Generative AI as an enabler of student feedback engagement

Qué propone el artículo

#

Generative artificial intelligence as an enabler of student feedback engagement: a framework pregunta cómo puede intervenir la IA generativa cuando una persona solicita, interpreta y utiliza retroalimentación. Ying Zhan, David Boud, Phillip Dawson y Zi Yan no presentan una prueba de eficacia ni comparan intervenciones. Proponen un marco conceptual tentativo que debe seguir siendo provisional mientras cambian las herramientas y se acumula investigación empírica.

El punto de partida es una dificultad conocida: entregar comentarios no garantiza que una persona los comprenda ni que cambie su trabajo. El marco relaciona tres componentes:

1. las posibilidades y restricciones del entorno de retroalimentación;
2. las capacidades de la persona para solicitar, juzgar y utilizar comentarios;
3. las acciones que realiza antes, durante y después de trabajar con ellos.

Seis posibilidades, no seis dimensiones validadas

#

El artículo recupera seis posibilidades educativas (affordances) atribuidas a la IA generativa: interactividad, reducción de ansiedad, autenticidad comunicativa, centralidad del estudiante, práctica repetida y disponibilidad ubicua. Estas posibilidades pueden facilitar conversaciones adaptables y repetidas, pero no constituyen seis dimensiones empíricamente validadas del marco.

Los autores también señalan restricciones: información sesgada o engañosa, plagio, dependencia tecnológica y respuestas que parecen convincentes sin ser adecuadas para la tarea. Por eso la disponibilidad de una herramienta no sustituye la capacidad de formular una solicitud precisa, valorar la respuesta y decidir qué hacer con ella.

Dos estructuras que conviene distinguir

#

El texto organiza la interacción con la retroalimentación en tres etapas, una clasificación tomada de Malecka, Boud y Carless:

• obtención (feedback eliciting): reconocer qué ayuda se necesita y solicitar comentarios vinculados con la tarea y sus criterios;
• procesamiento (feedback processing): interpretar la información, contrastarla y juzgar su calidad;
• actuación (feedback enacting): decidir qué modificar y comprobar si el cambio mejora el trabajo.

A la vez, adapta el ciclo de autorregulación de Zimmerman mediante anticipación (feedback forethought), control (feedback control) y retrospectiva (feedback retrospect). El artículo reúne aportes de distintas líneas sobre alfabetización en retroalimentación, juicio evaluativo y autorregulación para proponer una relación propia entre esas etapas.

Cómo usarlo sin exagerar su alcance

#

Esta ficha sirve para formular preguntas de diseño, no para afirmar que la IA mejora por sí sola la retroalimentación:

• ¿qué comentarios necesita solicitar la persona y con qué criterios (por ejemplo, los de la rúbrica de la tarea)?;
• ¿cómo comprobará si una respuesta es pertinente, sesgada o incorrecta?;
• ¿qué cambio hará y cómo revisará su efecto?;
• ¿qué datos no deben compartirse con la herramienta?;
• ¿cuándo hace falta intervención de una persona docente?

El marco depende del contexto, de la alfabetización en retroalimentación y del modo en que se use la herramienta. El artículo no prueba una mejora causal ni establece una secuencia universal.

Relación con este sitio

#

La guía de evaluación formativa con IA explica cómo usar comentarios para modificar enseñanza y aprendizaje. La actividad de evaluación formativa asistida por IA ofrece una práctica concreta. Esta ficha aporta el marco para revisar qué hace la persona al obtener, procesar y usar retroalimentación; no sustituye esas páginas ni debe fusionarse con ellas.

Referencia y acceso

#

Zhan, Y., Boud, D., Dawson, P., & Yan, Z. (2025). Generative artificial intelligence as an enabler of student feedback engagement: a framework. Higher Education Research & Development, 44(5), 1289–1304. https://doi.org/10.1080/07294360.2025.2476513

El artículo se publicó con licencia CC BY-NC-ND 4.0. Además del registro del editor, puede consultarse la copia abierta preservada por UTS.