En esta lección, te enfocarás en los siguientes objetivos clave. Reflexiona sobre cómo cada uno puede transformar tu práctica de evaluación:
- Diferenciar tipos de evidencia
- Seleccionar evidencias auténticas alineadas
- Construir criterios y estándares claros
- Diseñar instrumentos de evaluación pertinentes
- Incorporar anclajes y políticas de IA
¿Qué son las evidencias de aprendizaje?#
No toda evidencia tiene el mismo valor para demostrar aprendizaje. Es fundamental distinguir entre evidencias directas e indirectas y asegurar que estén alineadas con los resultados de aprendizaje. En entornos digitales, el producto, el proceso y las condiciones de producción pueden aportar indicios diferentes, por lo que conviene organizarlos sin asumir que uno sustituye a los demás (Bearman et al., 2020).
Tipos de evidencias de aprendizaje#
Explora cada tipo de evidencia para comprender sus características, ejemplos y limitaciones. Abre cada pestaña para profundizar.
Evidencias directas
Las evidencias directas muestran de manera observable el desempeño o aprendizaje del estudiante. Ejemplos incluyen la resolución de un caso, la explicación oral o escrita, la elaboración de un proyecto, el análisis de datos o la toma de decisiones fundamentadas.
Su fortaleza radica en que permiten ver el proceso y el resultado del aprendizaje. Sin embargo, requieren una cuidadosa alineación con los resultados esperados y pueden demandar más tiempo de evaluación.
Evidencias indirectas
Las evidencias indirectas aportan información complementaria, pero no demuestran por sí solas el aprendizaje. Ejemplos son encuestas de percepción, autoevaluaciones de confianza, registros de participación o el tiempo dedicado a una actividad.
Son útiles como indicadores auxiliares, pero no deben ser la base principal de la evaluación, ya que pueden reflejar esfuerzo o percepción más que logro real.
Evidencias auténticas
Las evidencias auténticas sitúan al estudiante ante tareas similares a las que enfrentaría fuera del aula. Por ejemplo, verificar una publicación real, resolver un caso profesional o diseñar una propuesta aplicable en el contexto.
Este tipo de evidencia favorece la transferencia y la relevancia, pero exige claridad en los criterios y en la relación con los resultados de aprendizaje.
¿Directa, indirecta o auténtica?#
Revisa cada tarjeta para identificar el tipo de evidencia y fortalecer tu capacidad de distinguirlas en la práctica.
¿Directa, indirecta o auténtica?
Abre cada tarjeta para contrastar el concepto con su explicación.
Examen de opción múltiple
En la mayoría de los casos, es una evidencia directa, ya que evalúa conocimientos específicos, aunque suele ser limitada en profundidad.
Propuesta de intervención fundamentada
Es una evidencia auténtica y directa, pues requiere aplicar conocimientos y justificar decisiones en un contexto real o simulado.
Registro de participación en foros
Se considera evidencia indirecta, ya que indica actividad o presencia, pero no garantiza aprendizaje profundo.
Análisis de datos de un caso
Es una evidencia directa y puede ser auténtica si el caso es relevante y realista.
Encuesta de percepción de aprendizaje
Es una evidencia indirecta, útil como complemento, pero insuficiente como base principal de evaluación.
Esta versión no envía respuestas, no guarda intentos y no calcula una puntuación.
Alineación entre resultados y evidencias#
La evidencia debe exigir la misma operación cognitiva que el resultado de aprendizaje. Si el objetivo es analizar, la evidencia debe pedir descomponer, comparar u organizar información; si es aplicar, debe requerir el uso de un procedimiento en un caso. La falta de alineación debilita la validez de la evaluación y puede llevar a medir solo lo superficial.
Errores frecuentes en la selección de evidencias#
Anticipa y evita estos errores comunes al diseñar tus evaluaciones. Expande cada sección para conocer ejemplos y recomendaciones.
Medir solo lo fácil de observar
Es común evaluar únicamente lo que resulta sencillo de calificar, como la asistencia o la entrega de productos, dejando de lado habilidades complejas como el razonamiento o la argumentación.
Para evitarlo, prioriza evidencias que realmente reflejen el aprendizaje buscado, aunque impliquen mayor esfuerzo de diseño y revisión.
Usar productos generados por IA sin anclajes
Solicitar ensayos o informes que pueden ser generados íntegramente por IA, sin mecanismos que permitan observar y conversar sobre el proceso, debilita la interpretación de la evidencia.
Incluye anclajes como bitácoras, uso de datos locales o defensas orales para fortalecer la autenticidad.
Instrumentos desconectados de los resultados
Utilizar exámenes, rúbricas o listas de cotejo que no corresponden al resultado de aprendizaje lleva a evaluaciones injustas o irrelevantes.
Revisa que cada instrumento esté alineado con lo que realmente se busca lograr y evidenciar.
Criterios y estándares de calidad#
Los criterios de calidad definen qué distingue una respuesta superficial de un desempeño sólido. Deben ser observables, específicos y derivados directamente de los resultados de aprendizaje y la comprensión buscada. Los estándares establecen el nivel mínimo aceptable y los diferentes grados de logro.
Construir criterios y estándares explícitos ayuda a sostener una evaluación comprensible y formativa. Los pasos siguientes sirven para revisar los instrumentos; su calidad también depende de cómo se prueben, apliquen y ajusten.
- Derivar criterios de los resultadosIdentifica las operaciones o comprensiones centrales del resultado de aprendizaje y tradúcelas en criterios observables.
- Formular criterios observables y específicosEvita descriptores genéricos; cada criterio debe describir conductas o productos verificables en la evidencia.
- Definir estándares mínimos y niveles de logroEstablece qué cuenta como desempeño suficiente y cómo se diferenciarán los niveles (inicial, en desarrollo, logrado, sobresaliente).
- Seleccionar el instrumento de evaluaciónElige entre rúbrica, lista de cotejo u otro instrumento según el tipo de evidencia y el nivel de discriminación requerido.
- Comunicar criterios y estándares al estudiantadoAsegúrate de que los estudiantes conozcan los criterios y los niveles antes de la evaluación, para orientar su trabajo y reducir la incertidumbre.
Instrumentos de evaluación: ¿cuándo usar cada uno?#
Explora las características y usos recomendados de los principales instrumentos de evaluación. Abre cada pestaña para conocer más detalles.
Rúbricas analíticas
Las rúbricas analíticas desglosan el desempeño en varios criterios, permitiendo evaluar cada aspecto por separado. Son ideales para productos complejos y evidencias auténticas, ya que ofrecen retroalimentación detallada y fomentan la mejora continua.
Su uso es recomendable cuando se busca diferenciar niveles de calidad y orientar el aprendizaje, aunque requieren mayor tiempo de elaboración y calibración.
Listas de cotejo
Las listas de cotejo verifican la presencia o ausencia de elementos clave en la evidencia. Son útiles para tareas donde el cumplimiento de requisitos es esencial y la calidad se mide por el logro de pasos o componentes específicos.
Se recomiendan para actividades procedimentales o diagnósticas, pero no discriminan niveles de calidad entre los productos.
Escalas de calificación
Las escalas de calificación asignan un valor numérico o descriptivo al desempeño global o a cada criterio. Son prácticas para evaluaciones rápidas o cuando se requiere una síntesis cuantitativa.
Conviene usarlas en combinación con rúbricas o listas para mantener la transparencia y la equidad.
Retroalimentación formativa
La retroalimentación formativa se centra en orientar al estudiante sobre cómo mejorar, más allá de la calificación. Es fundamental para el aprendizaje activo y la autonomía.
Debe ser específica, oportuna y vinculada a los criterios, permitiendo ajustes antes de la evaluación final.
Retroalimentación orientada a la meta#
La retroalimentación efectiva ayuda a cerrar la brecha entre el desempeño actual y el resultado esperado. Para ser formativa, debe llegar antes de la calificación definitiva, responder a los criterios y ofrecer pasos concretos para mejorar (Black y Wiliam, 1998; Hattie y Timperley, 2007). Así, la evaluación se convierte en una oportunidad de aprendizaje y no solo en un juicio final.
Buenas prácticas en retroalimentación y revisión#
Revisa estas prácticas para maximizar el impacto de la retroalimentación en el aprendizaje. Expande cada sección para conocer ejemplos y recomendaciones.
Retroalimentar antes de la calificación definitiva
La retroalimentación tiene mayor valor cuando permite al estudiante revisar y mejorar su trabajo antes de la entrega final.
Incluye instancias de revisión intermedia o borradores en tu secuencia didáctica.
Valorar la calidad de la respuesta a la retroalimentación
No solo importa que el estudiante reciba retroalimentación, sino cómo la utiliza para mejorar su desempeño.
Evalúa los cambios realizados y reconoce el esfuerzo de ajuste y aprendizaje.
Ofrecer oportunidades reales de revisión y mejora
Facilita espacios y tiempos para que el estudiantado pueda aplicar la retroalimentación y entregar versiones mejoradas.
Esto fomenta la autonomía y el desarrollo de habilidades metacognitivas.
Anclajes en la evidencia para entornos con IA#
En contextos donde la IA puede generar productos completos, conviene diseñar evidencias con anclajes: momentos o rastros que permitan interpretar el proceso además del producto final. Pueden ser un registro comentado de decisiones, el uso de datos locales o una explicación en vivo. Ningún anclaje garantiza por sí solo la autoría o el aprendizaje; varios indicios, leídos en contexto y conversados con la persona, ofrecen una base más sólida para valorarlos.
Políticas de uso de IA en la evaluación#
Conoce las distintas políticas que puedes adoptar sobre el uso de IA en la evaluación y sus implicaciones. Explora cada pestaña para ver ejemplos y recomendaciones.
Uso no permitido
En algunas actividades, el uso de IA está prohibido para preservar la autoría y el desarrollo de habilidades específicas. Por ejemplo, en exámenes presenciales o defensas orales.
Esta política debe explicarse claramente en las instrucciones de la actividad, justificando su pertinencia y las consecuencias de su incumplimiento.
Uso permitido con declaración
Se permite el uso de IA para ciertas tareas, como revisión de redacción o generación de ideas, siempre que el estudiante declare explícitamente cómo y para qué la utilizó.
Esto promueve la transparencia y permite monitorear el impacto de la herramienta en el aprendizaje.
Uso requerido con análisis
En algunos casos, se exige el uso de IA como parte del aprendizaje, por ejemplo, para comparar versiones o analizar la calidad de las respuestas generadas.
El estudiante debe reflexionar sobre el proceso y justificar las decisiones tomadas, integrando la herramienta de manera crítica.
Ambigüedad y sus riesgos
No definir una política clara sobre el uso de IA genera incertidumbre y puede afectar la equidad y la integridad académica.
Evita la ambigüedad estableciendo reglas explícitas y comunicándolas desde el inicio de la actividad.
¿Es suficiente la evidencia en un entorno con IA?#
Revisa cada tarjeta para identificar si la evidencia propuesta es robusta y adecuada en contextos donde la IA está disponible.
¿Es suficiente la evidencia en un entorno con IA?
Abre cada tarjeta para contrastar el concepto con su explicación.
Ensayo escrito en casa sin anclajes
No es suficiente, ya que puede ser generado íntegramente por IA sin demostrar aprendizaje real.
Producto basado en datos de sesión
Es robusto, porque utiliza información trabajada en clase que la IA no conoce por sí sola.
Defensa oral de una propuesta
Es adecuado, pues exige argumentar y responder en tiempo real, dificultando la delegación total a la IA.
Bitácora de decisiones y versiones
Es una evidencia sólida, ya que muestra el proceso y la evolución del pensamiento del estudiante.
Encuesta de percepción sobre el tema
No es suficiente, ya que solo refleja opiniones o sensaciones, no el aprendizaje alcanzado.
Esta versión no envía respuestas, no guarda intentos y no calcula una puntuación.
El papel de la IA en el diseño y calibración de evidencias#
La IA puede bosquejar evidencias, simular respuestas posibles y ayudar a localizar ambigüedades en una rúbrica. Esas simulaciones no representan necesariamente lo que hará el grupo. Los criterios, los anclajes y cualquier decisión que afecte al estudiantado requieren revisión, prueba y una persona responsable con autoridad para corregirlos.
La IA puede ser una aliada valiosa en el diseño de evaluaciones, siempre que se utilice con sentido crítico y supervisión humana. Sigue estos pasos para aprovechar su potencial de manera responsable.
- Definir el resultado y la evidencia deseadaParte de un resultado de aprendizaje claro y determina qué tipo de evidencia lo demostrará mejor.
- Pedir a la IA repertorios y borradores de evidencias auténticasSolicita ejemplos de tareas, productos o casos alineados con el resultado, adaptados al contexto real.
- Solicitar a la IA simulaciones de respuestas en distintos nivelesPide respuestas simuladas para cada nivel de la rúbrica, lo que ayuda a calibrar los descriptores y detectar ambigüedades.
- Probar y calibrar la rúbrica con respuestas simuladasCompara las respuestas generadas con los criterios definidos y ajusta los descriptores para asegurar que discriminan adecuadamente entre niveles.
- Validar y ajustar criterios y anclajes con juicio humanoRevisa críticamente las propuestas de la IA, asegurando su pertinencia, autenticidad y alineación con el aprendizaje buscado.
Riesgos y controles al usar IA en la evaluación#
Identifica los principales riesgos de integrar IA en la evaluación y conoce estrategias para mitigarlos. Expande cada sección para ver ejemplos y recomendaciones.
Casos sintéticos inverosímiles o sesgados
La IA puede generar casos o datos poco realistas o con sesgos disciplinarios.
Controla este riesgo revisando la plausibilidad y pertinencia de los casos antes de utilizarlos en clase.
Criterios genéricos o poco discriminativos
Las rúbricas generadas por IA pueden ser demasiado generales y no diferenciar niveles de logro.
Calibra los descriptores con respuestas simuladas y ajusta hasta que reflejen operaciones observables y específicas.
Delegar el juicio evaluativo a la IA
Confiar en la IA para calificar o tomar decisiones finales puede llevar a errores y pérdida de agencia docente.
El juicio evaluativo y la posibilidad de revisarlo deben permanecer asignados a personas responsables. La IA puede ordenar información o señalar patrones, pero no debe emitir por sí sola una decisión que afecte al estudiantado.
Falta de validación humana
Utilizar productos generados por IA sin revisión puede introducir errores, sesgos o información incorrecta.
Valida y ajusta toda propuesta antes de implementarla, documentando el proceso de cocreación.
Actividad interactiva · H5P
¿Cuál de las siguientes evidencias sería la más robusta y alineada para evaluar la justificación de una intervención en
Práctica formativa sin calificación de la lección 7 del curso «Diseño inverso y cocreación con IA».
Versión accesible y equivalente
¿Cuál de las siguientes evidencias sería la más robusta y alineada para evaluar la justificación de una intervención en un contexto con IA?
Responde primero por tu cuenta y abre después la solución razonada.
Ver respuesta razonada
- Por qué no corresponde: Ensayo escrito en casa sin anclajes — Un ensayo escrito en casa puede ser fácilmente realizado por una IA, lo que dificulta asegurar la autenticidad del aprendizaje.
- Por qué no corresponde: Cuestionario de opción múltiple sobre conceptos — Un cuestionario de opción múltiple evalúa conocimientos básicos, pero no necesariamente la justificación de una intervención ni la autenticidad del proceso.
- Respuesta esperada: Análisis de caso usando datos de la sesión y defensa oral — Esta opción es la más robusta porque combina el uso de datos trabajados en clase con una defensa oral, dificultando la delegación total a la IA y asegurando la autenticidad del aprendizaje.
- Por qué no corresponde: Registro de participación en foros — El registro de participación en foros puede ser manipulado o realizado por una IA, y no necesariamente evidencia la justificación de una intervención.
Esta versión no envía respuestas, no guarda intentos y no calcula una puntuación.
Con resultados, evidencias y criterios conectados, la siguiente lección distribuye la práctica entre momentos activos e híbridos.
Referencias
- Bearman, M., Dawson, P., Ajjawi, R., Tai, J., y Boud, D. (Eds.). (2020). Re-imagining university assessment in a digital world. Springer. https://doi.org/10.1007/978-3-030-41956-1
- Black, P., y Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74. https://doi.org/10.1080/0969595980050102
- Hattie, J., y Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487