[Serie especial: El gran giro del paradigma educativo en la era de la IA] Parte 1. [Evaluación] El fin de la respuesta correcta: de la “memorización de conocimientos” a la evaluación de la “pregunta y el proceso”

La rápida difusión de la IA generativa está sacudiendo los cimientos de la “evaluación centrada en los resultados” que la educación pública moderna ha mantenido durante más de 100 años. Ethan Mollick, profesor de la Wharton School de la University of Pennsylvania, señaló en su libro Co-Intelligence: “La IA ya obtiene calificaciones dentro del 10 % superior en los exámenes estandarizados de conocimientos humanos, y las tareas tradicionales basadas en texto ya no pueden demostrar la capacidad intelectual genuina del propio estudiante”.

La rápida difusión de la IA generativa está sacudiendo los cimientos de la “evaluación centrada en los resultados” que la educación pública moderna ha mantenido durante más de 100 años. Ethan Mollick, profesor de la Wharton School de la University of Pennsylvania, señaló en su libro Co-Intelligence : “La IA ya obtiene calificaciones dentro del 10 % superior en los exámenes estandarizados de conocimientos humanos, y las tareas tradicionales basadas en texto ya no pueden demostrar la capacidad intelectual genuina del propio estudiante”. Con la intervención de la IA, los exámenes finales, las pruebas escritas y los informes entregados, que medían con qué precisión se recordaba el conocimiento estandarizado y se reproducía en frases ordenadas, han perdido por completo su validez como instrumentos de evaluación.

Según las “Guidance for Generative AI in Education and Research” (Guía sobre IA generativa en la educación y la investigación) publicadas por la UNESCO, un método que evalúa únicamente el producto final incurre en el error de medir, en lugar del proceso de indagación intelectual del estudiante, solo un resultado técnico externalizado: “quién utilizó con mayor eficiencia las herramientas de IA para generar el producto”. En definitiva, el fin de los métodos tradicionales de evaluación, que exigen entregar una única respuesta correcta o un texto terminado, es inevitable, y el ámbito educativo se ve urgido a pasar de una evaluación que verifica la “posesión” del conocimiento a un nuevo marco que mide el “proceso de generación y la verificación crítica” del conocimiento.

2. De la memorización de conocimientos a la formulación de preguntas: una reinterpretación de la taxonomía de Bloom

La taxonomía de objetivos educativos de Bloom (Bloom’s Taxonomy), que ha servido como referencia para los objetivos de aprendizaje en la pedagogía, también está siendo reinterpretada con un enfoque inverso en la era de la IA. En la estructura tradicional de la taxonomía, se avanzaba por etapas desde los niveles inferiores de “recordar” y “comprender” hacia “aplicar”, “analizar”, “evaluar” y, en la cima, “crear”. Sin embargo, los grandes modelos de lenguaje (LLM) realizan en pocos segundos los niveles inferiores, como la memorización de conocimientos y la comprensión simple, e incluso la aplicación y la creación básicas.

Ante este cambio, investigadores de la Graduate School of Education de Stanford University subrayan que los objetivos de aprendizaje en la era de la IA deben reformularse partiendo de la “automatización de los niveles inferiores”. La competencia clave que se exige a las personas ya no es simplemente memorizar conocimientos, sino la “capacidad de formular preguntas” (Problem Formulation & Prompting), que consiste en captar la esencia de un problema y marcarle a la IA una dirección de indagación precisa, y la “evaluación crítica” (Critical Evaluation), que consiste en detectar los errores en los resultados generados por la IA; el énfasis se ha desplazado de forma notable hacia estas dos. Por ello, en lugar de preguntar “¿Cuál es la definición de este concepto?”, la evaluación debe reconfigurarse para medir “¿Qué niveles de preguntas diseñó para obtener el resultado deseado?” y “¿Cómo detectó y corrigió las fallas lógicas de la respuesta que ofreció la IA?”.

Evaluación centrada en el proceso y auge de la capacidad de verificación

Al quedar demostrado que el producto final carece de sentido, el eje de la evaluación se está desplazando hacia la “evaluación basada en el proceso” (Process-Based Assessment), que rastrea todo el proceso de interacción entre el estudiante y la IA. Es la aplicación práctica del “pensamiento crítico” y la “competencia reflexiva” que subraya el marco “Education 2030” de la OCDE. El objeto de la evaluación no es el trabajo final entregado, sino el registro de correcciones de errores recorrido para llegar a la respuesta, es decir, el “historial de prompts” (Prompt Log) y el “informe de verificación crítica”.

En particular, las “alucinaciones” (Hallucination), una limitación propia de la IA, se convierten paradójicamente en la herramienta de evaluación educativa más poderosa. Un ejemplo representativo es la “evaluación de verificación inversa”: se presenta a los estudiantes un informe generado por la IA y se les pide que identifiquen en él la veracidad de las fuentes citadas, los saltos lógicos y los sesgos. El docente evalúa con precisión si el estudiante aceptó sin criterio la respuesta de la IA o si, mediante la verificación cruzada, la reconstruyó desde una perspectiva propia e independiente. El núcleo de la evaluación centrada en el proceso es medir la capacidad del estudiante no como productor de conocimiento, sino como “sujeto que examina y edita” el conocimiento.

Un nuevo marco de evaluación para medir la metacognición y el pensamiento crítico

Los sistemas de evaluación de la era de la IA están incorporando marcos multidimensionales que verifican, más que la simple medición de conocimientos, la “metacognición, es decir, saber qué se sabe y qué no se sabe” y la “capacidad de resolver problemas reales”. Con ese fin, el DigCompEdu de la Unión Europea (UE) y los centros educativos de todo el mundo están construyendo sistemas de evaluación que combinan la defensa oral (Viva Voce), las evaluaciones de desempeño con resolución de problemas en tiempo real y los ensayos de autorreflexión.

Bajo este nuevo marco, los estudiantes deben defender oralmente la lógica de sus trabajos ante el docente y el sistema de evaluación con IA, y explicar con claridad en qué contexto utilizaron la IA como herramienta durante la realización de la tarea. En definitiva, la evaluación en la era de la IA debe abandonar la pregunta en pasado “¿Qué sabe?” y convertirse en un proceso que responda a la pregunta de futuro: “Con una herramienta intelectual tan poderosa como la IA, ¿cómo piensa, verifica y transforma el conocimiento en nuevo valor?”.

ⓒ NY&NJ. Prohibida la reproducción y redistribución sin autorización

ⓒ New York and New Jersey. Unauthorized reproduction and redistribution are prohibited.