El pasado semestre, en una
de mis materias, orienté la creación de un ensayo, donde no se prohibía el
empleo de la IA. Durante la defensa oral le pregunté a un estudiante por una
frase de su trabajo. Su respuesta fue: “De tanto que escribí, no recuerdo esa
parte”. Era obvio que la IA había creado el ensayo.
La pregunta que debemos
plantearnos es: ¿qué comprende el estudiante de aquello que acaba de
presentar? Esta situación real y que se repite todos los días expresa una
dificultad que merece nuestra atención, porque la calidad de un producto
elaborado con inteligencia artificial no basta para determinar el aprendizaje
de quien lo entrega.
La discusión suele
concentrarse en cuánto utilizó el estudiante la IA, qué herramienta empleó o si
declaró su intervención. Estas preguntas tienen sentido, pero resultan
insuficientes cuando el objetivo es valorar conocimientos, capacidades de
análisis y decisiones fundamentadas. Conocer la herramienta utilizada no
permite establecer, por sí solo, qué operaciones intelectuales realizó el
estudiante y cuáles delegó.
La revisión sistemática
de Crompton y Burke
A partir de esta lectura,
el análisis pasa más a lo pedagógico: necesitamos diseñar evaluaciones que
permitan relacionar lo entregado con lo que el estudiante puede explicar,
revisar y utilizar en una situación diferente.
La calidad del
producto necesita evidencias que la expliquen
Estoy trabajando con
estudiantes de la mención en Tecnología Educativa en un portafolio que denomino:
“La alcancía digital”. Cada lunes, estos estudiantes deben “depositar” una idea
del empleo de la IA en clases. Esta idea es creada por ChatGPT, pero ellos
deben revisarla y verificar si la misma es posible de ser realizada y comprobar
varios elementos de dicha idea. El resultado no es solo la contribución, sino
la valoración de su empleo.
En el caso de cualquier
producto creado por IA si cambiamos un ensayo por una infografía o sustituimos
una exposición por un podcast, solo logramos modificar el lenguaje del producto,
pero queda pendiente la pregunta que responde al razonamiento que lo sostiene.
Por ello, antes de elegir el formato, es necesario precisar qué objetivo se
pretende evaluar y qué actuación permitiría reconocerlo.
Si el objetivo consiste
en analizar la coherencia de una propuesta educativa, la evaluación tendría que
permitir que el estudiante detecte desajustes, explique sus consecuencias y
fundamente una corrección. Una secuencia impecable ofrece información sobre el
resultado; la explicación de por qué una actividad no permite alcanzar el
objetivo aporta otra evidencia, relacionada directamente con la capacidad de
análisis.
Desde una lectura
pedagógica vinculada con el enfoque histórico cultural, también interesa
examinar cómo el estudiante utiliza las ayudas disponibles y qué puede hacer
después de trabajar con ellas. En este artículo se asume esa perspectiva como
criterio de interpretación, sin atribuirla a las autoras de la revisión. La
pregunta que orienta esta mirada es cómo la interacción con una herramienta
contribuye a que el estudiante se apropie de una forma de razonar y pueda
emplearla con creciente autonomía.
Una explicación generada
por IA puede servir para contrastar interpretaciones, mientras que aceptar esa
explicación sin comprenderla deja sin resolver el propósito formativo. Para
valorar esa diferencia necesitamos observar decisiones concretas: qué se verificó,
qué se modificó, con qué fundamento y qué límites se reconocieron. Esto exige
mayor esfuerzo por el profesor y mayor tiempo dedicado a la evaluación, además de una
mayor preparación del docente en el empleo de la IA.
La documentación del
proceso que sigue el estudiante debe responder a ese objetivo. Solicitar todas
las conversaciones con la IA puede producir un archivo extenso cuyo valor
evaluativo sea reducido si el docente no sabe qué buscar en él y además
disponga de mucho tiempo. Un registro seleccionado y comentado puede resultar
más pertinente cuando muestra una decisión relevante, la evidencia utilizada
para revisarla y el cambio introducido.
Incluso ese registro
necesita contrastarse con otras actuaciones, porque también puede elaborarse
con asistencia de IA. Su utilidad dependerá de la relación que conserve con los
avances del trabajo y con las explicaciones que el estudiante pueda ofrecer durante
el curso.
Una evaluación que
permita reconstruir las decisiones
Pongamos como ejemplo una
actividad evaluativa cuyo objetivo es diseñar y justificar una metodología
didáctica para un contexto educativo específico. Al comenzar, el estudiante
elaboraría en clase una planificación breve donde identifique a los
destinatarios, el problema educativo, el objetivo, los recursos, así como la posible
evaluación. Este primer momento permitiría conocer su comprensión inicial y
ofrecer retroalimentación antes de desarrollar el recurso. Para esto no se pide,
ni es necesaria la presencia de la IA.
Después podría utilizar
IA para explorar alternativas, revisar instrucciones o someter su propuesta a
preguntas críticas. El profesor explicaría previamente qué usos están
permitidos, y qué decisiones requieren una justificación propia. Las
condiciones de acceso también formarían parte del diseño, procurando que la
evaluación no dependa de disponer de una suscripción de pago.
Durante el desarrollo, el
estudiante debe mostrar cómo la IA influyó en su trabajo. Por ejemplo, podría comentar
una actividad sugerida por la IA que decidió rechazar porque exigía
conocimientos que los destinatarios todavía no habían desarrollado. El interés
evaluativo estaría en la relación entre la propuesta recibida, el criterio
aplicado y la modificación realizada. Nos interesa conocer porqué la
rechazó, pero con sus palabras.
La entrega final reuniría
el recurso educativo, que en mi caso puede ser un recurso en HTML5 y además un
comentario escrito sobre las principales decisiones adoptadas. Para evitar un
informe largo, creado por IA, bastaría con seleccionar aquellas decisiones que
permitan valorar el objetivo de la actividad, como la correspondencia entre
contenidos y tareas, la pertinencia de los recursos o la claridad de los
criterios de evaluación.
Una conversación breve en
el aula permitiría ampliar esas evidencias. El profesor podría solicitar que el
estudiante explique una modificación, identifique una debilidad todavía
presente o adapte una actividad ante un cambio de contexto. Si la propuesta fue
diseñada para una clase con conexión permanente, por ejemplo, podría
preguntarle cómo conservaría el objetivo cuando parte del grupo solo dispone de
acceso ocasional a internet.
Esta conversación tendría
que centrarse en criterios conocidos y ofrecer condiciones accesibles. La
rapidez para responder, la seguridad al hablar o la soltura frente al profesor
no deberían sustituir la valoración del razonamiento pedagógico, salvo que la
comunicación oral constituya expresamente un objetivo de aprendizaje.
La evaluación
consideraría entonces la coherencia del producto, la fundamentación de las
decisiones, la verificación de las aportaciones de la IA y la capacidad para
adaptar lo elaborado a otras situaciones. La retroalimentación señalaría tanto
los logros como las dificultades que requieren atención, sin imponer
modificaciones cuando el trabajo ya cumple los criterios. Pero en todos estos
casos, es necesario que el profesor tenga el conocimiento necesario sobre el
tema.
En grupos numerosos, sería
razonable organizar momentos de revisión dentro de las actividades habituales y
seleccionar decisiones representativas para el diálogo. La viabilidad del
procedimiento debe estudiarse junto con su valor formativo, pues una propuesta
difícil de sostener durante el semestre necesita ajustes antes de convertirse
en una exigencia general.
Esta forma de evaluar
también abre preguntas para nuestras investigaciones universitarias. En el
contexto latinoamericano podríamos estudiar qué evidencias ayudan a reconocer
la comprensión del estudiante, qué carga de trabajo generan y qué barreras
encuentran quienes tienen diferentes condiciones de acceso. Sería necesario
contrastar los resultados antes de recomendar un modelo para toda una
institución.
La misma cautela
corresponde al estudio de la dependencia cognitiva o la aitoxicación. Una
dificultad para explicar un trabajo puede justificar una indagación pedagógica,
pero no demuestra por sí sola dependencia de la IA, ya que también podrían
intervenir ansiedad, comprensión parcial o instrucciones poco claras. Cualquier
interpretación de ese tipo requiere una definición precisa del fenómeno e
instrumentos validados.
Evaluar en tiempos de IA
nos exige justificar mejor las conclusiones que obtenemos a partir de las
evaluaciones a los trabajos estudiantiles.
Referencia
Crompton, H., &
Burke, D. (2026). Higher education assessments in the age of GenAI: A
systematic review. International Journal of Educational Technology in Higher
Education, 23, Article 56. https://doi.org/10.1186/s41239-026-00627-4
