Retroalimentación por IA: la evaluación formativa a prueba de sesgos

La evaluación formativa —la que ayuda a aprender en lugar de sancionar— vive de una cosa: una devolución útil, en el momento oportuno. Es precisamente lo que la IA puede ofrecer a gran escala: una retroalimentación inmediata, detallada y personalizada sobre un borrador, un razonamiento, un ejercicio. Pero la investigación reciente revela sutilezas humanas que ninguna velocidad de generación resuelve.

Una devolución que mejora de verdad las producciones

Las pruebas de eficacia van llegando. En un ensayo controlado en un curso universitario numeroso, los estudiantes que recibieron una retroalimentación mediada por IA produjeron revisiones de calidad significativamente superior, con un efecto que crecía a medida que los asistentes adoptaban las sugerencias de la IA ^[1]. En el plano teórico, un diseño cuidadoso de las consignas permite a los LLM ofrecer andamiajes variados —metacognitivos, motivacionales— que apoyan el aprendizaje autorregulado ^[2].

El sesgo de origen: quién da la retroalimentación importa

Más inquietante aún: los estudiantes a menudo valoran mal la exactitud de la retroalimentación. Un estudio sobre cerca de un millar de devoluciones evaluadas por centenares de estudiantes muestra que les cuesta distinguir una retroalimentación correcta de una errónea, y suelen suponer que la mejor procede de un humano ^[4]. Dicho de otro modo, no se puede depositar en el estudiante la tarea de filtrar los errores de la IA.

El uso importa más que la herramienta

El efecto depende en gran medida de cómo se use la retroalimentación. Un estudio en física muestra que las pistas obligatorias ayudan a los alumnos con más dificultades, pero perjudican la autorregulación de los más aventajados, mientras que una ayuda a demanda beneficia a los más avanzados, pero puede erosionar la autonomía de los más frágiles ^[5]. Una revisión con docentes confirma que las ganancias de velocidad y personalización se ven contrarrestadas por riesgos de sesgo, de privacidad y de debilitamiento de la relación pedagógica ^[6].

• Fuerte: retroalimentación inmediata, andamiaje de la autorregulación, reducción de la carga docente.
• Débil: percepción sesgada por el origen, juicio poco fiable de la calidad por parte del estudiante.
• A dosificar: pistas obligatorias frente a las que se dan a demanda, según el nivel del alumno.

Una buena retroalimentación no solo dice qué está mal; hace que el estudiante sea capaz de verlo por sí mismo la próxima vez.

Síntesis Learnya

El consenso emergente es claro: la IA funciona mejor como complemento del docente que como sustituto, y los modelos híbridos son los más eficaces ^[7]. Además, los enfoques neurosimbólicos hacen más interpretable el seguimiento del dominio, al inyectar reglas pedagógicas explícitas ^[8]. Rápida, la IA puede serlo; digna de confianza, lo llega a ser mediante el diseño, la verificación humana y una gobernanza de los datos controlada.

Hacer la retroalimentación accionable y creíble

Una retroalimentación solo tiene valor si se comprende y produce efecto. Ahora bien, la investigación revela un doble obstáculo humano: los estudiantes valoran mal la exactitud de una devolución ^[4] y la perciben de forma distinta según se atribuya a un humano o a una IA ^[3]. Dicho de otro modo, una excelente retroalimentación generada por IA puede ser ignorada simplemente porque lleva la etiqueta «IA». La transparencia sobre el origen y el acompañamiento humano se convierten, por tanto, en palancas de adopción tanto como de calidad.

El efecto también depende con precisión de la dosis y del nivel del alumno. Unas pistas impuestas pueden ayudar a los más rezagados, pero perjudicar la autorregulación de los más avanzados, mientras que una ayuda a demanda produce el efecto contrario ^[5]. No existe un ajuste universal: un buen sistema regula la cantidad y el momento del apoyo, y deja progresivamente que el estudiante retome el mando. El objetivo último de la retroalimentación formativa es volverse superflua.

Por eso el consenso se inclina hacia modelos híbridos, en los que la IA amplifica el trabajo del docente en lugar de sustituirlo ^[7]. El docente aporta el criterio, la relación y el conocimiento del contexto; la IA aporta la rapidez, la disponibilidad y la cobertura. Unos enfoques más interpretables del seguimiento del dominio ^[8] refuerzan además la confianza, al hacer legibles las razones de una recomendación. Rápida y creíble, una retroalimentación lo llega a ser mediante el diseño, la verificación y una gobernanza de los datos controlada.

La retroalimentación, motor discreto del aprendizaje

Entre todos los usos de la IA en educación, la retroalimentación formativa es quizá el más prometedor, porque es el más alineado con lo que hace aprender: una devolución útil, frecuente y en el momento oportuno. La IA elimina el principal obstáculo histórico —el coste en tiempo— al hacer posible una retroalimentación casi inmediata para cada estudiante, en cada etapa.

Pero los hallazgos recientes sobre los sesgos de percepción y el juicio poco fiable de los estudiantes recuerdan que una buena retroalimentación no se reduce a producirla. Hay que hacerla creíble, accionable y adaptada al nivel de cada uno, y mantenerla bajo la mirada de un docente. El futuro no está en la IA que sustituye a la retroalimentación humana, sino en una alianza en la que cada uno aporta lo que mejor sabe hacer: la rapidez para la máquina, el sentido y la relación para el ser humano.