesto que, como hemos mencionado arriba, este mismo
punto se considera como una ventaja de los traductores basados en redes neu=
ronales
(ver 2.1.).
Ahora, independientemente de su grado de conciencia r=
especto
a los distintos aspectos mencionados, los estudiantes no parecen tener
estrategias adecuadas para solucionar estos retos lingüísticos. Además de l=
os buscadores
generales, de los cuales hacen un uso un tanto aleatorio, para aclarar estas
cuestiones se limitan a utilizar diccionarios, programas de traducción (como
hemos mencionado, muchas veces de manera similar a los diccionarios) y la
inteligencia artificial generativa. Estrategias de otro tipo, que pueden
resultar más útiles en muchos contextos, como búsquedas específicas de
frecuencias en los buscadores, la comparación con textos paralelos en la ot=
ra
lengua (por ejemplo, las entradas en Wikipedia en distintos idiomas), etc. =
prácticamente
ni se mencionan en la encuesta preliminar. Incluso en la encuesta posterior,
después de haber abordado esta posibilidad en clase, solo cinco de 42 consi=
deran
como posible solución otras estrategias, como, por ejemplo, recurrir a las
entradas de Wikipedia para encontrar la equivalencia de Landflucht
[éxodo rural] o de terminología fiscal. La única estrategia que aparece con
alguna frecuencia (11 de 51 en la encuesta preliminar; 8 de 32 en la
posterior), consiste en no traducir estos términos, sino mantenerlos en la =
versión
original y suministrar una definición y/o explicación en la lengua extranje=
ra.
Sorprendentemente, encontramos en las preguntas o los comentarios respecto a
esta estrategia la mención al buscador de traducciones Linguee
y se insiste en la importancia de suministrar contexto.
Un tercer aspecto relacionado con la conciencia
lingüística en un sentido amplio es la que podríamos denominar conciencia s=
obre
los recursos utilizados. En una gran parte de las respuestas y protocolos de
pensamiento en voz alta se trasluce una confusión entre diccionarios y
programas de traducción automática ya a nivel conceptual y no son pocos los=
comentarios
de tipo: ich wür=
de
in einem Wörterbuch=
wie DeepL oder
Leo suchen [buscaría en un diccionario como=
DeepL o Leo].
Este análisis se basa en datos recogidos con
estudiantes de lenguaje económico en tres lenguas. Sin embargo, como ocurrió
también en los estudios anteriores (ver, sobre =
todo, Zehetgruber
y Schnitzer, 2024) no hemos
encontrado diferencias relevantes entre los tres idiomas. Por esta razón,
estamos convencidos de que sus resultados son aplicables al español de los =
negocios.
Nuestro estudio muestra claramente que en el marco de=
la
enseñanza en la Universidad de Ciencias Económicas y Empresariales de Viena=
los
estudiantes usan distintos recursos para afrontar desafíos léxicos y de
redacción de textos. En los últimos años, las herramientas basadas en
inteligencia artificial, como chatbots y programas de traducción
automática, han sustituido a los diccionarios tradicionales sin hacerlos de=
saparecer
por completo. Al mismo tiempo, los estudiantes no confían plenamente en nin=
guno
de estos recursos, los combinan, comparan, valoran y, en muchos casos, se
muestran reacios a delegar todo el proceso de redacción a la inteligencia
artificial. De alguna manera, manifiestan la necesidad de producir algo pro=
pio
(5), de ser responsables de su producto (6) y utilizan programas como ChatG=
PT como
fuente de inspiración que modifican (7), como instancia de control o como
corrector para mejorar un texto elaborado por ellos (5):
(5) Ich versuche, das
Schreiben so weit wie möglich selbst zu schreiben und schaue vereinzelt Wör=
ter
in einem online Wörterbuch nach. Bevor ich die Nachricht losschicke, lasse =
ich
sie von einer Person oder KI Korrektur lesen
[Intento
redactar este correo yo mismo, por lo menos la mayor parte posible, y, de v=
ez
en cuando, busco palabras en un diccionario en línea. Antes de enviar el
mensaje, lo hago revisar por una persona o una IA…]
(6) <=
span
lang=3DDE-AT style=3D'font-size:11.0pt;mso-fareast-font-family:Verdana;mso-=
ansi-language:
DE-AT'>Dennoch möchte ich, dass sich der Text nach mir anhört
[A pesar de todo quiero que el texto suene a mí=
]
(7) Ich such‘s in Chat=
GPT
und dann verfasse ich damit meinen eigenen Text oder Ideen
[Lo busco en ChatGPT y
después redacto con su ayuda mi propio texto o ideas]
Estos diferentes usos y las ventajas percibidas por l=
os
estudiantes se han descrito en otros estudios, por ejemplo, las posibilidad=
es
de corrección (Barrot, 2024; Kohnke et al., 2023; Sol=
ak,
2024), el deseo d=
e tener
autoría propia (agency)
(Cardon et al., 2023) o la inspiración (Chan y Hu, =
2023). Sin embargo, al contrario de otros estudios=
(Baskara y
Mukarto, 2023; Solak, 2024), nuestros estudiantes no han manifestado
preocupaciones éticas. Al mismo tiempo, se constata una gran inseguridad
respecto al uso más eficiente de estos recursos, así como cierta falta de e=
xperiencia
o familiaridad con las estrategias pertinentes para su manejo. En este cont=
exto
concreto de la adquisición de las técnicas de búsqueda y consulta de recurs=
os
lexicográficos (en un sentido amplio), incluso la generación de los nativos
digitales precisa cierta instrucción sobre cómo actuar de una manera
competente, algo que, a excepción de la inteligencia artificial en forma de=
chatbots,
ya se subrayó en otros estudios . Ha quedado constatado que las decisiones de=
los
estudiantes sobre cómo redactar o qué traducción escoger son puramente
intuitivas y no se toman mediante un procedimiento analítico y deliberado. =
Esto
se agrava en la situación de los estudiantes con un nivel B1+/B2, sin un
dominio de la lengua extranjera suficiente para evaluar o juzgar el nivel de
corrección y adecuación de un texto escrito por ellos.
En comparación con estudios anteriores , los resultados alcanzados por los estudiant=
es en
el marco de este proyecto resultan aceptables y mejores. Además de algunos =
desaciertos
que se centran sobre todo en aspectos pragmáticos (registro formal), en opi=
nión
de los evaluadores del test (dos por lengua), se
constata cierta artificialidad o impersonalidad. Esta diferencia se debe a
varios factores difíciles de separar: primero, los participantes en este
estudio poseen un mayor nivel de la lengua extranjera que les permite redac=
tar
con más facilidad y también elegir propuestas ofrecidas por los medios que =
usan;
segundo, en los últimos semestres, y precisamente debido a los resultados de
estudios precedentes (Kölbl et al., 2021; Zehetgruber y
Schnitzer, 2024), en nuestra enseñanza se ha insistido en el
manejo de recursos lexicográficos y tratamos de tematizar este aspecto mucho
más que antes; por último, en los primeros estudios la inteligencia artific=
ial
generativa resultaba prácticamente ajena tanto al estudiantado como al
profesorado. Obviamente, desde la aparición de ChatGPT=
y de otros programas con funcionalidades similares, las posibilidades de bu=
scar
inspiración, de tener modelos, de estructurar, de redactar, de revisar o de=
corregir
han cambiado radicalmente en cuestión de meses. Es imposible determinar en =
qué
medida cada uno de estos factores ha contribuido a la mejora de los resulta=
dos
del análisis actual y, sin duda, será la combinación de todos ellos. En todo
caso, la enseñanza de lenguas extranjeras, y más concretamente la de los
lenguajes de especialidad, tiene que tomar en consideración los avances
tecnológicos. Si queremos ayudar a nuestros estudiantes a enfrentar con éxi=
to desafíos
lingüísticos específicos, resulta evidente que no podemos dejarlos solos en=
este
contexto de transformación y evolución vertiginosa. Nos parece que en nuest=
ro
estudio ha quedado patente que nuestras intervenciones, explicaciones y ent=
renamientos
específicos repercuten en el comportamiento lexicográfico de los estudiante=
s.
En los últimos años, el mundo de los recursos=
técnicos
disponibles para afrontar todo tipo de situación comunicativa ha experiment=
ado
un cambio sin precedentes. Especialmente la inteligencia artificial ha
revolucionado tanto la enseñanza como el uso real de las lenguas extranjera=
s.
No sabemos cómo va a seguir esta evolución, pero resulta evidente que hemos=
de
replantearnos los principios didácticos en los que se sustenta nuestra
actividad docente. Como profesores de lenguaje económico y para los negocio=
s y con
los datos de este estudio, debemos reflexionar sobre cuáles de los resultad=
os
conseguidos deberían integrarse en nuestra docencia –en concreto respecto a=
la
enseñanza y el tratamiento del léxico especializado– y cómo podríamos
transmitirlos de manera efectiva.
Consideramos que las conclusiones más relevantes
derivadas del análisis se estructuran en tres niveles fundamentales:
1.&n=
bsp;
Fomentar la conciencia lingüística: promover en el
estudiantado una mayor sensibilización y comprensión del funcionamiento de =
una
lengua para desarrollar un enfoque reflexivo y crítico al usarla;
2.&n=
bsp;
Fomentar la conciencia de los recursos lexicográficos:
incentivar la reflexión sobre el uso de las herramientas lingüísticas, en
especial las basadas en inteligencia artificial, para que el estudiantado
comprenda sus alcances, sus limitaciones y su manera de funcionar;
3.&n=
bsp;
Fomentar la conciencia de estrategias lexicográficas:=
demostrar
la aplicación eficiente de estos recursos en tareas como el control, la
Algunos de los contenidos que tradicionalmente se han=
abordado
en el marco de una clase de lenguaje económico tendrán que enfocarse desde =
una
perspectiva diferente o, incluso, ya han quedado obsoletos. La mera correcc=
ión
gramatical de un texto, la elaboración básica de ciertos documentos
comerciales, la primera redacción de un informe corporativo y un largo etcé=
tera
lo realizará la inteligencia artificial. Sin embargo, se necesitará una
instancia de control y, según el caso, una instancia que introduzca el tono
personal, la originalidad, el yo de la persona que se encuentra detrás. Y p=
ara conseguir
estos dos objetivos es preciso entender cómo funciona la lengua: que el voc=
abulario
de dos lenguas no se limita a dos listas paralelas de palabras; que las
estructuras gramaticales, por muy formales que parezcan, pueden tener valor
semántico; que una lengua no se compone de un bloque homogéneo e inalterabl=
e de
elementos, sino que hay qu=
e adaptar
y modificar la producción según los parámetros de cada acto comunicativo, e=
tc.
En clase habrá que insistir en el funcionamiento y las
funcionalidades de los recursos disponibles, porque solo así será posible u=
sarlos
de una manera eficiente. Es fundamental dejar claro que no todos los recurs=
os se
adecuan a todas las necesidades, al existir diferencias sustanciales entre =
buscadores,
diccionarios, programas de traducción e inteligencia artificial generativa y
otros recursos, como textos paralelos, buscadores de traducciones, bases de
datos, enciclopedias. Por lo tanto, resulta imprescindible debatir y concienciar sobre las posibilidad=
es de
estas herramientas y sobre sus limitaciones, con el fin de proporcionar a l=
os estudiantes
el mejor apoyo posible ante los retos léxicos de hoy y de mañana.
En estrecha relación con esta toma de concien=
cia,
habrá que incorporar un entrenamiento en estrategias de búsqueda y consulta=
que
integre y amplíe los aspectos anteriores, sin olvidar la determinación de
frecuencias de uso, consideración de las variedades lingüísticas, análisis =
de
contextos para resolver problemas de polisemia y control de aspectos
pragmáticos.
Los avances tecnológicos no harán desaparecer los
desafíos léxicos de nuestras clases, sino que las trasformarán al exigir nu=
evas
maneras de abordarlos.
Nuestro estudio ha puesto de manifiesto la rápida incorporación en la
enseñanza especializada de idiomas no solo de los programas de traducción
automática, sino también de la inteligencia artificial generativa, así como=
la
frecuencia con la que los estudiantes emplean estas posibilidades tecnológi=
cas
pese a manifestar una actitud más bien escéptica hacia las herramientas
disponibles. En general, prefieren combinarlas entre sí para conservar su
propio estilo e ideas. Esta desconfianza tiene que ver también con un desco=
nocimiento
parcial del funcionamiento de los distintos recursos, así como con la falta=
de
estrategias que les permitan abordar de forma crítica y consciente los
resultados generados por la inteligencia artificial y verificar su validez =
mediante
análisis concretos.
Desconocemos=
si esta
situación responde al contexto de un cambio radical y vertiginoso, pero es
evidente que será necesario seguir de cerca su evolución, tanto en lo que
respecta a las tecnologías y herramientas disponibles en cada momento como =
a su
uso por parte de estudiantes y profesores. De este modo, podremos afrontar =
en
el aula los desafíos que surjan en el futuro.
En pocas pal=
abras: esta
temática requerirá cada vez más atención tanto en el aula como en la
investigación y la formación del profesorado.
<= o:p>
1=
En los
resultados se verá que algunos estudiantes no completaron el cuestionario h=
asta
el final, por lo que las cifras mostradas no siempre corresponden al número
total de participantes.
2=
En el =
momento
en el que se coleccionaron los datos de este estudio aun era posible distin=
guir
claramente entre el diccionario y el traductor de PONS en la página web
pons.com. Entretanto, por un cambio de diseño de la página, esta distinción
resulta muy difícil.
A=
GRADECIMIENTOS
<= o:p>
Q=
ueremos
dar las gracias a la Universidad de Economía y Empresa de Viena y, en
particular, a su Vicerrectorado de Docencia, por subvencionar este estudio =
en
el marco del Scholarship of Teachin=
g and
Learning. Esta ayuda, sin la cual habría sido difícil llevar a cabo un
análisis de este tipo durante el curso, nos permitió recopilar y analizar l=
os
datos empíricos que constituyen su base. También queremos dar las gracias a
Anna Lhotzky, que nos apoyó con gran entusiasmo en las distintas fases del
proyecto.
<= o:p>
<= o:p>
=
Referencias
bibliográficas
=
Barrot,
J. S., 2024. ChatGPT as a Language Learning Tool: An Emerging Technology
Report. Technology, Knowledge and Learning, 29(2), pp.1151-11=
56.
=
Baskara,
R. y Mukarto, M., 2023. Exploring the Implications of ChatGPT for Language
Learning in Higher Education. Indonesian Journal of English Language
Teaching and Applied Linguistics, 7(2), pp.343-358.
=
Bowker,
L., 2020. Machine translation literacy instruction for international busine=
ss
students and business English instructors. Journal of Business & Fin=
ance
Librarianship, 25(1-2), pp.25-43.
=
Briggs,
N., 2018. Neural machine translation tools in the language learning classro=
om:
Students’ use, perceptions, and analyses. JALT CALL Journal Vol. 14, No.=
1,
pp.3-24.
=
Briva-Iglesias,
V., 2021. Traducción humana vs. traducción automática: Análisis contrastivo=
e
implicaciones para la aplicación de la traducción automática en traducción
jurídica. Mutatis Mutandis. Revista Latinoamericana de Traducción, <=
i>14(2),
pp.571-600.
=
Cardon,
P., Fleischmann, C., Aritz, J., Logemann, M. y Heidewald, J., 2023. The
Challenges and Opportunities of AI-Assisted Writing: Developing AI Literacy=
for
the AI Age. Business and Professional Communication Quarterly, 86=
(3),
pp.257-295.
=
Carré,
A., Kenny, D., Rossi, C., Sánchez-Gijón, P. y Torres-Hostench, O., 2022. &q=
uot;Machine
translation for language learners" en Kenny, D. (eds.) Machine
translation for everyone. Empowering users in the age of artificial
intelligence (pp.187-207). Berlin: Language Science Press.
=
Chan,
C. K. Y. y Hu, W., 2023. Students’ voices on generative AI: Perceptions,
benefits, and challenges in higher education. International Journal of
Educational Technology in Higher Education, 20(1), p.43.
=
Cowan,
J., 2019. The potential of cognitive think-aloud protocols for educational
action-research. Active Learning in Higher Education, 20(3), =
pp.219-232.
=
DeVasto,
D. y Palmer, Z., 2024. Building Critical AI Literacy in the Business
Communication Classroom. Business and Professional Communication Quarter=
ly,
87(4), pp.557-572.
=
Ducar,
C. y Schocket, D. H., 2018. Machine translation and the L2 classroom:
Pedagogical solutions for making peace with Google translate. Foreign
Language Annals, 51(4), pp.779-795.
=
Fredholm,
K., 2021. Google Translate search strategies used by learners of Spanish L3=
: A
complex lexico-morpho-syntactic weave of trial and error. Estudios de
Lingüística Aplicada, año 39, número 72, pp.9-48.
=
Gromann,
D. y Schnitzer, J., 2016. Where do Business Students Turn for Help? An
Empirical Study on Dictionary Use in Foreign-language Learning. Internat=
ional
Journal of Lexicography, 29(1), pp.55-99.
=
Hellmich,
E. A., 2021. Machine Translation in Foreign Language Writing: Student Use to
Guide Pedagogical Practice. Alsic, Vol. 24, n° 1.
=
Huete-García,
Á. y Tarp, S., 2024. Training an AI-based Writing Assistant for Spanish
Learners: The Usefulness of Chatbots and the Indispensability of Human-assi=
sted
Intelligence. Lexikos, 34.
=
Jolley,
J. R. y Maimone, L., 2022. Thirty Years of Machine Translation in Language
Teaching and Learning: A Review of the Literature. L2 Journal, 14=
(1),
pp.26-44.
=
Kelly,
A., Sullivan, M. y Strampel, K., 2023. Generative artificial intelligence:
University student awareness, experience, and confidence in use across
disciplines. Journal of University Teaching and Learning Practice, <=
i>20(6).
=
Klekovkina,
V. y Denié-Higney, L., 2022. Machine Translation: Friend or Foe in the Lang=
uage
Classroom? L2 Journal, 14(1), pp.105-135.
=
Klimova,
B., Pikhart, M., Benites, A. D., Lehr, C. y Sanchez-Stockhammer, C., 2023.
Neural machine translation in foreign language teaching and learning: A
systematic review. Education and Information Technologies, 28=
(1),
pp.663-682.
=
Kohnke,
L., Moorhouse, B. L. y Zou, D., 2023. ChatGPT for Language Teaching and
Learning. RELC Journal, 54(2), pp.537-550.
=
Kölbl,
E., Pérez Cañizares, P. y Schnitzer, J., 2021. Avances tecnológicos en las
herramientas lexicográficas y sus repercusiones en la enseñanza del Español=
de
los Negocios. Revista Nebrija de Lingüística Aplicada a la Enseñanza de
Lenguas, 15(31), pp.161-178.
=
Le,
Q. V. y Schuster, M., 2016. A Neural Network for Machine Translation, at
Production Scale.
https://ai.googleblog.com/2016/09/a-neural-network-for-machine.html (30.01.=
2025).
=
Maldonado
González, M. C. y Liébana González, M., 2023. La traducción automática y su=
uso
en la redacción de textos digitales: Análisis de algunos documentos reales =
de
trabajo. Círculo de Lingüística Aplicada a la Comunicación, 95, pp.133-161.
=
Muñoz-Basols,
J., Gutiérrez, M. F. y Cerezo, L., 2023. "Planning, Personalization,
Implementation (PPI)" en Muñoz-Basols, J., Fuertes Gutiérrez M. y Cere=
zo,
L. (eds.) La enseñanza del español mediada por tecnología (pp.1-19).=
London:
Routledge.
=
Paterson,
K., 2023. Machine translation in higher education: Perceptions, policy, and
pedagogy. TESOL Journal, 14(2), p.e690.
=
Pérez
Cañizares, P. y Schnitzer, J., 2019. El uso de herramientas lexicográficas =
ante
problemas terminológicos: Estrategias de profesores y estudiantes de ELE/EL=
2. Journal
of Spanish Language Teaching, 6(1), pp.1-13.
=
Solak,
E., 2024. Revolutionizing Language Learning: How ChatGPT and AI are changing
the Way We Learn Languages. International Journal of Technology in Educa=
tion,
7(2), pp.353-372.
=
Strzelecki,
A., 2023. To use or not to use ChatGPT in higher education? A study of
students’ acceptance and use of technology. Interactive Learning
Environments, pp.1-14.
=
Torres-Simón,
E. y Pym, A., 2021. La confianza de los estudiantes de traducción en la
traducción automática: ¿demasiado buena para ser verdad? Revista
Internacional de Lenguas Extranjeras / International Journal of Foreign
Languages, 1(15).
=
Tourmen,
C. y Hoffmann, D., 2022. A “Hands-On” Approach to Raise Awareness of
Technologies: A Pilot Class and its Lessons. L2 Journal, 14(1=
), pp.237-257.
=
Woll,
N., 2018. Investigating dimensions of metalinguistic awareness: What
think-aloud protocols revealed about the cognitive processes involved in
positive transfer from L2 to L3. Language Awareness, 27(1-2),=
pp.167-185.
=
Wu,
Y., et al., 2016. Google’s Neural Machine Translation System: Bridging t=
he
Gap between Human and Machine Translation. https://arxiv.org/abs/1609.0=
8144
(30.01.2025).
=
Zemach,
D., 2021. Are Machine Translation Tools a Threat to English Teaching? Ed=
ucation-Blog.
https://bridge.edu/tefl/blog/are-machine-translation-tools-a-threat-to-engl=
ish-teaching/
(30.01.2025).
=
Zehetgruber,
M. y Schnitzer, J., 2024. "Die Verwendung automatischer
Übersetzungsprogramme im Wirtschaftssprachunterricht romanischer Sprachen&q=
uot;
en Klosa-Kückelhaus, A. y Nied Curcio, M. (eds.) Dictionary Use and
Dictionary Teaching (pp.79-108). Berlin: De Gruyter.
=
Zhang,
L. J. y Zhang, D., 2020. "Think-aloud protocols" en McKinley, J. =
y Rose,
H. (eds.) The Routledge handbook of research methods in applied linguist=
ics
(pp.302-311). London: Routledge.