María Eugenia Suárez

En la universidad seguimos discutiendo sobre el uso de la IA, cuando el problema está en qué y cómo estamos evaluando. He leído con calma un artículo de Oscar Martínez Rivera que recoge una experiencia muy concreta sobre el uso de IA en trabajos universitarios. Y me interesa especialmente porque no teoriza en abstracto, sino que analiza qué ocurre cuando la IA entra en una actividad real, con datos, resultados y límites claros. La propuesta es sencilla y, pedagógicamente, muy bien pensada. Se pide al alumnado que use ChatGPT para generar una primera respuesta, que esa respuesta se haga visible en un anexo y que, a partir de ahí, el trabajo se reconstruya teniendo en cuenta lecturas obligatorias, debates de clase y materiales específicos de la asignatura. No se juega a detectar trampas, se obliga a mostrar el proceso. Desde el marco del SEIA, este tipo de actividad se sitúa claramente en un nivel 2, donde la IA puede apoyar o coproducir, pero la responsabilidad cognitiva sigue siendo del estudiante. Lo que se evalúa no es el texto “bien escrito”, sino el criterio para revisar, contrastar y sostener una respuesta con contexto académico real. Los datos del estudio son reveladores. Una parte importante del alumnado ya utilizaba IA antes de la actividad y, además, con fines académicos. Es decir, la usan aunque no los preparemos para ello. En ese escenario, la opción no es ignorarlo, sino diseñar mejor. Hay además un resultado incómodo. Cuando la estructura del razonamiento la marcaba la IA, el trabajo tendía a suspender. No por deshonestidad, sino porque no alcanzaba el nivel de precisión y anclaje en lecturas que exigía el enunciado. La IA servía para pulir o estructurar, pero no para sustituir el pensamiento. El propio alumnado percibía entonces que la herramienta daba respuestas generales, pero no los matices necesarios. Ese punto conviene leerlo con perspectiva. Con modelos más avanzados y una ingeniería de contexto bien aplicada, hoy la IA sí puede responder con bastante precisión a preguntas concretas. Y eso refuerza una conclusión clave. No podemos confiar en las limitaciones técnicas de la herramienta como filtro evaluativo. El filtro tiene que estar en el diseño de evidencias. Lo valioso de esta experiencia es que no propone prohibir ni vigilar más. Propone asumir que la IA ya está ahí y rediseñar tareas para que, si el estudiante no comprende, ni siquiera la IA pueda salvarle. Y eso devuelve sentido a la evaluación universitaria. Si te interesa profundizar en el marco del SEIA, comenta SEIA y te paso el acceso. Si quieres leer el artículo completo, comenta ARTÍCULO y te lo comparto. Gracias por leerme 🙌 #SEIA #IA #AI #edtech