Retroalimentación y calificación impulsadas por la IA en la educación superior

La forma en que evaluamos el aprendizaje de los estudiantes y proporcionamos comentarios está evolucionando. A medida que las aulas se vuelven más diversas y el aprendizaje se realiza tanto en línea como en persona, los enfoques de evaluación tradicionales ya no son adecuados. Al mismo tiempo, las tecnologías emergentes, como la inteligencia artificial (IA), abren la puerta a nuevas e interesantes posibilidades.

Imagine poder proporcionar a cada estudiante comentarios oportunos y personalizados sin triplicar su carga de trabajo ni detectar los desafíos de aprendizaje a tiempo, antes de que afecten a los resultados. La IA hace que esto sea posible. Con la IA, los educadores están encontrando nuevas formas de mejorar la enseñanza y centrarse más en lo que más importa: la experiencia de aprendizaje de los estudiantes.

Esta transformación viene acompañada de preguntas. ¿Cómo nos aseguramos de que la IA se utilice de forma ética y responsable? ¿Y cómo pueden las instituciones brindar el apoyo que necesitan los profesores?

Esta guía les ayudará a usted y a su institución a explorar estas preguntas y más.

El capítulo 1 sienta las bases al analizar los requisitos de la evaluación moderna, así como los desafíos de ofrecer comentarios y calificaciones.

El capítulo 2 explora los beneficios de la retroalimentación y la calificación asistidas por la IA y cómo utilizar la IA para ofrecer comentarios y evaluaciones de calidad.

El capítulo 3 explora el futuro de la retroalimentación y la calificación de la IA, así como la forma en que las instituciones pueden abordar las preocupaciones éticas asociadas.

Nuestro objetivo es desmitificar la IA y ofrecer una hoja de ruta en la que pueda confiar, basada en la pedagogía, respaldada por la investigación y moldeada en función de las necesidades reales de los educadores y los estudiantes. El futuro de la evaluación no consiste en reemplazar a los humanos por máquinas. Se trata de utilizar herramientas inteligentes que permitan a los profesores ayudar mejor a los estudiantes a aprender.

Capítulo 1: Evaluación y retroalimentación en la era de la IA

La evaluación y la retroalimentación son clave para las experiencias de aprendizaje. Es importante que los estudiantes reciban comentarios y calificaciones de calidad que los alienten a lograr los resultados del aprendizaje. Sin embargo, ¿qué significan exactamente los comentarios y las calificaciones de calidad?

Una investigación que investigó las perspectivas de los estudiantes sobre la retroalimentación efectiva encontró que los estudiantes valoran la retroalimentación «oportuna, orientada al crecimiento, interactiva, específica y personalizada» (Holt et al., 2024)

Esta necesidad, junto con la transformación digital y la integración de tecnologías de IA generativas, ha llevado a las instituciones a transformar la forma en que definen la retroalimentación y la calificación de la calidad. La valoración y la calificación eficaces tienen que ser necesarias (Knight & Ferrell, 2022):

• Respalde las necesidades personalizadas de los alumnos independientemente de sus antecedentes, dominios y estilos de aprendizaje.
• Sea escalable en diferentes tamaños y modalidades de clase sin requerir más recursos humanos.
• Genere análisis de aprendizaje holísticos y sólidos que puedan informar sobre un mejor diseño curricular
• Trabaje sin problemas con los LMS
• Gestione la carga de trabajo del personal y de los alumnos de manera eficaz mediante la evaluación correcta, en el momento adecuado, respaldada por procesos empresariales eficientes
• Fomentar el aprendizaje activo y la participación durante todo el proceso de aprendizaje, mejorando así los resultados de los estudiantes
• Fomentar la empleabilidad de los alumnos a través de tareas de evaluación auténticas que fomentan las habilidades de la vida real

Garantizar estos requisitos es clave para el éxito de los estudiantes. Sin embargo, no es tarea fácil crear e implementar un proceso de calificación y comentarios de calidad. Las instituciones y el personal se enfrentan a varios obstáculos a la hora de realizar evaluaciones eficaces.

Los desafíos de la retroalimentación y la calificación modernas

‍Reducción de la eficiencia debido a los recortes presupuestarios: Las instituciones de todo el mundo se enfrentan despidos y recortes presupuestarios, lo que hace que los profesores asuman más responsabilidades y reciban poco o ningún apoyo. Dado que hay menos profesores que tienen que contratar a más estudiantes, es mucho más difícil prestar atención individual a todos, especialmente en lo que respecta a los comentarios y las calificaciones (Er et al., 2021).

‍Inversión de tiempo y carga de trabajo administrativo: El «Informe de investigación sobre la carga de trabajo docente de 2024» revela que la retroalimentación y la calificación son las tareas que más tiempo requieren en la semana laboral de un maestro fuera de la instrucción en clase (Hulme et al., 2024). Los profesores dedican aproximadamente 5 horas a la semana únicamente a la retroalimentación y la calificación, lo que equivale a 140 horas en un año escolar de 28 semanas, tal y como señalaron los educadores en este artículo. Esta gran inversión de tiempo, junto con la necesidad de individualizar la evaluación, las diferencias específicas de los cursos, los requisitos de presentación de informes, el volumen de las tareas y el trabajo administrativo relacionado, hacen que la retroalimentación y la calificación sean una tarea más exigente.

‍Calidad de retroalimentación inconsistente: Con el aumento del tamaño de las clases y el tiempo limitado de los profesores, es más difícil para los instructores ofrecer comentarios de calidad constante a todos los estudiantes sobre cada tarea. Esto hace que algunos estudiantes solo reciban comentarios parciales, y que presten una atención desigual a cada criterio de la rúbrica o que reciban poca orientación para lograr mejoras prácticas. Además, los comentarios y las calificaciones pueden no estar totalmente alineados con los objetivos del curso, lo que dificulta que los estudiantes apliquen las sugerencias basadas en el contexto.

‍Falta de compromiso de los estudiantes con el proceso de retroalimentación: Los estudiantes no están motivados para participar en el aprendizaje, ya que no entienden cómo se medirá su aprendizaje ni ven el valor de recibir comentarios y calificaciones (Jin et al., 2022; Winstone, 2019).

‍Falta de mecanismo de seguimiento: Faltan mecanismos para rastrear la participación de los estudiantes mediante la retroalimentación y el impacto de la retroalimentación en el aprendizaje de los estudiantes (Jin et al., 2022; Winstone, 2019).

‍Subjetividad y sesgo en la calificación: La calificación a menudo implica un juicio subjetivo, que puede estar influenciado por factores como el sesgo personal o la interpretación de los criterios de evaluación por parte del evaluador. Esto puede dar lugar a calificaciones inconsistentes y a percepciones de injusticia entre los estudiantes (Malouff y Thorsteinsson, 2016).

Dificultad para estandarizar: En las clases numerosas, los diferentes calificadores (por ejemplo, los profesores asistentes) pueden tener diferentes estándares y prácticas de calificación, lo que genera inconsistencias en la forma en que se evalúa el trabajo de los estudiantes.

Desalineación con los objetivos de retroalimentación: La calificación puede disminuir la capacidad de los estudiantes para aprender de los comentarios, ya que tienden a centrarse en la calificación letra/numérica y no en los comentarios que la acompañan (Schinske y Tanner, 2017).

Si bien la retroalimentación y la calificación pueden llevar mucho tiempo y ser un desafío, invertir en la tecnología adecuada puede ayudar a simplificar el proceso y ahorrar a las instituciones un tiempo valioso. Entre las tecnologías emergentes, destaca la IA, que presenta un gran potencial para ayudar a los profesores a mejorar el proceso de retroalimentación y calificación.

«La IA tiene el potencial de mejorar la velocidad, la coherencia y el detalle de los comentarios que reciben los educadores que califican las tareas de los estudiantes». — Rohim Mohammed, profesor del University College de Birmingham

‍

Capítulo 2: La retroalimentación y la calificación impulsadas por la IA: un punto de inflexión

El avance del procesamiento del lenguaje natural (PNL) y el aprendizaje automático han demostrado una capacidad prometedora para proporcionar comentarios y calificaciones (Rad et al., 2023).

La IA puede automatizar y personalizar los comentarios de los profesores para los estudiantes, lo que contribuye aún más a la participación de los estudiantes (Kasneci et al., 2023) y conduce a mejores resultados para los estudiantes (Zhai, 2022). La IA también se puede utilizar para analizar el rendimiento de los estudiantes y proporcionar comentarios personalizados con rapidez, lo que permite a las instituciones ahorrar tiempo y recursos (Rahman y Watanobe, 2023). La combinación de la PNL con el aprendizaje automático puede mejorar significativamente la capacidad de la IA para interpretar las respuestas textuales, lo que permite evaluar y calificar con mayor precisión el trabajo de los estudiantes (Baidoo-Anu y Ansah, 2023).

A continuación, encontrará un resumen de los beneficios clave de la retroalimentación y la calificación impulsadas por la IA.

Proporcionar comentarios coherentes y personalizados:

Un sistema de IA puede ofrecer comentarios adaptados a las necesidades de aprendizaje específicas de cada estudiante. Por ejemplo, es posible que un estudiante se beneficie de una orientación gramatical, mientras que otro puede necesitar apoyo con habilidades más complejas, como la construcción de estructuras argumentales eficaces.

Reducir la carga de trabajo de los educadores y ahorrar tiempo: 

La capacidad de la IA para procesar y generar comentarios oportunos y personalizados a gran escala en grandes grupos de estudiantes puede ayudar a liberar tiempo para que los profesores se centren más en otras actividades educativas, como la planificación de las lecciones, el apoyo a los estudiantes, la investigación pedagógica y la participación en el desarrollo profesional, todas las cuales influyen en la mejora del aprendizaje de los estudiantes (Venter et al., 2024). Los sistemas de calificación basados en la IA también contribuyen a reducir la carga de trabajo de los profesores, ya que aumentar la velocidad de marcado en un 80%.

Además, las plataformas de retroalimentación y calificación de la IA ayudan a detectar áreas en las que los estudiantes necesitan apoyo adicional, lo que permite a los educadores realizar ajustes e intervenciones oportunos (Ghanaprakasam y Lourdusamy, 2024).

Mejorar los resultados del aprendizaje:

La retroalimentación impulsada por la IA podría mejorar significativamente el rendimiento del aprendizaje y la participación de los estudiantes con un nivel de motivación moderado (Huang et al., 2023). Recibir orientación personalizada aumenta la participación de los estudiantes, alentándolos a hacerse cargo de su proceso de aprendizaje y a cultivar una mentalidad de crecimiento, lo que a la larga mejora los resultados del aprendizaje (Kopp, 2023).

Fomentar la empleabilidad de los estudiantes: 

La retroalimentación basada en la inteligencia artificial incita a los estudiantes a pensar críticamente sobre su trabajo, analizar diferentes perspectivas y refinar su comprensión. Este proceso también fomenta el desarrollo de habilidades metacognitivas, fomentando la autorreflexión y la superación personal (Winne, 2022). Estas habilidades se consideran esenciales para ayudar a los estudiantes a afrontar con éxito su futuro laboral.

Garantizar la coherencia y la equidad:

Según Ellis (2022), el uso de la IA puede ayudar a proporcionar comentarios y calificaciones consistentes a los estudiantes, lo que hace que sea más justo que las prácticas de calificación humanas, que tienden a verse afectadas por factores personales, como la fatiga, la hora del día y las expectativas de tiempo de respuesta. Los sistemas de valoración y evaluación de la IA evalúan y asignan puntuaciones en función de criterios uniformes, lo que garantiza que todos los alumnos reciban la misma calificación. Esto promueve la inclusión al otorgar calificaciones a los estudiantes en función de su desempeño (Balla, 2024).

Aumentar la eficiencia y la escalabilidad:

Los sistemas de retroalimentación y calificación basados en la inteligencia artificial pueden evaluar el trabajo escrito con una precisión razonable y proporcionar comentarios formativos a escala, al mismo tiempo que reducen el sesgo de calificación y mejoran la coherencia mediante la aplicación de criterios estandarizados en grandes cohortes.

La asignación efectiva de recursos y el ahorro de costos son otros beneficios que pueden aportar los sistemas de calificación y retroalimentación de la IA, ya que minimizan la necesidad de subcontratación y recursos humanos adicionales (Alqahtani et al., 2023). Un ahorro de costes tan grande permite a las instituciones asignar el presupuesto a otros aspectos educativos, como el apoyo a los estudiantes, las mejoras tecnológicas y el desarrollo profesional (Gnanaprakasam y Lourdusamy, 2024).

La retroalimentación y la calificación de la IA en acción

Muchas instituciones y organizaciones ya han integrado la IA en sus sistemas de calificación con éxito:

Ecoach de la Universidad de Michigan 

Desarrollada por la Universidad de Michigan, eCoach es una herramienta de entrenamiento personalizada basada en la web que ayuda a los estudiantes a navegar por el curso al proporcionarles consejos de estudio, comentarios personalizados y herramientas útiles.

Socio de evaluación de la Universidad McMaster 

Una herramienta de GenAI para ayudar a los instructores a crear evaluaciones efectivas para los estudiantes. Desarrollada en colaboración con expertos en educación, esta plataforma combina teorías de aprendizaje establecidas, mejores prácticas de evaluación y principios de diseño universales para brindar un apoyo flexible y estructurado adaptado a las necesidades únicas de varias disciplinas académicas.

Optimización del apoyo a los estudiantes con un asistente de inteligencia artificial

Los profesores Joshua Gans y Kevin Bryan de la Escuela de Administración Rotman de la Universidad de Toronto desarrollaron un sencillo asistente de inteligencia artificial llamado All Day TA para proporcionar comentarios y apoyo instantáneos a los estudiantes. Partiendo de un pequeño proyecto piloto para una clase de 300 estudiantes, el robot de inteligencia artificial ya ha sido adoptado por casi 100 instituciones y escuelas de negocios.

Utilización de la IA para mejorar la retroalimentación y la calificación

La IA ha demostrado un potencial infinito para mejorar la retroalimentación y las calificaciones en la educación superior. Sin embargo, la IA solo puede alcanzar su máximo potencial si se utiliza con precisión. En esta sección, exploraremos varias formas en las que la IA puede integrarse en la enseñanza y el aprendizaje para ayudar a las instituciones a ofrecer comentarios y calificaciones de calidad.

Proporcionar comentarios personalizados y oportunos

Una de las mayores ventajas de la IA es su capacidad para generar y ofrecer comentarios inmediatos sobre diferentes aspectos, como el idioma, el tema, la gramática, la estructura y más. A medida que los estudiantes reciben comentarios personalizados sobre sus presentaciones, pueden identificar de inmediato sus puntos fuertes y las áreas que necesitan mejorar. Esto ayuda a los estudiantes a hacerse cargo de su aprendizaje y a participar más durante todo el proceso de aprendizaje.

Plataformas de IA como Calificador y comentarios de LearnWise AI ofrecen funciones de generación y mejora de comentarios que son muy beneficiosas para reforzar el aprendizaje. Al utilizar modelos de razonamiento avanzados, la herramienta permite a los instructores proporcionar comentarios constructivos y de calidad que se adaptan a cada tarea. La herramienta ayuda a ahorrar tiempo en el largo proceso de calificación, lo que permite a los profesores centrarse más en otros aspectos de la enseñanza. Los profesores también pueden utilizar la herramienta como un «segundo ojo» para refinar y enriquecer los comentarios con la IA, de modo que los alumnos puedan recibir los comentarios más prácticos y precisos.

Creación de actividades y rúbricas de evaluación

La IA puede ayudar a los profesores a crear cuestionarios y pruebas personalizados que aborden las necesidades de aprendizaje de cada estudiante y se alineen estrechamente con los objetivos de aprendizaje. Estas evaluaciones dinámicas pueden desafiar a los estudiantes de manera adecuada e identificar las áreas en las que necesitan un mayor desarrollo. IA para la educación desarrollada y compartida una biblioteca de mensajes para ayudar a los educadores a utilizar GenAI para desarrollar prácticas de evaluación, rúbricas, actividades de retroalimentación y más.

Herramientas de IA como Tutor estudiantil de LearnWise AI puede generar cuestionarios, tarjetas didácticas, planes de lecciones, ejercicios y más en función del contenido del curso para ayudar a los estudiantes a reforzar su aprendizaje.

Diseño de sistemas de retroalimentación efectivos

Los educadores pueden crear sistemas de IA personalizados para proporcionar comentarios que se ajusten a una rúbrica detallada y a los objetivos de aprendizaje, y para ofrecer a los estudiantes consejos personalizados que los estudiantes puedan aplicar de inmediato a sus próximas tareas. A diferencia de los comentarios tradicionales, que pueden variar en función de las limitaciones de tiempo o de la interpretación subjetiva, los comentarios basados en la IA están diseñados para seguir criterios específicos con coherencia. Esto garantiza que cada estudiante reciba información que refleje directamente los resultados de aprendizaje y los estándares de evaluación previstos.

Calificador y comentarios de LearnWise AI ayuda a los profesores a mejorar sus comentarios sobre las tareas y los exámenes de los estudiantes, basándose en diferentes fuentes, como las rúbricas, el contenido del curso, los requisitos de las tareas y las notas y anotaciones de los profesores sobre el trabajo de los alumnos. Al alinear todas estas diferentes fuentes, las instituciones se aseguran de que las calificaciones y los comentarios sean consistentes y justos para todos los estudiantes. Los profesores también pueden ajustar sus comentarios mediante instrucciones personalizadas, como el nivel de detalle, la duración, el tono de voz, etc. Y lo que es más importante, los profesores siempre tienen el control total del proceso de valoración y valoración, y tienen la opción de revisar, aprobar o ajustar los comentarios antes de compartirlos con los alumnos.

Proporcionar información sobre el rendimiento de los estudiantes

Las herramientas de inteligencia artificial pueden hacer un seguimiento del progreso de los estudiantes a lo largo del tiempo, ofreciendo a los educadores una visión integral del desarrollo de cada alumno. Al analizar los patrones de rendimiento, estas herramientas pueden identificar tendencias y anticipar posibles desafíos, lo que permite brindar un apoyo oportuno y proactivo. Además, los sistemas de retroalimentación de la IA pueden analizar todos los comentarios escritos y generar una descripción general del trabajo de los estudiantes.

Calificador y comentarios de LearnWise AI presenta un panel de información completo sobre cómo los profesores interactúan con el asistente. Esta información abarca el uso del profesorado, las presentaciones calificadas, las ediciones humanas, el historial de las sesiones y más, para ayudar a las instituciones a mejorar los diseños de los programas y cursos basándose en los datos.

Comentarios y calificaciones basados en IA en el LMS

Los sistemas de retroalimentación y calificación de la IA son más efectivos cuando se integran directamente en la interfaz del sistema de gestión del aprendizaje (LMS), lo que permite a los educadores acceder, personalizar e implementar mecanismos de retroalimentación sin salir de su plataforma educativa principal. Esto reduce la fricción y mejora la adopción.

Estrategias clave de integración:

• Inicio de sesión único (SSO) y conectividad de API: utilice herramientas compatibles con LMS que ofrezcan integraciones seguras mediante SSO y API abiertas. Esto permite que las herramientas de inteligencia artificial se sincronicen con los perfiles de los estudiantes, las tareas y las estructuras de los cursos en tiempo real.
• Plugins modulares: herramientas como Turnitin, LearnWise AI y Grammarly ofrecen complementos o módulos LTI (interoperabilidad de herramientas de aprendizaje) que se pueden agregar a plataformas LMS como Brightspace, Canvas o Moodle.
• Sincronización de datos en tiempo real: habilite la sincronización en tiempo real de las entregas y los ciclos de comentarios de los estudiantes para garantizar la precisión de los datos, los ciclos de retroalimentación más rápidos y los paneles de rendimiento actualizados.

Principios de diseño para una integración fluida entre IA y LMS:

• Baja carga cognitiva para los educadores: asegúrese de que las funciones de la IA (por ejemplo, comentarios alineados con rúbricas, comentarios automáticos o paneles de análisis) sean intuitivas y reduzcan, no aumenten, la carga de trabajo de los profesores.
• Personalización: permita a los educadores adaptar los comentarios y las calificaciones generados por la IA para que se ajusten a los resultados de aprendizaje y las rúbricas específicos del curso.
• Escalabilidad: las integraciones deben admitir grupos grandes y diversos tipos de tareas (ensayos, cuestionarios, tareas en vídeo) con un rendimiento uniforme.
• Privacidad y cumplimiento: asegúrese de que las herramientas de IA cumplan con la FERPA, el RGPD y las políticas de datos institucionales, con documentación clara sobre cómo se utilizan y protegen los datos de los estudiantes.

Calificador y comentarios de LearnWise AI es una de las herramientas de IA que se integran perfectamente con diferentes interfaces de calificación del LMS, como Brightspace Grader y Canvas SpeedGrader, lo que permite a los profesores mejorar los comentarios, asignar calificaciones y publicarlos sin tener que salir del LMS. En lugar de reemplazar, la herramienta ayuda a mejorar el flujo de trabajo de evaluación que ya funciona en los LMS.

‍

Capítulo 3: El futuro de la retroalimentación y la calificación impulsadas por la IA

El proceso de integración de la IA en el proceso de retroalimentación y calificación implica desafíos, incluidas las preocupaciones éticas y la necesidad de transparencia. Sin embargo, al abordar estos desafíos de manera frontal y aprovechar las oportunidades, los educadores pueden mejorar significativamente la experiencia de enseñanza y aprendizaje.

Abordar los sesgos inherentes a la IA

La existencia de sesgos en los sistemas de retroalimentación y calificación de la IA es una de las principales preocupaciones de las instituciones a la hora de adoptar la tecnología. Las herramientas de IA pueden heredar los sesgos de los datos de entrada o de sus desarrolladores y de la sociedad. Estos sesgos podrían reforzar la discriminación existente hacia grupos específicos y, por lo tanto, influir negativamente en los comentarios y las calificaciones recibidas (Baker y Hawn, 2021). Para mitigar estos sesgos es necesario capacitar al sistema con datos e insumos diversos, realizar auditorías periódicas de los sistemas de IA y lograr que los profesores y los alumnos revisen los sistemas de IA.

Garantizar la privacidad de los datos

La privacidad de los datos es otra preocupación importante cuando se trata de adoptar la IA en la retroalimentación y la calificación, especialmente teniendo en cuenta la sensibilidad de los datos de los estudiantes, que consisten no solo en los registros académicos sino también en la información personal.

Disponer de directrices claras sobre la creación y el uso de la IA proporciona una hoja de ruta para el uso ético y responsable de la IA que puede evitar cualquier riesgo potencial, en particular los derivados de un sesgo inherente. El Ley de Inteligencia Artificial de la Unión Europea (Ley de IA) es un excelente punto de referencia para las instituciones a la hora de crear directrices sobre IA. Las instituciones también deben cumplir con las normas de privacidad de datos establecidas, como la GDPR, para garantizar la protección de la información de los estudiantes al implementar tecnologías de inteligencia artificial en la educación.

Igualmente importante es la transparencia, que sustenta el uso ético e inclusivo de la IA. Esto implica desarrollar políticas claras que guíen a los estudiantes sobre el uso adecuado de la IA y comunicar abiertamente los motivos y las expectativas. La transparencia debería extenderse aún más a la forma en que se recopilan y utilizan los datos de los estudiantes, y las instituciones deberían ofrecer opciones de consentimiento claras y garantizar que los estudiantes estén informados y empoderados.

De cara al futuro, se espera que la integración de la IA en el proceso de retroalimentación y calificación se profundice. Gnanaprakasam y Lourdusamy (2024) compartieron sus puntos de vista sobre las principales novedades de la retroalimentación basada en la IA y la calificación automatizada, que son las siguientes:

• Las mejoras continuas en la PNL permiten a la IA procesar y evaluar el trabajo de los estudiantes más subjetivo y complejo, como ensayos o preguntas abiertas. Se están desarrollando modelos de IA no solo para evaluar la gramática y la sintaxis, sino también para analizar aspectos más profundos, como la coherencia y el razonamiento de las respuestas de los estudiantes.
• La capacidad de personalización de la IA irá más allá de la mera retroalimentación para desarrollar recursos y vías de aprendizaje adecuados a las necesidades y objetivos de cada estudiante.
• La perfecta integración de la calificación basada en la IA con los LMS promete ofrecer una experiencia de aprendizaje más adaptativa y receptiva, haciendo que la educación sea más accesible para todos.

El futuro de la IA para apoyar la evaluación, la retroalimentación y la calificación tiene un gran potencial, ya que las tecnologías se vuelven cada vez más avanzadas y se integran a la perfección en la enseñanza y el aprendizaje. Sin embargo, aprovechar este potencial requiere una planificación cuidadosa y una implementación responsable para garantizar que las herramientas de inteligencia artificial se utilicen de manera efectiva y ética para respaldar y enriquecer la experiencia de aprendizaje.

«Como tecnología de uso general que evoluciona rápidamente, tiene consecuencias y es omnipresente, la IA generativa requiere que los profesores sean «humanos al día» y enseñen a los estudiantes cómo ser iguales. » — Informe EDUCAUSE Horizon 2025, Edición de enseñanza y aprendizaje

‍

Referencias

Alqahtani, T., Badreldin, H. A., Alrashed, M., Alshaya, A. I., Alghamdi, S. S., Saleh, K. b., Alowais, S. A., Alshaya, OA, Rahman, I., Al Yami, MS y Albekairy, A. M. (2023). El papel emergente de la inteligencia artificial, el procesamiento del lenguaje natural y los grandes modelos lingüísticos en la educación superior y la investigación. Investigación en farmacia social y administrativa, 19 (8), 1236—1242. https://doi.org/10.1016/j.sapharm.2023.05.016

Balla, E. (2024, 4 de septiembre). ¿Cómo está transformando la IA la calificación? The AI Journal. https://aijourn.com/how-ai-is-transforming-grading/

Banihashem, S.K., Kerman, N.T., Noroozi, O., Moon, J. y Drachsler, H. (2024). Fuentes de retroalimentación en la redacción de ensayos: ¿retroalimentación generada por pares o generada por IA? Revista internacional de tecnología educativa en la educación superior, 21 (23). https://doi.org/10.1186/s41239-024-00455-4

Baidoo-Anu, D. y Ansah, L. O. (2023). La educación en la era de la inteligencia artificial (IA) generativa: comprender los beneficios potenciales de ChatGPT para promover la enseñanza y el aprendizaje. Revista de IA, 7 (1), 52—62. https://doi.org/10.61969/jai.1337500

Bellhauser, H., Dignath, C. y Theobald, M. (2023). La retroalimentación automática diaria mejora el aprendizaje autorregulado: un experimento de campo aleatorio longitudinal. Frontiers in Psychology, 14, 1125873. https://doi.org/10.3389/fpsyg.2023.1125873.

Celik, I., Dindar, M., Muukkonen, H., Järvelä, S. (2022). Las promesas y los desafíos de la inteligencia artificial para los docentes: una revisión sistemática de la investigación. TechTrends, 66, 616—630 https://doi.org/10.1007/s11528-022-00715-y

Eaton S. (septiembre de 2024). Razones éticas para evitar el uso de aplicaciones de inteligencia artificial para la evaluación de los estudiantes. https://drsaraheaton.com/2024/09/10/ethical-reasons-to-avoid-using-ai-apps-for-student-assessment/

Gnanaprakasam, J. y Lourdusamy, R. (2024). El papel de la IA en la automatización de la calificación: mejora de la retroalimentación y la eficiencia. IntechOpen. doi: 10.5772/intechopen.

Gombert, S., Fink, A., Giorgashvili, T., Jivet, I., Di Mitri, D., Yau, J. y Drachsler, H. (2024). Desde la evaluación automatizada del contenido de los ensayos de los estudiantes hasta la retroalimentación altamente informativa: un estudio de caso. Revista internacional de inteligencia artificial en la educación, 1—39. https://doi.org/10.1007/s40593-023-00387-6.

Hattie, John. 2008. Aprendizaje visible: una síntesis de más de 800 metanálisis relacionados con el rendimiento. Abingdon: Routledge.

Henderson, M., Ryan, T. y Phillips, M. (2019). Los desafíos de la retroalimentación en la educación superior. Valoración y evaluación en la educación superior, 44 (8), 1237—1252. https://doi.org/10.1080/02602938.2019.1599815

Holt, Deborah y Sun, Xiaomei y Davies, Beth. (2024). Comentarios sobre la evaluación: ¿qué quieren y necesitan los estudiantes? Revista de práctica docente y de aprendizaje universitario. 21. 10.53761/tv2dfa83.

Huang, A.Y., Lu, O.H., y Yang, S.J. (2023). Efectos de las recomendaciones personalizadas basadas en la inteligencia artificial sobre el compromiso, la motivación y los resultados del aprendizaje de los alumnos en una clase invertida. Informática y educación, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684.

Hulme, Moira y Beauchamp, Gary y Wood, Jeffrey y Bignell, Carole. (2024). Informe de investigación sobre la carga de trabajo docente de 2024: Informe principal.

Kasneci, E. y col. (2023). ¿ChatGPT para siempre? Sobre las oportunidades y los desafíos de los grandes modelos lingüísticos para la educación. Aprendizaje y diferencias individuales, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kopp, W. y Thomsen, B. S. (2023). Cómo la IA puede acelerar el desarrollo holístico de los estudiantes y hacer que la enseñanza sea más satisfactoria. Foro Económico Mundial. https://www.weforum.org/agenda/2023/05/ai-accelerate-students-holistic-development-teaching-fulfilling/

Knight, S. y Ferrell, G. (2022). Principios de una buena evaluación y retroalimentación. Jisc. https://www.jisc.ac.uk/guides/principles-of-good-assessment-and-feedback

Malouff, J.M., y Thorsteinsson, E.B. (2016). El sesgo en la calificación: un metaanálisis de los resultados de la investigación experimental. Australian Journal of Education, 60 (3), 245-256. https://doi.org/10.1177/0004944116664618 (Trabajo original publicado en 2016)

Mollick, E.R., y Mollick, L. (2023). Asignación de inteligencia artificial: siete enfoques para los estudiantes, con indicaciones. https://doi.org/10.2139/ssrn.4475995

Nicol, D. y Macfarlane-Dick, D. (2006). Evaluación formativa y aprendizaje autorregulado: un modelo y siete principios de buenas prácticas de retroalimentación. Estudios de educación superior, 31, 199-218. 10.1080/03075070600572090.

O'Donovan, B.M., den Outer, B., Price, M. y Lloyd, A. (2019). ¿Qué hace que los buenos comentarios sean buenos? Estudios de educación superior, 46 (2), 318—329. https://doi.org/10.1080/03075079.2019.1630812

París, B. (2022). Las perspectivas de los instructores sobre los desafíos y las barreras para brindar una retroalimentación efectiva. Investigación sobre la enseñanza y el aprendizaje, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). Comentarios personalizados basados en inteligencia artificial: ahorre tiempo y despierte mentes críticas. En Actas de conferencias sobre inteligencia artificial en la educación. eCampusOntario. https://ecampusontario.pressbooks.pub/artificialintelligenceineducationconference/chapter/ai-powered-personalized-feedback-save-time-spark-critical-minds/

Rahman, M.M., y Watanobe, Y. (2023). ChatGPT para la educación y la investigación: oportunidades, amenazas y estrategias. Ciencias aplicadas, 13 (9), 5783. https://doi.org/10.3390/app13095783

Robert, J., Muscanell, N., McCormack, M., Pelletier, K., Arnold, K., Arbino, N., Young, K. y Reeves, J. (2025). Informe EDUCAUSE Horizon® de 2025: Edición para la enseñanza y el aprendizaje. EDUCAUSE. https://library.educause.edu/resources/2025/5/2025-educause-horizon-report-teaching-and-learning-edition

Schinske y Tanner, K. (2017). «Enseñar más al calificar menos (o de manera diferente)». Educación en ciencias biológicas del CBE, 13 (2), 159—166.

Venter, J., Coetzee, S. A. y Schmulian, A. (2024). Explorando el uso de la inteligencia artificial (IA) en la entrega de comentarios efectivos. Evaluación y valoración en la educación superior, 50 (4), 516—536. https://doi.org/10.1080/02602938.2024.2415649

Zhai, X. (2022). Experiencia de usuario de ChatGPT: implicaciones para la educación. Revista electrónica SSRN. https://doi.org/10.2139/ssrn.4312418