Ir al contenido principal
OpenAI

29 de julio de 2025

Producto

Presentamos el modo de estudio

Una nueva forma de aprender en ChatGPT, con orientación paso a paso en lugar de respuestas rápidas.

Cargando…

Hoy presentamos el modo de estudio en ChatGPT: una experiencia de aprendizaje que te ayuda a resolver problemas paso a paso, en lugar de limitarse a darte una respuesta. Desde hoy, está disponible para los usuarios con sesión iniciada en los planes Gratis, Plus, Pro y Team, y llegará a ChatGPT Edu en las próximas semanas.

ChatGPT se está convirtiendo en una de las herramientas de aprendizaje más utilizadas a nivel mundial. Los estudiantes suelen usarla para hacer los deberes y resolver problemas complejos, prepararse para los exámenes y descubrir nuevos conceptos. No obstante, en la educación también ha planteado una pregunta importante: ¿cómo podemos asegurarnos de que se utilice para apoyar el aprendizaje real y no se limite a dar soluciones sin ayudar al alumnado a comprenderlas?

Diseñamos el modo de estudio precisamente para responder a esta necesidad. Cuando los estudiantes acceden al modo de estudio, se encuentran con preguntas orientativas que calibran las respuestas según su objetivo y nivel de habilidad para ayudarles a adquirir una mayor comprensión. El modo de estudio está pensado para ser interactivo y motivador, y para ayudar al alumnado a aprender de verdad, no solo a terminar una tarea.  

Cómo se creó el modo de estudio

El modo de estudio utiliza instrucciones de sistema personalizadas que hemos desarrollado en colaboración con docentes, científicos y expertos en pedagogía, con el objetivo de reflejar un conjunto básico de comportamientos que fomentan un aprendizaje más profundo, entre ellos:fomentar la participación activa, gestionar la carga cognitiva, desarrollar de forma proactiva la metacognición y la autorreflexión, despertar la curiosidad y ofrecer comentarios útiles y orientados a la mejora. Estos comportamientos se basan en una sólida trayectoria de investigación en ciencias del aprendizaje y determinan cómo responde el modo de estudio al alumnado.

«En lugar de hacer el trabajo por ellos, el modo de estudio anima al alumnado a reflexionar de forma crítica sobre su propio aprendizaje. Funciones como esta representan un avance positivo hacia un uso eficaz de la IA en el aprendizaje. Incluso en la era de la inteligencia artificial, el mejor aprendizaje sigue produciéndose cuando el alumnado se entusiasma y participa activamente en el contenido de la lección». Robbie Torney, director sénior de programas de IA en Common Sense Media.

Funciones clave

Indicaciones interactivas: Combina preguntas socráticas, pistas y sugerencias para la autorreflexión con el fin de guiar la comprensión y fomentar un aprendizaje activo, en lugar de proporcionar directamente las respuestas.

Respuestas estructuradas: La información está organizada en secciones fáciles de seguir que destacan las conexiones clave entre los temas, mantienen el interés con la cantidad justa de contexto y reducen la saturación en temas complejos.

Soporte personalizado: Las lecciones se adaptan al nivel adecuado para cada usuario, basándose en preguntas que evalúan el nivel de habilidad y en la memoria de conversaciones anteriores.

Análisis de conocimiento: Cuestionarios y preguntas abiertas, junto con comentarios personalizados para hacer seguimiento del progreso, ayudan a consolidar el conocimiento y a desarrollar la capacidad de aplicarlo en nuevos contextos.

Flexibilidad: Activa o desactiva fácilmente el modo de estudio durante una conversación, lo que te da la flexibilidad de adaptarte a tus objetivos de aprendizaje en cada momento.

Cómo se utiliza el modo de estudio

El modo de estudio se creó pensando en estudiantes universitarios. Algunos comentarios que recibimos de estudiantes durante las primeras pruebas:

«Diría que es como tener tutorías presenciales, durante todo el día y con alguien que lo sabe absolutamente todo» —Noah Campbell, estudiante universitario. 

«El modo de estudio me ayudó a desglosar contenido denso en explicaciones claras y bien estructuradas» —Caleb Masi, estudiante universitario.

«Puse a prueba el modo de estudio para que me enseñara un concepto que había intentado comprender muchas veces antes: las codificaciones posicionales sinusoidales. Era como un profesor que no se cansaba nunca de que le hiciera preguntas. Tras una sesión de trabajo de tres horas, finalmente lo entendí lo suficientemente bien como para sentirme segura» —Maggie Wang, estudiante universitaria.

Formas de utilizar el modo de estudio inspiradas en estudiantes universitarios del laboratorio de ChatGPT

I want to learn about Game Theory, specifically the broad spectrum that the field entails, then also the ways in which you think it'd be useful for me to understand in my daily life. I want you to of course follow my curiousity, but mostly you will be teaching me about it, and keeping a high level plan to iterate through so I can cover the full scope here. I will ask questions when I am curious, but be deadset on quickly educating me on this.

Perfect. Here’s the high-level plan I’ll drive us through—think of it as a layered roadmap from foundational ideas to practical intuition:


🔹 Phase 1: Core Foundations

1. What is Game Theory, really?

  • Strategic interaction, rational agents, assumptions.

2. Types of Games

  • Cooperative vs non-cooperative
  • Simultaneous vs sequential
  • Zero-sum vs non-zero-sum

3. Basic Concepts

  • Players, strategies, payoffs, information
  • Dominant strategies
  • Nash equilibrium (core to nearly everything)

🔸 Phase 2: Classic Games & Concepts

4. Famous Games

  • Prisoner’s Dilemma
  • Chicken
  • Battle of the Sexes
  • Stag Hunt
  • Matching Pennies

5. Mixed Strategy Equilibria

  • When no pure strategy works
  • Randomization and expected payoffs

🔹 Phase 3: Deepening the Model

6. Repeated Games & Folk Theorems

  • Cooperation emerging over time
  • Tit for Tat, Grim Trigger, etc.

7. Extensive-Form Games

  • Game trees, backward induction
  • Subgame Perfect Equilibria

8. Bayesian Games

  • Games with incomplete information
  • Beliefs, types, and expected utility

🔸 Phase 4: Real-Life Relevance

9. Mechanism Design / Reverse Game Theory

  • Voting systems, auctions, contracts

10. Behavioral Game Theory

  • Bounded rationality, fairness, heuristics

11. Daily Life Applications

  • Negotiation, dating, politics, AI systems, etc.

🔹 Phase 5: Advanced & Optional

12. Evolutionary Game Theory

  • Strategies that reproduce over time

13. Algorithmic Game Theory

  • Network effects, internet auctions

14. Your world: How it matters to Parker

  • Systems design, incentives, power structures

Throughout this, I’ll mix in:

  • 🔄 Guided examples
  • 🧠 Thought experiments
  • 🎭 Real-life situations to map theory onto
  • 🧩 Quick checks to make sure ideas are sticking

Let’s kick off Phase 1.
First quick one: In your own words, what do you think Game Theory is about? No need to be polished—just get it out.

I think Game Theory is sort of this meta aspect framing of modern society in life where we look at people in situations and complex systems and we try to analyze how people in them make decisions, sometimes why they make it, and how this affects the situation/system

Nice—you're already circling the core.

Let’s sharpen it a bit together. Game Theory is fundamentally about strategic decision-making—situations where the outcome for each person depends not just on what they do, but on what others do too.

So real quick:

If you’re making a decision and it depends entirely on nature or chance—like a dice roll—is that Game Theory?

And then:

If you’re making a decision and it depends on what someone else does—like whether they cooperate or betray you—is that Game Theory?

Walk me through your thinking on both.

No random chance isn't game theory, though agents in game theory may end up having things depend on random chance. But if youre decision matters then of course it is. Also please remember you should be teaching this to me, via paragraphs of information and moving through a high level plan. If I want to do interactions and questions, I will ask. Continue

Got it—I'll stay in teaching mode and drive forward through the roadmap unless you tap in.


📍Phase 1: Core Foundations — What Game Theory Is

At its heart, Game Theory studies strategic interactions: any situation where the outcome for each agent (person, company, nation, etc.) depends on the actions of others. It’s not about games in the traditional sense, but rather any “game” where decisions must be made in the presence of others who are also making decisions.

Key Assumptions (Classical Game Theory):

1. Rational agents – Everyone acts to maximize their own utility (whatever that means to them).

2. Strategic thinking – Agents consider what others might do before acting.

3. Common knowledge – Everyone knows the rules, the payoffs, and that everyone is rational (though later variants relax this).


🧩 Core Building Blocks

Here are the elements every formal game model needs:

  • Players – The decision-makers.
  • Strategies – The complete set of actions each player could take.
  • Payoffs – The outcomes (usually represented numerically) each player receives depending on the combination of strategies chosen.
  • Rules of play – Whether players move simultaneously or in turns, whether they see each other’s moves, whether they play once or repeatedly.

These get framed into a “game form”, and from there, you look for solutions—most famously, Nash equilibrium (more on that soon).


🎲 Quick Clarification: Game Theory vs Probability

You're exactly right—pure chance (like dice) isn’t Game Theory. That’s probability theory. But if you are choosing a strategy knowing that others may randomize their own moves? That’s Game Theory.

For example: in rock-paper-scissors, the “optimal” strategy is not deterministic—it’s a mixed strategy, which involves randomizing your choices. But you’re doing so strategically, in response to an opponent.


🧠 Where We’re Going Next

Next up, I’ll walk through types of games (Phase 1 continued), then move into dominant strategies and Nash equilibrium to set up the first actual game analysis.

Let me know if you want to pause, go deeper, or shift gears—but otherwise I’ll keep pressing forward.

I like the rock paper scissors example. Keep going, connecting to my life where possible. want to internalize this to be a better person/decision maker

Cómo empezar a utilizar la optimización 

El modo de estudio es especialmente útil para hacer deberes, preparar exámenes y aprender temas nuevos. Para probarlo, selecciona «Estudiar y aprender» en las herramientas de ChatGPT y haz una pregunta. 

Limitaciones y perspectivas de futuro

Este es el primer paso de un camino más largo para mejorar el aprendizaje en ChatGPT.  Actualmente, el modo de estudio funciona gracias a instrucciones de sistema personalizadas. Elegimos este enfoque porque nos permite aprender rápidamente de los comentarios reales del alumnado y mejorar la experiencia, incluso si eso da lugar a cierto comportamiento inconsistente y errores entre conversaciones. Tenemos previsto incorporar este comportamiento directamente en nuestros modelos principales una vez que hayamos aprendido qué funciona mejor a través de la iteración y los comentarios del alumnado. 

También estamos explorando funcionalidades para que el modo de estudio sea más atractivo y útil para el alumnado, entre ellas:

  • Visualizaciones más claras para conceptos complejos o con mucho contenido textual.
  • Establecimiento de objetivos y seguimiento del progreso a lo largo de las conversaciones.
  • Personalización más profunda, adaptada al nivel de habilidad y los objetivos de cada estudiante.

El panorama de la investigación aún se está definiendo en cuanto a las mejores formas de aplicar la inteligencia artificial en la educación. OpenAI está impulsando la investigación sobre aprendizaje e inteligencia artificial a través de varios colaboradores en la iniciativa NextGenAI, y colabora con expertos de la iniciativa SCALE del Accelerator for Learning de la Universidad de Stanford(se abre en una ventana nueva) para estudiar y compartir cómo las herramientas de IA influyen en los resultados de aprendizaje en ámbitos como la educación primaria y secundaria.

A medida que llevamos a cabo estudios a largo plazo sobre cómo aprenden mejor los estudiantes con inteligencia artificial, tenemos la intención de publicar un análisis más profundo sobre lo que hemos aprendido acerca de la relación entre el diseño de los modelos y la cognición. Diseñaremos futuras experiencias de producto basándonos en estos conocimientos y colaboraremos estrechamente con el ecosistema educativo en su conjunto para garantizar que la IA beneficie al alumnado en todo el mundo.