Artículo del blog Educación
Evaluar con IA: ¿dónde está el trabajo del estudiante?
Una respuesta bien escrita puede ocultar decisiones muy distintas. Propongo mirar las preguntas, las revisiones y los criterios que el estudiante puede explicar.
Vinicius Covas3 min de lectura
El problema aparece antes de la entrega
Imaginemos dos estudiantes que entregan un texto igualmente claro. Uno discutió la pregunta, contrastó las fuentes y rechazó una sugerencia del modelo porque no estaba justificada. El otro aceptó la primera respuesta y cambió algunas palabras. El producto final puede parecerse mucho; el recorrido intelectual, muy poco. Si solo evaluamos la superficie del documento, perdemos precisamente la diferencia que nos interesa como docentes. Por eso conviene diseñar la evidencia de aprendizaje antes de abrir la herramienta: qué decisión queremos observar, con qué criterio y en qué momento del proceso.
Qué aporta LOGOS
En el preprint LOGOS propongo examinar la agencia cognitiva humana en tareas asistidas por IA. Es una taxonomía conceptual de cinco niveles, no una prueba de que una estrategia docente mejore las calificaciones. Su pregunta sirve como punto de partida: ¿qué está haciendo intelectualmente la persona mientras trabaja con el sistema? Para una actividad concreta, yo traduciría esa pregunta en acciones observables: formular un problema, comparar interpretaciones, justificar una elección y revisar una conclusión. La etiqueta del nivel nunca debería reemplazar la lectura del trabajo real.
Un ejercicio que deja ver decisiones
Pediría una primera explicación breve sin asistencia y, después, una conversación con IA orientada a encontrar una objeción. La entrega incluiría la versión revisada y un comentario sobre una sugerencia aceptada y otra descartada. La evaluación atendería a la calidad de las razones y al uso de fuentes, no al número de mensajes enviados. Por ejemplo, si el modelo ofrece una definición demasiado amplia, el estudiante tendría que señalar qué caso no logra distinguir y proponer una formulación mejor. La corrección adquiere valor porque puede defenderse, no porque suene más académica.
Transparencia sin vigilancia permanente
Documentar el proceso no exige registrar cada movimiento del estudiante. Un pequeño conjunto de decisiones justificadas puede ser más útil que un historial interminable. También conviene acordar qué usos están permitidos, qué datos no deben compartirse y cómo se evaluará a quien trabaje sin una cuenta de pago. Una actividad justa necesita alternativas comparables. Si la calidad del resultado depende de comprar una herramienta mejor, la rúbrica puede terminar confundiendo acceso tecnológico con aprendizaje. Estas condiciones deben explicarse antes de empezar, con ejemplos que cualquier estudiante pueda reconocer.
Qué habría que comprobar
La propuesta anterior es un ejercicio de diseño docente, no una intervención validada. Para estudiarla habría que definir resultados, observar trabajos comparables y revisar si los criterios se aplican de forma consistente. También interesa comprobar si el estudiante puede resolver un caso nuevo y explicar sus límites sin recurrir al mismo intercambio. Mi criterio de partida es sencillo: una buena actividad con IA debe dejar más visible el razonamiento humano. Si solo mejora el acabado del producto y vuelve opacas las decisiones, seguimos sin saber qué se aprendió.
Investigador y profesor de comunicación. Estudio cómo humanos y máquinas construyen significado y relaciones.
Sobre el autor