Desde el lanzamiento del chatbot ChatGPT a finales de 2022, los educadores han estado lidiando con cómo aprovechar la inteligencia artificial para mejorar el aprendizaje y al mismo tiempo minimizar los riesgos para los resultados educativos y la equidad de las evaluaciones.
Sin conferencias, exámenes ni ensayos: dentro de una universidad del siglo XXI
El uso de IA entre los estudiantes es ahora la norma. En febrero, una encuesta1 de más de 1.000 estudiantes universitarios a tiempo completo en el Reino Unido descubrieron que el 92% utiliza IA de alguna forma, frente al 66% en 2024. Y el 88% de los estudiantes informaron que dependían de la IA generativa (una forma de IA que puede crear texto, imágenes y códigos a partir de grandes conjuntos de datos) para respaldar sus cursos académicos, en comparación con el 53% en 2024.
A medida que la IA continúa Superar a los humanos en tareas básicas. como comprensión lectora y programación informática.2han aumentado las preocupaciones sobre su impacto en el aprendizaje y la integridad académica. Por ejemplo, el valor de los ensayos convencionales y otras evaluaciones escritas está cada vez más en duda, dado que la IA ahora puede producir escritos que a menudo superan la calidad de la mayoría de los trabajos de los estudiantes.
Otras preocupaciones incluyen una dependencia excesiva de los chatbots que conduce a un aprendizaje superficial.3oportunidades reducidas para la autorreflexión4 y una pérdida de agencia estudiantil5y los estudiantes se convierten en usuarios pasivos de la tecnología en lugar de estudiantes activos.
Las universidades han respondido utilizando herramientas para intentar detectar el uso de la IA generativa por parte de los estudiantes. Pero estos han demostrado ser poco confiables.6. Esto ha llevado a soluciones a corto plazo, como evaluaciones escritas de «pruebas de estrés».1 y reemplazándolos por exámenes orales, pruebas escritas a mano o formatos reflexivos (portafolios y diarios; ver go.nature.com/43btcxf), así como directrices más claras sobre cuándo se puede y cuándo no se puede utilizar la IA. Aunque estas medidas ayudan, su eficacia es limitada.
Más bien, se necesita un replanteamiento fundamental del aprendizaje y la evaluación. Aquí destacamos tres enfoques prometedores de examen que adaptan los métodos existentes, como las evaluaciones basadas en conversaciones, a la era de la IA. Estas estrategias tienen como objetivo fomentar un desarrollo intelectual genuino y, al mismo tiempo, garantizar que las evaluaciones reflejen con precisión la comprensión y las habilidades de los estudiantes.
Utilice otros tipos de evaluación.
Una de las piedras angulares de la educación moderna es que «escribir es pensar»7. Escribir es un proceso no lineal8 eso requiere un compromiso auténtico, pensamiento crítico y resolución de problemas. Todas estas actividades estimulan el desarrollo intelectual humano.
Sin embargo, cuando la IA ayuda con los textos de los estudiantes o los genera, se vuelve casi imposible saber qué parte del trabajo final refleja la propia comprensión y el pensamiento crítico del estudiante (ver go.nature.com/47tjv93). Esta incertidumbre socava el uso de la escritura como evidencia del aprendizaje.
Hacer que un estudiante y un maestro sigan una conversación estructurada es una forma de permitir el pensamiento crítico. Por ejemplo, el método de cuestionamiento socrático es una forma de investigación disciplinada que ayuda a los estudiantes a trabajar en ideas complejas, cuestionar sus suposiciones y juzgar la validez de la información. En la antigua Grecia, el valor otorgado al diálogo intelectual era tan grande que algunos filósofos de la época expresaron su preocupación de que una excesiva dependencia de la escritura pudiera debilitar la memoria humana (ver go.nature.com/43grxsp).
Los exámenes convencionales todavía pueden tener cabida junto con las evaluaciones basadas en inteligencia artificial.Crédito: Jorge Gil/Europa Press vía Getty
Una versión contemporánea del enfoque basado en el discurso utilizado en la antigua Grecia, conocida como evaluación basada en la conversación, se ha utilizado durante varias décadas en entornos de educación primaria, secundaria y universitaria. Por ejemplo, AutoTutor, desarrollado en la Universidad de Memphis en Tennessee, se ha utilizado para enseñar materias como la física newtoniana y al mismo tiempo mejorar las habilidades en informática y pensamiento crítico.9. Involucra a los estudiantes en conversaciones en lenguaje natural y utiliza técnicas computacionales para medir su comprensión, analizando factores como la precisión, la elección de palabras y el tiempo necesario para responder. Sin embargo, estos sistemas suelen tener capacidades conversacionales limitadas y aún dependen principalmente de análisis de texto simples y la detección de palabras y expresiones específicas.
Aquí es donde la integración de la IA puede cambiar las reglas del juego. La IA puede sostener un diálogo abierto y sensible al contexto de una manera mucho más realista que los actuales métodos de evaluación basados en conversaciones. Las herramientas de inteligencia artificial pueden hacer preguntas de seguimiento a los estudiantes, brindar sugerencias personalizadas y adaptarse al nivel de conocimiento del estudiante en tiempo real, brindando apoyo al aprendizaje flexible y personalizado. Y su cuestionamiento puede abarcar más que el de los sistemas de evaluación conversacionales convencionales, que suelen estar especializados en un dominio particular.
La formación de doctorado necesita un reinicio en un mundo de IA
La oportunidad crucial de la IA no es simplemente automatizar la respuesta a preguntas, sino permitir a los estudiantes aprender a través de la conversación con sistemas de IA y utilizar ese diálogo como una forma de evaluación, convirtiéndolo en un proceso dinámico y personalizado.
Los desafíos persisten. En primer lugar, los sistemas de inteligencia artificial deberán guiar las conversaciones de manera equilibrada, animando a los estudiantes a hacer preguntas, explorar temas que les interesen y asumir un papel activo en su aprendizaje. Al mismo tiempo, el diálogo debe estar lo suficientemente estructurado para que el sistema de IA recopile evidencia significativa de la comprensión del estudiante, como por ejemplo cómo razona un problema, explica un concepto o aplica el conocimiento en contexto. Lograr este equilibrio entre la exploración abierta y la evaluación mensurable sigue siendo un importante desafío de investigación.
La falta de comunicación es otra preocupación: los sistemas de inteligencia artificial pueden malinterpretar la intención de un estudiante o proporcionar información inexacta o engañosa. Cuando esto sucede, los estudiantes pueden tener dificultades para identificar las fuentes de sus errores. La naturaleza altamente personalizada y abierta del aprendizaje y la evaluación basados en IA también dificultaría la estandarización. Por lo tanto, todavía habría lugar para las evaluaciones convencionales, especialmente en el proceso de admisión a la universidad, en el que la coherencia y la equidad entre grandes poblaciones de estudiantes es una prioridad.
Evaluar continuamente
Un problema crucial con muchas respuestas propuestas a la adopción generalizada de la IA por parte de los estudiantes es que, aunque intentan salvaguardar la integridad académica, continúan operando dentro de un modelo de examen de alto riesgo. Incluso si el examen se plantea como una conversación, los estudiantes siguen siendo conscientes de que el resultado tiene mucho peso. Los estudiantes encuentran estresantes los exámenes de alto riesgo y pueden tener un rendimiento inferior o verse tentados a hacer trampa. El desafío clave, entonces, es reducir la necesidad de exámenes de alto riesgo en una era impulsada por la inteligencia artificial en la que hacer trampa podría volverse más fácil.
La evaluación continua puede ser una alternativa eficaz10. En muchos campos académicos se requiere con urgencia reemplazar los exámenes de fin de período con una serie de evaluaciones interconectadas que generen una imagen integral del aprendizaje de los estudiantes. La evaluación continua está bien establecida en la educación médica. Por ejemplo, durante las rotaciones clínicas, los estudiantes de medicina son evaluados continuamente por supervisores que observan su razonamiento clínico, sus habilidades de trabajo en equipo y su comunicación con los pacientes. Estas observaciones, combinadas con reflexiones escritas y evaluaciones de pares, crean una imagen holística de la competencia del estudiante a lo largo del tiempo. Sin embargo, estos modelos siguen siendo raros en otras disciplinas, principalmente debido a la mayor carga de trabajo que imponen a los educadores.
Las universidades deben adaptarse a los tiempos: cómo seis académicos abordan la IA, la salud mental y más
La creciente disponibilidad de sistemas basados en IA hace que la evaluación continua sea más factible. Las conversaciones entre los estudiantes y una herramienta de inteligencia artificial pueden verse no como intercambios únicos, sino como parte de un proceso de aprendizaje continuo en el que múltiples interacciones de bajo riesgo construyen gradualmente una imagen rica del progreso de los estudiantes.10.
El principal desafío radica en garantizar que los sistemas de inteligencia artificial puedan rastrear y analizar esta progresión de aprendizaje de manera efectiva. Las herramientas actuales de uso general, como ChatGPT, Gemini y Copilot, no están diseñadas para este propósito; no analizan las respuestas de los estudiantes a lo largo del tiempo para identificar crecimiento o conceptos erróneos persistentes. Para respaldar verdaderamente la evaluación continua, existe una necesidad apremiante de plataformas de inteligencia artificial orientadas al aprendizaje que puedan capturar datos longitudinales sobre el desempeño de los estudiantes, proporcionar información significativa sobre las trayectorias de aprendizaje e integrarse perfectamente en el diseño de cursos y programas.
